آرش زمانی

این پژوهش یک چارچوب نوین برای پیش بینی ریسک اعتباری مشتریان خرد در پلتفرم های فناوری وام دهی (LendTech) با استفاده از داده های جایگزین و الگوریتم های یادگیری ماشین ارائه می دهد. روش های سنتی امتیازدهی اعتباری معمولاً قادر به شناسایی الگوهای پیچیده رفتاری نیستند و در محیط های وام دهی دیجیتال عملکرد محدودی دارند. در این مطالعه، از داده های جایگزین مانند رفتار دیجیتال کاربران، سوابق تراکنش ها، داده های تلفن همراه و تعاملات کاربران با پلتفرم برای افزایش دقت پیش بینی نکول استفاده شده است. همچنین چندین مدل یادگیری ماشین از جمله رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی و گرادیان بوستینگ مورد ارزیابی قرار گرفته اند. برای افزایش شفافیت و قابلیت تفسیر نتایج، از روش SHAP جهت تحلیل اهمیت ویژگی ها استفاده شده است. نتایج نشان می دهد که مدل های تجمیعی، به ویژه Gradient Boosting و Random Forest، بهترین عملکرد را در پیش بینی ریسک اعتباری دارند و عواملی مانند الگوهای تراکنش، رفتار بازپرداخت، ثبات درآمد و میزان تعامل کاربران با پلتفرم بیشترین تأثیر را بر نتایج دارند. یافته ها بیانگر آن است که ترکیب داده های جایگزین، یادگیری ماشین و هوش مصنوعی توضیح پذیر می تواند چارچوبی دقیق، کارآمد و قابل اعتماد برای امتیازدهی اعتباری در اکوسیستم های وام دهی فراهم کند.