فهرست نشریات علمی دسترسی آزاد ایران

هدف: در این پژوهش، به بررسی و بهبود مدیریت ریسک عملیاتی در بانک‌ها با استفاده از الگوریتم‌های یادگیری ماشین پرداخته شده است. مدیریت مؤثر ریسک عملیاتی که از نقص‌های داخلی یا خارجی در فرایندها، سیستم‌ها و افراد نشئت می‌گیرد، به‌دلیل تأثیرهای منفی آن بر عملکرد و پایداری بانک‌ها، اهمیت بسیار زیادی دارد. هدف این پژوهش، ارائۀ رویکردی نوین برای بهبود مدیریت ریسک‌های عملیاتی در بانک‌ها با استفاده از تکنیک‌های یادگیری ماشین است. با توجه به اهمیت پیش‌بینی دقیق ریسک‌های عملیاتی، برای جلوگیری از خسارت‌های احتمالی و بهبود فرایندهای تصمیم‌گیری در صنعت بانکداری، این پژوهش به‌دنبال ارتقای دقت و کارایی مدل‌های پیش‌بینی ریسک است. تمرکز اصلی بر استفاده از داده‌های واقعی بانک‌ها و ارزیابی الگوریتم‌های یادگیری ماشین، به‌منظور شناسایی بهترین روش‌ها برای پیش‌بینی سطوح ریسک‌های مختلف است. روش: در این پژوهش از الگوریتم‌های یادگیری ماشین برای پیش‌بینی سطح وقوع ریسک‌های عملیاتی استفاده شده است. داده‌ها از مجموعه داده‌های ریسک عملیاتی یکی از بانک‌های ایرانی در دورۀ زمانی ۱۳۹۵ تا ۱۴۰۲ با ۴۲۱۳ رکورد و ۱۲ ویژگی جمع‌آوری شدند. پس از پیش‌پردازش داده‌ها، از الگوریتم‌های مختلف یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، رگرسیون لجستیک، بیز ساده و k نزدیک‌ترین همسایه، برای آموزش مدل‌ها استفاده شد. داده‌ها به نسبت ۸۰ به ۲۰ به مجموعه‌های آموزشی و آزمون تقسیم و با استفاده از اعتبارسنجی متقابل K تایی ارزیابی شدند. عملکرد مدل‌ها با استفاده از معیارهایی نظیر دقت، صحت، یادآوری، F1-score و منحنی ROC-AUC سنجیده و بهترین مدل برای پیش‌بینی‌های آتی انتخاب شد. یافته‌ها: یافته‌های این پژوهش نشان می‌دهد که استفاده از الگوریتم‌های یادگیری ماشین، می‌تواند به‌طور چشمگیری دقت پیش‌بینی ریسک‌های عملیاتی در بانک‌ها را افزایش دهد. در ارزیابی الگوریتم‌های مختلف، الگوریتم SVM و RF بهترین عملکرد را نشان دادند، به‌ویژه در طبقه‌بندی کلاس سوم که دقت مدل با معیار AUC نزدیک به ۱ بود. این نتایج از توانایی بالای این دو الگوریتم در تمایز دقیق بین سطوح مختلف ریسک‌های عملیاتی حکایت می‌کند. در مقابل، الگوریتم‌های LR و NB ضعیف‌ترین عملکرد را از خود نشان دادند و نتوانستند به‌خوبی ریسک‌ها را پیش‌بینی کنند. به‌طور کلی، یافته‌ها نشان می‌دهد که الگوریتم‌های قدرتمندی مانند SVM و RF می‌توانند ضمن کمک به بهبود مدیریت ریسک‌های عملیاتی در بانک‌ها، از آسیب‌های نشئت‌گرفته از مدیریت نادرست این ریسک‌ها جلوگیری کنند. نتیجه‌گیری: این پژوهش نشان داد که استفاده از الگوریتم‌های یادگیری ماشین می‌تواند به‌طور درخور توجهی به بهبود مدیریت ریسک‌های عملیاتی در بانک‌ها کمک کند. الگوریتم‌های پیشرفته یادگیری ماشین، به‌ویژه SVM و RF، برای پیش‌بینی ریسک‌های عملیاتی دقت بیشتری ارائه دادند و امکان شناسایی الگوهای پیچیده و غیرمعمول را فراهم کردند. این فناوری‌ها با بهبود کارایی و کاهش هزینه‌های مربوط به مدیریت ریسک، به بانک‌ها کمک می‌کنند تا استراتژی‌های بهتری برای مقابله با ریسک‌های عملیاتی تدوین کنند؛ از این رو به‌کارگیری مستمر این فناوری‌ها می‌تواند عملکرد بانک‌ها را در زمینۀ مدیریت ریسک عملیاتی ارتقا بخشد.