فهرست نشریات علمی دسترسی آزاد ایران

این مقاله به ارائه‌ی یک مدل هیبریدی جدید برای اعتبارسنجی مشتریان بانکی می‌پردازد که ترکیبی از الگوریتم ژنتیک، بهینه‌سازی بیزین  و مدل یادگیری ماشینی XGBoost است. هدف اصلی این مدل، بهبود دقت و کارایی در ارزیابی ریسک اعتباری مشتریان و کاهش هزینه‌های مرتبط با بروز اشتباه در پیش‌بینی‌هاست. در این تحقیق، داده‌های مربوط به دوره‌های پنج ساله‌ی صورت‌های مالی و وضعیت اعتباری مشتریان بانکی مربوط به سال‌های 1398 الی 1402 مورد استفاده قرار گرفته و پس از پیش‌پردازش داده‌ها شامل نرمال‌سازی و مدیریت داده‌های گم‌شده، از الگوریتم ژنتیک برای انتخاب ویژگی‌های بهینه مورد استفاده قرار گرفته است. سپس، بهینه‌سازی بیزین به‌عنوان یک ابزار پیشرفته جهت تنظیم دقیق ابرپارامترهای XGBoost به کار گرفته شده است. نتایج حاصل‌شده از پژوهش، بیان‌گر عملکرد برتر مدل پیشنهادی در مقایسه با روش‌های متداول اعتبارسنجی است. مدل هیبریدی پیشنهادی توانسته است با دقت 3/79 درصد و نرخ بازشناسی مطلوب برای مشتریان معتبر و غیرمعتبر، به‌ویژه در طبقه‌بندی مشتریان با ریسک بالا، برتری خود را نشان دهد. تحلیل‌های آماری و مقایسه عملکرد مدل با سایر روش‌های موجود، تأثیر مثبت انتخاب ویژگی و تنظیم ارامترها را تأیید می‌کند. این مدل می‌تواند به‌عنوان یک ابزار عملیاتی برای بانک‌ها و مؤسسات مالی جهت کاهش ریسک اعتباری و بهبود مدیریت مشتریان مورد استفاده قرار گیرد.