تعتبر انتقالات التصنيفات الائتمانية والعجز مؤشرات حاسمة على جدارة الشركات الائتمانية، ومع ذلك لا يزال النمذجة الدقيقة لها تمثل تحديًا مستمرًا في إدارة المخاطر. توفر النماذج التقليدية مثل الانحدار اللوجستي (LR) والأساليب الهيكلية (مثل نموذج ميرتون) شفافية، لكن غالبًا ما تفشل في التقاط العلاقات غير الخطية، والديناميات الزمنية، والتباين بين الشركات. تقترح هذه الدراسة إطار عمل هجين لتعلم الآلة (ML) لشرح وتوقع انتقالات التصنيفات الائتمانية والعجز، مع معالجة القيود الرئيسية في الأدبيات الموجودة. نقوم بمقارنة أربعة خوارزميات تصنيف—LR، والغابة العشوائية (RF)، وتعزيز التدرجات القصوى (XGBoost)، وآلات الدعم الناقل (SVM)—على مجموعة بيانات ائتمانية مفهرسة. يدمج نهجنا نمذجة خاصة بالشريحة عبر نطاقات التصنيف، والتحقق من البيانات خارج الوقت لمحاكاة قابليتها للتطبيق في العالم الحقيقي، وقيم SHapley Additive exPlanations (SHAP) لضمان القابلية للتفسير. تظهر النتائج أن أساليب الجمع، وبشكل خاص XGBoost وRF، تفوق بشكل كبير LR وSVM من حيث الدقة التنبؤية وقدرة التحذير المبكر. علاوة على ذلك، يكشف تحليل SHAP عن محركات مختلفة لانتقالات التصنيف عبر قطاعات الجودة الائتمانية، مما يبرز أهمية استراتيجيات المراقبة المصممة خصيصًا. تسهم هذه البحث في الأدبيات من خلال ربط الأداء التنبؤي بالقابلية للتفسير في نمذجة مخاطر الائتمان وتقدم تداعيات عملية للمراقبين، ووكالات التصنيف، والمؤسسات المالية التي تسعى إلى أدوات تقييم ائتمانية قوية وشفافة ونظرة مستقبلية.
أجرى أوليفيرا وآخرون (سون) دراسة حول هذا الموضوع.