Key points are not available for this paper at this time.
يعد تقييم مخاطر الائتمان عاملاً رئيسياً في الوساطة المالية، وتوفير رأس المال التنظيمي، وإدارة المخاطر في المحفظة. في هذه الدراسة، نقارن أداء التعلم العميق لتقدير احتمال التخلف عن السداد (PD) مع نموذج اقتصادي مالي هيكلي باستخدام بيانات قروض لوكالة مالية غير مصرفية هندية بين مايو وأغسطس 2025. باستخدام تفسير PD كمتوسط شرطي، وهو ما يتماشى مع نماذج كثافة التخلف الشكلية المخفضة، نقارن بين التعلم العميق، والانحدار اللوجيستي، وزيادة التدرج باستخدام تصميم خالص مستند إلى الزمن خارج العينة. تركز تقييم النموذج على التمييز والمعايرة، حيث يتم استخدام منطقة تحت منحنى الدقة-استرجاع (AUC-PR)، ودرجة بريير، وفقدان اللوغاريتم، واختبارات ملاءمة هوسمر–ليميشو. تُظهر النتائج أن التعلم العميق يحقق دقة أعلى من حيث المعايرة ولكن بدرجة بريير أقل بحوالي 18؛ يمكن تقليص هذه الفجوة من خلال مقارنة الانحدار اللوجيستي مع تحسينات ذات دلالة إحصائية في الاختبارات الرسمية التي تقارن التوقعات. في اختبار الأداء الخاص بالمحفظة، يتم تحويل تحسينات نسبة الاحتمالات إلى تقليل فعلي للخسائر بنحو 12-13% لفئة أغسطس 2025. على الرغم من أن التحسينات مقارنة بتقنيات التجميع المتقدمة متوسطة، تشير النتائج إلى أن التعلم العميق يحسن تقدير احتمالات التخلف الشرطي بسبب نمذجة غير الخطية الأفضل وإدراك المخاطر في الأطراف العليا. تساهم هذه الدراسة في الأدبيات من خلال إدماج التعلم الآلي وتقييم مخاطر الائتمان في نظام إدارة مخاطر وتقييم اقتصادي رسمي.
درس كمال وآخرون (الجمعة) هذا السؤال.