تقنيات التعلم الآلي المناسبة لتقييم ائتمان والتنبؤ بالإفلاس في البنوك والتمويل: دراسة مقارنة

تم استخدام تقنيات التعلم الآلي بنجاح في عدة مجالات مثل البنوك والتمويل. تُستخدم هذه التقنيات بشكل رئيسي للتنبؤ والتصنيف وتقسيم البيانات إلى مجموعات مختلفة وفقًا لميزة مشتركة معينة. في هذا العمل، نحن مهتمون بتقنيات التعلم الآلي لتقييم ائتمان والتنبؤ بالإفلاس في المالية والمصارف. نقوم بتقييم ومقارنة مجموعة من تقنيات التعلم الآلي على عدة مجموعات بيانات صادرة من البنوك والمؤسسات المالية حيث الهدف هو اختيار أكثر الطرق ملاءمة لكل مجموعة بيانات. نحن نستخدم عدة مقاييس لتقييم أداء النماذج التي تم الحصول عليها. تُجرى الدراسات التجريبية على مجموعات بيانات الإفلاس النوعي الألمانية والأسترالية واليابانية والبولندية والهندية والتايوانية. كما نأخذ في الاعتبار مجموعة بيانات "أعطني بعض الائتمان" الضخمة. تنتج طرق التعلم الآلي درجات للمتقدمين والشركات وتساعد كثيرًا في اتخاذ القرار. بعبارة أخرى، تسمح لنا هذه الطرق بتمييز المتقدمين أو الشركات الجيدة من السيئة. تُظهر الدراسة العددية أنه لا توجد طريقة قادرة على التفوق باستمرار على الأخريات في جميع مجموعات البيانات. أيضًا، هناك اختلافات كبيرة بين الطرق المدروسة على بعض مجموعات البيانات. بالنسبة لمجموعات بيانات الألمانية وأعطني بعض الائتمان، فإن طريقة شبكة بايز قادرة على إنتاج درجات جيدة مقارنة بالطرق الأخرى المدروسة. طريقة LogitBoost تنافسية على كل من مجموعات البيانات البولندية والأسترالية، بينما تعتبر طريقة AdaBoost الأكثر ملاءمة لمجموعة البيانات اليابانية. بالنسبة لمجموعة البيانات التايوانية، تعطي طريقة Random Forest أفضل النتائج مقارنة بالتقنيات الأخرى المدروسة. ومع ذلك، على مجموعة بيانات الإفلاس النوعي الهندية، فإن معظم الطرق قابلة للمقارنة بسبب طبيعة هذه المجموعة من البيانات.