مقاله انگلیسی ارزیابی ریسک اعتباری و پشتیبانی تصمیمات مالی با استفاده از هوش مصنوعی قابل توضیح

عنوان فارسی:

ارزیابی ریسک اعتباری و پشتیبانی تصمیمات مالی با استفاده از هوش مصنوعی قابل توضیح

عنوان انگلیسی:

Credit Risk Assessment and Financial Decision Support Using Explainable Artificial Intelligence

کد محصول: H1071

سال نشر: ۲۰۲۴

نام ناشر (پایگاه داده): MDPI

نام مجله: Risks

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: ندارد

مدل مفهومی: مدل ریاضی دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: ۱۸ صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H1071)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

بزرگترین تحول فناوری که جهان تاکنون به خود دیده ، توسط هوش مصنوعی (AI) ایجاد شده است. این فناوری فرصت های بی نظیری را برای بخش مالی به منظور ارتقاء مدیریت ریسک، مردم­نهاد کردن خدمات مالی، تضمین حمایت از مصرف کننده و بهبود تجربه مشتری ارائه می دهد. مدل‌های یادگیری ماشینی مدرن بیش از هر زمان دیگری در دسترس هستند، اما ایجاد و پیاده‌سازی سیستم‌هایی که از برنامه‌های مالی دنیای واقعی پشتیبانی می‌کنند، عمدتا به دلیل عدم شفافیت و توضیح‌پذیری آنها – که هر دو برای ایجاد فناوری قابل اعتماد ضروری هستند، چالش برانگیز بوده است. نوآوری این مطالعه در توسعه یک مدل هوش مصنوعی  قابل توضیح (XAI) است که نه تنها به مسائل شفافیت می‌پردازد، بلکه به عنوان ابزاری برای توسعه سیاست در مدیریت ریسک اعتباری عمل می‌کند. مدل پیشنهادی با ارائه درک روشنی از عوامل زمینه‌ای مؤثر بر پیش‌بینی‌های هوش مصنوعی، می‌تواند به تنظیم‌کننده‌ها و مؤسسات مالی در شکل‌دهی سیاست‌های مبتنی بر داده، تضمین عدالت و افزایش اعتماد کمک کند. این مطالعه یک مدل هوش مصنوعی قابل توضیح برای مدیریت ریسک اعتباری را پیشنهاد می‌کند که هدف خاص آن کمی­سازی ریسک‌های مرتبط با استقراض اعتباری از طریق پلت‌فرم‌های وام‌دهی همتا به همتا می باشد. این مدل از مقادیر شپلی برای تولید پیش‌بینی‌های هوش مصنوعی بر اساس متغیرهای توضیحی کلیدی استفاده می‌کند. مدل درخت تصمیم و جنگل تصادفی به ترتیب به بالاترین سطح دقت ۰.۸۹ و ۰.۹۳ دست یافتند. در ادامه عملکرد مدل با استفاده از یک مجموعه داده بزرگتر مورد آزمایش قرار گرفت به طوری که مدل‌های درخت تصمیم و جنگل تصادفی به ترتیب به دقت ۰.۹۰ و ۰.۹۳ رسیدند و سطوح دقت پایدار را حفظ کردند. برای اطمینان از مدل‌سازی قابل  اعتماد هوش مصنوعی (XAI)، مدل‌های LIME و SHAP به دلیل ماهیت طبقه‌بندی باینری مسئله انتخاب شدند. LIME و SHAP برای ارائه مدل های XAI به عنوان جایگزینان محلی و جهانی استفاده شدند.

 کلمات کلیدی: RMSE; هوش مصنوعی XAI; جنگل تصادفی؛ درخت تصمیم

Abstract  

The greatest technological transformation the world has ever seen was brought about by artificial intelligence (AI). It presents significant opportunities for the financial sector to enhance risk management, democratize financial services, ensure consumer protection, and improve customer experience. Modern machine learning models are more accessible than ever, but it has been challenging to create and implement systems that support real-world financial applications, primarily due to their lack of transparency and explainability—both of which are essential for building trustworthy technology. The novelty of this study lies in the development of an explainable AI (XAI) model that not only addresses these transparency concerns but also serves as a tool for policy development in credit risk management. By offering a clear understanding of the underlying factors influencing AI predictions, the proposed model can assist regulators and financial institutions in shaping data-driven policies, ensuring fairness, and enhancing trust. This study proposes an explainable AI model for credit risk management, specifically aimed at quantifying the risks associated with credit borrowing through peer-to-peer lending platforms. The model leverages Shapley values to generate AI predictions based on key explanatory variables. The decision tree and random forest models achieved the highest accuracy levels of 0.89 and 0.93, respectively. The model’s performance was further tested using a larger dataset, where it maintained stable accuracy levels, with the decision tree and random forest models reaching accuracies of 0.90 and 0.93, respectively. To ensure reliable explainable AI (XAI) modeling, these models were chosen due to the binary classification nature of the problem. LIME and SHAP were employed to present the XAI models as both local and global surrogates.

Keywords: RMSE; AI; XAI; random forest; decision tree