مروری بر کاربرد هوش مصنوعی و یادگیری ماشین در سنجش و مدیریت ریسک بانکی

یادگیری ماشین (ML) تجزیه و تحلیل داده ها را در دهه گذشته متحول کرده است. مانند بسیاری ازصنایع دیگر که به شدت به اطلاعات دقیق متکی هستند، نظارت بانکی نیز از این پیشرفت تکنولوژی سودزیادی می برد. هدف از این بررسی، ارائه یک سیر جامع از چگونگی استفاده از رایج ترین تکنیک های MLبرای ارزیابی ریسک در بانکداری، با تمرکز بر دیدگاه نظارتی است. ارزیابی ریسک اعتباری و تست استرسموضوعات برجسته و همچنین سایر دیدگاههای ریسک، با برخی ارجاع به بررسی های کاربردی MLهستند. مرتبط ترین تکنیک هایML شامل -k نزدیکترین همسایه (KNN). ماشینهای بردار پشتیبان (SVM)، مدلهای مبتنی بر درخت تصمیم، تکنیک های تقویتی، و شبکه های عصبی مصنوعی (ANN) است. روندهای اخیر شامل توسعه سیستم های هشدار اولیه (EWS) برای اعلام ورشکستگی و اصلاحتست استرس است. در نهایت نتایج در یک جدول زمانی با توجه به تاریخ انتشار ارائه شده و بر اساس بازههای زمانی طبقه بندی می شوند اما با توجه به بررسیهای صورت گرفته شواهد فزاینده ای وجود دارد کهنشان میدهد تکنیک های یادگیری ماشین میتواند تجزیه و تحلیل داده ها و تصمیم گیری را در صنعتبانکداری بهبود دهد.

Keywords:

یادگیری ماشین , مدیریت ریسک , ریسک بانکی , سنجش ریسک