ارسل ملاحظاتك

ارسل ملاحظاتك لنا









An Intelligent Model to Assess the Credit Risk in Egyptian Banks

العنوان بلغة أخرى: نموذج ذكي لتقييم مخاطر الائتمان في البنوك المصرية
المصدر: المجلة العلمية للبحوث والدراسات التجارية
الناشر: جامعة حلوان - كلية التجارة وإدارة الاعمال
المؤلف الرئيسي: Fathy, Khaled (Author)
مؤلفين آخرين: Marie, Mohamed (Co-Author) , Yehia, Engy Ahmed (Co-Author)
المجلد/العدد: مج38, ع1
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2024
الشهر: مارس
الصفحات: 1749 - 1782
ISSN: 1110-2373
رقم MD: 1505553
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
كلمات المؤلف المفتاحية:
التعلم الآلي | المؤسسات المالية | تقييم المخاطر | التخلف عن سداد القروض | نموذج تنبؤي | Machine Learning | Financial Institutions | Risk Assessment | Loan Defaults | Predictive Model
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

10

حفظ في:
المستخلص: في عالم المؤسسات المالية والمصرفية، يحتل فن التنبؤ وتقييم المخاطر المصرفية أهمية قصوى. ويتوقف الحفاظ على الاستقرار المالي للبنوك على مهارة إدارة المخاطر، وهو حجر الزاوية في تعزيز الأداء العام للبنوك. علاوة على ذلك، يمكن قياس فعالية المؤسسات المالية والمصرفية من خلال قدرتها على تقييم المخاطر وتقليلها بشكل منهجي وذكي. ومن بين هذه المخاطر، مخاطر الائتمان المصرفي التي تعد من أهم المخاطر التي تشغل البنوك في الأوقات المعاصرة، نظرا للحاجة المتزايدة لصانعي القرار لتوقع احتمالية تعثر عن سداد القروض. ومع ذلك، لا يزال هناك تحد هائل قائم، ألا وهو التقييم غير الكفؤ لمخاطر الائتمان المصرفي. وينبع هذا التحدي من العوامل المتعددة الأوجه التي تؤثر على تقييم المخاطر وسلامة القرارات الائتمانية. استجابة لهذه المشكلة، يقدم هذا البحث نموذجا تنبؤيا يستخدم خوارزميات التعلم الآلي لتنبؤ احتمالية تعثر العملاء عن سداد القروض. يهدف النموذج المقترح إلى تسهيل عملية اتخاذ القرارات الائتمانية المستنيرة مما يساعد على حماية الأصول المالية للبنوك. ولضمان قوة دراستنا، استخدمنا مجموعة بيانات واقعية مستمدة من السجلات التاريخية لأحد البنوك المصرية البارزة. وبعد ذلك، قمنا بتقييم أداء النموذج المقترح استنادا إلى المقاييس الأساسية التي تستخدم في قياس أداء نماذج التعلم الآلي. وأظهرت النتائج أن نموذج XGB أظهر أعلى دقة، مما يؤكد قدرة خوارزميات تعلم الآلة على إحداث ثورة في تقييم مخاطر الائتمان المصرفي.

In the realm of financial and banking institutions, the art of forecasting and assessing banking risks holds paramount significance. Preserving the financial stability of banks is contingent upon adept risk management, a cornerstone in enhancing overall bank performance. Moreover, the effectiveness of financial and banking institutions can be gauged by their ability to systematically evaluate and mitigate risks. Among these risks, the assessment of banking credit risks looms large in contemporary times, given the heightened necessity for decision-makers to anticipate the likelihood of loan defaults. However, one formidable challenge persists: the inadequate assessment of banking credit risks. This challenge stems from the multifaceted factors that influence risk assessment and the soundness of credit decisions. In response to this pressing issue, our research presents a predictive model employing machine learning (ML) algorithms. Our objective is to facilitate informed credit decision-making and safeguard the financial assets of banks. In pursuit of this aim, we employed five machine learning classification algorithms: Artificial Neural Networks (ANN), Random Forest (RF), Logistic Regression (LR), Decision Tree (DT) and XGBoost (XGB). To ensure the robustness of our study, we utilized a real-world dataset gleaned from the historical records of a prominent Egyptian bank. Subsequently, we assessed the performance of our model based on key metrics such as accuracy, precision, recall, and the f1 score. The results showed that XGB exhibited the highest accuracy, underlining the potential for ML algorithms to revolutionize the assessment of banking credit risks.

ISSN: 1110-2373

عناصر مشابهة