تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > استخدام تقنية تعلم الآلة في تح...>الوصف

استخدام تقنية تعلم الآلة في تحليل مشكلة الديون المتعثرة: دراسة تطبيقية على بنك مصر

العنوان بلغة أخرى: Using Machine Learning Technique for Analyzing Non-Performing Loans Problem: Applied Study on Bank Misr
المصدر: المجلة العلمية للاقتصاد والتجارة
الناشر: جامعة عين شمس - كلية التجارة
المؤلف الرئيسي: أحمد، شيماء أحمد علي (مؤلف)
مؤلفين آخرين: محمد، طلبة السيد زين الدين (مشرف) , الغندور، خالد محمد محمد (مشرف)
المجلد/العدد: ع4
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2024
الشهر: ديسمبر
الصفحات: 105 - 134
ISSN: 2636-2562
رقم MD: 1530855
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
تقنيات تعلم الآلة | الديون المالية | العملاء المتعثرين | بنك مصر
كلمات المؤلف المفتاحية:
الديون المتعثرة | تعلم الآلة | الانحدار الشبكي المرن | نموذج متجه الانحدار الذاتي | انحدار ريدج | انحدار متجه الدعم | انحدار الغابات العشوائية | انحدار XGBoost | شجرة القرار | Non-performing loans "NPLs" | Machine Learning | Elastic Net Regression | VAR | Ridge Regression | Support Vector Regression | Random Forest Regression | XGBoost Regression | Decision Tree
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

23

حفظ في:
المستخلص: تتناول هذه الدراسة مشكلة الديون المتعثرة باعتبارها واحدة من التحديات الرئيسية التي تواجه البنوك، وتحدد أهم المتغيرات التي تؤثر على حجم هذه الديون. وتكشف الدراسة أن متغيرات الاقتصاد الكلي لها أهمية أكبر في التنبؤ بحجم الديون المتعثرة مقارنة بمتغيرات الاقتصاد الجزئي الخاصة بالبنك. تستخدم الدراسة عدة نماذج من نماذج تعلم الآلة للتنبؤ بحجم الديون المتعثرة، وتفاضل بين هذه النماذج طبقاً لمجموعة من المعايير الإحصائية لاستخدام أنسب هذه النماذج في التنبؤ بحجم الديون المتعثرة. توصلت النتائج إلى أن نموذج انحدار الغابات العشوائية "Random Forests Regression" كان الأنسب، حيث حصل على أقل قيم لمعايير التقييم، مما يجعله النموذج الأفضل للتنبؤ بحجم الديون المتعثرة مستقبلاً. كما أثبتت الدراسة تفوق نماذج تعلم الآلة على النماذج الإحصائية التقليدية. وأيضاً تم استخدام بعض تقنيات تعلم الآلة للتصنيف لتحليل بيانات عينة من العملاء المتعثرين، وتوصلت النتائج إلى أن نموذج XGBoost "Extreme Gradient Booting" للتصنيف كان الأكثر دقة من حيث تحديد احتمالية تعثر العميل بناءاً على عدة متغيرات مفسرة حيث حقق توازنًا أفضل بين معايير الدقة، التذكر، الدقة النوعية مقارنة بالنماذج الأخرى.

This study dealt with the issue of non-performing loans (NPLs) as one of the main challenges facing banks and identifies key variables that influence the volume of these loans. The study reveals that macroeconomic variables hold greater importance in predicting the volume of NPLs compared to bank- specific variables. Several machine learning models are employed to predict the volume of NPLs, with a comparison among these models based on various statistical criteria to select the most suitable model for NPL prediction. The findings indicate that the Random Forest Regression model was the most appropriate, achieving the lowest values in evaluation criteria, making it the best model for forecasting future NPL volumes. Additionally, the study demonstrates the superiority of machine learning models over traditional statistical models. Some machine learning classification techniques were also used to analyze data from a sample of delinquent borrowers. The results Gradient Boosting (XGBoost) that the Extreme showed classification model was the most accurate in determining the probability of borrower default based on various explanatory variables, achieving a better balance between accuracy, recall, and specificity compared to other models.
ISSN: 2636-2562

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.