DOI: https://doi.org/10.48084/etasr.15057
تاريخ النشر: 2026-02-09
المؤلف: Elvir Akhmetshin وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تناقش هذه القسم الدور الحاسم لإدارة مخاطر الائتمان في ضمان الاستقرار المالي داخل المؤسسات المقرضة، مع التأكيد على الحاجة إلى التنبؤ الدقيق بعجز المقترضين للتخفيف من الخسائر المحتملة. غالبًا ما تكافح الطرق الإحصائية التقليدية مع العلاقات المعقدة وغير الخطية المتأصلة في ملفات الائتمان، مما يؤدي إلى عدم دقة في التنبؤ. يمثل إدخال الذكاء الاصطناعي (AI)، وخاصة التعلم العميق (DL)، تقدمًا كبيرًا في التغلب على هذه القيود من خلال تمكين تحليل مجموعات البيانات الكبيرة وتحسين دقة التنبؤ.
يقترح البحث نموذجًا متقدمًا لتنبؤ مخاطر الائتمان المالي باستخدام تقنية شبكة الالتفاف البيانية (AFCRFM-GCN)، بهدف إنشاء إطار عمل قوي لتنبؤ مخاطر الائتمان. تشمل المنهجية تطبيع البيانات من خلال مقياس الحد الأدنى والحد الأقصى، واختيار الميزات عبر خوارزمية تحسين البجع (POA)، وتصنيف مخاطر الائتمان باستخدام الشبكات الالتفافية البيانية (GCN). بالإضافة إلى ذلك، يتم ضبط المعلمات باستخدام تحسين الثعلب الأحمر القائم على رحلة ليفي (LFRFO). تظهر النتائج تحسنًا ملحوظًا في الدقة، حيث تحقق 98.56% على مجموعة بيانات مخاطر الائتمان، متجاوزة النماذج الحالية.
مقدمة
تناقش مقدمة الورقة المشهد المتطور للقطاع المالي استجابةً للتقدم في تقنيات الإنترنت، التي قدمت تحديات جديدة تتعلق بالمخاطر. يتم التأكيد على تقييم مخاطر الائتمان كعنصر حاسم في اتخاذ القرارات المالية، لا سيما في تقييم احتمالية عجز المقترضين، وهو أمر ضروري للإقراض الفعال وإدارة المحافظ. تتمتع الطرق التقليدية لتقييم مخاطر الائتمان، بما في ذلك تقييم الائتمان والتقنيات الإحصائية، بمزاياها وقيودها الخاصة، مما يدفع لاستكشاف طرق أكثر تقدمًا.
تسلط الورقة الضوء على الأهمية المتزايدة للتعلم الآلي (ML) والتعلم العميق (DL) في تقييم مخاطر الائتمان، مشيرة إلى أن هذه التقنيات تسهل التعرف على الأنماط المعقدة ونمذجة التنبؤ. يتم الإشارة إلى منهجيات مبتكرة متنوعة، بما في ذلك نهج التجميع المكدس مع تقنية زيادة العينة الأقلية الاصطناعية-الجارة الأقرب المعدلة (SMOTE-ENN) لمعالجة عدم توازن البيانات، واستخدام الشبكات العصبية الالتفافية البيانية (GCNNs) وشبكات الذاكرة القصيرة والطويلة (LSTM) لتعزيز قدرات التنبؤ. يقترح المؤلفون نموذجًا جديدًا، نموذج التنبؤ المالي المتقدم لمخاطر الائتمان باستخدام شبكة الالتفاف البيانية (AFCRFM-GCN)، والذي يتضمن مقياس الحد الأدنى والحد الأقصى لتطبيع البيانات لتحسين موثوقية وأداء التحليلات المالية.
طرق
في هذا القسم، يقوم المؤلفون بتقييم أداء نموذج التنبؤ المالي المتقدم لمخاطر الائتمان باستخدام شبكة الالتفاف البيانية (AFCRFM-GCN) على مجموعة بيانات مخاطر الائتمان. تم تنفيذ النموذج بلغة بايثون وتم تدريبه بمعدل تعلم قدره 0.01، وتفعيل ReLU، ومعدل تسرب قدره 0.5 على مدى 50 دورة، مع استخدام تقسيم 70:30 للتدريب والاختبار. تشير النتائج إلى أن النموذج حقق دقة متوسطة قدرها 98.26% أثناء التدريب و98.56% أثناء الاختبار، مع قيم دقيقة، واسترجاع، ومقياس F1، ومعامل ارتباط ماثيو (MCC) التي تظهر أداءً عاليًا عبر كلا المرحلتين.
يكشف التحليل المقارن مع النماذج الحالية أن AFCRFM-GCN تفوق على العديد من البدائل، بما في ذلك الشبكة العصبية متعددة الطبقات (MLP) وXGBoost-SMOTE-ENN، محققًا أعلى دقة قدرها 98.56% وأقل وقت حسابي قدره 6.88 ثوانٍ. تسلط دراسة الإزالة الضوء على أهمية اختيار الميزات (FS) وضبط المعلمات، حيث أظهر نموذج AFCRFM-GCN مقاييس متفوقة مقارنة بالنماذج الأساسية. بالإضافة إلى ذلك، أظهر النموذج كفاءة حسابية، حيث يتطلب فقط 43.01 G FLOPs و986 MB من ذاكرة GPU، مما يثبت إمكانيته في التنبؤ الفعال بمخاطر الائتمان المالي.
مناقشة
تناقش الورقة البحثية إطار عمل جديد لتنبؤ مخاطر الائتمان المالي، يدمج خوارزمية تحسين البجع (POA) لاختيار الميزات وتقنية تحسين الثعلب الأحمر القائم على رحلة ليفي (LFRFO) لضبط المعلمات، إلى جانب شبكة الالتفاف البيانية (GCN) للتصنيف. تعمل POA بفعالية على تقليل الأبعاد من خلال تحديد الميزات ذات الصلة مع تقليل الضوضاء، مستفيدة من استراتيجيات الاستكشاف والاستغلال لتعزيز الأداء التنبؤي. تلتقط GCN الاعتماديات العلائقية بين الكيانات، مما يحسن دقة التنبؤ من خلال قدرتها على نمذجة الهياكل البيانية المعقدة.
تشمل الإطار المنهجي، الذي يُطلق عليه AFCRFM-GCN، معالجة البيانات باستخدام مقياس الحد الأدنى والحد الأقصى لتطبيع البيانات المالية، تليها تقليل الميزات عبر POA وتصنيف من خلال GCN. يتم استخدام تقنية LFRFO لتحسين المعلمات الفائقة، مما يعزز دقة واستقرار النموذج. تسلط الورقة الضوء على فعالية هذا النهج المتكامل، مما يظهر تحسينات في كل من الدقة والصلابة في توقعات مخاطر الائتمان مقارنة بالطرق التقليدية. تؤكد دوال الملاءمة المستخدمة في كل من POA وLFRFO على التوازن بين اختيار الميزات ودقة التصنيف، مما يضمن عملية تحسين شاملة.
DOI: https://doi.org/10.48084/etasr.15057
Publication Date: 2026-02-09
Author(s): Elvir Akhmetshin et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
The section discusses the critical role of credit risk management in ensuring financial stability within lending organizations, emphasizing the need for accurate forecasting of borrower defaults to mitigate potential losses. Traditional statistical methods often struggle with the complex, nonlinear relationships inherent in credit profiles, leading to prediction inaccuracies. The introduction of Artificial Intelligence (AI), particularly Deep Learning (DL), represents a significant advancement in overcoming these limitations by enabling the analysis of large datasets and improving predictive accuracy.
The paper proposes an Advancing Financial Credit Risk Forecasting Model using the Graph Convolutional Network (AFCRFM-GCN) technique, aimed at creating a robust framework for credit risk prediction. The methodology includes data normalization through min-max scaling, feature selection via the Pelican Optimization Algorithm (POA), and credit risk classification using Graph Convolutional Networks (GCN). Additionally, parameter tuning is performed using the Levy Flight-based Red Fox Optimization (LFRFO). The results demonstrate a notable improvement in accuracy, achieving 98.56% on the Credit Risk dataset, surpassing existing models.
Introduction
The introduction of the paper discusses the evolving landscape of the financial sector in response to advancements in Internet technologies, which have introduced new risk-related challenges. Credit risk valuation is emphasized as a critical component in financial decision-making, particularly in assessing the likelihood of borrower defaults, which is essential for effective lending and portfolio management. Traditional methods for credit risk assessment, including credit scoring and statistical techniques, have their own advantages and limitations, prompting the exploration of more advanced approaches.
The paper highlights the growing significance of Machine Learning (ML) and Deep Learning (DL) in credit risk assessment, noting that these technologies facilitate complex pattern recognition and predictive modeling. Various innovative methodologies are referenced, including a stacked ensemble approach with the Synthetic Minority Oversampling Technique-Edited Nearest Neighbor (SMOTE-ENN) for addressing data imbalance, and the use of Graph Convolutional Neural Networks (GCNNs) and Long Short-Term Memory (LSTM) networks for enhanced predictive capabilities. The authors propose a novel model, the Advancing Financial Credit Risk Forecasting Model using Graph Convolutional Network (AFCRFM-GCN), which incorporates min-max scaling for data normalization to improve the reliability and performance of financial analyses.
Methods
In this section, the authors evaluate the performance of the Advancing Financial Credit Risk Forecasting Model using Graph Convolutional Network (AFCRFM-GCN) on the Credit Risk dataset. The model was implemented in Python and trained with a learning rate of 0.01, ReLU activation, and a dropout rate of 0.5 over 50 epochs, utilizing a 70:30 training-testing split. The results indicate that the model achieved an average accuracy of 98.26% during training and 98.56% during testing, with corresponding precision, recall, F1-measure, and Matthews Correlation Coefficient (MCC) values demonstrating high performance across both phases.
Comparative analysis with existing models reveals that the AFCRFM-GCN outperformed several alternatives, including Multilayer Perceptron (MLP) and XGBoost-SMOTE-ENN, achieving the highest accuracy of 98.56% and the lowest computational time of 6.88 seconds. An ablation study further highlights the significance of feature selection (FS) and parameter tuning, with the AFCRFM-GCN model exhibiting superior metrics compared to baseline models. Additionally, the model demonstrated computational efficiency, requiring only 43.01 G FLOPs and 986 MB of GPU memory, thus establishing its potential for effective financial credit risk forecasting.
Discussion
The research paper discusses a novel framework for financial credit risk forecasting, integrating the Pelican Optimization Algorithm (POA) for feature selection and the Levy Flight-based Red Fox Optimization (LFRFO) for parameter tuning, alongside a Graph Convolutional Network (GCN) for classification. The POA effectively reduces dimensionality by identifying relevant features while mitigating noise, leveraging its exploration and exploitation strategies to enhance predictive performance. The GCN captures relational dependencies among entities, improving prediction accuracy through its ability to model complex graph structures.
The methodological framework, termed AFCRFM-GCN, includes data preprocessing using min-max scaling to normalize financial data, followed by feature reduction via POA and classification through GCN. The LFRFO technique is employed for optimizing hyperparameters, enhancing model accuracy and stability. The paper highlights the effectiveness of this integrated approach, demonstrating improvements in both accuracy and robustness in credit risk predictions compared to conventional methods. The fitness functions used in both POA and LFRFO emphasize the balance between feature selection and classification accuracy, ensuring a comprehensive optimization process.