در سالهای اخیر، افزایش ریسک تسهیلاتگیری مشتریان و تشدید اثرات بحرانهای اقتصادی، موجب رشد نرخ نکول در تسهیلات بانکی شده است. در این زمینه، شناسایی مشتریان پرریسک به یکی از اولویتهای اصلی بانکها در مدیریت ریسک اعتباری تبدیل شده است. این پژوهش با استفاده از دادههای واقعی مشتریان بانک رسالت در بازه 02/02/1399 تا 28/12/1403، به پیشبینی رفتار نکول تسهیلات اعتباری با بهرهگیری از مدلهای یادگیری ماشین میپردازد. دادههای پژوهش براساس اطلاعات پایه جمعیتشناختی و سابقه اعتباری مشتریان، شامل سن، جنسیت، مبلغ تسهیلات، تعداد اقساط و تأخیر در پرداخت پردازش شدهاند. برای ارزیابی عملکرد، مدلهای رگرسیون لجستیک با منظمسازی L1 و L2، شبکه عصبی، جنگل تصادفی و XGBoost بهکار گرفته شدند. همچنین برای مقابله با نامتوازن بودن دادهها از تکنیک SMOTE استفاده شد. نتایج نشان داد مدلهای مبتنی بر درخت تصمیم، بهویژه XGBoost و جنگل تصادفی، در شاخصهای بازخوانی، دقت و F1 عملکرد بهتری نسبت به رگرسیون لجستیک و شبکه عصبی دارند. این یافتهها نشان میدهد دادهها همراه با الگوریتمهای مناسب برای دادههای نامتوازن، میتواند دقت پیشبینی ریسک نکول را بهطور معناداری افزایش دهد.
