وضع خطط القرار تقييم مخاطر الائتمان في المصارف

مقدمة

(أ) تقييم مخاطر الائتمان هو حجر الزاوية للعمليات المصرفية السليمة، ويجب على المقترعين أن يميزوا بين المقترضين الذين سيسددون في الوقت المحدد والذين يحتمل أن يتخلفوا عن الدفع، ومن الناحية التاريخية، تعتمد المصارف على الحكم الإنساني ونماذج الترميز البسيطة، ولكن تعقيد الحوافظ الحديثة يتطلب أدوات أكثر تطوراً، وتتيح أشجار القرار طريقة شفافة ومناسبة وقوية لتصنيف المخاطر الائتمانية، وذلك بنموذج القرارات كسلسلة من القواعد المنطقية، تساعد المؤسسات المالية على الحد من الخسائر.

ما هو القرار تريز؟

وشجرة اتخاذ القرار هي خوارزمية للتعلم الآلي تشرف عليها وتستخدم هيكلا شبيها بالزهرة للتنبؤ بها، وهي تتألف من عقد جذوري (مجموعة البيانات بأكملها)، وعناصر داخلية (نقاط قرار تستند إلى سمة)، وفروع (نتائج اختبار)، وعواصم للنشر (التنبؤات النهائية)، والهدف من ذلك هو تصنيف المقترضين على أنهم " متخلفين " أو " غير مقصين " (أو إلى مواجهات للمخاطر).

العناصر الأساسية

• Root node:] The initial split on the most informative attribute.
• Splitting criterion:] Measures like Gini impurity or information gain decide how to partition data to maximize homogeneity at each node.
• Pruning:] Removing overgrown branches to improve generalization.

وأشجار القرار غير متماثلة، ولا تفترض أي افتراضات بشأن توزيع البيانات، ويمكنها أن تستوعب العلاقات غير الخطية دون هندسة خاصة بها، وتفسرها ميزة رئيسية في الصناعات المنظمة: فموظف المخاطر في المصرف يمكنه أن يشرح لمراجعي الحسابات بالضبط سبب رفض طلب القرض.

الخطوات المتخذة في مجال وضع قرار بشأن مخاطر الائتمان

1 - جمع البيانات

البيانات التاريخية العالية الجودة هي الأساس، وتشمل مصادر البيانات المشتركة ما يلي:

• Application data:] income, employment length, age, education.
• Bureau data:] Credit history, outstanding debt, number of past delinquencies.
• Behavioral data:] Transaction patterns, account balances.
• Macroeconomic data:] Interest rates, unemployment rates (forحافظة على نماذج).

وتتضمن مجموعة بيانات نموذجية ١٠-٣٠ سمات وعشرات الآلاف من سجلات القروض، والمتغير المستهدف هو علم ثنائي: ١ إذا كان المقترض قد عجز عن أداءه في إطار نافذة محددة للأداء )مثلا ١٢ شهرا(، غير ذلك.

٢ - تجهيز البيانات

وتحتاج بيانات راو إلى تنظيف:

• Handling missing values:] Impute with median (for numeric) or mode (for categorical), or treat missing as a separate category to capture potential informative patterns.
• Outlier treatment:] Capping extreme values to avoid skewed splits.
• Encoding categoricalتغييرات:] One-hot encoding or label encoding forتغيرات مثل نوع العمالة.
• Normalization:] Not strictly required for decision trees, but ensuring scale consistency helps when using ensemble methods later.

ويؤدي التجهيز السليم قبل التجهيز إلى الحد من التحيز وإعداد البيانات من أجل تقسيمها بصورة فعالة.

3 - اختيار الأعضاء

ولا تسهم جميع السمات على قدم المساواة، فاختيار الأعضاء يحسن الأداء النموذجي وإمكانية التفسير:

• Information gain / Mutual information:] Rank features by how much they reduce uncertainty about the target.
• ]Correlation analysis:] Remove highly correlated features to reduce redundancy.
• Recursive feature elimination (RFE): ] Use a decision tree to iteratively remove weak features.

وتشمل السمات المختارة عموما لمخاطر الائتمان نسبة الديون إلى الدخل، واستخدام الائتمان، وعدد التجارة المفتوحة، وطول تاريخ الائتمان.

4 - مبنى الأشجار

وتختلف المعايير في تقسيم المعايير ومراقبة التعقيدات، وهي أكثرها استخداما في الأعمال المصرفية:

• () CART (Clasification and Regression Trees): ] Uses Gini impurity for classification. It produces binary splits and handles missing data via surrogate splits.
• C4.5 /C5.0:] تستخدم نسبة كسب المعلومات وتنتج انقسامات متعددة الطرق، ولكن أكثر عرضة للتجاوز دون التدقيق الحذر.
• ID3:] Historical predecessor, rarely used in production.

Hyperparameter Tuning

:: درجة تعقيدات رئيسية من حيث المعايير الرئيسية لمراقبة الأشجار:

• : حدود قصوى للحيلولة دون الإفراط في التأقلم (قيم مشتركة: 5-15).
• : الحد الأدنى من العينات المطلوبة لتقاسم عقد (مثل 50).
• : عينات دنيا لكل ورقة (مثلاً، 20).
• : عدد الملامح التي يُنظر فيها لكل فصل (مثلاً، مجموعة من الملامح الإجمالية).

استخدام الشجر عبر الوديان لاختيار البارامترات، قد تكون شجرة ضحلة غير صالحة، وتحفظ شجرة عميقة الضوضاء، والهدف هو شجرة تعمم على المقترضين غير المرئيين.

٥ - عمليات الشراء

فالفرون يخفض الشجرة بعد أن تنمو إلى عمق كامل، ونهجين مشتركين هما:

• Pre-pruning (early stop): stop splitting when a node contains fewer than a threshold number of samples or when the split does not improve impurity reduction beyond a minimum gain (e.g., 0.01).
• Post-pruning (cost-complexity pruning):] Grow a full tree, then iteratively remove branches that add little predictive value. Select the subtree with the small cross-validated error. Scikit-learn’s supports this via the

الأشجار المزروعة أبسط وأقل عرضة للتجاوزات، ويسهل نشرها في الإنتاج.

مزايا استخدام إجراءات اتخاذ القرارات في المصارف

• Interpretability:] A decision tree can be visualized and explained to non-technical stakeholders. A risk manager can say: “If debt-to-income > 45% and number of recent delinquencies > 2, flag as high risk.”
• No scaling required:] Numeric and categorical features are handled natively, reducing pre processing steps.
• Handling non-linear relationships:] Interactions between features (e.g., income and loan amount) are automatically captured through splits.
• Speed:] Once trained, prediction is fast-logarithmic time relative to the tree depth. Ideal for real-time credit decisioning.
• Feature importance:] Trees provide built-in metrics (e.g., mean decrease in impurity) to rank the most influential factors.

التحديات والنظر في المسألة

Overfitting

وتختلف أشجار القرار اختلافا كبيرا، إذ يمكن أن تؤدي التغييرات الصغيرة في بيانات التدريب إلى تقسيمات مختلفة جدا، وتشمل استراتيجيات التخفيف من حدة الفقر، ووضع حد أدنى من حجم الورق، واستخدام أساليب التجمع (انظر أدناه).

البيانات المتوازنة

وتخلف الائتمانات عن التخلف نادراً ما يقل عن 5 في المائة من العينات، وقد تصبح الأشجار الموحدة متحيزة نحو طبقة الأغلبية (غير المتخلفة) مما يؤدي إلى انخفاض نسبة التذكر للمتخلفين عن السداد.

• Resampling:] Oversample defaults (SMOTE) or undersample non-defaults.
• دروس محكمه: ] Assign higher penalty to misclassifying defaulters via .
• Threshold tuning:] Adjust the probability cutoff (default tree predicts 0/1; use probabilities and set a higher threshold for flagging risk).

عدم الاستقرار

ويمكن أن تكون الأشجار حساسة لعينة التدريب المحددة، وتتمثل إحدى سبل الانتصاف في استخدام Random Forests أو ] التعبئة المتطرفة ، التي متوسطها أشجار كثيرة لتقليل الفرق مع الحفاظ على قابلية الترجمة الشفوية (من خلال أهمية خاصة).

تعزيز إجراءات اتخاذ القرارات في الممارسة العملية

وبالنسبة لنماذج ائتمانات الإنتاج، نادرا ما تستخدم أشجار القرار الوحيدة وحدها، بل إنها تشكل لبنات بناء للطرق المشتركة:

غابات الرنّ

ويحسن هذا العدد من المئات من أشجار القرار، ويتلقى كل منها تدريبا على عينة من الخزائن، ويستخدم مجموعات فرعية عشوائية من الملامح، ويحسن الدقة والقوة، ولكن بتكلفة بعض التفسير، ومع ذلك، يمكن أن تفسر القيم ذات الأهمية الرئيسية وقيم النهج المنسق في مجال الصحة العامة التوقعات.

أجهزة التعبئة الرئيسية

(ز) إن (إكس جي بوست) و(لايت جي بي إم) و(كات بوزت) هما المفضلان في صناعة المخاطر الائتمانية، حيث يبنيان الأشجار بالتتابع ويتعلمان من الأخطاء السابقة، وغالبا ما تحقق هذه النماذج أحدث أداء، وإن كانت تحتاج إلى تدقيق دقيق لتجنب الإفراط في التأقلم.

المقارنة

Method	Accuracy	Interpretability	Training Speed
Single Decision Tree	Moderate	Very High	Fast
Random Forest	High	Moderate	Medium
Gradient Boosting	Very High	Low–Moderate	Slow (with tuning)

وتبدأ عدة مصارف بشجرة واحدة لتحليل استكشافي وتفسير تنظيمي، ثم تنشر نموذجا معززا لقرارات الإقراض الفعلية.

الجوانب التنظيمية والمتعلقة بإمكانية التنبؤ

وتحتاج الجهات التنظيمية المالية (مثلاً، ]] لجنة بازل المعنية بالإشراف المصرفي ) إلى نموذج للشفافية والإنصاف، وتتفق أشجار القرار مع هذه المبادئ لأنها موضحة في جوهرها.

• Model documentation:] Each split rule must be documented and justified.
• Bias testing:] Ensure the tree does not discriminate against protected groups (e.g., age, gender).
• Backtesting:] Compare predicted default rates with actual outcomes over time.

Scikit-learn’s decision tree] implementation is widely used for prototyping. For production, library like XGBoost offer built-in model explanation capabilities.

خاتمة

فبناء أشجار القرار لتقييم مخاطر الائتمانات يوفر طريقة شفافة وفعالة لتقييم المقترضين، إذ أن جمع البيانات وتجهيزها مسبقاً واختيار خصائصها وبناءها وشقها والتصدي للتحديات مثل الإفراط في التأقلم والاختلال، يمكن للمصارف أن تخلق نماذج دقيقة وقابلة لمراجعة الحسابات، وفي حين أن الأشجار الوحيدة محدودة التعقيد، فإنها تشكل الأساس لنماذج قوية تجمع في الوقت الراهن، وهي نموذج يعاد تكييفه في الصناعة، وبما أن التعلم الآلات لا يزال يتطور، فإن الطبيعة القابلة للتفسير.

For further reading, consider the original CART book by Breiman et al. (1984) and the ]Risk.net] articles on credit scoring. To explore implementation, the ]scikit-learn documentation is an excellent resource.