fa مدلسازی آستانه های اعطای اعتبار در بانک ها: رویکردی نوین مبتنی بر الگوریتم هوش مصنوعی BN سیاست پولی، بانکداری مرکزی و عرضه پول و اعتبارات (E5) Monetary Policy, Central Banking, and the Supply of Money and Credit (E5) مطالعه تجربی Empirical Study <span lang="FA" style="font-weight:normal">در فضای نظارتی و رقابتی پیچیده صنعت بانکداری، بهبود مستمر مدل‌های رتبه‌بندی داخلی به یک ضرورت راهبردی برای مؤسسات مالی تبدیل شده است. علی‌رغم پیشرفت‌های قابل‌توجه در روش‌های آماری و الگوریتم‌های یادگیری ماشین، تخصیص بهینه تسهیلات اعتباری و تعیین سقف اعتباری متقاضیان همچنان از چالش‌های اساسی مدیران ریسک و اعتباری محسوب می‌شود. این مقاله یک رویکرد آماری نوین مبتنی بر هوش مصنوعی ارائه می‌دهد که امکان تخمین حداکثر اعتبار مجاز و شناسایی عوامل مؤثر بر آن را فراهم می‌کند. هدف پژوهش، مشخص نمودن حدود آستانه‌ای برای اعطای اعتبار، بر اساس سیاست‌های اعتباری بانک از طریق تعیین دامنه قابل قبول احتمال نکول و میزان ریسکی است که در اعطای تسهیلات می‌پذیرد. در این مطالعه، دو سناریو با روابط علی متفاوت بین متغیرهای تأثیرگذار بر نکول بررسی شده است که به مدیران بانک در تصمیم‌گیری آگاهانه کمک می‌کند. مدل ارائه‌شده ابزاری برای محاسبه احتمال نکول و تعیین اعتبار قابل تخصیص است. خروجی این مدل به گونه‌ای طراحی شده که به راحتی در شعب بانک پیاده‌سازی شود و به مدیران در بهینه‌سازی تصمیمات اعتباری کمک کند.</span><br> &nbsp; <span style="unicode-bidi:embed">In the complex regulatory and competitive environment of the banking industry, continuous improvement of internal rating models has become a strategic necessity for financial institutions. Despite significant advances in statistical methods and machine learning algorithms, optimal allocation of credit and determination of credit limits for applicants remain fundamental challenges for risk and credit managers. This paper presents a novel statistical approach based on artificial intelligence that allows estimating the maximum allowable credit and identifying the factors affecting it. The purpose of the research is to determine the threshold limits for granting credit, based on the bank&#39;s credit policies, by determining the acceptable range of the probability of default and the amount of risk it accepts in granting credit. In this study, two scenarios with different causal relationships between variables affecting default are examined, which helps bank managers in making informed decisions. The presented model is a tool for calculating the probability of default and determining the credit that can be allocated. The output of this model is designed to be easily implemented in bank branches and to help managers optimize credit decisions.</span><br> &nbsp; نکول پرداخت, رتبه‌بندی اعتباری, هوش مصنوعی, حد آستانه‌ای 93 117 http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-1292-2&slc_lang=fa&sid=1 Mehrdad Jeyhoonipour مهرداد جیحونی پور mehrdad.j6742@yahoo.com 100319475328460015189 100319475328460015189 Yes University of Razi دانشگاه رازی Somayeh Azami سمیه اعظمی s.azami@razi.ac.ir 100319475328460015190 100319475328460015190 No University of Razi دانشگاه رازی Sohrab Delangizan سهراب دل انگیزان sohrabdelangizan@gmail.com 100319475328460015191 100319475328460015191 No University of Razi دانشگاه رازی