در حوزه مدیریت ریسک مالی، رتبه‌بندی اعتباری به عنوان مکانیسمی حیاتی برای پیش‌بینی احتمال بازپرداخت تسهیلات توسط متقاضیان شناخته می‌شود. اگرچه مدل‌های سنتی مبتنی بر یادگیری ماشین در این زمینه مورد استفاده گسترده قرار گرفته‌اند، ادغام راهکارهای نوین یادگیری عمیق با پارادایم‌های یادگیری جمعی به عنوان گامی تحول‌آفرین در افزایش دقت پیش‌بینی مطرح شده است. این پژوهش، الگوریتم یکپارچه بهینه سلسله‌مراتبی  HUOA را معرفی می‌کند که از سینرژی بین سه لایه پردازشی پیشرفته بهره می‌برد. در لایه پایه، سه کلاسیفایر مبتنی بر یادگیری جمعی شامل AdaBoost، Bagging و شبکه حافظه بلند ـ کوتاه‌مدت LSTM به صورت موازی جهت استخراج ویژگی‌های سطح اول به کار گرفته می‌شوند. خروجی این لایه وارد لایه متاآموزش می‌شود که در آن یک فراآموزش‌دهنده مبتنی بر جنگل تصادفی با معماری تطبیق‌پذیر، اقدام به ترکیب غیرخطی پیش‌بینی‌ها و تولید امتیاز نهایی ریسک اعتباری می‌نماید. در این پژوهش، یک چارچوب یادگیری عمیق یکپارچه برای رتبه‌بندی اعتباری مشتریان بانک پیشنهاد شده است که بر اساس یادگیری جمعی  و بهینه‌سازی یکپارچه پارامترها و انتخاب ویژگی‌ها با استفاده از الگوریتم ژنتیک (GA) طراحی گردیده است. ارزیابی تجربی بر روی داده‌های مشتریان حقوقی یک بانک ایرانی همراه با مجموعه داده بین‌المللی UCI استرالیا و آلمان با معیارهای مختلف و به ویژه دسته‌بندی اشتباه  (MC) نشان می‌دهد که HUOA نسبت به روش‌های ترکیبی موجود در بازه زمانی ۲۰۲۳-۲۰۲۵، بهبودی قابل توجه حاصل نموده است. این معماری سلسله‌مراتبی نه تنها قابلیت تفسیرپذیری مدل را از طریق تحلیل اهمیت ویژگی در لایه متا حفظ می‌کند، بلکه با کاهش واریانس پیش‌بینی در سناریوهای نامتوازن کلاس، چارچوبی مقاوم برای تصمیم‌گیری در محیط‌های بانکی پویا ارائه می‌دهد. یافته‌ها حاکی از آن است که تلفیق هوشمندانه LSTM با استراتژی‌های نمونه‌برداری پویا در لایه جمعی، همراه با مکانیزم انتخاب ویژگی تطبیقی در لایه متا، می‌تواند به عنوان پارادایمی جدید در سیستم‌های امتیازدهی اعتباری نسل چهارم مورد توجه قرار گیرد.