fa الگوریتم یکپارچه بهینه سلسله‌مراتبی برای رتبه‌بندی اعتباری: تلفیق بهینه یادگیری عمیق و متا-کلاسیفایر مبتنی بر جنگل تصادفی تخصصي Special پژوهشي Research <p style="text-align: justify;"><em><span style="font-size:14px;"><span style="font-family:Tahoma;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span lang="AR-SA">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&nbsp; </span>HUOA<span lang="AR-SA"> را معرفی می‌کند که از سینرژی بین سه لایه پردازشی پیشرفته بهره می‌برد. در لایه پایه، سه کلاسیفایر مبتنی بر یادگیری جمعی شامل </span>AdaBoost<span lang="AR-SA">، </span>Bagging<span lang="AR-SA"> و شبکه حافظه بلند ـ کوتاه‌مدت </span>LSTM<span lang="AR-SA"> 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&nbsp; و بهینه‌سازی یکپارچه پارامترها و انتخاب ویژگی‌ها با استفاده از الگوریتم ژنتیک (</span>GA<span lang="AR-SA">) طراحی گردیده است. ارزیابی تجربی بر روی داده‌های مشتریان حقوقی یک بانک ایرانی همراه با مجموعه داده بین‌المللی </span>UCI<span lang="AR-SA"> استرالیا و آلمان با معیارهای مختلف و به ویژه دسته‌بندی اشتباه&nbsp; (</span>MC<span lang="AR-SA">) نشان می‌دهد که </span>HUOA<span lang="AR-SA"> نسبت به روش‌های ترکیبی موجود در بازه زمانی </span><span lang="FA">۲۰۲۳-۲۰۲۵</span><span lang="AR-SA">، 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 </span>LSTM<span lang="AR-SA"> 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.</span></span></span></span></span></em></p> <div style="text-align: justify;"></div> <p style="text-align: justify;"><span style="font-size:12px;"><em>In the field of financial risk management, credit scoring is recognized as a vital mechanism for predicting the likelihood of loan repayment by applicants. Although traditional machine learning models have been widely used in this area, the integration of advanced deep learning techniques with ensemble learning paradigms has emerged as a transformative step in enhancing prediction accuracy. This study introduces the Hierarchical Unified Optimal Algorithm (HUOA), which leverages the synergy between three advanced processing layers. At the base layer, three ensemble-based classifiers&mdash;AdaBoost, Bagging, and Long Short-Term Memory (LSTM) networks&mdash;are employed in parallel to extract primary-level features. The output of this layer is fed into a meta-learning layer, where an adaptive Random Forest meta-classifier performs nonlinear combination of predictions to generate the final credit risk score. In this research, an integrated deep learning framework for bank customer credit scoring is proposed, designed based on ensemble learning and unified optimization of parameters and feature selection using a Genetic Algorithm (GA). Empirical evaluation on data from corporate customers of an Iranian bank, along with the UCI datasets from Australia and Germany, using various metrics&mdash;particularly misclassification (MC)&mdash;demonstrates that HUOA has achieved significant improvements compared to existing hybrid methods during the 2023-2025 period. This hierarchical architecture not only preserves model interpretability through feature importance analysis in the meta-layer but also provides a robust framework for decision-making in dynamic banking environments by reducing prediction variance in imbalanced class scenarios. Findings indicate that the intelligent integration of LSTM with dynamic sampling strategies in the ensemble layer, combined with adaptive feature selection mechanisms in the meta-layer, can be regarded as a new paradigm in fourth-generation credit scoring systems.</em></span></p> رتبه‌بندی اعتباری, یادگیری جمعی, متاکلاسیفایر, بهینه‌سازی, الگوریتم ژنتیک, انتخاب ویژگی Credit Scoring, Ensemble Learning, Meta-Classifier, Optimization, Genetic Algorithm, Feature Selection 169 201 http://mieaoi.ir/browse.php?a_code=A-10-1702-1&slc_lang=fa&sid=1 Mahdi Farzi مهدی فرضی mehdi.farzi3357@iau.ir 100319475328460013696 100319475328460013696 No Department of Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران Yaghub Pour Karim یعقوب پورکریم pourKarim@iaut.ac.ir 100319475328460013697 100319475328460013697 Yes Department of Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران (نویسنده مسئول) Seyedali Paytakhti oskoii سید علی پایتختی اسکوئی oskooe@iaut.ac.ir 100319475328460013698 100319475328460013698 No Department of Economics, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه اقتصاد، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران Mahdi Zeynali مهدی زینالی zeynali@iaut.ac.ir 100319475328460013699 100319475328460013699 No Department of Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران Rasoul Baradaran Hassanzadeh رسول بردران حسن زاده baradaran313@iaut.ac.ir 100319475328460013700 100319475328460013700 No Department of Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران