مدیریت ریسک نکول اعتباری یکی از چالش‌های اساسی نظام بانکی است که مستقیماً بر ثبات مالی و کارایی تخصیص منابع اثر می‌گذارد. هدف این پژوهش، توسعه و مقایسه مدل‌های پیش‌بینی ریسک نکول و تبیین‌پذیری نتایج آن‌ها با تأکید بر شناسایی محرک‌های اصلی ریسک اعتباری است. داده‌های مورد استفاده شامل اطلاعات مشتریان اعتباری برگرفته از مجموعه‌داده German Credit بوده که پس از پیش‌پردازش، استخراج متغیرهای مشتق‌شده و شاخص‌های نوین فشار مالی، به مجموعه‌ای غنی از عوامل اقتصادی و رفتاری تبدیل شده است. در این مطالعه، سه رویکرد مدل‌سازی شامل رگرسیون لجستیک با جریمه LASSO، جنگل تصادفی و XGBoost به‌کار گرفته شد. ارزیابی عملکرد مدل‌ها با استفاده از معیار AUC نشان داد که مدل LASSO با مقدار AUC برابر با 0.776، جنگل تصادفی با 0.773 و XGBoost با 0.741 عملکرد مناسبی در تفکیک مشتریان خوش‌حساب و بدحساب دارند. اگرچه اختلاف عملکرد مدل‌ها محدود است، مدل‌های غیرخطی عملکرد بهتری در استخراج الگوهای پیچیده و غیرخطی از داده‌ها از خود نشان دادند. به‌منظور افزایش شفافیت و تفسیرپذیری، از روش SHAP برای تحلیل مدل جنگل تصادفی استفاده شد. نتایج SHAP نشان داد که شاخص‌هایی نظیر فشار بدهی، شدت تنش مالی، مبلغ اعتبار و مدت بازپرداخت بیشترین نقش را در پیش‌بینی نکول ایفا می‌کنند. همچنین جهت اثر متغیرها حاکی از آن است که افزایش فشار بازپرداخت و بار بدهی احتمال نکول را افزایش داده، در حالی‌که شاخص‌های نقدینگی و ثبات درآمد نقش محافظتی دارند.

ریسک اعتباری یادگیری ماشین جنگل تصادفی XGBoost تبیین‌پذیری مدل.