Financial institutions use credit rating models to make lending, investing, and risk management decisions. Credit rating models have been developed using a variety of statistical and machine learning methods. These methods, however, are data-intensive and dependent on assumptions about data distribution. This research offers an integrated fuzzy credit rating model to address such issues. This study proposes an integrated fuzzy credit rating model to reduce such problems. The study applies the fuzzy best–worst method (fuzzy-BWM) to obtain the weight of criteria that affect creditworthiness and fuzzy technique for order of preference by similarity to ideal solution (fuzzy-TOPSIS)-Sort-C to evaluate the borrowers. The BWM was found consistent amongst existing multi-criteria decision-making (MCDM) methods, and consistency further improves when BWM is extended to a fuzzy version. The study applies TOPSIS-Sorting along with fuzzy theory to overcome human uncertainty while making a decision. TOPSIS-sorting has been found capable of handling rank reversal problems that persist in the TOPSIS method. The fuzzy-TOPSIS-Sort-C method is applied to evaluate borrowers based on the characteristic profile of the identified criteria. The proposed model's efficacy has been illustrated with a case study to rate fifty firms with real-life data. The proposed model results are compared with previous studies and commercially available ratings. The model results show better accuracy in terms of accuracy and true-positive rates to predict default. It can help financial institutions to find potential borrowers for granting credit.

金融机构使用信用评级模型来做出贷款、投资和风险管理决策。信用评级模型是使用各种统计和机器学习方法开发的。然而，这些方法是数据密集型的，并且依赖于关于数据分布的假设。本研究提供了一个集成的模糊信用评级模型来解决这些问题。本研究提出了一种综合模糊信用评级模型来减少此类问题。本研究应用模糊最佳-最差法（fuzzy-BWM）获得影响信用度的标准的权重，并采用与理想解决方案相似度的模糊偏好顺序（fuzzy-TOPSIS）-Sort-C对借款人进行评估。发现 BWM 在现有的多标准决策 (MCDM) 方法中是一致的，当 BWM 扩展​​到模糊版本时，一致性进一步提高。该研究应用 TOPSIS-Sorting 和模糊理论来克服人类在做出决定时的不确定性。已发现 TOPSIS 排序能够处理 TOPSIS 方法中持续存在的秩反转问题。模糊-TOPSIS-Sort-C 方法用于根据已识别标准的特征概况评估借款人。所提出的模型的有效性已通过一个案例研究来说明，该案例研究使用真实数据对 50 家公司进行评级。所提出的模型结果与以前的研究和商业上可用的评级进行了比较。模型结果在预测违约的准确性和真阳性率方面显示出更好的准确性。它可以帮助金融机构寻找潜在的借款人来授予信贷。该研究应用 TOPSIS-Sorting 和模糊理论来克服人类在做出决定时的不确定性。已发现 TOPSIS 排序能够处理 TOPSIS 方法中持续存在的秩反转问题。模糊-TOPSIS-Sort-C 方法用于根据已识别标准的特征概况评估借款人。所提出的模型的有效性已通过一个案例研究来说明，该案例研究使用真实数据对 50 家公司进行评级。所提出的模型结果与以前的研究和商业上可用的评级进行了比较。模型结果在预测违约的准确性和真阳性率方面显示出更好的准确性。它可以帮助金融机构寻找潜在的借款人来授予信贷。该研究应用 TOPSIS-Sorting 和模糊理论来克服人类在做出决定时的不确定性。已发现 TOPSIS 排序能够处理 TOPSIS 方法中持续存在的秩反转问题。模糊-TOPSIS-Sort-C 方法用于根据已识别标准的特征概况评估借款人。所提出的模型的有效性已通过一个案例研究来说明，该案例研究使用真实数据对 50 家公司进行评级。所提出的模型结果与以前的研究和商业上可用的评级进行了比较。模型结果在预测违约的准确性和真阳性率方面显示出更好的准确性。它可以帮助金融机构寻找潜在的借款人来授予信贷。已发现 TOPSIS 排序能够处理 TOPSIS 方法中持续存在的秩反转问题。模糊-TOPSIS-Sort-C 方法用于根据已识别标准的特征概况评估借款人。所提出的模型的有效性已通过一个案例研究来说明，该案例研究使用真实数据对 50 家公司进行评级。所提出的模型结果与以前的研究和商业上可用的评级进行了比较。模型结果在预测违约的准确性和真阳性率方面显示出更好的准确性。它可以帮助金融机构寻找潜在的借款人来授予信贷。已发现 TOPSIS 排序能够处理 TOPSIS 方法中持续存在的秩反转问题。模糊-TOPSIS-Sort-C 方法用于根据已识别标准的特征概况评估借款人。所提出的模型的有效性已通过一个案例研究来说明，该案例研究使用真实数据对 50 家公司进行评级。所提出的模型结果与以前的研究和商业上可用的评级进行了比较。模型结果在预测违约的准确性和真阳性率方面显示出更好的准确性。它可以帮助金融机构寻找潜在的借款人来授予信贷。模糊-TOPSIS-Sort-C 方法用于根据已识别标准的特征概况评估借款人。所提出的模型的有效性已通过一个案例研究来说明，该案例研究使用真实数据对 50 家公司进行评级。所提出的模型结果与以前的研究和商业上可用的评级进行了比较。模型结果在预测违约的准确性和真阳性率方面显示出更好的准确性。它可以帮助金融机构寻找潜在的借款人来授予信贷。模糊-TOPSIS-Sort-C 方法用于根据已识别标准的特征概况评估借款人。所提出的模型的有效性已通过一个案例研究来说明，该案例研究使用真实数据对 50 家公司进行评级。所提出的模型结果与以前的研究和商业上可用的评级进行了比较。模型结果在预测违约的准确性和真阳性率方面显示出更好的准确性。它可以帮助金融机构寻找潜在的借款人来授予信贷。