هدفت هذه الدراسة إلى معالجة الفجوة المنهجية المتمثلة في الفصل بين تقييم المخاطر الائتمانية (التنبؤ بالتعثر) والتسعير الاقتصادي للقروض (تحديد تكلفة الدين)، عبر تصميم نموذج كمي مدمج يعتمد على التعلم العميق متعدد المهام (MTDL). يقوم النموذج بالتنبؤ المتزامن باحتمالية التعثر (مهمة تصنيف) وتحديد تكلفة الدين وعلاوة المخاطرة (مهمة انحدار) ضمن شبكة عصبية موحدة ذات تمثيل مشترك للخصائص. ولتجاوز معضلة "الصندوق الأسود" والامتثال لمتطلبات الحوكمة المصرفية (IFRS 9، مقررات بازل، وGDPR)، تم دمج طبقة من الذكاء الاصطناعي المفسر باستعمال تقنية قيم شابلي (SHAP).
اعتمدت الدراسة على المنهج الكمي التطبيقي باستهداف بيانات ضخمة لـ 7,960 شركة مساهمة عامة مدرجة في الأسواق المالية الأمريكية (SEC EDGAR) بإجمالي 401,592 مشاهدة للفترة من 2009 حتى الربع الأول من 2026. وتضمنت المعالجة تصفية التعددية الخطية، وتخميد القيم المتطرفة، وتحسين عتبة القرار إحصائياً عبر إحصائية (Youden's J) لمواجهة عدم تماثل تكلفة الخطأ الائتماني.
أظهرت النتائج كفاءة استثنائية لنموذج (MTDL)؛ حيث حقق في مسار التنبؤ بالتعثر قدرة تمييزية بلغت (ROC-AUC = 0.9581)، ودقة كليّة (93.25%)، ومعدل استرجاع (93.18%). وفي مسار تسعير الدين، سجل النموذج خطأ معياري منخفض بلغت قيمته (RMSE = 0.0308). كما نجحت تقنية (SHAP) في تفكيك القرار الخوارزمي واستخلاص معادلات وكيلة بيّنت أن نسبة الدين إلى حقوق الملكية، ونسبة التداول، ومضاعف الملكية، ودوران الأصول، وسعر الفائدة الفيدرالية، هي المحركات الأساسية للتعثر وهيكل الفائدة. يقدم البحث للمؤسسات المصرفية إطار عمل يوازن بين دقة التنبؤ وشفافية الامتثال الرقابي.