طراحی و استقرار مدل اندازه گیری ریسک اعتباری در نظام بانکی نقش کارآمدی در راستای بالا بردن بهره وری بانک-های کشور در تخصیص بهینه منابع خواهد داشت. این پژوهش با هدف سنجش ریسک اعتباری و اعتبارسنجی مشتریان بانکی به روش رگرسیون لجستیک و مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی هوشمند gmdh شده است. بدین منظور اطلاعات و داده های مالی و کیفی یک نمونه 500 تایی از مشتریان که تسهیلات دریافت نموده اند مورد بررسی قرار گرفت. در این پژوهش برای بررسی پرونده های اعتباری هر یک از مشتریان، 9 متغیر مورد ارزیابی قرار می گیرد. نتایج نشان می دهد که عملکرد و مدل ترکیبی الگوریتم ژنتیک-شبکه های عصبی در پیش بینی احتمال نکول به مراتب رضایت بخش تر از عملکرد پیش بینی الگوی رگرسیون لجستیک است. در واقع درصد موارد تشخیص صحیح نکول یا عدم نکول مشتری در الگوی شبکه عصبی 82% می باشد، در حالی که این رقم برای الگوی رگرسیونی 74% بوده است. دقت الگوی شبکه عصبی برای تشخیص مشتریان خوش حساب 72.23% است که بیشتر از مقدار محاسبه شده برای الگوی رگرسیون لجستیک (61.11%) می باشد. همچنین دقت الگوی شبکه عصبی برای تشخیص مشتریان بدحساب 87.5% است که بیشتر از مقدار محاسبه شده برای الگوی رگرسیون لجستیک (81.25%) می باشد. بنابراین می توان گفت که هر دو تکنیک، نتایج قابل قبولی داشته اند ولی نتایج مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی نسبت به تکنیک رگرسیون لجستیک بسیار بهتر و قابل اتکاتر می باشد.