Abstract:
همواره موسسات مالی و اعتباری برای آنکه بتوانند حداکثر سود حاصل از سرمایه گذاری های خود را دریافت دارند، بدنبال پالایش، جذب و نگهداشت بهترین سرمایه گذاران، مشاوران، مشتریان و قرض-گیرندگان بوده اند. بااین وجود، علوم مختلف سعی نموده اندروشهای دقیقی برای تفکیک مشتریان ارایه نمایند. از همین رو علومی مانند روانشناسی تا علوم مدیریت، ریاضیات، مالی و ... درصدد تحقق این هدف برآمده اند. آنچه که دراین پژوهش بدان اشاره خواهد شد ضرورت استفاده از روشهای نوین داده-کاوی در ترکیب با روشهای هوش مصنوعی جهت فائق آمدن بر پیچیدیگی های مسئله است و پاسخ به این سوال که آیا روش ترکیبی استفاده شده به خوبی رتبه اعتباری مشتریان را پیش بینی می کند؛ این امر در حالی رخ می دهد که نباید بعد دیگری از مسئله را که همانا انتخاب مهمترین عوامل سنجش (معیارها) هستند را فراموش نمود و در این راستا ازقضاوت خبرگان و تحلیل های ناپارامتری ( آزاد توزیع) به منظور رتبه بندی معیارها استفاده گردیده است که نهایت با انتخاب تعدادی از شاخصها به منظور پیاده سازی مدل ترکیبی به این سوال پاسخ داده خواهد شد که آیا نظر خبرگان در انتخاب معیارها منتج به پیش بینی مناسبی از وضعیت اعتباری مشتریان می گردد. سه شاخص " سن" ، " سابقه ارتباط با بانک ( مدت حساب)" و " میزان اعتبار" برای پیاده سازی مدل ترکبی عصبی فازیانتخاب گردید. و نتایج بیانگر آن می باشد که 89.67درصد از مواقع این سیستم می تواندتخمین درستی نسبت به رتبه اعتباری مشتریان ارائه دهد..
Machine summary:
"در مطالعات گذشته از روشهای آماری مانند تحلیل های تبعیضی و رگرسیون زبانی ، طبقه بندی و درخت رگرسیون، رگرسیونی لاجیت و پروبیت و روش تحلیل ممیزی برای امتیازدهی و رتبه بندی مشتریان استفاده میگردید، لیکن اخیرآ با توسعه مدلهای مبتنی بر هوش مصنوعی ، منطق فازی و روشهای فرا ابتکاری از یک سو و توسعه قابلیت های نرمافزاری و سخت افزای از سوی دیگر مطالعات بسیاری در کاربرد این روشها در مدلهای امتیازدهی و رتبه بندی اعتباری صورت گرفته است .
∑iWi. Fi 05, i = ∑ iWi ٤ پیشینه تحقیق همزمان با رشد میزان اعتبار بخش مالی ، بسیاری از مدلهای امتیازدهی اعتباری نیز توسط بانکها و محققان ارائه شده تا کاربردهای اعتباری خود شامل تحلیل خطی جدا کننده، تحلیل منطقی رگرسیون، اسپلاین رگرسیون انطباقی چند متغیره، درخت رگرسیون و طبقه بندی، شبکه های عصبی مصنوعی ، ماشین بردار پشتیبان ١١ و الگوریتم ژنتیک ١٢ را ارزیابی کنند.
بردار وزن مورد نیاز الگوریتم تاپسیس بر اساس دو پارامتر اصلی و تعیین کننده در مورد خبرگان یعنی " سطح تحصیلات " و " شغل " آنها محاسبه و تنظیم گردید و همچنین به منظور مقایسه نتایج نیز از روش رتبه بندی فریدمن که روشی آماری مبتنی بر میانگین می باشد، جهت مقایسه رتبه تأثیرگذاری عوامل به طور همزمان استفاده شده است .
129141573 CV(NRMSD) میانگین مربعات ٩ نتیجه گیری کلی در این تحقیق ، به بررسی استفاده از تکنیک سیستم استنتاج فازی عصبی انطباقی در ترکیب با الگوریتم بهینه سازی کلونی مورچگان جهت پیش بینی میزان نکول وامها در شعب پست بانک استان تهران پرداخته شده است ."