Abstract:
این مقاله با هدف شناسایی عوامل مؤثر بر ریسک اعتباری و ارائه مدلی جهت پیش‌بینی ریسک اعتباری و رتبه‌بندی اعتباری مشتریان حقوقی متقاضی تسهیلات بانک سپه شهرستان دزفول، با استفاده از روش‌های خوشه‌بندی، شبکه عصبی و ماشین بردار پشتیبان انجام گرفته است. در این مقاله، 27 متغیر توضیح‌دهنده شامل متغیرهای مالی و غیرمالی مورد بررسی قرار گرفت که از بین این متغیرها، 8 متغیر تأثیرگذار بر ریسک اعتباری انتخاب گردید که به وسیله روش خوشه‌بندی مجموعه داده‌ها به خوشه‌ها دسته‌بندی شدند. هم‌چنین متغیرهای انتخابی به عنوان بردار ورودی شبکه عصبی پرسپترون 3 لایه وارد مدل شد و در نهایت با استفاده از ماشین بردار پشتیبان، به منظور پیش‌بینی عملکرد مالی مشتریان حقوقی بانک ارائه گردید. نتایج حاصل از مدل شبکه عصبی و ماشین بردار پشتیبان حاکی از آن است که مدل شبکه عصبی در پیش‌بینی ریسک اعتباری مشتریان حقوقی و رتبه‌بندی اعتباری از کارایی بیشتری برخودار است.
A credit risk is the risk of default on a debt that may arise from a borrower failing to make required payments. The objective of this paper is recognition of the factors that effect on credit risk and presenting a model for prediction of credit risk and legal customer credit ranking that are applicant of Sepah bank facilities in Dezfool city and the method of Clustering, Neural Network and Supporter Vector Machine has been used in the current study. Accordingly necessary investigations have been done on financial and nonfinancial data by means of a simple random sample of 200 legal customers that were applicant of bank facilities. In the this paper, 27 descriptive variable that include financial and nonfinancial variables were investigated and finally available variables 8 effective variables on credit risk were selected by means of bank experts judges that were separated by data collection Clustering method in to some groups (Clusters) in the someway that data in one Cluster were considering other points in other Clusters had more similarity. Also selected variables with 3 layers perceptron Neural Network input vector entered the model and finally by means of Support Vector Machine was presented in order to bank legal customers’ financial operation prediction. The obtained results of Neural Network model and Supporter Machine indicate that Neural Network model has mire efficiency in legal customers’ credit risk prediction and credit ranking.
(
, 
, 
)
