رتبه بندی اعتباری مشتریان حقیقی بانک ها با استفاده از مدل های مختلف شبکه های عصبی: مطالعه موردی یکی از بانک های خصوصی ایران مقاله

نویسنده: کاظمی، ابوالفضل ؛ قاسمی، جواد ؛ زندیه، وحید ؛

مطالعات مدیریت صنعتی زمستان 1390 - شماره 23 رتبه علمی-پژوهشی (وزارت علوم/ISC (‎32 صفحه - از 131 تا 162 )

کلیدواژه ها: شبکه عصبی رتبه بندی اعتباری پرسپترون چند لایه (MLP) ترکیبی از خبرگان (MOE) تابع پایه شعاعی (RBF) کوانتیزه برداری یادگیرنده (LVQ) Neural Network Multi Credit ranking Layer Perceptron (MLP) Mixture of Experts (MOE) Radial Basis Function (RBF) Learning Quantization (LVQ) شبکه تسهیلات مشتری بانک شبکه‌های عصبی مدل مشتریان نرون

fa en

چکیده:

در گذشته تصمیم گیری در مورد اعطای تسهیلات به مشتریان بانک ها در ایران به روش سنتی و بر پایه قضاوت شخصی در مورد ریسک عدم بازپرداخت صورت می پذیرفت. لیکن افزایش فزاینده تقاضای تسهیلات بانکی از سوی بنگاه های اقتصادی وخانوارها از یک سو و افزایش رقابت های تجاری گسترده و تلاش بانک ها و موسسات مالی و اعتباری در کشور برای کاهش ریسک عدم بازپرداخت تسهیلات از سوی دیگر موجب به کارگیری روش های نوین از جمله روش های آماری در این زمینه شده است. امروزه بانک ها به منظور پیش بینی احتمال کوتاهی در بازپرداخت تسهیلات و طبقه بندی متقاضیان خود از رتبه بندی اعتباری مشتریان خود بهره می گیرند. صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان انواع تسهیلات از جمله مزایای آن می باشد. روش های آماری مختلفی همچون تحلیل ممیزی، رگرسیون لجستیک، هموارسازی ناپارامتریک و نیز روش هایی چون شبکه های عصبی در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند. از این میان شبکه های عصبی به دلیل قابلیت طبقه بندی، تعمیم و یادگیری الگوها نسبت به سایر روش ها از انعطاف پذیری بالاتری برخوردار بوده و در سال های اخیر مورد توجه بیشتری قرار گرفته اند. در این مقاله، ابتدا با بهره گیری از پرسشنامه و نظر خبرگان بانکی به انتخاب بعضی معیارهای مهم در اعطای انواع تسهیلات اعتباری اعم از مضاربه، مشارکت مدنی، فروش اقساطی و جعاله به مشتریان حقیقی یکی از بانک های خصوصی کشور می پردازیم. سپس با ارائه چهار مدل MOE، MLP، LVQ و RBF از شبکه های عصبی و استفاده از داده های مشتریان حقیقی بانک مزبور در معیارهای انتخاب شده، به طبقه بندی آن ها پرداخته و دقت رتبه بندی مدل های مزبور را مورد ارزیابی قرار می دهیم. نتایج حاکی از آن است که مدل MOE دقیق تر از مدل های MLP و RBF می باشد و مدل LVQ از دقت قابل قبولی برای رتبه بندی اعتباری متقاضیان بانکی برخوردار نیست.

خلاصه ماشینی:

"1891,yellat&ykswolbarg o} {o(6) 7991,6991,dnah&yelneh o} فرضیه اصلی:مدل‌های شبکه عصبی که در رتبه‌بندی اعتباری مشتریان مؤسساتاعتباردهنده مورد استفاده قرار می‌گیرند از دقت متفاوتی برخوردار است. با توجه موارد فوق الذکر در خصوص برتری شبکه‌های عصبی نسبت به دیگرروش‌های مدل‌سازی رتبه‌بندی اعتباری،در پژوهش حاضر قصد داریم تا با کدنویسی چهار مدل مختلف شبکه‌های عصبی که در تحقیقات متعددی اعم از داخلیو خارجی[5،12،16 و 34]به کار رفته به رتبه‌بندی مشتریان حقیقی متقاضیدریافت انواع تسهیلات اعتباری یکی از بانک‌های خصوصی کشور با بهره‌گیری ازنرم‌افزار baltam بپردازیم،سپس به بررسی آنها پرداخته و با ارزیابی دقت آنها باتوجه به فرضیه‌های این تحقیق،به آزمون فرض صفر هر یک از فرضیه‌های پژوهشحاضر با استفاده از نرم‌افزار آماری 0. (به تصویر صفحه مراجعه شود)شبکه عصبی پرسپترون چند لایه مورد استفاده در این پژوهش برای ارزیابی مشتریانحقیقی بانک مورد مطالعه با قاعده‌ی یادگیری پس انتشار خطا دارای ساختار کلیزیر است: 1. در نهایت شبکه پرسپترون چند لایه طراحی شده برای رتبه‌بندی اعتباری مشتریان دارای یک لایه میانی با 3 نرون و تعداد 11 دوره آموزشی است که این‌دو پارامتردر توپولوژی شبکه به کار گرفته شده از روش آزمون و خطا و با پایش سنجه‌هاینرم‌افزار مورد استفاده در ارزیابی خودکار عملکرد شبکه عصبی تعیین شده‌اند. بدین‌ترتیب شبکه عصبی پرسپترون چند لایه آموزش داده می‌شود تا با دریافتورودی‌های جدید که در این مقاله اعداد معیارهای انتخاب شده از اطلاعاتمشتریان متقاضی تسهیلات بانک خصوصی مورد بررسی می‌باشد،میان مشتری حایزاعتبار خوب و مشتری حایز اعتبار بد تمایز قایل شده و تشخیص دهد که به کدامیکتسهیلات اعطا شود(اعتبار خوب)و به کدامیک اعطا نشود(اعتبار بد)."

دریافت فایل ارجاع :
(پژوهیار, , , )

دانلود PDF
دانلود HTML

لینک کوتاه:

صفحه:

ورود / عضویت

برای مشاهده متن مقاله و یا دانلود آن لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.

ورود