توسعه و تبیین نظام اعتبارسنجی مشتریان بانک ها بر اساس مدل های هیبریدی فرایادگیر: مطالعه موردی بانک ملت (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
امکان استمهال و تجدید قراردادهای تسهیلات در ایران ممکن است منجر به شناسایی سود موهومی توسط بانک ها شده و در نهایت بحران بانکی و اخلال در نظام پولی کشور را در پی داشته باشد، لذا برای جلوگیری از رسیدن بانک ها به مرحله استمهال و تجدید قراردادها، سنجش ریسک اعتباری مشتریان بسیار ضروری است. هدف پژوهش حاضر افزایش دقت و صحت اعتبارسنجی مشتریان، با استفاده از ساختار مدل های هیبریدی بوده و به صورت مطالعه موردی بر روی بانک ملت انجام شده است. در این راستا 14 مدل یادگیرنده با یکدیگر مقایسه و میزان توانایی آن ها در اعتبار سنجی مشتریان مشخص شد. نتایج حاکی از آن است که بر اساس هر دو معیار صحت (نرخ موفقیت) و سنجه F (میانگین هارمونیک بین دقت و یادآوری) مدل ترکیبی فرایادگیر (KNN-NN-SVMPSO)-(DL)-(DBSCAN) با نرخ صحت 99.90 از بالاترین عملکرد نسبت به سایر مدل های پایه و ترکیبی فرایادگیر برخوردار است. همچنین با استفاده از روش های تجزیه و تحلیل اصل جزء (PCA)، شاخص جینی (Gini)، نسبت اطلاعات بهره (IGR) و اطلاعات بهره (IG) نسبت به محاسبه وزن ویژگی ها و رتبه میانگین آن ها نشان داده شد، که ویژگی هایی همچون میزان وثیقه، نوع وثیقه و میزان تسهیلات به ترتیب مهم ترین ویژگی ها در تشخیص مشتریان خوب(دارای ریسک اعتباری کم) از بد (دارای ریسک اعتباری بالا) بوده اند.Development and Explanation of Bank Customers' Credit System Based on Hybrid Learning Models: A Case Study of Bank Mellat
The possibility to renewal of loan contracts in Iran may lead to the identification of fictitious profits by banks and ultimately lead to a banking crisis and disruption of the country's monetary system, so to prevent banks from reaching the stage of this, Measuring customers' credit risk is essential. The aim of this study is to increase the accuracy of customer accreditation using the structure of hybrid models and has been done as a case study on Mellat Bank. In this regard, 14 learning models were compared with each other and their ability to validate customers was determined. Learning models show that based on both accuracy criteria (success rate) and measurement F (harmonic mean between accuracy and recall), the combined learning model (KNN-NN-SVMPSO) - (DL) - (DBSCAN) with an accuracy rate of 99.90 is the highest It has more performance than other basic and hybrid models. Also, using the principal component analysis (PCA), Gini index, interest rate ratio (IGR) and interest rate (IG) methods to calculate the weight of features and their average rank, it was shown that features such as collateral, The type of collateral and the amount of facilities have been the most important features in distinguishing good from bad customers, respectively.
تبلیغات
