بررسی ریسک اعتباری مشتریان حقوقی با استفاده از مدل ماشین بردار پشتیبان و مدل هیبریدی الگوریتم ژنتیک - مطالعه موردی بانک تجارت
محورهای موضوعی : مهندسی مالی
کلید واژه: الگوریتم ژنتیک, ریسک اعتباری, ماشین بردار پشتیبان, رتبه بندی اعتباری,
چکیده مقاله :
طراحی و استقرار مدل رتبه بندی اعتباری در نظام بانکی نقش مهمی در بالا بردن کارایی تخصیص منابع به مشتریان هدف دارد. در این تحقیق با هدف تدوین مدلی جهت ارزیابی ریسک اعتباری مشتریان حقوقی بانک از ماشین بردار پشتیبان (SVM) و الگوریتم ژنتیک بهره گرفته شده است. بدین منظور، مطالعه ای بر روی متغیرهای مالی282 شرکت که طی سال های 1387 تا 1390 از بانک تجارت تسهیلات دریافت کرده اند، صورت گرفته است. در این پژوهش برای بهینه سازی ورودی های ماشین بردار پشتیبان از الگوریتم ژنتیک بهره گرفته شده است، توان بسیار بالای الگوریتم ژنتیک در انتخاب نقاط بهینه، همواره این اطمینان خاطر را برای استفاده کننده فراهم می آورد که نقاط بهینه پیشنهادی، نقاط بهینه بهتری برای مساله خواهند بود. در مدل هیبریدی GA-SVM، الگوریتم ژنتیک داده های ورودی مدل SVM را بهینه می سازد. یافته های تحقیق نشان می دهد مدل هیبریدی GA-SVM نسبت به مدل SVM عملکرد بهتری در شناسایی مشتریان خوش حساب و بد حساب و پیش بینی ریسک اعتباری مشتریان دارد.
Design and implementation of credit rating model in the banking system plays an important role in enhancing the efficiency of resource allocation is to target customers. In this research aims to develop a model for evaluating the credit risk of the bank's corporate clients have been used Support Vector Machine (SVM) and Genetic Algorithms (GA). Therefore, a study has been on the financial variables of 282 companies during the years 2007 to 2010, have received loans from TEJARAT bank. In this research, to optimize the input of support vector machine is used of genetic algorithms. The power of the genetic algorithm to select the optimum points, always provides confidence that the optimal-made for the proposed going to be higher optimum points. In the hybrid model GA-SVM, genetic algorithm optimizes SVM model inputs the data. Research findings show GA-SVM hybrid model performed better than the SVM model in the identifying good customer accounts and bad customer accounts and credit risk prediction.