طبقه بندی متقاضیان تسهیلات اعتباری بانکها با استفاده از تکنیک ماشین بردار پشتیبان

محورهای موضوعی : آینده پژوهی

دکتر عباس طلوعی اشلقی ¹ , دکتر هاشم نیکومرام ² , فرناز مقدوری شربیانی ³

1 - نویسنده مسئول یا طرف مکاتبه
2 - ندارد
3 - ندارد

تاریخ دریافت : 1387/08/27 تاریخ پذیرش : 1387/10/26 تاریخ انتشار : 1389/01/01

کلید واژه: داده کاوی, طبقه بندی, ماشین بردار پشتیبان, انتخاب ویژگی,

چکیده مقاله :

در صنعت بانکداری یکی از موضوعاتی که همواره بایستی مدنظر سیاستگذاران اعتباری قرار دا شته باشد، مبحث مدیریتریسک است. در بین ریسک های مختلفی که بان کها با آن مواجهند, ریسک اعتباری از با اهمیت ترین آن ها است که اززیان های ناشی از ناتوانی یا عدم تمایل مشتری به ایفای تعهدات خویش در برابر بانک حاصل م یگردد.جهت مدیریت و کنترل ریسک مذکور , سیستم های طبقه بندی اعتباری مشتریان ضرورتی انکار ناپذیر است . چنین سیستمی،براساس سوابق و اطلاعات موجود، طبقه مشتریان را تعیین می کند. بدیهی است بهره گیری از چنین سیستمی بانک را درگزینش مطلوب مشتریان خود یاری نموده و ضمن کنترل و کاهش ریسک اعتباری، سطح بهره وری فرایند اعطای تسهیلاتبانکی را ارتقا میدهد.در مقاله حاضر مدل طبقه بندی مبتنی بر ماشین بردار پشتیبان با رویکرد هوش مصنوعی، به منظور پیش بینی عملکرد مالیمشتریان حقوقی بانک ها ارائه گردیده است . در واقع، در این نوشتار ماشین بردار پشتیبان به همراه دیگر مک انیزمها از جملهتکنیکهایF-score وGrid searchجهت طبقهبندی متقاضیان تسهیلات اعتباری بانکی وافزایش کارایی مدل استفاده شده است . نتایج، حاکی از افزایش صحت طبقه بندی است و نشان می دهد که ماشین بردار پشتیبان در مقایسه با دیگرمدلهای طبقه بندی دارای صحت بیشتری است.

چکیده انگلیسی:

In the banking industry, one issue that must always be considered by the credit policy makers is riskmanagement. Among various risks which banks are dealing with, credit risk is most important. It iscaused by the losses of disability or lack of tendency of borrowers to pay their credit obligations. Tomanage and control the mentioned risk, classification systems are undeniable requirement. Suchsystems, according to existent documents and information, determine the class of customers. It isevident that use of these systems helps bank to choose customers in a good way and through thecontrol and reduction the credit risk, improves efficiency level of providing bank facilities. In Thisresearch artificial intelligent based classification model consist of support vector machine is used topredict bank legal customers financial performance. Indeed, in this paper SVM is used with othermechanisms like F-score and Grid search to increase the accuracy of the model and classify the legalcustomers. The results justify the improvements in the classification accuracy and demonstrate thatSVM can provide the better accuracy than other models