ارزیابی ریسک اعتباری در سیستم‌های بانکی با استفاده از تکنیک‌های داده‌کاوی

محورهای موضوعی : مدیریت

نیما همتا ¹ ( استادیار، گروه مهندسی مکانیک (ساخت و تولید)، دانشگاه صنعتی اراک، اراک، ایران(عهده دار مکاتبات) )
محمد احسانی‌فر ² ( استادیار، گروه مهندسی صنایع، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران )
بهاره محمدی ³ ( دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران )

تاریخ دریافت : 1399/07/27 تاریخ پذیرش : 1399/07/27 تاریخ انتشار : 1397/12/01

کلید واژه: شبکه عصبی, داده‌کاوی, ماشین بردار پشتیبان, رتبه بندی اعتباری, خوشه‌بندی,

چکیده مقاله :

این مقاله با هدف شناسایی عوامل مؤثر بر ریسک اعتباری و ارائه مدلی جهت پیش بینی ریسک اعتباری و رتبه بندی اعتباری مشتریان حقوقی متقاضی تسهیلات بانک سپه شهرستان دزفول، با استفاده از روش های خوشه بندی، شبکه عصبی و ماشین بردار پشتیبان انجام گرفته است. در این مقاله، 27 متغیر توضیح دهنده 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 خوشه بندی مجموعه داده ها به خوشه ها دسته بندی شدند. هم چنین 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 پیش بینی 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 پیش بینی ریسک اعتباری مشتریان حقوقی و رتبه بندی اعتباری از کارایی بیشتری برخودار است.

چکیده انگلیسی:

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.