مقاله پژوهشی: ارائه مدل ترکیبی الگوریتم مورچگان باینری و ماشین بردار پشتیبان (‏BACO-SVM‏) برای ‏انتخاب ویژگی و طبقه‌بندی مشتریان بانکی به همراه مطالعه موردی

یکی از مهم‌ترین مسائلی که همواره بانک‌ها و موسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری می‌باشد. رقم ‏قابل توجه مطالبات معوق بانک‌ها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می‌باشد. از این ‏رو تاکنون تلاش‌های بسیاری به منظور ارائه مدلی کارا جهت ارزیابی و طبقه‌بندی هر چه دقیق‌تر متقاضیان تسهیلات ‏اعتباری صورت گرفته است. در‎ ‎این‎ ‎راستا،‎ ‎پژوهش‎ ‎حاضر‎ ‎سعی‎ ‎در‎ ‎ارائه‎ ‎رویکردی‎ ‎نو‎ ‎برای‎ ‎ارزیابی‎ ‎ریسک‎ ‎اعتباری‎ ‎مشتریان‎ ‎بانکی‎ ‎دارد.‏‎ ‎روش‎ ‎ماشین بردار پشتیبان (‏SVM‏)‏‎ ‎به‎ ‎عنوان‎ ‎طبقه‌بندی کننده‌ی‎ ‎اصلی‎ ‎با‎ ‎یک‎ ‎روش‎ ‎انتخاب‎ ‎ویژگی‎ ‎به‎ ‎نام‎ ‎الگوریتم مورچگان باینری (‏BACO-SVM‏)‏‎ ‎ترکیب‎ ‎می‌گردد.‏‎ ‎به‎ ‎منظور‎ ‎نشان‎ ‎دادن‎ ‎اثر‎ ‎بخشی‎ ‎روش‎ ‎پیشنهادی از‎ ‎داده‌های‎ ‎مربوط به ۸۵ شرکت از تسهیلات گیرندگان حقوقی یک بانک ایرانی در یک بازه‌ی ۵ ساله ‏‏(۱۳۸۹-۱۳۹۳) به همراه ۱۶ ویژگی مربوط به هر یک از آن‌ها استفاده نموده‌ایم. نتایج‎ ‎روش ‏BACO-SVM‏ با‎ ‎روش ‏PSO-SVM، ‏GA-SVM‏ و روش ‏SVM‏ به تنهایی مقایسه گردیده است. یافته‌های پژوهش دلالت بر آن ‏داشته که در ارزیابی ریسک اعتباری، مدل ‏BACO-SVM‏ نسبت به روش‌های دیگر از عملکرد خوبی برخوردار است. ‏در نتیجه با استفاده از روش ‏BACO-SVM‏ به طبقه‌بندی مشتریان به دو گروه مشتریان خوش‌حساب و بدحساب ‏می‌پردازیم. و در نهایت جهت افزایش انعطاف‌پذیری در تصمیم‌گیری، مشتریان خوش‌حساب را با استفاده از روش ‏VIKOR‏ رتبه‌بندی می‌کنیم. این رتبه‌بندی منجر به آن می‌شود که قضاوت دقیق‌تری درباره‌ی وضعیت ریسک ‏اعتباری متقاضیان خوش‌حساب صورت گیرد. ‏

مقاله پژوهشی: ارائه مدل ترکیبی الگوریتم مورچگان باینری و ماشین بردار پشتیبان (‏BACO-SVM‏) برای ‏انتخاب ویژگی و طبقه‌بندی مشتریان بانکی به همراه مطالعه موردی Keywords:

ریسک اعتباری , رتبه بندی اعتباری , ماشین بردار پشتیبان , انتخاب ویژگی , الگوریتم بهینه‌ سازی مورچگان باینری