غلامرضا خجسته - بانک سپه

پژوهش حاضر با تاکید بر به‎کارگیری مدل ترکیبی رگرسیون لجستیک، شبکه‎های عصبی مصنوعی و رگرسیون سمبلیک و با هدف نظارت موثر بر تسهیلات خرد، عوامل اثرگذر بر ریسک اعتباری مشتریان حقیقی را در شعب منتخب بانک سپه شیراز شناسایی می‎کند. با بررسی یک نمونه ۳۵۱تایی از مشتریان حقیقی، ۱۷ متغیر شامل میزان وام، مهلت بازپرداخت، نرخ بهره، درآمد، سن، تعداد چک برگشتی، سابقه بدهی، طول عمر حساب، نوع وثیقه، تحصیلات، جنسیت، اشتغال همسر، تاهل، وضعیت ملکی، شغل، نوع وام، تکلیفی یا غیرتکلیفی بودن، برای طبقه‎بندی مشتریان به خوش‎حساب و بدحساب استخراج شد. با استفاده از روش انتخاب رو به جلو والد، ۵ متغیر تاثیرگذار بر ریسک اعتباری انتخاب شد. آموزش شبکه‎های عصبی نیز با استفاده از ۳ نرون در لایه پنهان انجام گرفت. انتخاب نقطه برش بهینه، بر اساس منحنی مشخصه عملکرد سیستم انجام شد. نتایج خروجی شبکه عصبی مصنوعی روی داده‎های آزمایش نشان داد که دقت مدل ترکیبی رگرسیون لجستیک شبکه‎های عصبی مصنوعی، در طبقهبندی مشتریان خوش‎حساب برابر ۸۹/۰ و در طبقه‎بندی مشتریان بدحساب برابر ۸۳/۰ است که از رگرسیون لجستیک و مدل ترکیبی رگرسیون لجستیک رگرسیون سمبلیک بهتر است.

نظارت موثر بانکی, ریسک اعتباری, رگرسیون لجستیک, شبکه‎های عصبی مصنوعی, رگرسیون سمبلیک, منحنی مشخصه عملکرد سیستم