پیش بینی ریسک اعتباری مشتریان بانکی با استفاده از شبکه عصبی و الگوریتم بهینه سازی بازی آشوب
Publish Year: 1403
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 65
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ECME22_078
تاریخ نمایه سازی: 9 مرداد 1403
Abstract:
از مهم ترین وظایف بانک ها ، ارزیابی ریسک اعتباری مشتریانی است که نسبت به استفاده از تسهیلات ارائه شده اقدام می نمایند . این ارزیابی سیستم جامع سنجش اعتبار نامیده شده و از سیستم گزارش گیری اعتباری برای این منظور استفاده میگردد . با وجود اینکه بانک ها عمدتا از مکانیرم سنتی ارزیابی مشتریان به خصوص استفاده از نظر کارشناسان خبره جهت بهره گیری از اطلاعات مورد نیاز در راستای شناخت و ارزیابی مناسب متقاضیان اعتبار و کاهش ریسک استفاده می کنند؛ بنابراین ، این روش با محدودیت هایی نظیر زمان ارزیابی بالا و دقت کم به دلیل عدم سیستمی بودن این فرآیند و ویژگی های بالا مواجه است . طراحی و استقرار مدل اندازه گیری ریسک اعتباری در نظام بانکی نقش کارآمدی در راستای بالا بردن بهره وری بانک های کشور در تخصیص بهینه منابع دارد . عوامل مختلفی در افزایش ریسک اعتباری موثر هستند که می بایست با استفاده از ابزار مناسب آن را مدیریت کرد . نوآوری این پژوهش تمرکز بر استفاده از شبکه عصبی روش گروهی مدل سازی داده بهبود یافته با استفاده از الگوریتم بهینه سازی بازی آشوب در پیش بینی ریسک اعتباری مشتریان بانک ها است. مجموعه داده بنده در این پژوهش بانک ملت است با ۲۰ ویژگی (وضعیت حساب جاری موجود، مدت زمان، سابقه اعتباری، هدف، مقدار اعتبار، حساب پس انداز/ اوراق قرضه، وضعیت اشتغال، نرخ اقساط بر حسب درصد درآمد قابل تصرف، وضعیت شخصی و جنسیت، سایر بدهکاران/ ضامنین، اقامت فعلی از آن زمان، ویژگی، سن، سایر طرح های اقساطی، مسکن، تعداد اعتبارات موجود در این بانک، شغل، تعداد افرادی که مسئول نگهداری هستند، تلفن و کارمند خارجی) که قرار است تخصیص یا عدم تخصیص را بررسی کنم. نتایج حاکی از این است که شبکه عصبی روش گروهی مدل سازی داده ها بهبودیافته با الگوریتم بهینه سازی بازی آشوب با میانگین مربعات خطای ۰.۰۷۶ و دقت ۹۸.۱% عملکرد بهتری از لحاظ میانگین مربعات خطا و دقت در مقایسه با الگوریتم های بگینگ با میانگین مربعات خطای ۰.۱۷۶ و دقت ۹۵.۶% و k- نزدیک ترین همسایه با میانگین مربعات خطای ۰.۳۳۲ و دقت ۹۱.۷% دارد.
Keywords:
Authors
محمد ربیعی
استادیار، گروه فناوری اطلاعات، دانشکده مهندسی برق، کامپیوتر و مکانیک، دانشگاه ایوانکی، ایران، ایوانکی،
یاسمن فخاریان زاده
دانشجوی کارشناسی ارشد، گروه فناوری اطلاعات، دانشکده مهندسی برق، کامپیوتر و مکانیک، دانشگاه ایوانکی، ایران، ایوانکی