برآورد ریسک اعتباری با استفاده ازمدلهای سیستمهای عصبی فازی تطبیقی و ماشین بردار پشتیبان: مطالعه موردی بانک ایرانی

ناهید سیف; صدیق رئیسی; رضا توکلی مقدم

برآورد ریسک اعتباری با استفاده ازمدلهای سیستمهای عصبی فازی تطبیقی و ماشین بردار پشتیبان: مطالعه موردی بانک ایرانی

Publish place: International Conference on Engineering, Art and Environment

Publish Year: 1393

Type: Conference paper

Language: Persian

This Paper With 19 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > شبکه عصبی

Export:

Link to this Paper:

https://civilica.com/doc/372421

Document National Code:

CEAE01_106

Index date: 5 August 2015

برآورد ریسک اعتباری با استفاده ازمدلهای سیستمهای عصبی فازی تطبیقی و ماشین بردار پشتیبان: مطالعه موردی بانک ایرانی abstract

در تحقیق حاضر، به طراحی و ارائه ی یک مدل جدید و کارای پیش بینی ریسک اعتباری با استفاده ازسیستم عصبی فازی و ماشین بردار پشتیبان و روش آنتروپی برای انتخاب بهترین متغیرهای ورودی و سپس به آموزش و تحلیل نتایج حاصله و مقایسه میزان خطای هر یک برای پیش بینی ریسک اعتباری مشتریان حقوقی بانک سپه پرداخته می شود این تحقیق از نظر هدف کاربردی و از نظر گرد آوری داده ها به صورت توصیفی پیمایشی می باشد. به منظور گردآوری اطلاعات و رتبه بندی اعتباری مشتریان - حقوقی بانک سپه، از اطلاعات مربوط به پرونده های 292 مورد از مشتریان اعتباری بانک )پرونده های اعتباری مشتریان و همچنین ترازنامه، صورت سود و زیان و یادداشتهای توضیحی گزارشات سالیانه شرکتها و لوح فشرده گزارش عملکرد آنها که در زمینه صنعت فعالیت دارند و تسهیلات دریافتی آنها بیش از ده میلیارد ریال بوده است، استفاده شده است. این حجم نمونه از مشتریان دارای حساب منتهی به سال 5895 5831 انتخاب شدهاند. نوآوری تحقیق، بکارگیری دو روش مذکور برای برآورد ریسک - اعتباری و استفاده از روش آنتروپی برای رتبه بندی کردن داده های ورودی به منظور کاهش خطا و یادگیری بهتر و سریع تر در شبکه می باشد که برای اولین بار در حوزه ارزیابی ریسک اعتباری در بانک سپه استفاده شده است. نتایج تحقیق نشان داد که هر دو روش برای کلاس بندی نکول و یا عدم نکول مشتریان بانک روش های مناسبی بوده که روش SVM عملکرد مناسب تری نسبت به ANFIS دارد پس هر دو روش می تواند به عنوان روشی کارا برای پیش بینی در زمینه های مشابه به کار گرفته شوند.

برآورد ریسک اعتباری با استفاده ازمدلهای سیستمهای عصبی فازی تطبیقی و ماشین بردار پشتیبان: مطالعه موردی بانک ایرانی Keywords:

ریسک اعتباری , احتمال نکول , شبکه عصبی فازی , ماشین بردار پشتیبان

برآورد ریسک اعتباری با استفاده ازمدلهای سیستمهای عصبی فازی تطبیقی و ماشین بردار پشتیبان: مطالعه موردی بانک ایرانی authors

ناهید سیف

دانش آموخته کارشناسی ارشد دانشگاه آزاد اسلامی واحد تهران جنوب دانشکده مهندسی صنایع تهران

صدیق رئیسی

دانشیار دانشگاه آزاد اسلامی واحد تهران جنوب دانشکده مهندسی صنایع تهران

رضا توکلی مقدم

استاد دانشکده مهندسی صنایع پردیس دانشکدههای فنی دانشگاه تهران تهران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :

احمدی زاده، طورزنی، کوروش، محمدی، شاپور، محمودی، وحید، 1389، طراحی ...

اخباری، مهدیه، مخاطب رفیعی، فریماه. 1389، کاربرد سیستم های استدلال ...

تهرانی، رضا، فلاح شمسی، میرفیض، 1384، طراحی و تبیین مدل ...

خداوردی، امید، 1388، امتیازدهیریسک اعتباری بیمه شدگان با استفاده از ...

راعی، رضا، فلاح پور، سعید، 1387، کاربرد ماشین بردار پشتیبان ...

قندهاری، مریم، اصفهانی پور، اکبر، احمدی، عباس، 1391، پیش بینی ...

مشیری، سعید مروت، حبیب، 1385، پیش بینی شاخص کل بازدهی ...

مهرآرا، محسن، موسایی، میثم، تصوری، مهسا، حسن زاده، آیت، 1390، ...

_ میرجلیلی، قاسم، روحی، مجید، صادقی، محمدتقی، 1384، روش جدید ...

نبی.زاده، مرتضی، مساعدی، ابوالفضل، حسام، موسی، دهقانی، امیراحمد، 1390، مقایسه ...

همایون پور، محمد مهدی، خراشادی زاده، مریم، 1386، تعیین مرد ...

Akkoc, S. (2012). An empirical comparison of conventional techniques, neural ...

Amjadi N., Keynia F., Zareipour H., (2011). Wind power prediction ...

modified hybrid neural network and enhanced particle SWarm optimization, IEEE ...

Burges C.J.C., (1998). Atutorial _ support vector machines for pattern ...

Cristianini, N., and Shawe-Taylor, J. (2000). An introduction o support ...

Douligeris, C., and Palazzo, S. (1999). Fuzzy expert systems in ...

Hsu, C.-W., Chang, C.-C., Lin, C.-J. (2010). A practical guide ...

Huang, S.-C., (2008). Online option price forecasting by using unscented ...

Hui, S., Yap, M., and Prakash, P. (2000). A Hybrid ...

Ivakhnenko, A.G. and Ivakhnenko, G.A., (1995). The review of problems ...

Jang, J.S.R. (1993). ANNFIS: Adaptive _ network based fuzzy inference ...

Nabizadeh, M., Mosaedi, A., Hesam, M., Dehghani, A.A., Zakerinia, M., ...

Rudorfer, G. (1995). Early bankruptcy detection using neural networks. Paper ...

Sabzevari, H., Soleymani, M., Noorbakhsh, E. (2006), (N.D.) A comparison ...

Shin, K.-S., Lee, T.S., and Kim, H.-J. (2005). An Application ...

Thomas, L.C.A. (2000). Survey of credit and behavioural scoring: forecasting ...

Vanstone, B., Finnnie, G. and Tan, C. 2004. Applying fundamental ...

Wang, L. (2005). Support vector machines: Theory and applications. Springer. ...

Yu, L., Yao, X., Wang, S. and Lai, K.K. (2011). ...

نمایش کامل مراجع