223

Department of Industrial EngineeringPresenting a model based on artificial nearal network andsupport vector machine methods for modeling an​d predictinbank costomers’ credit risk (private bankins)

كارشناسي ارشد

صنايع- مديريت سيستم و بهره‌وري

تهران شمال

95

95/3/8

19

105ص

كبيري نائيني، مهدي

103-99ص

credit risk , data mining , artificial nearal network , support vector machine

اعطاي اعتبار بخش مهمي از عمليات بانكي است و همان‌طور كه مي‌تواند سودهاي بزرگي داشته باشد، ريسك‌هاي مهمي نيز با تصميم‌گيري‌هاي اين حوزه در ارتباط است. اعطاي تسهيلات اعتباري بانكي در سال‌هاي اخير با مشكلاتي از قبيل عدم بازپرداخت توسط مشتريان مواجه شده است كه استفاده از سيستم‌هاي پيشرفته‌ي اعتبارسنجي را براي بانك‌ها ضروري مي‌نمايد. ضرورت مدل‌سازي و پيش‌بيني ريسك اعتباري مشتريان به اين دليل است كه اين امكان را براي بانك‌ها و مؤسسات اعتباري فراهم مي‌كند كه با اتكا به چنين سيستمي و بر اساس نرخ‌هاي تكليفي موجود، ريسك پرتفوي اعتباري خود را تا حد ممكن كاهش داده و از بين متقاضيان، معتبرترين و كم ريسك ترين مشتريان را گزينش نمايند. از طرفي استفاده از الگوريتم‌هاي داده‌كاوي به‌منظور تفكيك مشتريان ازنظر ريسك بازپرداخت تسهيلات، در بانك‌هاي موفق دنيا جايگاه ويژه‌اي داشته و مبناي تصميم‌گيري‌ها در حوزه‌ي مشتريان اعتباري است. هدف اين تحقيق مدل‌سازي و پيش‌بيني ريسك اعتباري مشتريان بانك با استفاده از دو روش شبكه عصبي مصنوعي و ماشين بردار پشتيبان مي‌باشد. به اين منظور مسئله به سه روش شبكه عصبي و ماشين بردار پشتيبان و همچنين مدل تركيبي حاصل از اين دو روش مدل‌سازي و تحليل شد. در اين تحقيق براي گردآوري اطلاعات مربوط به مباني نظري، از تحقيقات كتابخانه‌اي و پايگاه‌هاي پيام‌رساني استفاده شد. داده‌هاي مرتبط با مسئله از منابع موجود كه شامل پرونده‌هاي متقاضيان تسهيلات اعتباري و پايگاه داده‌هاي مشتريان بود جمع‌آوري شد. براي پياده‌سازي روش شبكه عصبي مصنوعي از نرم‌افزار متلب و براي پياده‌سازي روش ماشين بردار پشتيبان از نرم‌افزار كلمنتاين استفاده شد. نتايج نشان داد كه روش‌هاي ماشين بردار پشتيبان و روش شبكه عصبي بيش از 90% قابليت برآورد ريسك اعتباري مشتريان را دارد و همچنين با مقايسه اين دو روش مشخص شد كه الگوريتم شبكه عصبي داراي كارايي اندكي بيشتر نسبت به الگوريتم SVM هست و مشخص شد كه عملكرد مدل تركيبي در پيش‌بيني ريسك اعتباري مشتريان بهتر از تك‌تك مدل‌ها مي‌باشد.

33665