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
محل انتشار: فصلنامه راهبرد مدیریت مالی، دوره: 8، شماره: 2
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 551
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFMZ-8-2_006
تاریخ نمایه سازی: 25 آذر 1399
چکیده مقاله:
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.
کلیدواژه ها:
ریسک اعتباری ، رتبه بندی اعتباری ، ماشین بردار پشتیبان ، انتخاب ویژگی ، الگوریتم بهینه سازی مورچگان باینری
نویسندگان
علی حسین زاده کاشان
گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستمها دانشگاه تربیت مدرس
فاطمه گروسی
دانشکده مهندسی صنایع و سیستم ها دانشگاه تربیت مدرس، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :