چکیده:
روشهای سنتی تصمیمگیری در مورد اعطای اعتبار به متقاضیان وام،همانند آنچه که اکنون در کشور ما انجام میگیرد،برپایه قضاوت شخصی در مورد خطر عدم بازپرداخت استوار است.با این وجود فشارهای اقتصادی ناشی از افزایش تقاضا برای شکلهای مختلف اعتبار،در کنار رقابتهای تجاری گسترده و تلاش موسسات مالی و بانکها برای پایین آوردن درصد عدم بازپرداخت،موجب افزایش به کارگیری روشهای آماری در زمینهء اعطای اعتبار شده است.رتبهبندی اعتباری به منظور پیشبینی احتمال کوتاهی در بازپرداخت و یا عدم بازپرداخت و یا معادل آن برای طبقهبندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار میگیرد.از جمله مزایای این روش میتوان به صرفهجویی در زمان،صرفهجویی در هزینه،حذف قضاوتهای شخصی و افزایش دقت در ارزیابی متقاضیان وام اشاره کرد.روشهای آماری مختلفی از جمله آنالیز ممیزی،رگرسیون لجستیک،روشهای هموارسازی تا پارامتری و شبکههای عصبی در زمینه رتبهبندی اعتباری مورد استفاده قرار گرفتهاند.در این میان،"شبکههای عصبی"به دلیل انعطافپذیری بالاتر،در سالهای اخیر بیشتر مورد توجه قرار گرفتهاند.در این مقاله،یک مدل شبکه عصبی برای طبقهبندی متقاضیان دریافت وام فروش اقصاطی ارائه و سپس عملکرد این مدل را با دو مدل آماری آنالیز ممیزی و رگرسیون لجستیک مقایسه میکنیم.نتایج حاصل از این مقایسه نشان میدهد که مدل شبکه عصبی در مقایسه با سایر مدلهای مورد مطالعه،از کارایی و دقت بالاتری برخوردار است.
Traditional methods of deciding whether to grant credit to a particular individual use human judgment of the risk of default based on experience of previous decisions. However، economic pressures resulting from increased demand for credit، allied with greater commercial competition and the emergence of new computer technology have led to development of sophisticated statistical models to aid the credit granting decision making process. Credit scoring is the name used to describe this process of determining how likely applicants are to default with their repayments. Credit scoring has some obvious benefits that have led to its increasing use in loan evaluation. For example، it is quicker، cheaper and more objective than judgmental method. A wide range of statistical methods such as discriminant analysis، logistic regression، and neural networks have been applied for credit scoring. In this paper، we design a neural network credit scoring system for classifying the applicants of personal loans in bank and compare the performance of this model with discriminant analysis and logistic regression models. The results of this investigation show that the neural network model is more accurate and more flexible than discriminant analysis and logistic regression.
خلاصه ماشینی:
"معادل آن برای طبقهبندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار میگیرد.
در این مقاله،یک مدل شبکه عصبی برای طبقهبندی متقاضیان دریافت وام فروش اقصاطی ارائه و سپس
مقایسه نشان میدهد که مدل شبکه عصبی در مقایسه با سایر مدلهای مورد مطالعه،از کارایی و دقت بالاتری
در این مقاله،یک مدل شبکه عصبی برای رتبهبندی متقاضیان وام فروش اقساطی از یکی از شعب
مدلهای آنالیز ممیزی و رگرسیون لجستیک)نیز برای طبقهبندی متقاضیان استفاده و نتایج حاصل از
برای طراحی و بررسی دقت پیشبینی این مدلها از یک نمونه 500 تایی متقاضیان استفاده شده است.
ساختار مدل شبکه عصبی مورد استفاده برای طبقهبندی متقاضیان وام فروش
مدل رگرسیون لجستیک نیز از جمله روشهای آماری مورد استفاده برای طبقهبندی متقاضیان است که
نتایج طبقهبندی مدل شبکه عصبی برای نمونه آزمایشی
جدول 5،نتایج مدل آنالیز ممیزی و درصد متقاضیان به درستی طبقهبندی شده را برای 5 زیرنمونه
طبقهبندی کلی مدل نیز از 0/68 تا 0/71 درصد در بین پنج زیرنمونه آزمایشی مختلف متغیر است.
نتایج نشان میدهد که دقت این مدل در طبقهبندی برای هردو گروه متقاضیان خوب و بد در مقایسه
در مورد متقاضیان بد نیز دقت طبقهبندی مدل شبکه عصبی بهطور
دقت طبقهبندی کلی مدل شبکه عصبی 32/80 به دست آمده است که بهطور معنیداری بالاتر از
به علاوه،اختلاف آماری معنیداری بین دقت طبقهبندی مدلهای آنالیز ممیزی و رگرسیون لجستیک در شناسایی متقاضیان خوب و بد
در این تحقیق،یک مدل شبکه عصبی پرسپترون چند لایهای برای طبقهبندی متقاضیان وام فروش"