شناسایی و رتبه بندی عوامل موثر بر اعطای وام و تسهیلات به مشتریان توسط بانک ها

در این پژوهش به منظور شناسایی بیشترین و بهینه سازی فرایند اعطای وام های بانکی با الگوریتم های یادگیری ماشین برای ارزیابی و پیش بینی ریسک اعتباری مشتریان از تکنیک های داده کاوی و الگوریتم های یادگیری ماشین بهره گرفته شده است. هدف اصلی این مطالعه، شناسایی و رتبه بندی عوامل موثر بر اعطای وام به مشتریان با استفاده از مدل های پیش بینی کننده است. منبع داده های مرتبط با مشتریان با استفاده از شاخص های مختلف جمع آوری و تحلیل شده اند. داده های این پژوهش شامل ۶۱۴ نمونه و مرتبط به اطلاعات اعطای وام شرکت Dream Housing Finance است. تحلیل اطلاعات شامل تعداد افراد تحت تکلف، تحصیلات، خوداشتغالی کارمندی، مقدار درآمد، مقدار کمک درآمد بوده است. بازه پرداخت وام، وجود بایسته اعتباری، نوع محل سکونت و نتیجه اعطای وام از طریق سایت کتب های رگرسیون جمع آوری شده است. به منظور بررسی پارامترها از آزمون نرمال سنجی نتیجه اعطایی، نوع محل سکونت و رگرسیون D- درایتینگ، کروسکال - والیس و رگرسیون CountIFS و CountIFs مبتنی بر تحلیل تفکیکی خطی K استفاده شده است. از الگوریتم های یادگیری ماشین رگرسیون لجستیک، تحلیل تشخیص، شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده است. نتایج مطالعه نشان داد که مدل های مبتنی بر یادگیری ماشین می تواند به طور قابل توجهی ریسک اعطای وام را کاهش دهد. احتمال بازپرداخت وام ها را افزایش دهد، همچنین استفاده از داده کاوی می تواند از جنبه های مختلف از قبل جمع آوری اطلاعات کاربردی و بهبود سیستم اعطای وام و تصمیم گیری سریع تر و دقیق تر به بانک ها کمک کند.

کلیدواژه ها:

وام بانکی ، شاخص های وام بانکی ، سیستم اعتبارسنجی ، آزمون نابهنجاری گوسکال - والیس ، رگرسیون الگوریتم های یادگیری ماشین