اعتبارسنجی هوشمند و کاهش مطالبات غیرجاری بانک ها رویکردهای داده محور و یادگیری ماشین

هدف بررسی تاثیر اعتبارسنجی هوشمند بر کاهش مطالبات غیرجاری بانک ها و مقایسه مدل های داده محور و یادگیری ماشین در پیش بینی نکول وام ها انجام شده است. جامعه آماری ۱۰,۰۰۰ پرونده اعتباری از یک بانک است که با نمونه گیری کوکران ۳۷۰ پرونده انتخاب شد. داده های مربوط به متغیرهای اعتبارسنجی، درآمد ماهانه، سابقه بازپرداخت و نرخ نکول وام ها استخراج گردید. در بخش تحلیلی از آزمون همبستگی پیرسون، رگرسیون لجستیک و مدل های یادگیری ماشین شامل درخت تصمیم، رگرسیون لجستیک، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای ارزیابی ارتباط متغیرها و پیش بینی نکول تسهیلات استفاده شد. نتایج نشان داد که بین امتیاز اعتبارسنجی و نرخ نکول وام ها رابطه معکوس و معنادار وجود دارد. رگرسیون لجستیک نشان داد که متغیرهای امتیاز اعتبارسنجی، درآمد ماهانه و سابقه بازپرداخت تاثیر معناداری بر کاهش نکول دارند. بررسی مدل های یادگیری ماشین نشان داد که شبکه عصبی مصنوعی بهترین عملکرد را با دقت ۹۱.۳٪ در پیش بینی نکول وام ها داشته و نسبت به مدل های دیگر برتری دارد.

کلیدواژه ها:

اعتبارسنجی هوشمند ، نکول تسهیلات ، یادگیری ماشین ، بانکداری داده محور