ریسک اعتباری مشتریان بانکی: پیشنهاد مدل هایی مبتنی بر یادگیری ماشین و الگوریتم های تکاملی برای پیش بینی و ارزیابی ریسک اعتباری جهت طبقه بندی مشتریان بانکی

به طور سنتی، بانک ها از مدل های استاتیک برای مدل سازی الگوهای ریسک اعتباری استفاده می کردند، اما عوامل اقتصادی مستقل از نوسانات سیاسی نیستند و با تغییر فضای سیاسی، محیط اقتصادی نیز با آن متحول می شود. این امر به ویژه در ایران پس از تحریم های ۲۰۰۸-۲۰۱۶ ایالات متحده مشهود است، زیرا بسیاری از مشتریان قابل اعتماد قبلی قادر به بازپرداخت بدهی خود نبودند (یعنی مشتریان بدی شدند) و لازم است مدلهای پویا که بتواند عوامل متغیر سیاسی-اقتصادی را در خود جای دهد، ایجاد شود که می توان مدلهای ترکیبی برای ارزیابی ریسک اعتباری جهت طبقه بندی مشتریان بانکی مبتنی بر الگوریتم طبقه بندی و الگوریتم های تکاملی پیشنهاد داد. مدل می تواند دارای دو مرحله باشد که مرحله اول کار، پیش پردازش داده ها (جهت رفع نقض داده ها) مبتنی بر عملکرد انتخاب ویژگی باشد، یعنی از بین ویژگی های موجود در مجوعه داده ویژگی های مناسب انتخاب شود ( این بخش برای کاهش بعد و بهبود کیفیت داده است. مرحله دوم سیستم پیشنهادی نتیجه کار و خروجی اصلی سیستم پیشنهادی یعنی طبقه بندی مشتریان است که به دو دسته تقسیم می شوند، یعنی افرادی که واجد شرایط وام گرفتن هستند و افرادی که واجد شرایط وام گرفتن، نیستند، که از تکنیک طبقه بندی مناسب می توان در این قسمت استفاده کرد. در واقع هدف اصلی این مرور پیشنهاد مدل هایی برای پیش بینی و ارزیابی ریسک اعتباری جهت طبقه بندی مشتریان بانکی مبتنی بر یادگیری ماشین و الگوریتم های تکاملی است.

کلیدواژه ها:

واژه های کلیدی: ریسک اعتباری ، مشتریان بانکی ، طبقه بندی و الگوریتم های تکاملی