مدل سازی رتبه بندی مشتریان در حوزه ریسک اعتباری با استفاده از الگوریتم های یادگیری ماشین

در ایران با توجه به ساختار اقتصادی کشور و به دلایلی همچون عدم توسعه بازارهای سرمایه و سایر شبکه های غیر بانکی و قراردادی، تامین مالی بخش های واقعی اقتصاد بر عهده شبکه بانکی است و کارکرد صحیح این سیستم منوط به استفاده صحیح از منابع جمع آوری شده است. این امر مستلزم بررسی و ارزیابی صحیح ریسک های پیش رو و شناخت روش های مقابله با این مخاطرات است. پژوهش حاضر از نظر هدف، کاربردی و از نظر ماهیت و روش، توصیفی–تحلیلی است و با هدف مدل سازی، خوشه بندی و رتبه بندی مشتریان حقوقی بر اساس سطح ریسک اعتباری انجام می شود. در این پژوهش، ابتدا شاخص های مالی و غیرمالی موثر بر ریسک اعتباری مشتریان با بررسی مدل های متداول اعتبارسنجی شناسایی می شوند. پس از مقایسه مدل هایی مانند LAPP، P۵ و C۶، مدل C۶ به عنوان مدل پایه انتخاب شده و سایر شاخص ها و مدل ها بر مبنای آن طبقه بندی می شوند. برای اجرای الگوریتم SOM، ابتدا پارامترهای نقشه شامل ابعاد شبکه، تعداد نورون ها، بردارهای وزنی اولیه، نرخ یادگیری و شعاع همسایگی تعیین می شود. سپس رکوردهای مشتریان، که هر یک شامل مقادیر کمی شاخص های مالی و غیرمالی هستند، به صورت هم زمان یا متوالی به شبکه ارائه می شوند. بدین ترتیب، الگوی نهایی پژوهش از ترکیب وزن دهی آنتروپی–انحراف معیار، امتیازدهی چندشاخصه و خوشه بندی غیرنظارتی شبکه عصبی SOM برای ارزیابی، طبقه بندی و رتبه بندی ریسک اعتباری مشتریان حقوقی استفاده می کند. یافته ها نشان داد که نتایج نشان داد که از میان ۲۹ شاخص اولیه، ۱۲ شاخص مالی و غیرمالی به عنوان عوامل موثر بر ریسک اعتباری انتخاب شدند. ارزیابی مدل ها، سه خوشه را به عنوان تعداد بهینه تعیین کرد. به دلیل عملکرد نامناسب SOM در تفکیک مشاهدات، الگوریتم K-Means به کار گرفته شد و مشتریان حقوقی را در سه گروه با ریسک پایین، متوسط و بالا طبقه بندی کرد. در مجموع، K-Means نسبت به SOM کارایی بیشتری در رتبه بندی ریسک اعتباری مشتریان نشان داد.

کلیدواژه ها:

ریسک اعتباری ، رتبه بندی مشتریان ، یادگیری ماشین