طبقه بندی مشتریان تسهیلات بانکی با استفاده از یک روش ترکیبی انتخاب ویژگی و شبکه های عصبی- فازی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,552

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSITM01_200

تاریخ نمایه سازی: 10 شهریور 1393

چکیده مقاله:

امروزه ریسک اعتباری به عنوان یکی از بزرگترین عوامل ورشکستگی بانک ها و موسسات مالی شناخته شده است. به منظورمدیریت و کنترل این ریسک، طراحی مدلهای طبقهبندی اعتباری در بانکها ضرورتی انکارناپذیر است. در حال حاضر در نظامبانکداری، عدم بازپرداخت تسهیلات به یکی از بزرگترین مسائل تبدیل شده است. عدم وجود یک سیستم مناسب برای تخصیصمناسب تسهیلات، باعث به وجود آمدن مشکلات عدیدهای از جمله مشکل تخصیص اعتبارات، مشکل ناتوانی در بازپرداخت وبیشتر شدن مقدار تسهیلات از مقدار بازپرداختی ها شده است. از راهکارهای حل این مشکل، طبقه بندی اعتباری مشتریان است. تابه حال روشهای آماری مختلفی در مورد طبقه بندی اعتباری توسعه یافته اند که در این میان شبکه های عصبی و سیستم هایفازی به دلیل انعطاف پذیری و دقت بالا در سالهای اخیر بیشتر مورد توجه قرار گرفته اند. تحقیق حاضر با هدف ارائه مدل مناسببررسی رفتار اعتباری مشتریان تسهیلات بانکی با استفاده از شبکه های عصبی- فازی جهت طبقه بندی اعتباری شکل گرفته است.پس از تهیه مدل مناسب طبقه بندی اعتباری مشتریان، به طراحی سیستم هوشمند ترکیبی شبکه عصبی و فازی جهت طبقه بندیاعتباری مشتریان پرداخته شد و مشتریان به دو دسته خوش حساب و بد حساب تقسیم شدند. مجموعه داده مورد استفاده جهت ارزیابی مدل پیشنهادی از منبع داده های یادگیری ماشین UCI گرفته شده است و مربوط به یک بانک آلمانی است. نتایج بدست آمده نشان میدهد که رفتار اعتباری مشتریان با استفاده از مدلهای طبقه بندی شبکه عصبی- فازی با دقت طبقه بندی بالا، قابل پیش بینی است.

نویسندگان

شاهین اکبرپور

استادیار، بخش مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد شبستر

نازیلا فتاحی

کارشناس ارشدکامپیوتر- نرم افزار ،دانشگاه آزاد اسلامی واحد شبستر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • بشارتی، س.(1386). طراحی و تبیین مدل رتبه بندی اعتباری مشتریان ...
  • منصوری، ع .(1382). طراحی و تبیین _ ریاضی تخصیص تسهیلات ...
  • نصرتی ناهوک، ح.، افتخاری، م. (392 1). یک روش جدید ...
  • Dadios.E., Solis.J. (2012). Fuzzy-Neuro Model for Intellient Credit Risk Management. ...
  • Fodor, I.K. (2002). A Survey of dimension reduction techniques. technical ...
  • Pacelli.V., Azzollini.M. (2011).An Artificial Neural Network Approach for Credit Risk ...
  • Rezaee.M.R., Goedhart.B., Lelieveldt. B.P.F. and Reiber. J.H.C. (1999). Fuzzy feature ...
  • Saskatchewa. R.(1997). An Implemented Framework For The Construction Of Hybrid ...
  • Syau.Y., Hsieh.H. and LEE.E.S. (2001). Fuzzy Numbers in the Credit ...
  • Tsai, C., Wu, J. W.(2008). Using neural network ensembles for ...
  • Varghese, N., Varghese, v., Jaisankar, N.(20 12). A Survey of ...
  • Xinguo. L. , Xianghua.P , Ping .L..YongD. , Bingtao.F., Bo. ...
  • نمایش کامل مراجع