ارائه طبقه بند ترکیبی جدید جهت تعیین ریسک مشتریان بانک ها

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 778

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELECONFK01_016

تاریخ نمایه سازی: 16 خرداد 1394

چکیده مقاله:

با توجه به وجود متقاضیان تسهیلات بانکی و کارت های اعتباری ، بانک ها نیاز به تصمیم گیری در مورد ارائه ی تسهیلات به یک مشتری و تحلیل ریسک سرمایه گذاری خودروی مشتریان را دارند. اصطلاحا به چنین تصمیم گیری هایی در خصوص اعطای اعتبار به یک فرد از جمله وام، کارت اعتباری و ... اعتبار سنجی و یا پیش بینی ریسک اعتباری گفته می شود. عملیات تعیین ریسک یا اعتبار سنجی به فاکتورهایی از جمله اطلاعات فردی مشتری و سابقه مالی وی بستگی دارد. باید خاطر نشان کرد که بسیاری ز بانک ها فرایند تحلیل ریسک به صورت دستی ، بسیار زمانگیر خواهد بود. بنابراین می توان گفت که عملیات پیش بینی ریسک اعتباری در چنین بانک هایی سلیقه ای بوده و سیاست مشخصی برای آن وجود ندارد . از این رو لزوم اعتبار سنجی و تحلیل ریسک خودکار اهمیت دارد . در این مقاله روش ترکیبی جدید بر پایه ماشین یادگیر حداکثر (Extreme Leatning Machine) جهت تعیین ریسک اعتباری مشریان بانک ها ارائه گردیده است، که در مقایسه با روش دیگر توانسته نتیجه مطلوبی را کسب نماید .

نویسندگان

مجید تفاهمی

دانشجوی کارشناسی ارشد دانشگاه بین المللی امام رضا (ع)

عادل قاضی خانی

عضو هیات علمی دانشگاه بین المللی امام رضا(ع) ، دانشکده فنی و مهندسی

علیرضا روحانی منش

عضو هیئت علمی دانشگاه نیشابور، دانشکده فنی و مهندسی

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 :
  • Anthony, M. and P.L. Bartlett, Neural network learning: Theoretical foundations. ...
  • Hagan, M.T., H.B. Demuth, and M.H. Beale, Neural network design. ...
  • Neuroc omputing, 2006. 70(1): p. 489-501. ...
  • Samat, A., et al., E2LMs: Ensemble Extreme Learning Machines for ...
  • WU, X. et al., Prediction of Coal Face Gas Concentration ...
  • Abdou, H., J. Pointon, and A. El-Masry, Neural nets _ ...
  • Sustersic, M., D. Mramor, and J. Zupan, Consumer credit scoring ...
  • Wang, G., et al., A comparative assessment of ensemble learning ...
  • Wang, G., et al., Two credit scoring models _ strategy ...
  • Oreski, S. and G. Oreski, Genetic _ lgorithm-based heuristic for ...
  • Canu, S., et al., Svm _ kerrel methods matlab toolbox. ...
  • Alpaydn, E., Introduction to Machine Learning 2nd edition Ed. 2010, ...
  • Nanni, L. and A. Lumini, An experimental comparison of ensemble ...
  • in Hybrid Intelligent Systems, 2009. HIS'09. Ninth Internationd Conference on. ...
  • Li, F.-C., P.-K. Wang, and G.-E. Wang. Comparison of the ...
  • Li, F.-C. Comparison of the Primitive Classifiers without Features Selection ...
  • نمایش کامل مراجع