بررسی ریسک اعتباری مشتریان با استفاده از شبکه عصبی مصنوعی

رتبه بندی اعتباری یکی از موضوعات مهمی است که همواره مورد توجه بانکداران قرار می گیرد. به منظور مدیریت کنترل ریسک اعتباری، سیستم های رتبه بندی اعتباری مشتریان ضرورتی انکار ناپذیر دارد. همچنین اهمیت اعطای تسهیلات در صنعت بانکداری کشور نقش خطیر آن در رشد اقتصادی افزایش اشتغال منجر به توسعه چندین مدل گوناگون برای ارزیابی اعتباری مشتریان متقاضی این تسهیلات شده است رتبه بندی اعتباری به منظور پیش بینی احتمال کوتاهی در باز پرداخت یا عدم باز پرداخت یا معادل آن برای طبقه بندی متقاضیان اعتبار به دو گروه ریسک خوب ریسک بد مورد استفاده قرار می گیرد. از جمله مزایای این روش می توان به صرفه جویی در زمان صرفه جویی در هزینه، حذف قضاوت های شخصی افزایش دقت در ارزیابی متقاضیان وام اشاره کرد. روشهای آماری مختلفی از جمله آنالیز ممیزی، رگرسیون لجستیک، روش های هموارسازی ناپارامتری شبکه های عصبی در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند. بسیاری از این مدل ها، مدل های کلاسیک هستند توانایی ارزیابی اعتباری مشتریان را بطور کامل بهینه ندارند. بنابراین زمینه ورود مدل های هوش مصنوعی به این حوزه مهیا گردیده است. شبکه های عصبی به دلیل انعطاف پذیری بالاتر، در سال های اخیر بیشتر مورد توجه قرار گرفته اند. در این مقاله، به توضیح مدل شبکه عصبی مصنوعی برای اعتبار دهی مشتریان طبقه بندی متقاضیان دریافت وام با استفاده از نرم افزار spss معرفی قابلیت های این نرم افزار در رتبه بندی اعتبار دهی مشتریان پرداخته شده است. با استفاده از ROC curve بوسیله دو معیار حساسیت تصریح، الگوی مناسب برای طبقه بندی ریسک های خوب بد اعتباردهی برای پیش بینی خوش اعتباری بد اعتباری مشتریان ارایه می دهد کارایی دقت مدل شبکه عصبی مصنوعی را در رتبه بندی اعتباری بررسی خواهیم کرد

کلیدواژه ها:

رتبه بندی اعتباری ، مدل رتبه بندی ، شبکه عصبی پرسپترون چندلایه ، ROC curve