ارايه مدلي جهت سنجش ريسك اعتباري مشتريان متقاضي وام بانكي

عدم بازپرداخت به موقع وامهای اعطایی یكی از مهمترین چالشهای اعطای تسهیلات در نظام بانكی كشور میباشد كه منجر به مطالبات معوق، سررسید گذشته و مشكوك الوصول میشود. یكی از راهكارهای مناسب جهت مقابله با این چالش، تفكیك مشتریان خوشحساب از بدحساب پیش اعطای وام میباشد. سنجش ریسك اعتباری مشتریان پیش از اعطای وام میتواند به عنوان راهكاری جهت كاهش ریسك اعتباری در نظر گرفته شود. هدف پژوهش حاضر ارایه مدلی است كه با استفاده الگوریتم ژنتیك، ویژگیهای اثرگذار مشتری در سنجش ریسك اعتباری را انتخاب كند و با استفاده از شبكه عصبی، مشتریان خوشحساب را از بدحساب تفكیك نماید. مدل ارایه شده با یك مجموعه داده از مشتریان بانك ملت با درنظر گرفتن 41 ویژگی از 022 وامگیرنده مورد آزمایش قرار گرفت. با استفاده از الگوریتم ژنتیك 7 ویژگی موثر مشتریان در پیشبینی ریسك اعتباری، شناسایی شده سپس با استفاده از شبكهعصبی رو به جلو با قابلیت پسانتشار با دقت 59.9 % مشتریان به دو دسته خوشحساب و بدحساب دستهبندی شدند. با توجه به دقت بالای پیشبینی مدل) 59.9 %( در دستهبندی مشتریان به دو گروه خوشحساب و بدحساب پیش از اعطای وام، میتوان از این مدل به عنوان یك سیستم تصمیم یار برای كمك به مسئولین تسهیلات بانكها استفاده نمود. به این ترتیب نه تنها از پرداخت وام به مشتریان بدحساب جلوگیری میشود بلكه میتوان تمهیداتی را )از جمله گرفتن وثیقه كمتر( جهت اعطای وام به مشتریان خوشحساب در نظر گرفت. بنابراین علاوه بر برداشتن گامی عملی برای كاستن حجم مطالبات بانك ها میتوان سطح رضایتمندی مشتریان خوشحساب را نیز افزایش داد. واژه های كلیدی:، ، ، ، ،