توسعه مدل شبكه عصبي بهينه شده با الگوريتم پرواز پرندگان در پيش بيني ريسك اعتباري مشتريان بانك مسكن

Developing a neural network trained with particle swarm optimization for prediction credit risk of customers of Maskan Bank

سيستم امتيازدهي اعتبار مشتريان 1 )CS( به عنوان يكي از روشهاي ارزيابي ريسك شناخته ميشود كه در آن مشتريان به دو طبقه مشتريان ريسكي و مشتريان غير ريسكي تقسيم مي شوند. هدف مدلهاي CS آن است كه با استفاده از تكنيكهاي مدرن همچون دادهكاوي به ارزيابي دقيق و عيني از ريسك افراد گيرنده اعتبار دست يابد. مدلسازي مساله CS را مي توان به صورت يك مساله كلاسبندي در داده كاوي در نظر گرفت كه هدف آن تخمين نگاشتي است كه با بكارگيري ويژگيهاي مشتريان، آنها را به يكي از دو كلاس پر ريسك و كم ريسك نگاشت نمايد. درتحقيق حاضر به بررسي عوامل مؤثر بر ريسك اعتباري مشتريان بانك مسكن شعب استان خراسان جنوبي با بكارگيري مدل شبكه عصبي بهينه شده با الگوريتم بهينه سازي پرواز پرندگان (PSO) مي پردازيم. در اين راستا متغيرها اعم از مشتريان حقيقي وحقوقي ،سن ، جنسيت، تحصيلات، ميزان تسهيلات، گردش حساب، درآمد مشتري، شغل، نوع تسهيلات اعم از تكليفي و غيرتكليفي و شهري يا روستايي بودن مورد بررسي قرار گرفت و مدل شبكه عصبي آموزش ديده با PSO نگاشت پيش بيني كننده اعتبار مشتري را به عنوان توابعي از متغيرهاي فوق بدست آورد. نتايج حاكي از دقت بالاي مدل ارائه شده نسبت به مدلهاي شبكه عصبي آموزش ديده با الگوريتم پس انتظار خطا و شبكه عصبي ژنتيك مي باشد.

Credit scoring (CS) system is one of the methods for evaluating risk of customers that partitions them into two groups: High risk and Low Risk. The goal of CS models is to evaluate risk of customers in getting credit accurately. Modeling CS problem can be seen as a classification problem in data mining that the aim is to approximate a classifier function to separate high and low risk customers. In this paper, we study the influencing variables on risk of customers in getting loan from Maskan Bank of Khorasan Jonoubi province of Iran and approximate a classifier using a neural network trained with particle swarm optimization (PSO) algorithm. We used 15 input variables for training neural networks and the results showed higher accuracy in comparison with a Neural network trained with back-propagation (BP) algorithm and the neural network trained with genetic algorithm (GA).