دسته بندي ريسك اعتباري مشتريان حقيقي با استفاده از يادگيري جمعي (مطالعه موردي بانك سپه)

Classification of Customer’s Credit Risk Using Ensemble learning (Case study: Sepah Bank

فعاليت هاي بانكي و اعطاي تسهيلات در بانك ها همواره با ريسك اعتباري مواجه بوده و با توجه به محدوديت منابع مالي بانك ها جهت ارائه تسهيلات، ارزيابي توان بازپرداخت مشتريان بانك پيش از اعطاي تسهيلات، يكي از مهمترين چالش هاي پيش روي سيستم بانكي كشور است. بر اين اساس در اين تحقيق سعي بر آن شد كه مدلي در جهت تعيين عوامل مهم موثر بر رفتار اعتباري مشتريان بانكي ارائه شود. تحقيق حاضر با استفاده از اطلاعات مشتريان حقيقي بانك سپه در سال هاي 1395 و 1396 صورت گرفته است و مدلسازي تحقيق با استفاده از شبكه عصبي، درخت تصميم فازي انجام شده است. آنچه نوآوري تحقيق مي تواند محسوب شود استفاده از روش هاي يادگيري جمعي است كه به منظور افزايش دقت در نتايج درخت تصميم فازي در اين تحقيق مدنظر قرار گرفته است. نتايج حاصل از تحقيق نشان مي دهد كه درآمد و تراكنش هاي مالي مشتريان از بيشترين اهميت در تعيين ريسك اعتباري مشتريان برخوردار بوده است. هم چنين نتايج نشان مي دهد كه درخت تصميم فازي با استفاده روش بگينگ دقت بالاتري نسبت به روش شبكه عصبي و درخت تصميم فازي معمولي دارد.

Banks activities are associated with different kinds of risk such as cresit risk. Considering the limited financial resources of banks to provide facilities, assessment of the ability of repayment of bank customers before granting facilities is one of the most important challenges facing the banking system of the country. Accordingly, in this research, we tried to provide a model for determining factors affecting the credit behavior of bank customers. In this study, using real customer data in Sepah Bank in 2007, research modeling was done using the Neural Network, a fuzzy decision tree. What research innovation can be considered is the use of collective learning methods that are considered in this study to increase the accuracy of the results of the fuzzy decision tree. The results of the research show that customer's revenues, along with the customer's financial transactions, are the main factors in determining the customer's credit risk. The results also show that the fuzzy decision tree using the Begging method has higher accuracy than the neural network method and the conventional fuzzy decision tree.