بررسي ريسك اعتباري مشتريان حقوقي با استفاده از مدل ماشين بردار پشتيبان و مدل هيبريدي الگوريتم ژنتيك - مطالعه موردي بانك تجارت

Credit risk assessment of corporate customers using support vector machine and genetic algorithm hybrid model - a Case Study of Tejarat Bank

طراحي و استقرار مدل رتبه بندي اعتباري در نظام بانكي نقش مهمي در بالا بردن كارايي تخصيص منابع به مشتريان هدف دارد. در اين تحقيق با هدف تدوين مدلي جهت ارزيابي ريسك اعتباري مشتريان حقوقي بانك از ماشين بردار پشتيبان (SVM) و الگوريتم ژنتيك بهره گرفته شده است. بدين منظور، مطالعه­اي بر روي متغيرهاي مالي282 شركت كه طي سال­هاي 1387 تا 1390 از بانك تجارت تسهيلات دريافت كرده­اند، صورت گرفته است. در اين پژوهش براي بهينه سازي ورودي هاي ماشين بردار پشتيبان از الگوريتم ژنتيك بهره گرفته شده است، توان بسيار بالاي الگوريتم ژنتيك در انتخاب نقاط بهينه، همواره اين اطمينان خاطر را براي استفاده كننده فراهم مي­آورد كه نقاط بهينه پيشنهادي، نقاط بهينه بهتري براي مساله خواهند بود. در مدل هيبريدي GA-SVM، الگوريتم ژنتيك داده­هاي ورودي مدل SVM را بهينه مي­سازد. يافته­هاي تحقيق نشان مي­دهد مدل هيبريدي GA-SVM نسبت به مدل SVM عملكرد بهتري در شناسايي مشتريان خوش حساب و بد حساب و پيش­بيني ريسك اعتباري مشتريان دارد.

Design and implementation of credit rating model in the banking system plays an important role in enhancing the efficiency of resource allocation is to target customers. In this research aims to develop a model for evaluating the credit risk of the bank's corporate clients have been used Support Vector Machine (SVM) and Genetic Algorithms (GA). Therefore، a study has been on the financial variables of 282 companies during the years 2007 to 2010، have received loans from TEJARAT bank. In this research، to optimize the input of support vector machine is used of genetic algorithms. The power of the genetic algorithm to select the optimum points، always provides confidence that the optimal-made for the proposed going to be higher optimum points. In the hybrid model GA-SVM، genetic algorithm optimizes SVM model inputs the data. Research findings show GA-SVM hybrid model performed better than the SVM model in the identifying good customer accounts and bad customer accounts and credit risk prediction.