مديريت ريسك اعتباري مشتريان بانكي با استفاده از روش ماشين بردار تصميم بهبوديافته با الگوريتم ژنتيك با رويكرد داده كاوي

Credit Risk Management of Banking Customers Using Support Vector Machine Optimized by Genetic Algorithm with Data Mining Approach

مديريت ريسك اعتباري، رتبه بندي اعتباري و ارزيابي ميزان ريسك مشتريان، در كنار جذب منابع از اهميت بالايي براي بانك ها برخوردار است؛ زيرا اگر بانك ها با تخصيص بهينه منابع و كسب درآمد بين فرايند تجهيز و تخصيص منابع خود نتوانند توازن ايجاد كنند، در آينده با مشكلات زيادي روبه رو مي شوند. براساس آمارهاي رسمي منتشرشده از سوي بانك مركزي ج.ا.ا در سال هاي اخير، ميزان مطالبات معوق بانك ها بسيار افزايش يافته است؛ زيرا سيستم اعتبارسنجي دقيقي براي ارزيابي اعتبار و اندازه گيري ميزان ريسك مشتريان وجود ندارد. در اين پژوهش، الگويي با استفاده از روش هاي داده كاوي براي پيش بيني شاخص نرخ وصول مشتريان ارائه مي شود. رويكردي كه در سال هاي اخير در دنيا به عنوان روشي جديد براي اندازه گيري ريسك مشتريان به جاي اندازه گيري احتمال نكول مدنظر قرارگرفته است. نتايج نشان مي دهد الگوي پيشنهادي اين پژوهش، دقت بيشتري دارد. به طور كلي، هدف پيش بيني درصد وصول مطالبات قراردادهاي با احتمال ريسك مطالباتي بالا قبل از اعطاي تسهيلات است.

Credit risk management, credit scoring and risk assessment of customers is an important issue in banking industry. Credit scoring is important because if the banks fail to earn resource allocation and create a balance between the processes of mobilizing and allocating resources, they are typically faced with many problems in the future. According to official figures released by the Central Bank of Iran in recent years, the rate of bad loans increased, since the systemic strict validation to evaluate and measure the credit risk of customers do not exist. In this paper, we try to predict customer’s recovery rate index with data mining techniques. Markedly, in recent years in the world new method for measuring customer risk rather than default probability measure has been considered, but due to low precision of forecasting models widely different approaches in research and modeling is investigated. The method used in this paper is support vector regression model whose parameters selection is optimized with genetic algorithm.