يك رويكرد تركيبي جديد براي آموزش مدل تركيب سلسله مراتبي شبكه‌هاي عصبي به منظور رتبه‌بندي اعتباري در صنعت بانكداري

A Novel Hybrid Learning Approach to Train Hierarchical Mixture of Neural Networks Model for Credit Scoring in Bank Industry

ريسك اﻋﺘﺒﺎري در صنعت بانكداري ﺑﻪ ﻋﻨﻮان ﺧﻄﺮ ﻧﺎﺷﯽ از اﺣﺘﻤﺎل ﻋـﺪم ﺑﺎزﭘﺮداﺧـﺖ ﺗﻌﻬـﺪات ﺗﻮﺳـﻂ ﻣـﺸﺘﺮيان در ﺳﺮرسيد ﺑـﻮده و يكي از ﻣﻬـﻢترين ريسك‌ها در ﺑﺎﻧﮏﻫﺎ و ﻣﺆﺳﺴﺎت ﻣﺎﻟﯽ ﺑﻪ ﺣﺴﺎب ﻣﯽآيد. استقرار نظام رتبه‌بندي اعتباري با توجه به حجم انبوه مطالبات معوق بانك‌ها، يكي از مهمترين ابزارهاي كنترل اين نوع ريسك است. اين مقاله با استفاده از شبكه‌هاي عصبي توانمند در حوزه پيش‌بيني و تركيب آنها قادر است مشتريان را در دو گروه خوش‌حساب و بد‌حساب دسته‌بندي كند. مدل پيشنهادي كه داراي ساختار و آموزش ماژولار است، مدل تركيب سلسله مراتبي شبكه‌هاي عصبي نام دارد. در مدل يادشده براي تجزيه مساله ميان شبكه‌ها و تركيب نتايج براي رسيدن به پيش‌بيني نهايي و همچنين شيوه آموزش آن از رويكردي جديد استفاده مي‌شود. رويكرد پيشنهادي ابتدا، از الگوريتم گسسته بهينه‌سازي انبوه ذرات براي كاهش ابعادي و تجزيه مساله ميان ماژول‌هاي مختلف استفاده مي‌كند، سپس براي آموزش، از تلفيق قانون‌هاي مختص به هر ماژول و قانون آموزش كلي اين شبكه استفاده مي‌كند. نتايج در مقايسه با شبكه عصبي پرسپترون چندلايه و شبكه عصبي با اتصالات جانبي بدست آمده است. طبق نتايج بدست آمده مدل پيشنهادي توانسته با دقت بسيار بالا رفتار مشتريان را پيش‌بيني نمايد.

Credit risk in bank industry is the probability of non-repayment of obligations by customers at specific time. It is one of the most important hazards for banks and private institutes. Due to huge bulk of banks’ overdue receivables, establishment of a Credit Scoring (CS) system is one of the most important means of controlling such a risk. This paper uses the powerful Neural Networks in predicting and mixing them, which can classify customers in two groups of customers who pays their debts on time and customers who don’t. The used model, which has modular based structure and training, is named Hierarchical Mixture of Neural Networks (HMNN) . In mentioned model, for the decomposition of problem among networks and combining results to achieve the final prediction and also the method of training of it uses new approach. The purposed approach applies Binary Particle Swarm Optimization (BPSO) for dimension reduction and decomposing the problem among modules at first, then using the modulation of the training rules specific to each module and the general training rule of this network. Results are achieved in compersion with Multi-Layer Perceptron and Laterally Connected Neural Network.Based on observed results, the suggested model could predict customers’ behaviour with punctuality