غلامرضا خجسته
چکیده
پژوهش حاضر با تأکید بر بهکارگیری مدل ترکیبی رگرسیون لجستیک، شبکههای عصبی مصنوعی و رگرسیون سمبلیک و با هدف نظارت مؤثر بر تسهیلات خرد، عوامل اثرگذر بر ریسک اعتباری مشتریان حقیقی را در شعب منتخب بانک سپه شیراز شناسایی میکند. با بررسی یک نمونه 351تایی از مشتریان حقیقی، 17 متغیر شامل میزان وام، مهلت بازپرداخت، نرخ بهره، درآمد، سن، ...
بیشتر
پژوهش حاضر با تأکید بر بهکارگیری مدل ترکیبی رگرسیون لجستیک، شبکههای عصبی مصنوعی و رگرسیون سمبلیک و با هدف نظارت مؤثر بر تسهیلات خرد، عوامل اثرگذر بر ریسک اعتباری مشتریان حقیقی را در شعب منتخب بانک سپه شیراز شناسایی میکند. با بررسی یک نمونه 351تایی از مشتریان حقیقی، 17 متغیر شامل میزان وام، مهلت بازپرداخت، نرخ بهره، درآمد، سن، تعداد چک برگشتی، سابقه بدهی، طول عمر حساب، نوع وثیقه، تحصیلات، جنسیت، اشتغال همسر، تأهل، وضعیت ملکی، شغل، نوع وام، تکلیفی یا غیرتکلیفی بودن، برای طبقهبندی مشتریان به خوشحساب و بدحساب استخراج شد. با استفاده از روش انتخاب رو به جلو والد، 5 متغیر تأثیرگذار بر ریسک اعتباری انتخاب شد. آموزش شبکههای عصبی نیز با استفاده از 3 نرون در لایه پنهان انجام گرفت. انتخاب نقطه برش بهینه، بر اساس منحنی مشخصه عملکرد سیستم انجام شد. نتایج خروجی شبکه عصبی مصنوعی روی دادههای آزمایش نشان داد که دقت مدل ترکیبی رگرسیون لجستیک ـ شبکههای عصبی مصنوعی، در طبقهبندی مشتریان خوشحساب برابر 89/0 و در طبقهبندی مشتریان بدحساب برابر 83/0 است که از رگرسیون لجستیک و مدل ترکیبی رگرسیون لجستیک ـ رگرسیون سمبلیک بهتر است.
