تحقیقات مدلسازی اقتصادی، جلد ۱۶، شماره ۵۹، صفحات ۱۵۴-۱۹۹
عنوان فارسی رتبه بندی اعتباری مشتریان حقیقی بانک مبتنی بر روشهای رگرسیون لجستیک و لجستیک MPLE و شبکه عصبی
چکیده فارسی مقاله بانک ها می توانند با طراحی یک سیستم کارآمد مدیریت وام، کارایی را افزایش داده و احتمال عدم برگشت اصل و فرع وام کاهش دهند.. در این مقاله کارآیی مدل­های رگرسیون لجستیک، شبکه عصبی مصنوعی، به منظور پیش بینی ریسک اعتباری مشتریان حقیقی یا به عبارتی متقاضیان وام­های خرد که گروه زیادی از مشتریان نظام بانکی کشور را شامل می­شوند، مورد بررسی قرار گرفت. باتوجه به نامتعادل بودن تعداد داده­ها حدآستانه بهینه با بکارگیری دو منحنی درجه حساسیت و درجه تشخیص محاسبه شد و از این روش میزان ریسک اعتباری هریک از مدل­ها استخراج شد. در رگرسیون لجستیک برای برآورد ضرایب با توجه به تعداد اندک مشتریان بد­حساب بجای روش حداکثر درستنمایی از روش حداکثر درستنمایی تاواندیده استفاده شد. در نهایت میزان صحت و دقت هر مدل با معیارهای متعدد بررسی شد. با استفاده از منحنی راک به بررسی قدرت تفکیک کنندگی مدلها پرداخته که در اینجا مدل شبکه عصبی بهترین قدرت تفکیک کنندگی را دارا بود. سپس با مقایسه خطاهای MSE، RMSE و MAE کارایی سنجش روش­ها مورد مقایسه قرار گرفت و عملکرد لجستیک MPLE و شبکه عصبی تقریبا با یکدیگر یکسان است. و در نهایت با توجه به هدف بانک در سه سناریو حداقل ریسک اعتباری، تشخیص مشتریان خوش حساب و تفکیک مشتریان به ترتیب شبکه عصبی، لجستیکMPLE و در سناریوی سوم شبکه عصبی و لجستیکMPLE بطور همزمان به عنوان مدل های برتر انتخاب شده اند.
کلیدواژه‌های فارسی مقاله رتبه بندی اعتباری،شبکه عصبی،لجستیک،لجستیک MPLE،منحنی راک،داده کاوی،
عنوان انگلیسی Credit Rating of Real Bank Customers Based on Logistic Regression and MPLE Logistic Methods and Neural Network
چکیده انگلیسی مقاله By designing an efficient loan management system, banks can increase efficiency and reduce the probability of non-repayment of principal and sub-loans. In this paper, the efficiency of logistic regression models, artificial neural network, was examined to predict the credit risk of real customers or in other words, applicants for microloans, which include a large group of customers in the country's banking system. Given the imbalance of the number of data, the optimal threshold was calculated using two sensitivity and detection curves, and the credit risk of each model was extracted from this method. In logistic regression, the compensated maximum likelihood method was used to estimate the coefficients considering the small number of bad customers instead of the maximum likelihood method. Finally, the accuracy and precision of each model was examined with multiple criteria. Using the Rock curve, the resolution of the models was examined, where the neural network model had the best resolution. Then, by comparing the MSE, RMSE and MAE errors, the efficiency of the methods was compared, and the performance of MPLE logistics and neural network is almost the same. Finally, considering the bank's goal in three scenarios of minimum credit risk, identifying good customers and separating customers, neural network, MPLE logistics, and in the third scenario, neural network and MPLE logistics simultaneously have been selected as the best models.
کلیدواژه‌های انگلیسی مقاله رتبه بندی اعتباری,شبکه عصبی,لجستیک,لجستیک MPLE,منحنی راک,داده کاوی
نویسندگان مقاله سید احمد عاملی |
گروه اقتصاد منابع و انرژی، دانشکده اقتصاد ،دانشگاه خوارزمی،تهران،ایران

آرزو چقایی |


حسین رضایی |


نشانی اینترنتی https://jemr.khu.ac.ir/article_3381_6e16656a6ee1de7232164767ccfa7920.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات