توسعه و تبیین نظام اعتبارسنجی مشتریان بانک‌ها بر اساس مدل‌های هیبریدی فرایادگیر: مطالعه موردی بانک ملت

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت مالی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.

2 دانشیار، گروه مدیریت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.

3 دانشیار، گروه مدیریت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

10.52547/jfmp.2021.223791.1089

چکیده

امکان استمهال و تجدید قراردادهای تسهیلات در ایران ممکن است منجر به شناسایی سود موهومی توسط بانک ها شده و در نهایت بحران بانکی و اخلال در نظام پولی کشور را در پی داشته باشد، لذا برای جلوگیری از رسیدن بانک ها به مرحله استمهال و تجدید قراردادها، سنجش ریسک اعتباری مشتریان بسیار ضروری است. هدف پژوهش حاضر افزایش دقت و صحت اعتبارسنجی مشتریان، با استفاده از ساختار مدل‌های هیبریدی بوده و به صورت مطالعه موردی بر روی بانک ملت انجام شده است. در این راستا 14 مدل یادگیرنده با یکدیگر مقایسه و میزان توانایی آنها در اعتبار‌سنجی مشتریان مشخص شد. نتایج حاکی از آن است که بر اساس هر دو معیار صحت (نرخ موفقیت) و سنجه F (میانگین هارمونیک بین دقت و یادآوری) مدل ترکیبی فرایادگیر (KNN-NN-SVMPSO)-(DL)-(DBSCAN) با نرخ صحت 99.90 از بالاترین عملکرد نسبت به سایر مدل‌های پایه و ترکیبی فرایادگیر برخوردار است. همچنین با استفاده از روش‌های تجزیه و تحلیل اصل جزء (PCA)، شاخص جینی (Gini)، نسبت اطلاعات بهره (IGR) و اطلاعات بهره (IG) نسبت به محاسبه وزن ویژگی‌ها و رتبه میانگین آن‌ها نشان داده شد که ویژگی‌هایی همچون میزان وثیقه، نوع وثیقه و میزان تسهیلات به ترتیب مهمترین ویژگی‌ها در تشخیص مشتریان خوب(دارای ریسک اعتباری کم) از بد(دارای ریسک اعتباری بالا) بوده‌اند.

کلیدواژه‌ها


عنوان مقاله [English]

Development and Explanation of Bank Customers' Credit System Based on Hybrid Learning Models: A Case Study of Bank Mellat

نویسندگان [English]

  • Ali Ghasemi Armaky 1
  • Mirfeiz Fallah 2
  • Mahmoud Alborzi 3
1 PhD Candidate in Finance
2 Associate prof, Department of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
3 Associate Prof, Department of Management, Science and Research Branch, Islamic Azad University, Tehran, Iran.
چکیده [English]

The possibility to renewal of loan contracts in Iran may lead to the identification of fictitious profits by banks and ultimately lead to a banking crisis and disruption of the country's monetary system, so to prevent banks from reaching the stage of this, Measuring customers' credit risk is essential. The aim of this study is to increase the accuracy of customer accreditation using the structure of hybrid models and has been done as a case study on Mellat Bank. In this regard, 14 learning models were compared with each other and their ability to validate customers was determined. Learning models show that based on both accuracy criteria (success rate) and measurement F (harmonic mean between accuracy and recall), the combined learning model (KNN-NN-SVMPSO) - (DL) - (DBSCAN) with an accuracy rate of 99.90 is the highest It has more performance than other basic and hybrid models. Also, using the principal component analysis (PCA), Gini index, interest rate ratio (IGR) and interest rate (IG) methods to calculate the weight of features and their average rank, it was shown that features such as collateral, The type of collateral and the amount of facilities have been the most important features in distinguishing good from bad customers, respectively.

کلیدواژه‌ها [English]

  • Credit risk
  • Machine Learning
  • Good Customers
  • Bad Customers