طبقه‌بندی اعتباری مشتریان حقوقی یک بانک ایرانی با استفاده از KFP-MCOC

نوع مقاله: مقاله پژوهشی

نویسندگان

مهندسی مالی، دانشکده مهندسی صنایع و سیستمها، دانشگاه تربیت مدرس، تهران، ایران

چکیده

ریسک اعتباری یکی از مهم‌ترین ریسک‌های بانک‌داری است که ناشی از عدم پرداخت به موقع اصل و فرع تسهیلات اعطایی می‌باشد. اهمیت اندازه‌گیری این ریسک به این دلیل است که عدم اندازه‌گیری و مدیریت آن، منجر به افزایش حجم مطالبات مشکوک الوصول می‌شود و زیان‌های غیر منتظرة آتی را برای بانک‌ها به همراه دارد. در پژوهش حاضر به ارائة یک مدل مبتنی بر بهینه‌سازی خطی و غیرخطی پرداخته‌شده است. این مدل ریاضی به دنبال یافتن یک ابرصفحة جداکننده است تا بتواند به کمک آن 85 مشتری خوش‌حساب و بدحساب موجود در بازار بورس اوراق بهادار تهران را که از یک بانک ایرانی وام گرفته‌اند، از یکدیگر تفکیک نماید. همچنین در این راه، از توابع کرنل، فازی‌سازی داده‌ها و ضرایب جریمه به منظور بهبود مدل ریاضی استفاده شده است. نتایج این تحقیق بیان گر این است که مدل بهینه‌سازی خطی با تابع کرنل سیگموئیدی بهترین نتایج را در مقایسه با مدل‌های بهینه‌سازی خطی و غیرخطی با کرنل‌های خطی، چندجمله‌ای، سیگموئیدی و پایه‌شعاعی می‌دهد. مدل مذکور مشتریان بدحساب را کاملا شناسایی می‌کند؛ لیکن در خصوص مشتریان خوش‌حساب و بدحساب با هم، کارایی 80 درصدی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Credit classification of legal customers of an Iranian bank with KFP-MCOC

نویسندگان [English]

  • Sajjad J
  • MohammadAli Rastegar
Financial engineering department, faculty of industrial engineering and systems, Tarbiat Modares University, Tehran, Iran
چکیده [English]

Credit risk is one of the most important banking risks that is due to not paying principal and interest of loans. Measuring credit risk is important; because not measuring it lead to increasing volume of doubtful accounts and unexpected future losses. In this research a model was proposed that based on linear and nonlinear optimization. This model is finding a separating hyperplane which classify 85 good and bad borrower customers of Iranian’s bank. This customers are all in Tehran Stock Exchange (TSE). In order to improving the model we used kernel functions, data fuzzification and penalty factors in it. The results show that the best model among linear and nonlinear models with linear, polynomial, sigmoid and RBF kernels, is a linear optimization model with sigmoid kernel function that has accuracy of 80% and recall of 100%.

کلیدواژه‌ها [English]

  • credit risk
  • Optimization
  • kernel function
  • fuzzification
  • penalty factors
 

1. Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and The Prediction of Corporate Bankruptcy. The Journal of Finance, 23: 589-609.## 2. Atiya, A. F. (2001). Bankruptcy Prediction For Credit Risk Using Neural Networks: A Survey And New Results. IEEE Transactions on Neural Networks, 12: 929-935. ##3. Cortes, C. & V. Vapnik. (1995). Support-Vector Networks. Machine Learning, 20: 273-297. ##4. Cristianini, N. & J. Shawe-Taylor. (2000). An Introduction to Support Vector Machines. Cambridge University Press Cambridge. ##5. Gorzałczany, M.B. & F. Rudziński. (2016). A Multi-Objective Genetic Optimization for Fast, Fuzzy Rule-Based Credit Classification with Balanced Accuracy and Interpretability. Applied Soft Computing, 40: 206-220. ##6. Hamel, L. (2009). Knowledge Discovery With Support Vector Machines, A John Wiley & Sons. Inc., Publication, 75. ##7. Harris, T. (2015). Credit Scoring Using The Clustered Support Vector Machine. Expert Systems with Applications, 42: 741-750. ##8. Khashman, A. (2009). A Neural Network Model for Credit Risk Evaluation. International Journal of Neural Systems, 19: 285-294. ##9. Khashman, A. (2011). Credit Risk Evaluation Using Neural Networks: Emotional Versus Conventional Models. Applied Soft Computing, 11: 5477-5484. ##10. Lee, Y. C. (2007). Application of Support Vector Machines to Corporate Credit Rating Prediction. Expert Systems with Applications, 33: 67-74. ##11. Malhotra, R. & D. K. Malhotra. (2003). Evaluating Consumer Loans Using Neural Networks. Omega, 31: 83-96. ##12. Min, J. & Y. Lee. (2007). A Practical Approach to Credit Rating. Journal of Expert Systems With Applications. ##13. Niklis, D., M. Doumpos & C. Zopounidis. (2014). Combining Market and Accounting-Based Models for Credit Scoring Using a Classification Scheme Based on Support Vector Machines. Applied Mathematics and Computation, 234: 69-81. ##14.Schebesch, K. B. & R. Stecking. (2005). Support Vector Machines For Classifying and Describing Credit Applicants: Detecting Typical and Critical Regions. Journal of the Operational Research Society, 56: 1082-1088. ##15. Yap, B.W., S.H. Ong & N.H.M. Husain. (2011). Using Data Mining To Improve Assessment of Credit Worthiness Via Credit Scoring Models. Expert Systems with Applications, 38:13274-13283. ##16. Zhang, Z., G. Gao & Y. Shi. (2014). Credit Risk Evaluation Using Multi-Criteria Optimization Classifier with Kernel, Fuzzification And Penalty Factors. European Journal of Operational Research, 237: 335-348. ##