عنوان پایان‌نامه
کاربرد شبکه عصبی مصنوعی بر پایه کلونی زنبور عسل برای امتیاز بندی اعتباری مشتریان حقیقی بانک ها( مطالعه موردی بانک کار آفرین )
- رشته تحصیلی
- مهندسی مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 65715
- تاریخ دفاع
- ۱۸ آذر ۱۳۹۳
- دانشجو
- محمد هندیجانی زاده
- استاد راهنما
- سعید فلاح پور
- چکیده
- کاهش وکنترل ریسک اعتباری به عنوان یکی از عوامل موثر در بهبود فرآیند اعطای اعتبار و درنتیجه در عملکرد بانک‌ها مطرح گردیده و نقش اساسی در تداوم ارائه تسهیلات، سودآوری و بقای بانک‌ها و موسسات مالی ایفا می‌نماید. در این راستا، پژوهش حاضر سعی در ارائه رویکردی نو برای ارزیابی ریسک اعتباری مشتریان بانکی دارد. روش شبکه عصبی به عنوان طبقهبندیکننده‌ی اصلی مشتریان تسهیلات بانکی با یک روش انتخاب ویژگی پوشش دهنده به نامکلونی زنبورعسل ترکیب می‌گردد. روش های دیگر به کار رفته در این پژوهش شبکه عصبی مبتنی بر آنالیز اجزای اساسی به عنوان یک روش فیلتر کننده انتخاب ویژگی و روش شبکه عصبی و مجاورت نزدیکترین همسایه به تنهایی میباشند. به منظور نشان دادن اثر بخشی روش پیشنهادی از داده‌های مربوط به دویست و پنجاه تن از تسهیلات گیرندگان حقیقی بانک کارآفرین در یک بازه زمانی سه ساله (0139-1387) به همراه هجده ویژگی مربوط به هریک از آنها استفاده نموده‌ایم. نتایج رویکرد ارائه شده با روش شبکه مصنوعی، مجاورت نزدیکترین همسایه و روش شبکه عصبی مصنوعی بر پایه آنالیز اجزای اساسی مقایسه گردیده است. یافته‌های پژوهش دلالت بر آن داشته که در ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری، مدل شبکه عصبی بر مبنای کلونی زنبور عسل نسبت به روش شبکه عصبی، مدل شبکه عصبی بر مبنای آنالیز اجزای اساسی و روش مجاورت نزدیکترین همسایه از عملکردبهتری برخوردار است.
- Abstract
- Credit risk plays an undeniable role in the profitability and survival of financial institutions around the globe. This paper intends to propose a hybrid approach based on artificial bee colony (ABC) and neural network (NN) methods for credit risk assessment of customers who want to take loans. Artificial bee colony is regarded as a wrapper technique of feature selection approach, which aims to omit irrelevant, redundant and noisy data. The other three implemented methods in this paper are neural network based principal component analysis (PCA) as a filtering technique of feature selection approach and neural network lonely as well as k nearest neighborhood (k-NN) technique. In order to demonstrate the effectiveness of suggested approach, we have used a collected dataset associated with ??? customers (??? good,??,bad) of credit risk center of Kar Afarin Bank and their eighteen features related to each of these customers in a three-year time period. According to findings of this paper, ABC-NN approach outperformed the other three applied methods of this article in terms of prediction accuracy for our given dataset. Keywords: Artificial bee colony, neural network, credit risk, principal component analysis
