ریسک اﻋﺘﺒﺎری در صنعت بانکداری ﺑﻪ ﻋﻨﻮان ﺧﻄﺮ ﻧﺎﺷﯽ از اﺣﺘﻤﺎل ﻋـﺪم ﺑﺎزﭘﺮداﺧـﺖ ﺗﻌﻬـﺪات ﺗﻮﺳـﻂ ﻣـﺸﺘﺮیان در ﺳﺮرسید ﺑـﻮده و یکی از ﻣﻬـﻢترین ریسکها در ﺑﺎﻧﮏﻫﺎ و ﻣﺆﺳﺴﺎت ﻣﺎﻟﯽ ﺑﻪ ﺣﺴﺎب ﻣﯽآید. استقرار نظام رتبهبندی اعتباری با توجه به حجم انبوه مطالبات معوق بانکها، یکی از مهمترین ابزارهای کنترل این نوع ریسک است. این مقاله با استفاده از شبکههای عصبی توانمند در حوزه پیشبینی و ترکیب آنها قادر است مشتریان را در دو گروه خوشحساب و بدحساب دستهبندی کند. مدل پیشنهادی که دارای ساختار و آموزش ماژولار است، مدل ترکیب سلسله مراتبی شبکههای عصبی نام دارد. در مدل یادشده برای تجزیه مساله میان شبکهها و ترکیب نتایج برای رسیدن به پیشبینی نهایی و همچنین شیوه آموزش آن از رویکردی جدید استفاده میشود. رویکرد پیشنهادی ابتدا، از الگوریتم گسسته بهینهسازی انبوه ذرات برای کاهش ابعادی و تجزیه مساله میان ماژولهای مختلف استفاده میکند، سپس برای آموزش، از تلفیق قانونهای مختص به هر ماژول و قانون آموزش کلی این شبکه استفاده میکند. نتایج در مقایسه با شبکه عصبی پرسپترون چندلایه و شبکه عصبی با اتصالات جانبی بدست آمده است. طبق نتایج بدست آمده مدل پیشنهادی توانسته با دقت بسیار بالا رفتار مشتریان را پیشبینی نماید.
بازنشر اطلاعات | |
![]() | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |