نوع مقاله : مقاله پژوهشی

نویسندگان

• مجتبی صالحی ¹
• علیرضا کرد کتولی ²

¹ استادیار، گروه مهندسی صنایع، دانشکدۀ فنی و مهندسی، دانشگاه پیام نور (نویسنده مسئول)؛

² کارشناسی ارشد، مهندسی صنایع، دانشکدۀ فنی و مهندسی، دانشگاه پیام نور

چکیده

 
 
ریسک اعتباری که به معنی احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید تعبیر می‌شود به‌عنوان یکی از عوامل ورشکستگی مؤسسات مالی قلمداد می‌شود. بدین منظور از تکنیک‌های داده‌کاوی نظیر شبکه عصبی، درخت تصمیم، شبکه بیز، k نزدیک‌ترین همسایه و ماشین بردار پشتیبان برای دسته‌بندی مشتریان به مشتریان پر ریسک و کم ریسک استفاده شده است. در این مقاله یک روش ترکیبی از الگوریتم بهینه‌سازی رقابت استعماری و شبکه عصبی برای افزایش دقت دسته‌بندی در ارزیابی و سنجش ریسک اعتباری مشتریان بانکی ارائه می‌دهد. این روش با شناسایی زیر‌مجموعه‌ی ویژگی‌های بهینه و حذف ویژگی‌های غیرضروری از تمامی ویژگی‌های موجود در داده‌ها به کاهش ابعاد مسئله و افزایش دقت طبقه‌بندی می‌‌پردازد. رویکرد پیشنهادشده بر روی مجموعه داده‌های واقعی پایگاه داده UCI و همچنین داده‌های واقعی یک بانک خصوصی ایرانی به‌منظور اعتبارسنجی اعمال شد. نتایج تجربی به‌دست‌آمده نشان داد میزان خطای شبکه عصبی برای مجموعه آزمون با انتخاب ویژگی‌های مؤثر و حذف ویژگی‌های کم اثر توسط الگوریتم بهینه‌سازی صفر و یک رقابت استعماری کاهش می‌یابد. بعلاوه، برای سایر روش‌ها طبقه‌بندی استفاده شده، میزان خطای داده آزمون در حد قابل قبولی باقی می‌ماند. برای اولین بار در این مقاله از الگوریتم رقابت استعماری برای ارزیابی ریسک اعتباری مشتریان بانکی استفاده شده است.
 
 

کلیدواژه‌ها

• ریسک اعتباری
• انتخاب ویژگی
• طبقه‌بندی
• داده‌کاوی

عنوان مقاله [English]

Optimal Feature Selection in order to Bank Customer Credit Risk Determination

نویسندگان [English]

• Mojtaba Salehi ¹
• Alireza Korde Katooli ²

¹ Assistant Professor, Department of Industrial Engineering, Faculty of Engineering, Payame Noor University, (Corresponding Author: m.salehi61@chmail.ir)

² MSc, Industrial Engineering, Faculty of Engineering, Payame Noor University

چکیده [English]

Credit risk interprets as the probability of obligations non-repayment by customer in due date is considered as one of causes financial institutions bankruptcy. For this purpose, data mining techniques such as neural networks, Decision Tree, Bayesian networks, Support Vector Machine is used for customer segmentation to high-risk and low-risk groups. In this paper, we present the hybrid Imperialist Competitive optimization algorithm and neural network for increasing classification accuracy in evaluation and measurement credit risk of bank customers. The proposed method identifies the optimistic features and eliminates unnecessary features decreases problem dimension and increases classification accuracy. To validate this method, it implements on UCI dataset and also on a reality dataset of a private Iranian bank. The experimental results show this method is more satisfactory than other data mining techniques. The neural network error for the test set decreases with selection of effective features and elimination of low-impact features by the Binary Imperialist Competitive Optimization Algorithm.
In addition test data error rate remains at acceptable level for other used classification methods. This article is the first use of algorithms Imperialist Competitive for credit risk assessment of bank customers.
 

کلیدواژه‌ها [English]

• : Optimized Features
• Credit Risk
• Banking Customers
• Classification
• Data mining