این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های اقتصادی ایران، جلد ۹، شماره ۳۲، صفحات ۸۵-۱۰۹
عنوان فارسی کاربرد شبکه‌های عصبی در رتبه‌بندی اعتباری متقاضیان وام فروش اقساطی
چکیده فارسی مقاله روش‌های سنتی تصمیم گیری در مورد اعطای اعتبار به متقاضیان وام، همانند آنچه که اکنون در کشور ما انجام می‌گیرد، بر پایه قضاوت شخصی در مورد خطر عدم باز پرداخت استوار است. با این وجود، فشارهای اقتصادی ناشی از افزایش تقاضا برای شکل‌های مختلف اعتبار، در کنار رقابت‌های تجاری گسترده و تلاش موسسات مالی و بانک‌ها برای پایین آوردن در صد عدم باز پرداخت، موجب افزایش به­کارگیری روش‌های آماری در زمینه اعطای اعتبار شده است. رتبه‌بندی اعتباری به منظور پیش‌بینی احتمال کوتاهی در بازپرداخت و یا عدم باز پرداخت و یا معادل آن برای طبقه‌بندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار می‌گیرد. از جمله مزایای این روش می‌توان به صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت‌های شخصی و افزایش دقت در ارزیابی متقاضیان وام اشاره کرد. روش‌های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون لجستیک، روشهای هموارسازی نا پارامتری وشبکه های عصبی در زمینه رتبه‌بندی اعتباری مورد استفاده قرار گرفته­اند. در این میان، "شبکه­های عصبی" به دلیل انعطاف پذیری بالاتر، در سال‌های اخیر بیشتر مورد توجه قرار گرفته‌اند. در این مقاله، یک مدل شبکه عصبی برای طبقه‌بندی متقاضیان دریافت وام فروش اقساطی ارائه و سپس عملکرد این مدل را با دو مدل آماری آنالیز ممیزی و رگرسیون لجستیک مقایسه می­کنیم. نتایج حاصل از این مقایسه نشان می دهد که مدل شبکه عصبی در مقایسه با سایر مدل­های مورد مطالعه، از کارایی و دقت بالاتری برخوردار است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Using Neural Networks to Classify the Personal Loan Applicants
چکیده انگلیسی مقاله Traditional methods of deciding whether to grant credit to a particular individual use human judgment of the risk of default based on experience of previous decisions. However, economic pressures resulting from increased demand for credit, allied with greater commercial competition and the emergence of new computer technology have led to development of sophisticated statistical models to aid the credit granting decision making process. Credit scoring is the name used to describe this process of determining how likely applicants are to default with their repayments. Credit scoring has some obvious benefits that have led to its increasing use in loan evaluation. For example, it is quicker, cheaper and more objective than judgmental method. A wide range of statistical methods such as discriminant analysis, logistic regression, and neural networks have been applied for credit scoring. In this paper, we design a neural network credit scoring system for classifying the applicants of personal loans in bank and compare the performance of this model with discriminant analysis and logistic regression models. The results of this investigation show that the neural network model is more accurate and more flexible than discriminant analysis and logistic regression.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://ijer.atu.ac.ir/article_3626_f39dc4b0665865df035c15391c91a12e.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1356/article-1356-281836.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات