این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های پولی و بانکی، جلد ۱۲، شماره ۳۹، صفحات ۱۶۶-۱۲۹
عنوان فارسی دسته بندی ریسک اعتباری مشتریان حقیقی با استفاده از یادگیری جمعی (مطالعه موردی بانک سپه)
چکیده فارسی مقاله فعالیت‌های بانکی و اعطای تسهیلات در بانک‌ها همواره با ریسک اعتباری مواجه بوده و با توجه به محدودیت منابع مالی بانک‌ها جهت ارائه تسهیلات، ارزیابی توان بازپرداخت مشتریان بانک پیش از اعطای تسهیلات، یکی از مهمترین چالش‌های پیش روی سیستم بانکی کشور است. بر این اساس در این تحقیق سعی بر آن شد که مدلی در جهت تعیین عوامل مهم موثر بر رفتار اعتباری مشتریان بانکی ارائه شود. تحقیق حاضر با استفاده از اطلاعات مشتریان حقیقی بانک سپه در سال های 1395 و 1396 صورت گرفته است و مدل-سازی تحقیق با استفاده از شبکه عصبی، درخت تصمیم فازی انجام شده است. آنچه نوآوری تحقیق می‌تواند محسوب شود استفاده از روش‌های یادگیری جمعی است که به منظور افزایش دقت در نتایج درخت تصمیم فازی در این تحقیق مدنظر قرار گرفته است. نتایج حاصل از تحقیق نشان می دهد که درآمد و تراکنش‌های مالی مشتریان از بیشترین اهمیت در تعیین ریسک اعتباری مشتریان برخوردار بوده است. هم‌چنین نتایج نشان می‌دهد که درخت تصمیم فازی با استفاده روش بگینگ دقت بالاتری نسبت به روش شبکه عصبی و درخت تصمیم فازی معمولی دارد.
کلیدواژه‌های فارسی مقاله ریسک اعتباری ، شبکه عصبی، درخت تصمیم فازی، یادگیری جمعی
عنوان انگلیسی Classification of Customer’s Credit Risk Using Ensemble learning (Case study: Sepah Bank)
چکیده انگلیسی مقاله Banks activities are associated with different kinds of risk such as cresit risk. Considering the limited financial resources of banks to provide facilities, assessment of the ability of repayment of bank customers before granting facilities is one of the most important challenges facing the banking system of the country. Accordingly, in this research, we tried to provide a model for determining factors affecting the credit behavior of bank customers. In this study, using real customer data in Sepah Bank in 2007, research modeling was done using the Neural Network, a fuzzy decision tree. What research innovation can be considered is the use of collective learning methods that are considered in this study to increase the accuracy of the results of the fuzzy decision tree. The results of the research show that customer's revenues, along with the customer's financial transactions, are the main factors in determining the customer's credit risk. The results also show that the fuzzy decision tree using the Begging method has higher accuracy than the neural network method and the conventional fuzzy decision tree.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی نظرآقایی | Mehdi Nazaraghaei
کارشناسی ارشد اقتصاد دانشگاه خوارزمی

حسین غیاثی | Hosein Ghiasi
کارشناسی ارشد مدیریت مالی دانشگاه خوارزمی، تهران

محمد اصغرخواه چافی | Mohammad Asgharkhah Chafi
کارشناسی ارشد مدیریت مالی دانشگاه خوارزمی، تهران

نشانی اینترنتی http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-1580-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1437/article-1437-2006930.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مؤسسات و خدمات مالی (G2)
نوع مقاله منتشر شده مقاله روش‌شناختی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات