این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های پولی و بانکی، جلد ۱۴، شماره ۴۸، صفحات ۳۲۷-۳۶۰
عنوان فارسی پیش‌بینی امتیاز اعتباری اشخاص با استفاده از الگوریتم‌های داده‌کاوی (مورد مطالعه: مشتریان یک بانک دولتی ایران)
چکیده فارسی مقاله امتیاز اعتباری مشتریان یکی از ابزارهای مهم برای مدیریت ریسک در سیستم‌های بانکی است. طراحی سیستمی که بتواند شناسایی مشتریان بانکی را به‌درستی انجام دهد،  از چالش‌های اساسی در داده‌کاوی و یادگیری ماشین بوده که مطالعات بسیاری در مورد آن انجام شده است. در این مطالعه، عوامل مرتبط با امتیاز اعتباری معرفی، و پیش‌بینی امتیاز اعتباری برای مشتریان یک بانک دولتی ایران انجام شده است. بدین‌منظور، روش‌شناسی CRISP-DM به‌عنوان مدل مرجعی برای فرایند داده‌کاوی مورد استفاده قرار گرفته و مدل‌سازی داده‌ها با بهره‌گیری از الگوریتم‌های مختلف (نزدیک‌ترین همسایگی، درخت تصمیم، و جنگل تصادفی) انجام شده است. نتایج ارزیابی و مقایسهٔ حساسیت و دقت الگوریتم‌ها نشان داد الگوریتم نزدیک‌ترین همسایگی با دقت 90.3 درصد برای مجموعهٔ آموزش و 76.7 درصد برای داده‌های آزمون، عملکرد مناسبی برای پیش‌بینی امتیاز اعتباری دارد.
کلیدواژه‌های فارسی مقاله امتیاز اعتباری، داده‌کاوی، روش‌شناسی CRISP-DM، نزدیک‌ترین همسایگی، درخت تصمیم، جنگل تصادفی
عنوان انگلیسی Personal Credit Score Prediction using Data Mining Algorithms (Case Study: Bank Customers)
چکیده انگلیسی مقاله Knowledge and information extraction from data is an age-old concept in scientific studies. In industrial decision-making processes, the application of this concept gives rise to data-mining opportunities. Personal credit scoring is an ever-vital tool for banking systems in order to manage and minimize the inherent risks of the financial sector, thus, the design and improvement of credit scoring systems based on the data-driven and machine learning techniques have garnered newfound research interest on the subject in recent years. In the present study, important variables and parameters for credit score are identified and consequently, prediction of credit score for clients of a bank is performed. CRISP-DM is employed as the reference model for the data mining process and data modelling is accomplished based on a variety of algorithms (K-nearest-neighbors, Decision tree and Random forest). Comparative results of accuracy and sensitivity of algorithms demonstrated that the k-nearest neighbour algorithm by the accuracy of 90.3% for the training set and 76.7% for test data performs suitably to predict credit score.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عالیه کاظمی | Aliyeh Kazemi
University of Tehran
دانشگاه تهران

کیمیا عظیم زاده طهرانی | Kimia Azimzadeh
University of Tehran
دانشگاه تهران

علی ابدالی | Ali Abdali
Amin Police University
دانشگاه علوم انتظامی امین

سارا آریایی | Sara Aryaee
University of Tehran
دانشگاه تهران

نشانی اینترنتی http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-2202-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده سیاست پولی، بانکداری مرکزی و عرضه پول و اعتبارات (E5)
نوع مقاله منتشر شده مطالعه تجربی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات