مقایسه رتبهبندی اعتباری مشتریان حقوقی بانک با استفاده از شبکههای عصبی احتمالی بهینهشده و تکنیک طبقه بندی ترکیبی پویا و احتمال نرم [Persian Thesis]
میترا فرجی
| شناسگر رکورد: | ۱۶۵۰۸ |
| رشته تحصیلی: | بانکداری |
| عنوان: | مقایسه رتبهبندی اعتباری مشتریان حقوقی بانک با استفاده از شبکههای عصبی احتمالی بهینهشده و تکنیک طبقه بندی ترکیبی پویا و احتمال نرم |
| نويسنده: | میترا فرجی |
| استاد راهنما : | دکتر محمد علی رستگار سرخه |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۳۹۹ |
| چکیده: | مدلهای رتبهبندی اعتباری به منظور پیشبینی احتمال عدم بازپرداخت تسهیلات توسط مشتری و یا دستهبندی متقاضیان دریافت تسهیلات به دو دسته دارای اعتبار خوب و دارای اعتبار بد مورد استفاده قرار میگیرند. در واقع، رتبهبندی اعتباری به مجموعهای از مدلهای تصمیمگیری و روشهای مرتبط اطلاق میشود که یاریرسان ارائه دهندگان اعتبار در اعطای اعتبار به مشتریان است. این روشها را در اصطلاح روشهای رتبهبندی اعتباری مینامند. در این تحقیق از روش رتبهبندی اعتباری ترکیبی GA-PSO-PNN استفاده شده است، این روش یک روش مبتنی بر شبکههای عصبی احتمالاتی بهینه یافته با استفاده از الگوریتمهای فراابتکاری از جمله ازدحام ذرات و ژنتیک میباشد. این تحقیق در تلاش است نشان دهد الگوریتم PNN-GA-PSO در طبقهبندی مشتریان خوشحساب و بدحساب، نسبت به ۷ روش دیگر KNN با ۱۰ همسایگی، AdaBoost با ۱۰ سیکل یادگیری، درخت تصمیم، رگرسیون Logit، شبکه عصبی مصنوعی با ۱۰ لایه مخفی، SVM و تکنیک طبقهبندی پویا و احتمال نرم (DECSP)، بهتر عمل میکند، علاوهبراین، این تحقیق به دنبال انتخاب معیارهای موثر نمیباشد، هرچند که تحقیقات متعددی اخیرا در حال انجام میباشد تا روشهای انتخاب ویژگی را پیشرفت دهد ولی در این تحقیق تمرکز ما بر روی نشان دادن کارایی الگوریتم PNN نسبت به سایر روشها است. نتایج تحقیق نشان داد که PNN با توجه به ساختار لایهای که دارد بخوبی قادر به طبقهبندی دادهها میباشد. پارامتری که این روش به آن حساس است، پارامتر هموارسازی ( ) است، بهگونهای که آنالیز حساسیت انجام شده در این زمینه نشان داد که پارامترهای عملکردی رفتار متفاوتی نسبت به این پارامتر از خود بروزدادهاند. نتایج حاصل از بهینهسازی این پارامتر به ازای دو سناریوی مختلف استفاده از معیار ACC و معیار Score به عنوان تابع هدف، نشان داد که استفاده از معیار Score منجر به نتایج بهتری میشود. همچنین نتایج حاصل از مقایسه نشان داد روش GA-PSO-PNN در جایگاه اول، روش DECSP در جایگاه دوم و روش درخت تصمیم در جایگاه سوم قرار دارند. همچنین روش رگرسیون Logit بدترین عملکرد را دارد. |
| واژگان کلیدی: | مدیریت مالی |
| بانکداری | |
| رتبهبندی اعتباری مشتریان | |
| شبکههای عصبی احتمالی (PNN) | |
| الگوریتم فرابتکاری GA-PSO | |
| تکنیک طبقهبندی پویا | |
| احتمال نرم |
| Register Number | Part3 | Version | Volume | Part | Part2 | Reference | Call Number | lended | Date Back | Description | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 22084 | 1 |
LoginWithYourAccountToPostComment