رتبهبندی اعتباری بر اساس شبکه عصبی گروهی حساس به هزینه [Persian Thesis]
عطیه رجبی
| شناسگر رکورد: | ۲۰۹۹۲ |
| رشته تحصیلی: | سیستم های مالی |
| عنوان: | رتبهبندی اعتباری بر اساس شبکه عصبی گروهی حساس به هزینه |
| نويسنده: | عطیه رجبی |
| استاد راهنما : | دکتر محمد علی رستگار سرخه |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۴۰۱ |
| چکیده: | یکی از چالشهای اصلی که نظام بانکی کشور با توجه به محدود بودن منابع مالی و تسهیلات در اختیار با آن روبهرو است، سنجش میزان توان بازپرداخت مشتریان قبل از اعطاء تسهیلات به آنها است. در نتیجه، ارزیابی ریسک اعتباری کلیه متقاضیان و گرفتن تصمیم مناسب قبل از اعطاء تسهیلات چالشی بزرگ محسوب میشود. با انجام این دستبهبندی و به نوعی رتبهبندی، تسهیلات به آن دسته از مشتریان اعطا میشود که دارای احتمال بالایی برای بازپرداخت بدهی در موعد مقرر باشند (احتمال نکول پایین داشته باشند). مدلهای مرسوم رتبهبندی اعتباری با استفاده از روشهای آماری و یادگیری ماشین ارائه شدهاند. غالب پژوهشهای انجام شده، بر این فرض استوار هستند که دستهبندی نادرست کلاسهای مختلف دارای هزینه (وزن) یکسان هستند. اما در دنیای مالی واقعی، هزینه مربوط به اعطای وام به مشتری بدحساب بسیار بیشتر از هزینه مربوط به رد برخی از مشتریانی است که ممکن است بازپرداخت موفق داشته باشند. بنابراین نیاز به مدلهایی است که دارای قابلیت یادگیری حساس به هزینه هستند. در تحقیق حاضر با استفاده از یک شبکه عصبی چندلایه پرسپترون (MLP) مدل یادگیری گروهی حساس به هزینه ارائه شد. با توجه به اینکه در مدلهای رتبهبندی، ممکن است برخی از ویژگیهای موجود در دیتاست از اهمیت کمی در مدل برخوردار باشند، انتخاب ویژگی نیز لحاظ شد. به منظور حصول یک نتیجه بهینه، مدل حساس به هزینه بهینه شده با الگوریتم ازدحام ذرات (PSO) همراه با انتخاب ویژگی بهینه همزمان ارائه شد. در نهایت نیز عملکرد مدل بهینه پیشنهادی با مدل غیربهینه آن و همچنین روشهای نزدیکترین K - همسایگی (KNN)، ماشین بردار پشتیبان (SVM)، رگرسیون لجستیک (LR)، تحلیل افتراقی خطی (LDA) و AdaBoost مقایسه شد. به منظور ارزیابی مدل ارائه شده، از دو محک متوازن استرالیا و نامتوزان آلمان استفاده شد. نتایج این تحقیق نشان داد که در فرایند یادگیری گروهی، تعداد دستهبندهای انتخابی، نتایج حاصل از دستهبندی را تحت تأثیر قرار میدهد؛ بگونهای که الگوریتم به ازای تعداد دستهبندهای برابر ۱۰، عملکرد بهتری نسبت به تعداد دستهبندهای برابر ۵ به ازای هر دو دیتاست استرالیا و آلمان دارد. تعداد ویژگیهای بهینه انتخاب شده توسط الگوریتم، تقریباً نصف تعداد کل ویژگیهای هر دو دیتاست استرالیا و آلمان است. الگوریتم CS-NNE بهینه ارائه شده در این تحقیق که همراه با انتخاب ویژگی بهینه یکپارچه است، از نظر تمامی معیارهای عملکردی ACC، AUC، GM، Spec، DDR و MC عملکرد بهترین نسبت به نسخه غیربهینه آن دارد که انتخاب ویژگی نیز در آن لحاظ نشده است. برای دیتاست استرالیا که یک دیتاست تقریباً متوزان است، عملکرد الگوریتم پیشنهادی در مقایسه با تمامی الگوریتمهای CS-NNE غیر بهینه، KNN، LDA، LR، AaBoost و SVM بهتر است. برای دیتاست آلمان نیز عملکرد الگوریتم پیشنهادی بغیر از معیارهای DDR و Spec بهتر از سایر الگوریتمهای مقایسهای است. واژههای کلیدی: رتبهبندی اعتباری، شبکههای عصبی پرسپترون (MLP)، دادههای نامتوزان، بهینهسازی، الگوریتم فرابتکاری PSO |
| Register Number | Version | Volume | Part | Reference | Call Number | lended | Date Back | Description | |
|---|---|---|---|---|---|---|---|---|---|
| 284378 | 1 |
LoginWithYourAccountToPostComment