شناسایی و کنترل ریسک اعتباری در بانک های متکی بر فناوری های نوین نظارتی با الگوریتم خوشه بندی K-MEANS و ماشین بردار پشتیبان(مقاله علمی وزارت علوم)
منبع:
اقتصاد و بانکداری اسلامی دوره ۱۴ زمستان ۱۴۰۴ شماره ۵۳
439-465
حوزههای تخصصی:
با توجه به ماهیت کمی پژوهش و استفاده از داده کاوی جهت اعتبارسنجی مشتریان بانکی، لذا این تحقیق از نوع داده محور می باشد. پایه اصلی تحقیق حاضر بر کشف دانش از پایگاه داده های بانکی است. در این تحقیق پس از جمع آوری داده های مشتریان سابق بانک از پایگاه داده مربوطه و پس از آن، پالایش داده ها، به شناسایی متغیرهای تاثیرگذار در رتبه بندی مشتریان پرداخته می شود که این کار از طریق بررسی پژوهش های پیشین علمی، انجام می شود. در مرحله بعد با استفاده از تکنیک های خوشه بندی کا-میانگین و ماشین بردار پشتیبان و با کمک نرم افزارهای مربوطه مشتریان بر اساس ویژگی هایشان طبقه بندی می گردند و رفتار آنها پیش بینی می شود. به منظور رتبه بندی اعتباری، از تحلیل اطلاعات مربوط به مشتریان حقیقی بانک تجارت و بانک سامان تهران که به عنوان متولیان اجرایی کردن ساپتک و رگتک هستند، استفاده می شود که با فرمول کوکران 230 نمونه از مشتریان دارای حساب منتهی به سال 1400 تا 1401 انتخاب شدند. از میان متغیرهای پژوهش «ارزش وثیقه، نرخ بهره و نرخ تورم» بیشترین تاثیر در ریسک اعتباری را داشته است. نتایج نشان داد دقت مدل های تکنیک های انتخابی در این پژوهش بسیار خوب بوده این مدل ها توانسته اند به طور میانگین 81,02 % از مشتریان ریسکی و غیرریسکی را تشخیص دهند. همچنین طبق نتایج، انتخاب ویژگی در تمامی تکنیک ها باعث افزایش دقت پیش بینی شده است. تکنیک ماشین بردار پشتیبان (SVM) که در این پژوهش استفاده شده است،بیشترین دقت را در تمام مدل ها داشته و با انتخاب ویژگی ها نسبت به مدل پایه دقت این مدل افزایش یافته است و بالاترین میزان دقت (81,58 %) را در بین تمامی تکنیک ها داشته است.