رگرسیون لجستیک.

روش های سنتی تصمیم گیری در مورد اعطای اعتبار به متقاضیان وام، همانند آنچه که اکنون در کشور ما انجام می گیرد، بر پایه قضاوت شخصی در مورد خطر عدم باز پرداخت استوار است. با این وجود، فشارهای اقتصادی ناشی از افزایش تقاضا برای شکل های مختلف اعتبار، در کنار رقابت های تجاری گسترده و تلاش موسسات مالی و بانک ها برای پایین آوردن در صد عدم باز پرداخت، موجب افزایش به کارگیری روش های آماری در زمینه اعطای اعتبار شده است. رتبه بندی اعتباری به منظور پیش بینی احتمال کوتاهی در بازپرداخت و یا عدم باز پرداخت و یا معادل آن برای طبقه بندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار می گیرد. از جمله مزایای این روش می توان به صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان وام اشاره کرد. روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون لجستیک، روشهای هموارسازی نا پارامتری وشبکه های عصبی در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند. در این میان، "شبکه های عصبی" به دلیل انعطاف پذیری بالاتر، در سال های اخیر بیشتر مورد توجه قرار گرفته اند. در این مقاله، یک مدل شبکه عصبی برای طبقه بندی متقاضیان دریافت وام فروش اقساطی ارائه و سپس عملکرد این مدل را با دو مدل آماری آنالیز ممیزی و رگرسیون لجستیک مقایسه می کنیم. نتایج حاصل از این مقایسه نشان می دهد که مدل شبکه عصبی در مقایسه با سایر مدل های مورد مطالعه، از کارایی و دقت بالاتری برخوردار است.