شماره ركورد كنفرانس :
3386
عنوان مقاله :
مدلي براي برآورد اعتبار متقاضيان وام هاي بانكي با استفاده از ماشين بردار پشتيبان
عنوان به زبان ديگر :
A model for estimating the credit of applicants for bank loans with Support Vector Machine
پديدآورندگان :
خوشرو ندا دانشگاه فردوسي مشهد , كوشاك حميدرضا دانشگاه فردوسي مشهد - دانشكده مهندسي
كليدواژه :
ريسك اعتباري , امتياز دهي اعتباري , داده كاوي , خوشه بندي , طبقه بندي , ماشين بردار پشتيبان
عنوان كنفرانس :
كنفرانس بين المللي مهندسي صنايع و سيستم ها
چكيده فارسي :
يكي از فعاليت هاي عمده بانكها تخصيص منابع براي ارائه تسهيلات است. مهم ترين ريسكي كه اين فعاليت ها را تهديد مي كند، ريسك عدم ايفاي تعهدات گيرنده تسهيلات با ريسك اعتباري مي باشد. يكي از راه هاي كمي سازي و اندازه گيري ريسك اعتباري و در نتيجه مديريت مناسب آن استفاده از مدل امتياز دهي اعتباري است. روش هاي مختلفي براي امتياز دهي اعتباري وجود دارد. در يك دسته از روش ها بر اساس معيارهاي كمي و كيفي، ويژگي ها و عملكرد وام هاي قبلي مدلسازي مي شود تا عملكرد آتي وام هايي با وضعيت مشابه پيش بيني شود. در اين روش ها، مدل هاي امتياز دهي اعتباري متكي بر روش هاي دسته بندي هستند. يكي از روشهاي نوين دسته بندي، استفاده از ماشين بردار پشتيبان است كه برنامه ريزي رياضي را اساس مدل سازي قرار مي دهد. در اين پژوهش ما از يك رويكرد تركيبي بر اساس الگوريتم هاي خوشه بندي و ماشين بردار پشتيبان، براي طراحي مدل امتياز دهي اعتباري استفاده مي كنيم.
چكيده لاتين :
One of the main banks activities is resources allocation for presenting facilities. The most important risks that threaten these activities defined as risk the obligations non-fulfillment of the facilities applicant or credit risk. One of the credit risks quantifying and measurement methods leading to corresponding suitable management is utilization of the credit scoring models. There are many different methods for credit scoring. In one of these methods, features and performance of the previous loans are modeled based on quantitative and qualitative criteria to predict future performance of the loans with the same situations. In these methods, credit-scoring models are based on classification methods. One of the new methods of the classifications is applying support vector machine based on mathematical programming. In this study, we use a hybrid approach based on clustering and support vector machine algorithms to design the creditscoring model.