طبقه‌بندي اعتباري مشتريان حقوقي يك بانك ايراني با استفاده از KFP-MCOC

Credit classification of legal customers of an Iranian bank with KFP-MCOC

ريسك اعتباري يكي از مهم‌ترين ريسك‌هاي بانك‌داري است كه ناشي از عدم پرداخت به موقع اصل و فرع تسهيلات اعطايي مي‌باشد. اهميت اندازه‌گيري اين ريسك به اين دليل است كه عدم اندازه‌گيري و مديريت آن، منجر به افزايش حجم مطالبات مشكوك الوصول مي‌شود و زيان‌هاي غير منتظرة آتي را براي بانك‌ها به همراه دارد. در پژوهش حاضر به ارائة يك مدل مبتني بر بهينه‌سازي خطي و غيرخطي پرداخته‌شده است. اين مدل رياضي به دنبال يافتن يك ابرصفحة جداكننده است تا بتواند به كمك آن 85 مشتري خوش‌حساب و بدحساب موجود در بازار بورس اوراق بهادار تهران را كه از يك بانك ايراني وام گرفته‌اند، از يكديگر تفكيك نمايد. همچنين در اين راه، از توابع كرنل، فازي‌سازي داده‌ها و ضرايب جريمه به منظور بهبود مدل رياضي استفاده شده است. نتايج اين تحقيق بيان گر اين است كه مدل بهينه‌سازي خطي با تابع كرنل سيگموئيدي بهترين نتايج را در مقايسه با مدل‌هاي بهينه‌سازي خطي و غيرخطي با كرنل‌هاي خطي، چندجمله‌اي، سيگموئيدي و پايه‌شعاعي مي‌دهد. مدل مذكور مشتريان بدحساب را كاملا شناسايي مي‌كند؛ ليكن در خصوص مشتريان خوش‌حساب و بدحساب با هم، كارايي 80 درصدي دارد.

Credit risk is one of the most important banking risks that is due to not paying principal and interest of loans. Measuring credit risk is important; because not measuring it lead to increasing volume of doubtful accounts and unexpected future losses. In this research a model was proposed that based on linear and nonlinear optimization. This model is finding a separating hyperplane which classify 85 good and bad borrower customers of Iranian’s bank. This customers are all in Tehran Stock Exchange (TSE). In order to improving the model we used kernel functions, data fuzzification and penalty factors in it. The results show that the best model among linear and nonlinear models with linear, polynomial, sigmoid and RBF kernels, is a linear optimization model with sigmoid kernel function that has accuracy of 80% and recall of 100%.