انتخاب ويژگي‌هاي بهينه به‌منظور تعيين ريسك اعتباري مشتريان بانكي

Optimal Feature Selection in order to Bank Customer Credit Risk Determination

ريسك اعتباري كه به معني احتمال عدم بازپرداخت تعهدات توسط مشتريان در سررسيد تعبير مي‌شود به‌عنوان يكي از عوامل ورشكستگي مؤسسات مالي قلمداد مي‌شود. بدين منظور از تكنيك‌هاي داده‌كاوي نظير شبكه عصبي، درخت تصميم، شبكه بيز، k نزديك‌ترين همسايه و ماشين بردار پشتيبان براي دسته‌بندي مشتريان به مشتريان پر ريسك و كم ريسك استفاده شده است. در اين مقاله يك روش تركيبي از الگوريتم بهينه‌سازي رقابت استعماري و شبكه عصبي براي افزايش دقت دسته‌بندي در ارزيابي و سنجش ريسك اعتباري مشتريان بانكي ارائه مي‌دهد. اين روش با شناسايي زير‌مجموعه‌ي ويژگي‌هاي بهينه و حذف ويژگي‌هاي غيرضروري از تمامي ويژگي‌هاي موجود در داده‌ها به كاهش ابعاد مسئله و افزايش دقت طبقه‌بندي مي‌‌پردازد. رويكرد پيشنهادشده بر روي مجموعه داده‌هاي واقعي پايگاه داده UCI و همچنين داده‌هاي واقعي يك بانك خصوصي ايراني به‌منظور اعتبارسنجي اعمال شد. نتايج تجربي به‌دست‌آمده نشان داد ميزان خطاي شبكه عصبي براي مجموعه آزمون با انتخاب ويژگي‌هاي مؤثر و حذف ويژگي‌هاي كم اثر توسط الگوريتم بهينه‌سازي صفر و يك رقابت استعماري كاهش مي‌يابد. بعلاوه، براي ساير روش‌ها طبقه‌بندي استفاده شده، ميزان خطاي داده آزمون در حد قابل قبولي باقي مي‌ماند. براي اولين بار در اين مقاله از الگوريتم رقابت استعماري براي ارزيابي ريسك اعتباري مشتريان بانكي استفاده شده است.

Credit risk interprets as the probability of obligations non-repayment by customer in due date is considered as one of causes financial institutions bankruptcy. For this purpose, data mining techniques such as neural networks, Decision Tree, Bayesian networks, Support Vector Machine is used for customer segmentation to high-risk and low-risk groups. In this paper, we present the hybrid Imperialist Competitive optimization algorithm and neural network for increasing classification accuracy in evaluation and measurement credit risk of bank customers. The proposed method identifies the optimistic features and eliminates unnecessary features decreases problem dimension and increases classification accuracy. To validate this method, it implements on UCI dataset and also on a reality dataset of a private Iranian bank. The experimental results show this method is more satisfactory than other data mining techniques. The neural network error for the test set decreases with selection of effective features and elimination of low-impact features by the Binary Imperialist Competitive Optimization Algorithm. In addition test data error rate remains at acceptable level for other used classification methods. This article is the first use of algorithms Imperialist Competitive for credit risk assessment of bank customers.