ارائه يك مدل طبقه‌بندي تركيبي هوشمند مبتني بر شبكه‌هاي عصبي پرسپترون چندلايه و رگرسيون فازي به‌منظور تجزيه و تحليل مسائل امتيازدهي اعتباري

A Hybrid Intelligent Classification Model Based on Multilayer Perceptron Neural Networks and Fuzzy Regression for Credit Scoring Problems

بحران‌هاي مالي موجود در نظام‌هاي بانكي ناشي از عدم توانايي در مديريت ريسك‌هاي اعتباري است. امتيازدهي اعتباري يكي از تكنيك‌هاي مديريت ريسك است كه ريسك وام‌گيرنده را تحليل مي‌كند. در اين مقاله با استفاده از مزاياي روش‌هاي هوش محاسباتي و محاسبات نرم يك روش تركيبي جديد به‌منظور بهبود مديريت ريسك‌هاي اعتباري ارائه شده ‌‌است. در روش پيشنهادي، به‌منظور مدل‌سازي در شرايط عدم‌ قطعيت، پارامترهاي شبكه عصبي، شامل وزن‌ها و خطاها، به‌صورت فازي در‌نظر گرفته شده‌اند. در اين روش، ابتدا سيستم مورد مطالعه با استفاده از شبكه‌هاي عصبي متامدل‌بندي ‌شده و سپس با به‌كارگيري استنتاجات فازي تصميم بهينه با بيشترين ميزان برتري تعيين خواهد ‌شد. نتايج حاصل از به‌كارگيري روش پيشنهادي بيانگر كارامدي و دقت بالاي اين روش در تحليل مسائل امتيازدهي اعتباري است.

Financial crises in banking systems are due to inability to manage credit risks. Credit scoring is one of the risk management techniques that analyze the borrower's risk. In this paper, using the advantages of computational intelligence as well as soft computing methods, a new hybrid approach is proposed in order to improve credit risk management. In the proposed method, for modeling in uncertainty conditions, parameters of the neural network, including weights and errors, are considered in the form of fuzzy numbers. In this method, the underlying system is firstly modeled using neural networks and then, using fuzzy inferences, the optimal decision will be determined with the highest degree of superiority. Empirical results of using the proposed method indicate the efficiency and high accuracy of this method in analyzing credit rating problems.