ارائه مدلي به منظور اعتبارسنجي مشتريان حقوقي متقاضي تسهيلات سرمايه در گردش يك بانك تجاري

Providing a model to validate legal clients applying for working capital facilities of a commercial bank

بهترين راه براي مديريت ريسك عدم بازپرداخت تسهيلات، اعتبارسنجي دقيق و رفتارسنجي مشتريان طي بازپرداخت است. هدف از انجام اين پژوهش ارائه مدلي به منظور اعتبارسنجي مشتريان حقوقي يك بانك تجاري با استفاده از الگوريتم هاي يادگيري ماشين و تحليل پوششي داده ها مي‌باشد. در پژوهش حاضر ويژگي هاي مهم مشتريان حقوقي از ميان 47 شاخص كمي و كيفي از طريق مطالعه پيشينه و نظرات خبرگان صنعت شناسايي و انتخاب شدند. سپس از طريق الگوريتم هاي يادگيري ماشين مانند جنگل تصادفي، درخت تصميم، نايو بيز و ماشين بردار پشتيبان، داده هاي بدست آمده از بانك تجاري اعتبارسنجي شد. به منظور دسته بندي مشتريان از روش تحليل پوششي داده ها استفاده و در آن مشتريان از نظر كارايي اعتباري به 8 گروه شامل 4 گروه مشتريان خوش‌حساب و 4 گروه مشتريان بدحساب تقسيم شدند. يافته ها نشان داد كه تركيب الگوريتم جنگل تصادفي و مربع كاي توانست با دقت 97/9 درصدي بالاترين دقت را داشته باشد.

The best way to manage the risk of non-reimbursement of the facility is accurate validation and measurement of customer behavior during repayment. The purpose of this research is to provide a model to validate legal customers of a commercial bank using machine learning algorithms and data coverage analysis. In this research, the important characteristics of legal clients were identified and selected from among 47 quantitative and qualitative indicators through the background study and opinions of industry experts. Then, the data obtained from the commercial bank was validated through machine learning algorithms such as random forest, decision tree, Naive Biz and support vector machine. In order to categorize the customers, the data coverage analysis method was used, and the customers were divided into 8 groups in terms of credit performance, including 4 groups of good customers and 4 groups of bad customers. The findings showed that the combination of random forest algorithm and chi square could have the highest accuracy with 97.9% accuracy.