ارائه مدلي تركيبي براي خوشه‌بندي، رتبه‌بندي و پيش‌بيني عملكرد تسهيلات اعطايي موسسات مالي- اعتباري از منظر بازپرداخت بدهي تسهيلات (مورد مطالعه: صندوق كارآفريني اميد)

A Hybrid Model for Appraising and Forecasting Loan Repayments (Case Study: Karafarini Omid Fund)

هدف اين مقاله ارائه مدلي تركيبي است تا ضمن ارزيابي عملكرد تسهيلات سيستم بانكي از منظر بازپرداخت بدهي تسهيلات، امكان پيش‌بيني وضعيت اعتباري متقاضيان تسهيلات را فراهم اورد.در اين راستا در ابتدا با اتخاذ رويكرد مديريت اعطاي تسهيلات توسط بانك‌ها به خوشه‌بندي و رتبه‌بندي 100224 فقره از تسهيلات صندوق كارآفريني اميد پرداخته‌ شده اسـت. تمامي اطلاعات مربوط به تسهيلات اعطايي به مشتريان فوق از نرم‌افزار بانكداري متمركز صندوق استخراج شده است و با اتكا به اين مجموعه داده كمي ارزشمند و داراي روايي بالا از روش‌هاي كيفي براي گردآوري داده‌ها استفاده نشده است. در اين مقاله از روش تحليل عاملي «رب پي سي اي» براي طبقه‌بندي و از الگوريتم دو مرحله‌اي «كي-مينز» براي خوشه بندي استفاده مي‌شود. همچنين غير از روش‌هاي خوشه‌بندي اشاره شده از روش «سي سي ار» نيز براي ارزيابي عملكرد تسهيلات صندوق استفاده شده است. در ادامه با هدف ايجاد زمينه پيش‌بيني وضعيت اعتباري متقاضيان پيش از اعطاي تسهيلات به ارائه مدلي براي پيش‌بيني اعتبار با استفاده از دو الگوريتم ماشين بردار پشتيبان و الگوريتم تركيبي فراابتكاري شبكه عصبي-ژنتيك پرداخته شده است. نتايج به‌دست ‌آمده از پيش‌بيني وضعيت اعتباري متقاضيان تسهيلات نشان مي‌دهد كه مدل به‌دست‌ آمده از روش تركيبي شبكه عصبي-ژنتيك با ميانگين مربعات خطا 23/0 و ضريب تعيين 78 درصد از صحت پيش‌بيني بيشتري در مقايسه با مدل ماشين بردار پشتيبان برخوردار است. بنابراين، مدل ارائه شده براي پيش‌بيني وضعيت اعتباري در اين مقاله، مي‌تواند پيش‌بيني به نسبت مناسبي از عملكرد متقاضيان تسهيلات داشته باشد. روشي جديد كه در قالب يك نرم‌افزار داده‌كاوي امكان پيش‌بيني اعتبار متقاضيان از منظر بازپرداخت بدهي تسهيلات را براي موسسات مالي-اعتباري فراهم مي‌آورد.

The aim of this paper is to present a hybrid model to evaluate performance of loan portfolio of banking system regarding loan repayment status and to forecast credit status of loan applicants. At first stage, we have taken credit granting management approach in order to cluster and rank 100,224 loans granted by Karafarini Omid Fund. All the data on the loans granted to clients was extracted from core banking software of the Fund. Because of having access to this valuable and valid dataset, qualitative data collection methods are not used. In the first section of paper, a type of robust principal component analysis (ROBPCA) was utilized to classify the clients. Then, the eigenvector derived from ROBPCA was used as input to a two-step K-means clustering algorithm. Then, to propose a model to forecast credit status of applicants prior to granting loans, support vector machine (SVM) and artificial genetic neural networks were used. The results obtained from the applicants’ credit status forecasting showed that the model based on the artificial genetic neural networks with the mean-square error of 0.23 and %78 coefficient of determination leads to more accurate forecasting than support vector machine. Therefore, the proposed model for forecasting the applicants’ credit status can predict their performance with relative accurately. A new method in the form of data mining software provides credit institutions with the possibility of predicting applicants’ credit regarding loan repayments.