عنوان

پیش بینی ریسک اعتباری در بانکداری با استفاده از تکنیک های داده‌کاوی

شماره

‭۹۵۶۴پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

پیش بینی ریسک اعتباری در بانکداری با استفاده از تکنیک های داده‌کاوی

نام نخستين پديدآور

/صدیقه قنبری

نام ناشر، پخش کننده و غيره

: دانشکده برق و کامپیوتر

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر

زمان اعطا مدرک

‮‭۱۳۹۳/۱۱/۲۵‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

اعطای تسهیلات اعتباری بانکی در سال‌صهای اخیر با مشکلاتی از قبیل عدم بازپرداخت توسط مشتریان مواجه شده است که استفاده از سیستم‌صهای پیشرفته‌صی اعتبارسنجی را برای بانک‌صها ضروری می‌صنماید .از طرفی استفاده از الگوریتم‌صهای داده‌صکاوی و هوش مصنوعی به منظور تفکیک مشتریان از نظر ریسک بازپرداخت تسهیلات، در بانک‌صهای موفق دنیا جایگاه ویژه‌صای داشته و مبنای تصمیم‌صگیری‌صها در حوزه‌صی مشتریان اعتباری است .هدف این تحقیق طبقه‌صبندی مشتریان اعتباری بانک به لحاظ ریسک بازپرداخت تسهیلات دریافت شده می‌صباشد .در این تحقیق با استفاده از داده‌صهای اعتباری مشتریان که در سیستم‌صهای اطلاعاتی بانک موجود می‌صباشد، فرآیند داده‌صکاوی بر روی این داده‌صها صورت پذیرفته است .ابتدا داده‌صهای مورد نیاز جمع‌صآوری شده و عملیات پیش‌صپردازش شامل حذف مقادیر پراکنده، نرمال‌صسازی و گسسته‌صسازی بر روی آنها انجام شد .سپس تکنیک‌صهای طبقه‌صبندی رگرسیون لجستیک، درخت تصمیم‮‭C۴.۵‬ ، ماشین بردار پشتیبان و شبکه‌صهای عصبی با سه روش مختلف ‮‭۱)‬ :طبقه‌صبندی بدون اعمال انتخاب ویژگی‌صها و خوشه‌صبندی، ‮‭۲)‬ طبقه‌صبندی با اعمال انتخاب ویژگی‌صها، ‮‭۳)‬ طبقه‌صبندی با اعمال خوشه‌صبندی، بر روی داده‌صهای پیش‌صپردازش شده اعمال شد .نتایج پیش‌صبینی این تکنیک‌صها با یکدیگر مورد مقایسه قرار گرفت .همچنین در این پایان‌صنامه روش پیشنهادی ماشین بردار پشتیبان تکاملی، در پیش‌صبینی ریسک بازپرداخت تسهیلات ارائه شده و مورد ارزیابی قرار گرفته است .نتایج نشان می‌صدهد که روش شبکه‌صهای عصبی با نرخ پیش‌صبینی ‮‭۶/۹۰‬ درصد و ماشین بردار پشتیبان تکاملی با نرخ ‮‭۸/۸۹‬ درصد در مقایسه با سایر روش‌صها از دقت پیش‌صبینی کنندگی بالایی برخوردار هستند .در مجموع با استفاده از نتایج این پایان‌صنامه می‌صتوان گفت که تکنیک‌صهای داده‌صکاوی از قدرت بالایی در پیش‌صبینی ریسک اعتباری بانک‌صها برخوردار هستند و می‌صتوان با اطمینان بالایی از آنها استفاده نمود

متن يادداشت

In recent years, granting credit facilities by banks faced many problems such as repayment risk by customers that made the use of advanced credit scoring systems essential for banks. On the other hand the use of data mining algorithms and artificial intelligence to separate customers in terms of facilities repayment risk has a special place in the area of credit customer decisions in the successful banks in the world.The purpose of this thesis is classification of customers of the bank who received credit facilities. In this research the process of data mining accomplished on data from customer credit that is available on the information system of bank. At first, required data were collected and pre-processing operation including elimination of scatter values, normalization and conversion nominal data to numerical ones were accomplished. Then classification techniques including logistic regression, C4.5 decision tree and support vector machine and neural networks with three different methods: 1) classification without applying selecting features and clustering, 2) classification by applying selecting feature, 3) classification by applying clustering were used over preprocessed data and the results were compared.Also, the proposed method named Evolutionary Support Vector Machine (ESVM) was used in predicting repayment risk and the results were analyzed.Results show that comparing with the other methods neural networks with prediction accuracy of 90.6 and support vector machine with prediction accuracy of 89.8 have the highest accuracy in prediction. Totally using the results of this thesis it can be claimed that data mining techniques can be considered as a powerful tools in predicting credit risks of banks and can be used by high reliability

مستند نام اشخاص تاييد نشده

قنبری، صدیقه

مستند نام اشخاص تاييد نشده

پاشازاده، سعید، استاد راهنما

مستند نام اشخاص تاييد نشده

بیورانی، حسین، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی