16873

16873

الگوريتمي جديد براي تشخيص زودهنگام وام‌هاي بدون بازگشت بر پايه اعتبارسنجي مشتريان در صنعت بانكداري با تركيب تكنيك‌هاي داده‌كاوي و يادگيري عميق

كارشناسي ارشد

نرم افزار

بهمن 1395

دكتر بهروز مينايي

كامپيوتر

به تدريج با غني شدن اطلاعات بانك‌ها از مشتريان، مي‌توان مدل‌هايي طراحي نمود كه بانك‌ها بتوانند مدل مناسبي از رفتار مشتريان خود داشته باشند. در حال حاضر، فرآيند ارزيابي مشتريان بانك‌ها وابسته به نظر خبره و كارشناسان مختلف بانكي است. اعمال نظرهاي سليقه‌اي موجب خسارت‌هاي فراواني به بانك‌ها در موارد تصميم‌گيري براي اعطاي تسهيلات به افراد مختلف مي‌شود. مطالبات غيرجاري كه در ادبيات بانكي ما به مطالبات معوق مشهور است، نتيجه‌ي بروز ريسك اعتباري است. در كشورهاي دنيا، مقام‌هاي ناظر پولي و ناظر بر مؤسسه‌هاي مالي، حساسيت ويژه‌اي بر مطالبات غيرجاري بانك‌ها داشته و اگر نسبت مطالبات غيرجاري به كل تسهيلات بانك‌ها از حد متعارف بالاتر رود، واكنش نشان داده و تلاش مي‌كنند كه نسبت ياد شده را در حد متعارف و كم‌تر از آن نگه دارند. در پايان‌نامه حاضر با استفاده از داده‌هاي مشتريان واقعي سعي شده يك مدل عميق مبتني بر شبكه‌هاي عميق ارائه شود كه قادر است ميزان معتبر بودن مشتري در گرفتن تسهيلات مورد نظر براي مشتريان جديد را تنها با داشتن مشخصات مشتري و تسهيلات درخواستي، تخمين بزند. براي اين‌كار بعد از تميزسازي اطلاعات بانكي، داده‌ها با استفاده از روش بهنجارسازي تركيبي پيش‌پردازش مي‌شود. در ادامه يك مدل عميق پنج لايه طراحي شده است، كه با استفاده از روش‌هاي مختلف معيار تنظيم‌سازي از بروز بيش‌برازش در مدل ارائه شده جلوگيري شده است. در نهايت مدل ارائه شده قادر است با دقت 93 درصد، ميزان اعتبار مشتري در گرفتن وام مورد نظر را تخمين بزند.

1395/12/15

1/1/1900 12:00:00 AM

Nowadays information of bank customers is getting rich, so banks can make model of their customers behavior. Traditionally, the banks eva​luated their customers employing experts. Unfortunately, using this way, the manner of thinking of experts an​d their relations to customers, results major property damages to the banks. Non-performing loans are resulted from credential risks. In the most countries, monetary administrators have special sensitivity to the ratio of non-performing loans. If this ratio gets bigger than a limit, they try to decrease it. In this thesis, using actual customer data, a model based on deep neural networks is developed that eva​luate new customers using specifications of customers an​d the requested loan. For this goal, after cleaning the data, the data is normalized using a combined method. Then, a 5-layer model is designed such that the employing of various regularization strategies, the network is immune from overfitting. After the training process an​d optimizing various hyper parameters, the proposed model can eva​luate the customers with the accuracy of 93 percent.