23474

ارائه مدلي داده مبنا براي امتيازدهي اعتباري متقاضيان وام در يك پلتفرم وام دهي

كارشناسي ارشد

مهندسي صنايع- سيستم هاي كلان اقتصادي اجتماعي

97-99

99/11/26

محمدرضا رسولي

مهندسي صنايع

در ساليان اخير با رواج تكنولوژي¬هاي مبتني بر شبكه، شاهد هستيم كه موفق ترين كسب و كارها به استفاده از بسترهاي اينترنتي روي آورده¬ اند. كسب و كارهاي مالي نيز از اين قاعده مستثني نيستند. تامين مالي جمعي رويكرد نسبتاً جديد كسب و كارهاي مالي است كه در سراسر جهان به سرعت در حال رشد بوده و تا حد زيادي جايگزين سيستم¬هاي سنتي بانكي شده است. وام¬دهي نظير به نظير به عنوان يكي از موفق¬ترين اقسام تامين مالي جمعي شناخته مي¬شود. مهمترين شاخصه¬ي سيستم¬هاي وام¬دهي نظير به نظير، حذف واسطه¬ي مالي –بانك- شناخته مي¬شود؛ به نحوي كه وام¬دهندگان و متقاضيان وام در يك بستر اينترنتي گرد آمده و به تبادلات مالي و سرمايه¬اي مي¬پردازند. در چنين رويكردي، يكي از لازمه¬هاي رشد و بقاي كسب و كار، كاهش ريسك وام¬دهي با ايجاد سيستم¬هاي امتيازدهي اعتباري است كه بازپرداخت يا عدم بازپرداخت وام، توسط وام¬گيرندگان را پيش¬بيني نمايند. در اين گزارش يك سيستم امتيازدهي اعتباري بر يك پلتفرم وام¬دهي ايراني توسعه داده شده است. با توجه به نوپا بودن پلتفرم¬هاي وام¬دهي در ايران، تا كنون تحقيقات آكادميك بر داده¬هاي اين پلتفرم ايراني انجام نگرفته است. مديريت داده، كشف و استخراج ويژگي¬هاي جديدِ تعيين كننده، از اهم فعاليت¬هاي صورت گرفته در اين تحقيق مي¬باشد؛ به نحوي كه نشان داده مي¬شود ويژگي¬هاي اضافه شده در اين مطالعه، دقت پيش¬بينيِ مدل امتيازدهي اعتباريِ پيشنهادي را در حدود هجده درصد بهبود مي¬بخشد. در اين تحقيق بين پنج طبقه¬بندِ آزمون شده، بهترين نتيجه از طبقه¬بند جنگل تصادفي و با دقت 97.70 برآورد گرديده است. مدل كسب و كاري اين پلتفرم وام¬دهي سازمان به فرد بوده و براي حفظ اختيار وام¬دهنده، با توجه به قدرت و آستانه¬ي تحمل پذيري ريسك او، نتيجه¬ي طبقه¬بندي به صورت احتمالي ارائه مي¬شود.

1400/01/30

A data driven model for credit scoring of loan applicants within a P2P lending platform

1/1/1900 12:00:00 AM

Peer to peer lending is known as a way of crowdfunding in which lenders and borrowers can interact directly through an online platform, without the intermediation of any financial institution. By eliminating the intermediaries and therefore reducing operating expenses, p2p platforms can provide a win-win situation for both borrowers and lenders. However, the absence of intermediaries –such as banks- increases the risk of loan repayment fraud. To avoid such losses, credit scoring methods help lenders to decide on a specific loan by assessing corresponding credit risk. this paper proposes a credit scoring model on a new data set from a p2p lending platform in Iran. It’s been only a few years since P2P lending platforms have emerged in Iran and no academic paper has been published using Iranian p2p lending data. Several new features were extracted and added to the dataset to improve the model accuracy and the most important variables were recognized. Due to the nature of data, which is mixed-type data, tree-based classifying methods showed the best performance. Five different tree-based classifiers were applied, among which Random Forest resulted in the best accuracy (97.70%). Instead of binary classification of loans into default and non-default, a default probability was computed to help lenders in better decision making based on their own risk tolerance.

امتيازدهي اعتباري , پلتفرم وام دهي نظير به نظير , شناسايي فريبكاري وام , جنگل تصادفي

P2P Lending Platforms , Credit Scoring , Default recognition , Random Forest