31715

اندازه‌گيري ريسك اعتباري تأمين مالي حوزه كشاورزي با استفاده از ابزارهاي يادگيري ماشين بر اساس اطلاعات بانكي صندوق توسعه ملي ايران

كارشناسي ارشد

مهندسي صنايع گرايش سيستم هاي اطلاعاتي

1400

1403/07/15

دكتر مهدي غضنفري

دكتر محمدرضا رسولي

مهندسي صنايع

در سال‌هاي اخير در صنعت مالي جهاني، بانك‌ها و به‌طوركلي نهادهاي تأمين‌كننده مالي نقش تعديل كنندة بالايي براي گردش جريان وجوه از طريق مفاهيم تأمين مالي ايفا كرده‌اند. به طبع اين اهميت شناسايي ريسك اين حوزه به يكي از مسائل بحراني از ابعاد مفهومي و اندازه‌گيري تبديل شده است. ريسك اعتباري در تأمين مالي به شناسايي ريسك انواع ابزارهاي مورداستفاده براي تخصيص اعتبار به بازيگران يك چرخه وام دهي مي‌پردازد. تأمين مالي كشاورزي متأثر از عوامل كلان اقتصادي و محيطي به‌عنوان يكي از زنجيره‌هاي استراتژيك مورد تحقيق قرار گرفته شده است. محور پژوهش استفاده از ابزارهاي يادگيري ماشين در دسته الگوريتم‌هاي طبقه‌بندي كه در دو گروه الگوريتم‌هاي تك‌مرحله و الگوريتم‌هاي تركيبي با دو روش آموزش و آزمون و ارزيابي متقابل در شناسايي ريسك اعتباري مربوط به نكول وام مي‌باشد. در اين تحقيق از بانك اطلاعاتي مربوط به وام‌دهي صندوق توسعه ملي ايران كه به‌عنوان نهاد وام‌دهي با عامليت بانك‌ها در اجراي فرايند وام‌دهي مي‌باشد استفاده شده است. با پايش اطلاعات، بانك اطلاعاتي نهايي كه همان اطلاعات وام‌دهي حوزه كشاورزي براي محصول گندم مي‌باشد ايجاد شده است. نتايج اجراي مدل‌ها در دو روش از طريق ماتريس درهم‌ريختگي و پارامترهاي عملكردي بيان شده است و بر اساس اهداف مقايسه‌اي كه مشخص‌كننده شاخص‌ها مي‌باشد مقايسه ميان مدل‌ها صورت‌گرفته شده است نتايج به‌صورت كلي نشان از برتري مدل‌هاي تركيبي در برابر ساير مدل‌ها داشته؛ اما اين موارد به‌ازاي حالات مختلف مقايسه داراي انحرافات جزئي نيز بوده است. در نهايت مقايسه پايداري مدل براي استفاده‌هاي آتي نيز موردتوجه قرار گرفته است كه مدل‌هاي تركيبي براي اين مورد نيز نتايج بهتري را در برداشته‌اند.

1403/09/25

measuring the credit risk of agricultural financing using Machine learning tools based on the banking information of the National Development Fund of Iran.

1/1/1900 12:00:00 AM

In recent years in the global financial industry, banks and generally financial Supply Provider have played a high moderating role for the flow of funds through the concepts of financing. Due to this importance, risk identification in this field has become one of the critical issues of conceptual and measurement dimensions. Credit risk in financing deals with identifying the risk of various instruments used to allocate credit to financing actors. The agricultural supply chain affected by macroeconomic and environmental factors has been researched as one of the strategic chains. The focus of the research is the use of machine learning tools in the category of classification algorithms, which are divided into two groups: single-stage algorithms and ensemble algorithms with two methods of Train and Test and Cross Validation in identifying credit risk related to loan default. In this research, the lending database of the National Development Fund of Iran, which is a lending institution with the agency of banks in the implementation of the lending process, has been used. By preprocessing on information, the final database has been created, which is the same as the agricultural loan information for the wheat planting. The results of implementing the models in two methods have been expressed through the confusion matrix and performance parameters, and based on the comparative goals that specify the indicators, the comparison between the models has been made. The results generally show the superiority of the ensemble models over others. But these cases have also had minor deviations for different situations of comparison. Finally, the comparison of the stability of the model for future use has also been considered, and the ensemble models have obtained better results for this case.

تأمين مالي , ريسك اعتباري , يادگيري ماشين , مدل‌هاي تركيبي

Financing , Credit Risk , Machine Learning , Ensemble Model

Hossein Karimi

Dr. Mehdi Ghazanfari