رتبه بندی اعتباری مشتریان حقیقی بانک ها با استفاده از مدل های مختلف شبکه های عصبی: مطالعه موردی یکی از بانک های خصوصی ایران

در گذشته تصمیم گیری در مورد اعطای تسهیلات به مشتریان بانکها در ایران به روش سنتی و بر پایه قضاوت شخصی در مورد ریسک عدم بازپرداخت صورت می پذیرفت. لیکن افزایش فزاینده تقاضای تسهیلات بانکی از سوی بنگاه های اقتصادی و خانوارها از یک سو و افزایش رقابت های تجاری گسترده و تلاش بانک ها و موسسات مالی و اعتباری در کشور برای کاهش ریسک عدم بازپرداخت تسهیلات از سوی دیگر موجب به کار گیری روش های نوین از جمله روش های آماری در این زمینه شده است. امروزه بانک ها به منظور پیش بینی احتمال کوتاهی در بازپرداخت تسهیلات و طبقه بندی متقاضیان خود از رتبه بندی اعتباری مشتریان خود بهره می گیرند. صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان انواع تسهیلات از جمله مزایای آن می باشد. روش های آماری مختلفی همچون تحلیل ممیزی، رگرسیون لجستیک، هموارسازی ناپارامتریک و نیز روش هایی چون شبکه های عصبی در زمینه ی رتبه بندی اعتباری مورد استفاده قرار گرفته اند. از این میان شبکه های عصبی به دلیل قابلیت طبقه بندی، تعمیم و یادگیری الگوها نسبت به سایر روش ها از انعطاف پذیری بالاتری برخوردار بوده و در سال های اخیر مورد توجه بیشتری قرار گرفته اند. در این مقاله، ابتدا با بهره گیری از پرسشنامه و نظر خبرگان بانکی به انتخاب بعضی معیارهای مهم در اعطای انواع تسهیلات اعتباری اعم از مضاربه، مشارکت مدنی، فروش اقساطی و جعاله به مشتریان حقیقی یکی از بانک های خصوصی کشور می پردازیم. سپس با ارائه چهار مدل moe، mlp، lvq، و rbf از شبکه های عصبی و استفاده از داده های مشتریان حقیقی بانک مزبور در معیارهای انتخاب شده به طبقه بندی آنها پرداخته و دقت رتبه بندی مدل های مزبور را مورد ارزیابی قرار می دهیم. نتایج حاکی از آن است که مدل moe دقیق تر از مدل های mlp و rbf می باشد و مدل lvq از دقت قابل قبولی برای رتبه بندی اعتباری متقاضیان بانکی برخوردار نیست.