اعتبارسنجی مشتریان بانکی با استفاده از تکنیکهای داده کاوی

پیشرفت در بکارگیری و جمع آوری داده با به خدمت گرفتن کامپیوتر و همچنین استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی، داده کاوی را به عنوان یک ابزار مفید جهت کمک به حل مسائل پیچیده مطرح ساخته است. در سال های اخیر اعتبارسنجی به کاری مهم برای موسسات مالی همچون بانک ها و شرکت های بیمه تبدیل شده است. در حقیقت مدیریت نامناسب در زمینه تخصیص اعتبار، زیان های زیادی را به موسسات مالی مخصوصاً در ایالات متحده آمریکا و اروپا تحمیل کرده است و حتی برخی از آنها را تا حد ورشکستگی سوق داده است. اعتبارسنجی به کاهش مخاطرات حاصل از اعطای اعتبار می پردازد. این کار با پیش بینی صحیح رفتار مشتریان صورت می گیرد. در واقع، مساله اعتبارسنجی به صورت یک مساله دسته بندی قابل طرح است که هدف آن استخراج مدل کارا و مناسبی است که مشتریان را بر اساس ویژگی هایشان در دو دسته خوب و بد دسته بندی نماید. در گذشته، به منظور ایجاد مدل های اعتبارسنجی، از روش های کلاسیک داده کاوی نظیر رگرسیون خطی و تجزیه و تحلیل ممیزی خطی استفاده می شده است. اما اخیراً ابزارهای هوش مصنوعی و یادگیری ماشین، مورد توجه و استقبال محققین اعتبارسنجی قرار گرفته اند؛ به طوری که مدل های مختلف مجرد، ترکیبی و هیبریدی برای این مساله ارائه شده است تا مدلی با کارایی و عملکرد بالا ارائه گردد. تلاش برای افزایش عملکرد و کارایی مدل های اعتبارسنجی هنوز ادامه دارد. هدف این پایان نامه توسعه مدلی یکپارچه با دقت و کارایی بالا برای اعتبارسنجی است. برای دستیابی به این مدل، از الگوریتم تئوری سخت برای کاهش مشخصه ها و از دو ابزار ژنتیک و نیوبیز به تنهایی و به صورت ترکیببی برای دسته بندی استفاده شده است. همچنین، برای گسسته سازی، روش های خطی و k-means مورد توجه قرار گرفته اند. با توجه به وجود دو روش برای گسسته سازی و دو حالت استفاده یا عدم استفاده از تئوری سخت و چهار مدل دسته بندی، 16 مدل ایجاد می گردد که همه مدل ها بر روی سه مجموعه داده معروف استرالیا، آلمان، ژاپن و ایران پیاده سازی شده اند. نتایج در حالت کلی هم نشان داد که دقت بهترین مدل توسعه یافته برای هر مجموعه داده از مدل های ارائه شده تاکنون بالاتر می باشد. در انتها این پایان نامه با نتیجه گیری و پیشنهاداتی برای تحقیقاتی آتی پایان یافته است.