مقررات کمیته بال، افزایش روزافزون تقاضا برای وام و رقابت شدید در بازارهای مالی، باعث افزایش توجهات به موضوع حساس نکول وام?ها برای آن دسته از موسساتی است که به مشتریانی که احتمال قصور آنها بیشتر است وام اعطا می?کنند. در سال?های پیش، مدل?های شبکه عصبی به خوبی در حوزه مالی به کار گرفته می?شدند. اخیراً، ماشین بردار پشتیبان به عنوان راه حلی دقیق?تر و بهتر از شبکه?های عصبی در برخورد با مسائل طبقه?بندی و پیش?بینی بکار گرفته شده است. که این به خاطر ویژگی?های ممتاز روش ماشین بردار پشتیبان در عمومیت دادن اجرای خود و اهمیت دادن به تمامی اپتیمم?هاست. در این تحقیق از روش ماشین بردار پشتیبان برای پیش بینی نکول مشتریان حقیقی بانک مسکن استفاده گردید و عملکرد این مدل با روش شبکه عصبی پرسپترون چند لایه مقایسه گردید. علاوه بر مقایسه نتایج بدست آمده، خطای نوع یک و نوع دو نیز برای دو مدل محاسبه گردید. در نهایت نتایج بدست آمده حاکی از آن بود که مدل ماشین بردار پشتیبان نه تنها عملکردی دقیقتر در پیش?بینی نکول درخواست کنندگان وام دارد، بلکه این مدل دارای خطای نوع یک و دو کمتری نسبت به روش شبکه عصبی می?باشد.