دسته بندی مشتریان حقیقی بانکی با استفاده از شبکه عصبی

اصلیترین و مهمترین کاربرد مدلهای شبکههای عصبی مصنوعی در اقتصاد، پیشبینی متغیرهای اقتصادی است. این شبکهها برای مدلسازی و پیشبینی، از یک مجموعه رگرسورها)متغیرهای ورودی( استفاده میکنند. منظور از مدلسازی، مشخصکردن مدل 1، تخمین پارامترها و در نهایت، ارزیابی مدل برآورد شده است. محققین پژوهش بابررسی 300 پرونده از مشتریان حقیقی بانک مهر اقتصاد استان زنجان از 13 شعبه مورد بررسی و مطالعه 31 متغیر موثر در سنجش ریسک اعتباری خواهاندستهبندی متغیرهای موثر در سنجش ریسک بودهاند. در اینجا محققین پژوهش برای بررسی دادها از شبکه feed forwardبا تابع انتقال tan-sigmoid در لایه مخفی و تابع انتقال خطی در لایه خروجی استفاده شده است. این نوع شبکههای عصبی در ارتباط با کاربرد تخمین توابع )رگرسیون( از کارایی مناسبی برخوردار هستند. در این فرایند از الگوریتم levenberg-marquardt به عنوان تابع آموزش شبکه بهره گرفته و بردارهای ورودی به صورت تصادفی توسط شبکه و به صورت 70 .درصد دادهها در مجموعه آموزشی، 15 .درصد دادهها در مجموعه ارزیابی در راستای بیش برازش شبکه و 15 .درصد دادهها در راستای بررسی تست کارایی شبکه نهایی استفاده گردیده است. نتایج حاصل تخمین 600 شبکه عصبی نشان میدهدمتغیرهای میزان وام دریافتی از سایر بانک ها، گردش حساب در سایر بانک ها، میزان بدهی به سایر بانک ها، میزان وام درخواستی، میزان کل بدهی فرد، تعداد دفعات دریافت وام و هزینههای فرد همبستگی بالایی باهم دارند و از عوامل موثر در دستهبندی مشتریان میباشند.

کلیدواژه ها:

ریسک اعتباری ، مشتریان حقیقی ، شبکه های عصبی ، دسته بندی