بررسی تاثیرافزایش لایه های پنهان دردقت شبکه عصبی برای رتبه بندی اعتباری

ریسک اعتباری یکی ازمهمترین ریسک های نظام بانکی است وبانکها و موسسات اعتباری به منظور کاهش این نوع ریسک و هزینه های نشای ازافزایش مطالبات معوق درسالهای اخیرتوجه زیادی به رتبه بندی و اعتبارسنجی مشتریان خود معطوف داشته اند روشهای اماری براساس متغیرها و اطلاعات موجود برای پیش بینی و طبقه بندی یک موضوع خاص به کارمیروند مدلهایا ماری متاثرازمفروضات و محدودیت های زیادی هستند بدین لحاظ اخیرا شبکه های عصبی به عنوان شیوه ی نوین پیش بینی به دلیل عدم نیاز به فروض و محدودیت ها درتوزیع داده ها و کارایی بالاتر آن موردتوجه ویژه قرارگرفته است دراین مطالعه به مدلسازی ریسک اعتباری و اعتبارسنجی مشتریان دربانک صادرات با روش شبکه عصبی پرداخته شدهاست و همچنین بررسی تاثیر تعداد لایه های پنهان بردقت شبکه عصبی پرداخته شدهاست بدین منظور اطالعات وداده های کمی و کیفی یک نمونه تصادفی 2000تایی مشتری که تسهیلات دریافت نموده اند را جمع اوری کرده و با استفاده ازتمام توابع اموزشی و یادگیری مختلف یبا استفاده ازنرم افزار neuroSolution به بررس یموضوع پرداخته شدهاست نتایج حاکی ازآن می باشد که با افزایش لایه پنهان دقت شبکه عصبی نیز بیشتر میشود

کلیدواژه ها:

ریسک اعتباری ، رتبه بندی اعتباری ، داده کاوی ، شبکه عصبی مصنوعی