مهدی روح الامینی - کارشناس ارشد MBA دانشگاه سمنان، سمنان، ایران
مجید ششمانی - کارشناس ارشد مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
مهدی خرم - کارشناس ارشد مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

مقررات کمیته بال، افزایش روزافزون تقاضا برای وام و رقابت شدید در بازارهای مالی، باعث افزایش توجهات به موضوع حساس نکول وامها برای آن دسته از موسساتی است که به مشتریانی که احتمال قصور آنها بیشتر است وام اعطا میکنند. در سالهای پیش، مدلهای شبکه عصبی به خوبی در حوزه مالی به کار گرفته میشدند. شبکه عصبی پرسپترون چندلایه از جمله شبکههای عصبی مصنوعی میباشند که برای طبقهبندی و پیشبینیاستفاده میشوند.. در این تحقیق از شبکه عصبی برای پیش بینی نکول مشتریان حقیقی بانک مسکن استفاده گردید. همچنین از الگوریتم کلونی مورچه جهت انتخاب ویژگی استفاده شده است.از جمله متغیرهای مورداستفاده در این تحقیق می توان به متغیر سن، وضعیت تاهل، تعداد فرزندان،تحصیلات، شغل، میزان درآمد و ... اشاره کرد. در نهایت نتایج بدست آمده حاکی از آن بود که مدل شبکه عصبی با انتخاب ویژگی عملکردی دقیقتری در پیشبینی نکول درخواست کنندگان وام در مقایسه با مدل شبکه عصبی با انتخاب تمام ویژگی دارد.

وامهای بانکی، پیش بینی نکول، شبکه عصبی مصنوعی، پرسپترون چندلایه، الگوریتم کلونی مورچه