ارایه مدل بهینه ریسک اعتباری فرایند تامین مالی جمعی با استفاده از شبکه عصبی پرسپترون چندلایه (mlp)

هدف مطالعه حاضر، پیش‌بینی و ارایه مدل ریسک اعتباری جهت سرمایه‌پذیران تامین ‌مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیه‌سازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده‌ اعتباری/تسهیلاتی کلیه مشتریان (506 مورد) یکی از بانک‌های کشور مربوط به سال 9897 است. به منظور معناداری رابطه شاخص‌های استخراج شده از نمونه با متغیر خروجی مدل (نکول و عدم نکول) اعضای نمونه توسط آزمون رگرسیون سنجیده شد. بدین ترتیب تعداد13شاخص به‌عنوان بردار ورودی شبکه عصبی با سه لایه پنهان در دو گروه نکول و عدم نکول وارد مدل گردید. بر اساس نتایج شبیه‌سازی، مدل پیشنهادی توانست با خطای کمتر و دقت پیش‌بینی بالاتر (94.1) وزن هریک از شاخص‌های ورودی به شبکه را محاسبه کند. همچنین ضریب تعیین برای داده‌های آموزشی برابر (0.88)، آزمایش برابر (0.94) و ارزیابی برابر (0.84) بدست آمد که نشان دهنده توانایی برازش بالای مدل شبکه عصبی پیشنهادی است. یافته‌های پژوهش نشان داد، از میان شاخص‌های ورودی، درآمدخالص، با وزنی معادل 0.163، میانگین حساب جاری با وزنی معادل 0.123 به مراتب از اهمیت بیشتر و شاخص سابقه تحصیلات با وزنی معادل 0.053 از اهمیت کمتری در گروه عدم نکول شده برخوردار است.

Credit risk optimization model for crowdfunding process by using Neural Network(MLP)

The purpose of this study is predict and design Credit risk model for debut crowdfunding .According, the complexity of the risk assessment the best neural network architecture with Customize hidden layer neurons selected Multilayer perceptron algorithm for simulation. The statistical population of this study is the financial information of credit / loan file of all customer (506 cases) one of the banks of the country for the year 199798. In order to show the significant relationship the extracted indices of the sample and the model output variables (nondefault and default), the sample member tested by regression.Thus, thirteen indices entered to the model neural network input vector with three hidden layers in nondefault and default groups. In the simulation results, the proposed model was able to optimize the weights of each of the inputs to the network with lower prediction error and 94.1% efficiency .also the average error absolute value obtained for training data (0.88), test data (0.94) and evaluation data (0.84) indicating high capability of the proposed model. According to the research Results, among the indices, income, 0.163 weight, Current Account weight 0.123 are more important, but “degree of education of education” 0.053 are less important in the nondefaulted group.