رتبه‌بندی اعتباری مشتریان بانک به کمک روش جدید گروهی بر پایه‌ ماشین بردار پشتیبان: مطالعه موردی بانک پاسارگاد

در سال‌های اخیر موضوع رتبه‌بندی اعتباری و شناسایی مشتریان خوش‌حساب و بدحساب، بسیار مورد توجه بانک‌ها قرار گرفته است. اعطای تسهیلات به مشتریان خوش‌حساب و اجتناب از اعطای تسهیلات به مشتریان بدحساب که منجر به کاهش معوقات بانکی می‌شود، همواره یکی از دغدغه‌های مهم مدیران بانک‌ها است که این مهم به کمک استقرار نظام رتبه‌بندی اعتباری کارآمد و خوب دور از دسترس نیست. در این مقاله، مدل گروهی جدیدی بر مبنای الگوریتم ماشین بردار پشتیبان برای رتبه‌بندی اعتباری مشتریان بانک ارائه می‌شود. ابتدا به روش بوت‌استرپ، مجموعه داده‌ها به چندین زیرمجموعه تقسیم می‌شود. سپس الگوریتم ماشین بردار پشتیبان بر روی هر زیرمجموعه اعمال و چندین مدل‌ تشکیل می‌شود. در انتها بین مدل‌ها رای‌گیری انجام و مدل نهایی به دست می‌آید. به منظور نمایش دقت مدل گروهی، داده‌های 2218 مشتری بانک پاسارگاد شامل 14 ویژگی توضیح‌دهنده به کمک روش گروهی پیشنهادی مورد ارزیابی قرار گرفتند. بر اساس معیارهای مختلف، نتایج بدست آمده بر روی داده‌های بانک پاسارگاد، برتری روش ماشین بردار پشتیبان گروهی بر روش معمولی ماشین بردار پشتیبان و روش جنگل تصادفی تایید می‌شود. خطای نوع دوم یعنی خطای شناسایی مشتریان بدحساب به عنوان خوش‌حساب در روش گروهی پیشنهادی با هسته خطی 17 درصد کمتر از روش معمولی ماشین بردار پشتیبان و 18 درصد کمتر از روش جنگل تصادفی است.

Credit rating of bank customers using a new ensemble method based on support vector machine: a case study of Pasargad bank

In recent years, credit rating and identifying good and bad customers have become critical issues for banks worldwide. The ability to grant facilities to good customers while avoiding bad ones, which leads to a reduction in bank arrears, has been a primary concern for bank managers. Credit rating systems have been developed to address this issue and provide an efficient solution. This paper presents a new ensemble model for credit ranking bank customers based on the support vector machine algorithm. First, the dataset is divided into several subsets using the bootstrap approach, and the support vector machine algorithm is then applied to each subset to form several models. Finally, voting is performed among these models to obtain a final model. In order to show the accuracy of the ensemble model, the data of 2218 Pasargad Bank customers, including 14 explanatory attributes, are evaluated using the proposed method. Based on various criteria, the results obtained on Pasargad Bank data confirm the superiority of the ensemble support vector machine method over conventional methods such as support vector machine and random forest. The type II errors, which is the proportion of bad customers who are wrongly predicted to be good ones in the proposed ensemble method with the linear core, is 17% less than the conventional support vector machine method and 15% less than the random forest method.