مقایسه مدل‌های شبکه عصبی، الگوریتم ژنتیک و لاجیت در ارزیابی ریسک اعتباری مشتریان

هدف پژوهش حاضر ارزیابی روش های رتبه بندی اعتباری مشتریان حقیقی (دریافت کنندگان اعتبارات خُرد) بانک ها، به وسیله بررسی سوابق مالی و مشخصات خصیصه ای فرد متقاضی می باشد. بررسی های صورت گرفته نشان می دهد که جهت رتبه بندی اعتباری مشتریان عمدتاً از سه روش؛ مدل لاجیت، شبکه عصبی و الگوریتم ژنتیک، استفاده می شود. در این پژوهش کارایی این روش ها جهت سنجش دقیق نکول مورد ارزیابی قرار می گیرد. بدین منظور اطلاعات و داده های مالی و کیفی یک نمونه تصادفی 399 تایی از مشتریان که طی سال های 87 الی 91 تسهیلات دریافت نموده اند مورد بررسی قرار می گیرد. پس از بررسی پرونده های اعتباری هر یک از مشتریان، 12 متغیر توضیحی شناسایی گردید که براساس آزمون لاجیت متغیرهای؛ سابقه اعتباری، معدل شش ماهه حساب، وضعیت اشتغال، میزان اعتبار درخواستی، اقساط ماهانه و مدت بازپرداخت تاثیر معنی دار بر نکول داشته اند. نتایج ارزیابی روش های رتبه بندی اعتباری نشان دهنده این است که عملکرد شبکه عصبی نسبت به مدل ژنتیک و لاجیت به مراتب بهتر بوده است چرا که درجه حساسیت 82٫92٪ و تشخیص ٪76٫92 می باشد و به طورکلی این مدل توانسته است 80٪ نکول یا عدم نکول را درست پیش بینی کند. بنابراین پیشنهاد می شود جهت کاهش ریسک اعتباری بانک، اصلاح ساختاری مبتنی بر ایجاد سامانه اعتبار سنجی مشتریان بر اساس شبکه عصبی صورت پذیرد.

Comparison Between Neural Network, Genetic Algorithm and Logit Models in Evaluating Consumer Credit Risk

The purpose of this study is to assess the credit rating methods of real customers (microcredit recipients) of banks, by reviewing the financial records and characteristics of the applicant's characteristics. In this research, the effectiveness of some methods (logit model, neural network, and genetic algorithm) is evaluated for accurate measurement of the Defaults. For this purpose, the information and financial and qualitative data of a random sample of 399 customers who have received facilities during the years 1387 to 1391 have been investigated. After reviewing the credit records of each of the customers, 12 explanatory variables were identified which, based on the logit test variables, credit history, sixmonth average account, employment status, amount of credit, monthly installments and repayment period, had a significant effect on default. The results of the evaluation of credit rating methods indicate that the performance of the neural network is much better than the Genetic and Logit models because the sensitivity is 82.92% and the specificity is 76.92%, and in general, this model has been able to 80% Predict default or nondefault. Therefore, in order to reduce the bank's credit risk, it is suggested that a structural adjustment based on the creation of a customer validation system based on the neural network is proposed.