ارائه مدل ترکیبی الگوریتم مورچگان باینری و ماشین بردار پشتیبان (‏bacosvm‏) برای ‏انتخاب ویژگی و طبقه‌بندی مشتریان بانکی به همراه مطالعه موردی

یکی از مهم‌ترین مسائلی که همواره بانک‌ها و موسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری می‌باشد. رقم ‏قابل توجه مطالبات معوق بانک‌ها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می‌باشد. از این ‏رو تاکنون تلاش‌های بسیاری به منظور ارائه مدلی کارا جهت ارزیابی و طبقه‌بندی هر چه دقیق‌تر متقاضیان تسهیلات ‏اعتباری صورت گرفته است. در‎ ‎این‎ ‎راستا،‎ ‎پژوهش‎ ‎حاضر‎ ‎سعی‎ ‎در‎ ‎ارائه‎ ‎رویکردی‎ ‎نو‎ ‎برای‎ ‎ارزیابی‎ ‎ریسک‎ ‎اعتباری‎ ‎مشتریان‎ ‎بانکی‎ ‎دارد.‏‎ ‎روش‎ ‎ماشین بردار پشتیبان (‏svm‏)‏‎ ‎به‎ ‎عنوان‎ ‎طبقه‌بندی کننده‌ی‎ ‎اصلی‎ ‎با‎ ‎یک‎ ‎روش‎ ‎انتخاب‎ ‎ویژگی‎ ‎به‎ ‎نام‎ ‎الگوریتم مورچگان باینری (‏bacosvm‏)‏‎ ‎ترکیب‎ ‎می‌گردد.‏‎ ‎به‎ ‎منظور‎ ‎نشان‎ ‎دادن‎ ‎اثر‎ ‎بخشی‎ ‎روش‎ ‎پیشنهادی از‎ ‎داده‌های‎ ‎مربوط به 85 شرکت از تسهیلات گیرندگان حقوقی یک بانک ایرانی در یک بازه‌ی 5 ساله ‏‏(1389-1393) به همراه 16 ویژگی مربوط به هر یک از آن‌ها استفاده نموده‌ایم. نتایج‎ ‎روش ‏bacosvm‏ با‎ ‎روش ‏psosvm، ‏gasvm‏ و روش ‏svm‏ به تنهایی مقایسه گردیده است. یافته‌های پژوهش دلالت بر آن ‏داشته که در ارزیابی ریسک اعتباری، مدل ‏bacosvm‏ نسبت به روش‌های دیگر از عملکرد خوبی برخوردار است. ‏در نتیجه با استفاده از روش ‏bacosvm‏ به طبقه‌بندی مشتریان به دو گروه مشتریان خوش‌حساب و بدحساب ‏می‌پردازیم. و در نهایت جهت افزایش انعطاف‌پذیری در تصمیم‌گیری، مشتریان خوش‌حساب را با استفاده از روش ‏vikor‏ رتبه‌بندی می‌کنیم. این رتبه‌بندی منجر به آن می‌شود که قضاوت دقیق‌تری درباره‌ی وضعیت ریسک ‏اعتباری متقاضیان خوش‌حساب صورت گیرد. ‏

hybrid model binary ant colony algorithm and Support Vector Machine (BACOSVM) for feature selection and classification of bank customers with Case Study

One of the most important issues faced by banks and financial institutions is the issue of credit risk. The significant amount of deferred bank claims around the world indicates the importance of this issue and the need to pay attention to it. So far, many efforts have been made to provide an effective model for evaluating and classification credit applicants as accurately as possible. In this regard, the present study attempts to provide a new approach for assessing the credit risk of bank customers. The support vector machine(SVM) method is combined as the main classifier of banking customers, with a feature selection method called the Binary Ant Colony Optimization Algorithm(BACOSVM). In order to demonstrate the effectiveness of the proposed method, we used data from 85 companies from legal recipients of facilities of an Iranian bank in a 5 year interval (13931893) along with 16 characteristics related to each of them. The results of the BACOSVM method have been compared with the PSOSVM, GASVM, and SVM method. The results of the research indicated that BACOSVM model has better performance in assessing credit risk rather than other methods. As the result, using the BACOSVM method, we classify customers into two groups of good and bad account customers. Finally, in order to increase the flexibility in decision making, we will rank our good account customers with the VIKOR method. This rating will lead to a more accurate assessment of the credit risk situation of good account applicants.