ارائه مدلی به منظور اعتبارسنجی مشتریان حقوقی متقاضی تسهیلات سرمایه در گردش یک بانک تجاری

بهترین راه برای مدیریت ریسک عدم بازپرداخت تسهیلات، اعتبارسنجی دقیق و رفتارسنجی مشتریان طی بازپرداخت است. هدف از انجام این پژوهش ارائه مدلی به منظور اعتبارسنجی مشتریان حقوقی یک بانک تجاری با استفاده از الگوریتم های یادگیری ماشین و تحلیل پوششی داده ها می‌باشد. در پژوهش حاضر ویژگی های مهم مشتریان حقوقی از میان 47 شاخص کمی و کیفی از طریق مطالعه پیشینه و نظرات خبرگان صنعت شناسایی و انتخاب شدند. سپس از طریق الگوریتم های یادگیری ماشین مانند جنگل تصادفی، درخت تصمیم، نایو بیز و ماشین بردار پشتیبان، داده های بدست آمده از بانک تجاری اعتبارسنجی شد. به منظور دسته بندی مشتریان از روش تحلیل پوششی داده ها استفاده و در آن مشتریان از نظر کارایی اعتباری به 8 گروه شامل 4 گروه مشتریان خوش‌حساب و 4 گروه مشتریان بدحساب تقسیم شدند. یافته ها نشان داد که ترکیب الگوریتم جنگل تصادفی و مربع کای توانست با دقت 97/9 درصدی بالاترین دقت را داشته باشد.

providing a model to validate legal clients applying for working capital facilities of a commercial bank

the best way to manage the risk of non-reimbursement of the facility is accurate validation and measurement of customer behavior during repayment. the purpose of this research is to provide a model to validate legal customers of a commercial bank using machine learning algorithms and data coverage analysis. in this research, the important characteristics of legal clients were identified and selected from among 47 quantitative and qualitative indicators through the background study and opinions of industry experts. then, the data obtained from the commercial bank was validated through machine learning algorithms such as random forest, decision tree, naive biz and support vector machine. in order to categorize the customers, the data coverage analysis method was used, and the customers were divided into 8 groups in terms of credit performance, including 4 groups of good customers and 4 groups of bad customers. the findings showed that the combination of random forest algorithm and chi square could have the highest accuracy with 97.9% accuracy.