Journal of Economic Modeling Research

fa رتبه بندی اعتباری مشتریان حقیقی بانک مبتنی بر روشهای رگرسیون لجستیک و لجستیک MPLE و شبکه عصبی Credit Rating of Real Bank Customers Based on Logistic Regression and MPLE Logistic Methods and Neural Network پولی و مالی پولی و مالی كاربردي Applicable بانک ها می توانند با طراحی یک سیستم کارآمد مدیریت وام، کارایی را افزایش داده و احتمال عدم برگشت اصل و فرع  وام   کاهش دهند.. در این مقاله کارآیی مدلهای رگرسیون لجستیک، شبکه عصبی مصنوعی، به منظور پیش بینی ریسک اعتباری مشتریان حقیقی یا به عبارتی متقاضیان وامهای خرد که گروه زیادی از مشتریان نظام بانکی کشور را شامل میشوند، مورد بررسی قرار گرفت. باتوجه به نامتعادل بودن تعداد دادهها حدآستانه بهینه با بکارگیری دو منحنی درجه حساسیت و درجه تشخیص محاسبه شد و از این روش میزان ریسک اعتباری هریک از مدلها استخراج شد. در رگرسیون لجستیک برای برآورد ضرایب با توجه به تعداد اندک مشتریان بدحساب بجای روش حداکثر درستنمایی از روش حداکثر درستنمایی تاواندیده استفاده شد. در نهایت میزان صحت و دقت هر مدل با معیارهای متعدد بررسی شد. با استفاده از منحنی راک به بررسی قدرت تفکیک کنندگی مدلها پرداخته که در اینجا مدل شبکه عصبی بهترین قدرت تفکیک کنندگی را دارا بود. سپس با مقایسه خطاهای MSE، RMSE و MAE کارایی سنجش روشها مورد مقایسه قرار گرفت و عملکرد لجستیک MPLE   و شبکه عصبی تقریبا با یکدیگر یکسان است. و در نهایت با توجه به هدف بانک در سه سناریو حداقل ریسک اعتباری، تشخیص مشتریان خوش حساب و تفکیک مشتریان به ترتیب شبکه عصبی، لجستیکMPLE و  در سناریوی سوم شبکه عصبی و لجستیکMPLE بطور همزمان به عنوان مدل های برتر انتخاب شده اند.   By designing an efficient loan management system, banks can increase efficiency and reduce the probability of non-repayment of principal and sub-loans. In this paper, the efficiency of logistic regression models, artificial neural network, was examined to predict the credit risk of real customers or in other words, applicants for microloans, which include a large group of customers in the country's banking system. Given the imbalance of the number of data, the optimal threshold was calculated using two sensitivity and detection curves, and the credit risk of each model was extracted from this method. In logistic regression, the compensated maximum likelihood method was used to estimate the coefficients considering the small number of bad customers instead of the maximum likelihood method. Finally, the accuracy and precision of each model was examined with multiple criteria. Using the Rock curve, the resolution of the models was examined, where the neural network model had the best resolution. Then, by comparing the MSE, RMSE and MAE errors, the efficiency of the methods was compared, and the performance of MPLE logistics and neural network is almost the same. Finally, considering the bank's goal in three scenarios of minimum credit risk, identifying good customers and separating customers, neural network, MPLE logistics, and in the third scenario, neural network and MPLE logistics simultaneously have been selected as the best models.   رتبه بندی اعتباری، شبکه عصبی، لجستیک، لجستیک MPLE ،منحنی راک،داده کاوی Credit rating, neural network, logistics, MPLE logistics, Rock curve, data mining 0 0 http://jemr.khu.ac.ir/browse.php?a_code=A-10-2997-1&slc_lang=fa&sid=1 Seyed Ahmad Ameli سید احمد عاملی ameli@khu.ac.ir 100319475328460014017 100319475328460014017 Yes گروه اقتصاد منابع و انرژی، دانشکده اقتصاد ،دانشگاه خوارزمی،تهران،ایران آرزو چقایی ar.choghayi@gmail.com 100319475328460014018 100319475328460014018 No حسین رضایی hrezaee@pnu.ac.ir 100319475328460014019 100319475328460014019 No