یبایزرا یایوپ لدم یرابتعا کسیر...

مدل پویای ارزیابیریسک اعتباری

مشتریان

سمیه : ارائه دهنده•مرادی

مقدمه یالت ریسک اعتباری احتمال عدم بازپرداخت یا پرداخت با تاخیر تسه•

.بانک ها از سوی مشتری می باشد

ه گیری فرایند مدیریت ریسک مناسب که عبارتست از شناسایی و انداز•.ریسک و ارائه استراتژی هایی برای مدیریت آن است

اهداف تحقیقکاهش مطالبات معوق بانک ها•

ارزیابی اعتبار مشتریان جهت ارائه کارت اعتباری •

راه اندازی کارت اعتباری به عنوان یکی از پیشران های اقتصادی و•

ط برنامه ریزی تخصیص منابع به صورت بهینه که امید است توس

.بانک ها مورد بهره برداری قرار گیرد

رتبه بندی اعتباریرتبه های کّمی•رتبه های کیفی•به امتیاز از یک تابع امتیازدهی برای محاس: سیستم رتبه بندی داخلی•

، تشکیل مشتریان و یک رتبه که به عنوان نمایانگر ریسک نکول است.می شود

مرور ادبیاتپویایی یا تکینک کد مقالهردیف

ایستایی مدل

1[1]ANN: RBFایستا

2[2]Decision Tree: c 5.0ایستا

3[3]Dynamic Panel Dataپویا

4[4]Clustering , SVMایستا

5[5]GA,SVM,PCAایستا

6[6]kernel,fuzzification ,penalty factorsایستا

7[7]Supervised classification , GAMایستا

8[8]MLP , RBFایستا

9[9]ANFISایستا

10[10]MLPپویا

11[11]logistic regression, neural networks and decision trees

ایستا

12[12]logistic regression, kernel density estimation, nearest neighbor

ایستا

ردی

ف

ایی پویایی یا ایستتکینک کد مقاله

مدل

13[13]LR, discriminant analysisایستا

14[14]SVMایستا

15[15]particleswarmoptimization(PSO)for the optimallinearSVMclassifier selection

ایستا

16[16]MPLایستا

17[17]decision tree, KNN, logistic discriminant analysisایستا

18[18]baggingensembleclassi-fier,includingANN,SVM,and Bayesiannetwork

ایستا

19[19]thesubaggingensembleclassifier,in- cluding kernelSVM,KNN,decisiontrees,AdaBoost,andsubagged classifiers,

ایستا

20[20]SVMایستا

21[21]presented a new hybrid GA with ANNایستا

وش تحقیقر

مدل سازی ریاضی•بهینه سازی توسط نرم افزار•آزمون های آماری•

فرضیات تحقیقoری مدل باید از جهت گی.تعادل خوبی بین سادگی و پیچیدگی مدل وجود داشته باشد

از باید از اتکای بیش. های قابل توجه روی هریک از پورتفوهای زیرمجموعه اجتناب کند

.حد بر یک عامل ریسک واحد اجتناب شود

oدکه برآوردهای ریسک دقیق و محافظه کارانه ای فراهم کن. مدل با دقت کالیبره می شود

.در صورت نیاز، شرایط رکود را به اندازه کافی منعکس کنند

o رتبه های مدل به اندازه کافی پایدار، دوره ای و پیش بینانه باشند و نوسان های

.غیرضروری را نشان ندهند

مفاهیمداده کاوی•تکنیک های داده کاوی•مدل های رگرسیونی: یادگیری با ناظر•، قوانین تالزمیPCAخوشه بندی ، : یادگیری بدون ناظر•

یادگیری نظارت شدهبه این . در مدل های یادگیری نظارت شده همواره ناظر وجود دارد•

آن نیز مشخص yداده آموزش مشخص است مقدار xمعنی که اگر رهای به عبارت دیگر در این روش داده ها به دو دسته متغی. شده است

غیر پاسخ یا مستقل و متغیرهای وابسته یا پاسخ تقسیم می شوند که متا یک وابسته می تواند مقداری کمّی داشت باشد مانند قیمت سهام یکه آن ها کالس باشد مانند کالس مشتریان خوب و کالس مشتریان بد

.را براساس ویژگی هایی پیش بینی می کنیم

Support vector machines

statisticalمعرفی شده و بر پایه Vapnikتوسط 1963در سال •learning theory توسط ۱۹۹۵بنا گردیده است و در سال

Vapnik وCorinna Cortes برای حالت غیرخطی تعمیم داده. شد

Support)پشتیبانیبردارماشین• vector machines - SVMs)بايادگيريروش هایازیکی

.می کننداستفادهرگرسيونوطبقه بنديبرایآنازکهاستنظارت

هبنسبتخوبیکاراییاخیرسال هایدرکهاستجدیدینسبتا روش هایجملهازروشاین•

.تاسدادهنشانپرسپترونعصبيهايشبکهجملهازطبقه بندیبرایقدیمی ترروش های

Kernelشاخهجزوکهاستکننده ایدسته بندی Methodsمحسوبماشینیادگیریدر

.میشود

بندی ، در هر جایی که نیاز به تشخیص الگو یا دستهSVMاز الگوریتم •ته هدف این دس. اشيا در کالس های خاص باشد می توان استفاده کرد

ست الگوریتم ها تشخیص و متمایز کردن الگوهای پیچیده در داده ها(...ازطریق کالسترینگ، دسته بندی، رنکینگ، پاکسازی و )انحراف سیستم آنالیز ریسک، کنترل هواپیما بدون خلبان، ردیابی•

رمایه، هواپیما، کنترل مسیر در دستگاه های خودکار، ربات، ارزیابی س، پیش بینی هوا، بازرسی اسناد، تشخیص هدف، تشخیص چهرهدادهای دستگاه کاشف زیردریایی، بهینه سازی محصول، مدیریت قرار

، سهام، مدیریت وجوه بیمه، مدیریت سهام، تصویب چک بانکیخیص اکتشاف تقلب در کارت اعتباری، تشخیص حروف و اعدا، تش

.....بیماری و

ایده اصلیبافحه هائیابرصباشند،جداپذیرخطیبصورتدسته هااینکهفرضبا•

maximum)حاشیهحداکثر margin)دسته هاکهآوردمیبدسترا.کنندجدارا

طنقاجداكنندهابرصفحهيافتنازعبارتستSVMهدفواقعدر•يتوانايبهترينوماكسيمالحاشيهباكالسدوبهمتعلقداده اي.تعميم

ضایفبهداده هانباشندجداپذیرخطیبصورتداده هاکهمسایلیدر•جدیدفضاینایدرراآنهابتوانتامی کنندپیدانگاشتبیشترابعادبا

.نمودجداخطیبصورت

حاشيه و توانايي تعميم•

•

Intuitions

15

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

Intuitions

16

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

Intuitions

17

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

Intuitions

18

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

A “Good” Separator

19

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

Noise in the Observations

20

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

Ruling Out Some Separators

21

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

Lots of Noise

22

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

Maximizing the Margin

23

X

X

O

OO

O

O

OX

X

X

X

X

XO

O

قضیه حداکثر حاشیهبرای جداسازی دسته ها SVMو ایده

درستیبآموزشیمثال هایاگریادگیریتئوریدرقضیه اینطبقبر•هکجداسازیآنخطی،جداسازهایبینازباشند،شدهدسته بندی

حداقلراتعمیمخطایمیکندحداکثرراآموزشیداده هایحاشیه.کردخواهد

دو را کرده و آنرسمدو صفحه مرزی موازی با صفحه دسته بندی•.که به داده ها برخوردکنندآنقدر از هم دور میکنیم

اشته صفحه دسته بندی که بیشترین فاصله را از صفحات مرزی د•.باشد، بهترین جدا کننده خواهد بود

معماری اصلی بخش پویای چارچوب ارزیابی

سپاسگزارم