ارائه يك مدل يادگيري عميق در پيشبيني توان بازپرداخت وام بانكي بر اساس متغيرهاي وابسته به زمان

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

با افزايش روزافزون تقاضا براي انواع وا مهاي بانكي و خريدهاي اعتباري در فروشگا ههاي اينترنتي، ارزيابي دقيق توان بازپرداخت مشتريان به يكي از چال شهاي اصلي مؤسسات مالي و اقتصادي تبديل شده است. فرآيند سنتي ارزيابي كه عمدتاً بر بررسي دستي دادههاي ايستا )مستقل از زمان( متكي است، علاوه بر زما نبر بودن، با خطاي انساني همراه بوده و توانايي شناسايي دقيق ريسكهاي اعتباري را ندارد. در مد لهاي پي شبيني فعلي، عدم توجه به پويايي رفتاري مشتريان در طول زمان و تاثيرپذيري توان بازپرداخت مشتريان از نوسانات اقتصادي، باعث كاهش دقت مد لها و افزايش ريسك نكول تسهيلات م يشود. اين پژوهش با هدف ارتقاي دقت سيستمهاي اعتبارسنجي، رويكردي مبتني بر يادگيري عميق و داد ههاي توالي زماني ارائه ميدهد. در اين راستا، با بهر هگيري از داد ههاي رفتاري مشتريان از جمله تغييرات درآمدي در طول زمان و سوابق بازپرداخت اقساط، مد لهاي LSTM ، BiLSTM و BiLSTM با مكانيزم توجه ، طراحي و پياد هسازي شدند. عملكرد اين مد لها در مقايسه با رو شهاي كلاسيك يادگيري ماشين نظير رگرسيون خطي و جنگل تصادفي، با استفاده از معيارهاي MSE ، RMSE ، MAE و 2R ارزيابي گرديد. علاوه بر اين، به منظور اطمينان از قابليت تعميم و پايداري مدل در شرايط مختلف، تحليل حساسيت و بررسي نوسانات مدل در تكرارهاي متعدد انجام شد. نتايج تجربي حاكي از آن است كه مد لهاي يادگيري عميق، بهويژه ساختار BiLSTM ، به دليل قابليت استخراج خودكار ويژگيهاي پيچيده و مد لسازي وابستگيهاي زماني، عملكردي بهمراتب دقيقتر و پايدارتر از مد لهاي كلاسيك ارائه ميدهند. يافتههاي اين پژوهش، ابزاري دقيق، خودكار و داد همحور براي شناسايي مشتريان خو شحساب در اختيار بان كها و فروشگا ههاي اينترنتي قرار ميدهد كه ميتواند منجر به كاهش ريسك اعتباري و بهبود بهر هوري فرآيندهاي مالي گردد .

238363

بهينه سازي سيستم ها

فني مهندسي گلپايگان

دانشگاه صنعتي اصفهان