طراحی سیستم هوشمند ترکیبی رتبه بندی اعتباری مشتریان بانک ها با استفاده از مدل های استدلالی فازی ترکیبی

نوع مقاله: مقاله پژوهشی

چکیده

هدف اصلی تمام بانک های تجاری جمع آوری پس اندازهای افراد حقیقی و حقوقی و تخصیص آن ها به صورت تسهیلات به شرکت های صنعتی، خدماتی و تولیدی است . عدم بازپرداخت تسهیلات از جانب این مشتریان، بانک ها را دچار م شکلات عدیده ای از جمله ناتوانی در بازپرداخت وام های بانک مرکزی، بیشتر شدن مقدار تسهیلات از مقدار باز پرداختی های مشتریان و عدم توانایی اعطای تسهیلات می کند . اهمیت اعطای تسهیلات در صنعت بانکداری کشور و نقش خطیر آن در رشد اقتصادی و افزایش اشتغال منجر به توسع ه چندین مدل گوناگون برای ارزیابی اعتباری مشتریان متقاضی این تسهیلات شده است . اما بسیاری از این مدل ها, مدل های کلاسیک هستند و توانایی ارزیابی اعتباری مشتریان را بطور کامل و بهینه ندارند؛ بنایراین زمینه ورود مدل های هوش مصنوعی به این حوزه مهیا گردیده است. در این پژوهش سعی گردید. تا پس از تهیه مدل مناسب رتبه بندی اعتباری مشتریان وجمع آوری دانش خبرگان با استفاده از مدل استدلالی ترکیبی و مدل ترکیبی فازی به طراحی سیستم هوشمند هیبریدی رتبه بندی اعتباری مشتریان پرداخته شود . سیستم خبره به عنوان ماژول سمبولیک و شبکه عصبی و سیستم های عصبی فازی به عنوان ماژول غیر سمبولیک، اجزای این سیستم هیبریدی را تشکیل می دهند. چنین مدلی قابلیت استدلال و تشریح سیستم خبره و قابلیت یادگیری و تطبیق پذیری شبکه عصبی را به صورت توأمان به همراه دارد . نتایج سیستم هیبریدی و هیبری فازی سیستم که با نتایج سیستم خبره مقایسه گردید، حاکی از دقت و قدرت بالای سیستم هوشمند هیبریدی نسبت به سیستم خبره در رتبه بندی اعتباری مشتریان است.

کلیدواژه‌ها


عنوان مقاله [English]

Hybrid Intelligent Credit Ranking System Using Fuzzy Hybrid-Reasoning Models

چکیده [English]

The purpose of all commercial banks is to collect the savings of legal and real persons and allocate them as credit to industrial, services and production companies. Non repayment of such credits cause many problems to the banks such as incapability to repay the central bank's loans, increasing the amount of credit allocations comparing to credit repayment and incapability to allocate more credits to customers. The importance of credit allocation in Banking Industry and its important role in economic growth and Employment creation leads the development of many models to evaluate the credit risk of applicants. But many of these models are classic and are incapable to do credit evaluation completely and efficiently. Therefore the demand to use Artificial Intelligence in this field has grown up. In this paper, after providing appropriate credit ranking model and collecting expert's knowledge, we design a hybrid intelligent system and fuzzy hybrid inteligence system for credit ranking using Neuo-fuzzy reasoning- transformational models. Expert system as symbolic module and Artificial Neural Network as Non-Symbolic module are components of this hybrid system research. Such models provide the unique features of each components, the reasoning and explanation of expert system and the generalization and adaptability of artificial neural networks. The results of this system demonstrate that hybrid intelligence system is more accurate and powerful in credit ranking comparing to Expert Systems.

کلیدواژه‌ها [English]

  • HYBRID INTELLIGENT SYSTEM / NEURAL NETWORK / EXPERT SYSTEM / FUZZY LOGIC / FUZZY AND CREDIT RANKING