ارائه مدل ترکیبی الگوریتم مورچگان باینری و ماشین بردار پشتیبان (‏BACO-SVM‏) برای ‏انتخاب ویژگی و طبقه بندی مشتریان بانکی به همراه مطالعه موردی

یکی از مهم ترین مسایلی که همواره بانک ها و موسسات مالی با آن مواجه هستند، مسئله ریسک اعتباری می باشد. رقم ‏قابل توجه مطالبات معوق بانک ها در سراسر جهان نشان دهنده اهمیت این موضوع و لزوم توجه به آن می باشد. از این ‏رو تاکنون تلاش های بسیاری به منظور ارایه مدلی کارا جهت ارزیابی و طبقه بندی هر چه دقیق تر متقاضیان تسهیلات ‏اعتباری صورت گرفته است. در‎ ‎این‎ ‎راستا،‎ ‎پژوهش‎ ‎حاضر‎ ‎سعی‎ ‎در‎ ‎ارایه‎ ‎رویکردی‎ ‎نو‎ ‎برای‎ ‎ارزیابی‎ ‎ریسک‎ ‎اعتباری‎ ‎مشتریان‎ ‎بانکی‎ ‎دارد.‏‎ ‎روش‎ ‎ماشین بردار پشتیبان (‏SVM‏)‏‎ ‎به‎ ‎عنوان‎ ‎طبقه بندی کننده ی‎ ‎اصلی‎ ‎با‎ ‎یک‎ ‎روش‎ ‎انتخاب‎ ‎ویژگی‎ ‎به‎ ‎نام‎ ‎الگوریتم مورچگان باینری (‏BACO-SVM‏)‏‎ ‎ترکیب‎ ‎می گردد.‏‎ ‎به‎ ‎منظور‎ ‎نشان‎ ‎دادن‎ ‎اثر‎ ‎بخشی‎ ‎روش‎ ‎پیشنهادی از‎ ‎داده های‎ ‎مربوط به 85 شرکت از تسهیلات گیرندگان حقوقی یک بانک ایرانی در یک بازه ی 5 ساله ‏‏(1389-1393) به همراه 16 ویژگی مربوط به هر یک از آن ها استفاده نموده ایم. نتایج‎ ‎روش ‏BACO-SVM‏ با‎ ‎روش ‏PSO-SVM، ‏GA-SVM‏ و روش ‏SVM‏ به تنهایی مقایسه گردیده است. یافته های پژوهش دلالت بر آن ‏داشته که در ارزیابی ریسک اعتباری، مدل ‏BACO-SVM‏ نسبت به روش های دیگر از عملکرد خوبی برخوردار است. ‏در نتیجه با استفاده از روش ‏BACO-SVM‏ به طبقه بندی مشتریان به دو گروه مشتریان خوش حساب و بدحساب ‏می پردازیم. و در نهایت جهت افزایش انعطاف پذیری در تصمیم گیری، مشتریان خوش حساب را با استفاده از روش ‏VIKOR‏ رتبه بندی می کنیم. این رتبه بندی منجر به آن می شود که قضاوت دقیق تری درباره ی وضعیت ریسک ‏اعتباری متقاضیان خوش حساب صورت گیرد. ‏