ارزیابی مقایسه‎ای عملکرد توابع شایستگی الگوریتم ژنتیک در رتبه‎بندی مشتریان

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 کارشناس ارشد مدیریت صنعتی، دانشکدۀ مدیریت و مالی، دانشگاه خاتم، تهران، ایران

2 استادیار گروه مدیریت، دانشکدۀ مدیریت و مالی، دانشگاه خاتم، تهران، ایران

3 استادیار گروه مدیریت صنعتی، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران

چکیده

با توجه به اهمیت بحث اعتبارسنجی مشتریان در تصمیم‎گیری مؤسسه‎های اعتباری برای اعطای تسهیلات، تحقیقات گسترده‌ای در خصوص روش‌های رتبه‌بندی اعتباری انجام شده است. الگوریتم‌های ژنتیک به‎عنوان یکی از روش‌های محاسبۀ تکاملی، از جمله روش‌هایی است که در این زمینه استفاده می‎شود. مقالات بسیاری در مقایسۀ عملکرد الگوریتم‌های ژنتیک و سایر روش‌های رتبه‌بندی رایج منتشر شده است، اما جزئیات چندانی دربارۀ تابع شایستگی مورد استفاده در الگوریتم ژنتیک ارائه نشده، در حالیکه تابع شایستگی تأثیر شایان توجهی بر عملکرد مدل کلّی دارد. برای بررسی بیشتر موضوع، در مقالۀ حاضر سه تابع شایستگی قابل استفاده در الگوریتم ژنتیک مطرح شده و عملکرد آنها با سایر روش‌های رتبه‌بندی اعتباری شامل رگرسیون لجستیک و تحلیل پوششی داده‌ها مقایسه شده است. نتایج به‎دست آمده حاکی از برتری عملکرد تابع درجه دو الگوریتم ژنتیک از لحاظ مجموع شاخص‌های صحت، تشخیص و حساسیت است.

کلیدواژه‌ها


عنوان مقاله [English]

Performance Comparison of Genetic Algorithm Fitness Function in Customer Credit Scoring

نویسندگان [English]

  • Ali Eghbali 1
  • Seyed Hossein Razavi Hajiagha 2
  • Hannan Amoozad 3
1 M.A. in Industrial Management, Khatam University, Tehran, Iran
2 Assistant Prof. of Management, Khatam University, Tehran, Iran
3 Assistant Prof. of Industrial Management, University of Tehran, Tehran, Iran
چکیده [English]

a lot of studies have been done about customer credit scoring, considering importance of the topic on credit institutions decision making. As an evolutionary computation method, Genetic algorithm is one of the methods used in this field. A variety of papers are published on comparing the performance of genetic algorithms with other scoring method but there is little information regard to fitness functions while these fitness functions play a vital role in overall performance of the model. To further investigation of the problem, three different fitness functions are proposed in the current paper and their performance is compared with other scoring methods including logistic regression and data envelopment analysis. The obtained results have shown that genetic algorithms quadratic function totally outperformed other methods based on accuracy, detection and sensitivity criteria.

کلیدواژه‌ها [English]

  • Credit scoring
  • Data Envelopment Analysis
  • Evaluation methods
  • Fitness function
  • Genetic Algorithm
  • Logistic regression
  • Risk Management
البرزی، م.، محمدپورزرندی، م.، خان‌بابایی، م. (1389). به‎کارگیری الگوریتم ژنتیک در بهینه‌سازی درختان تصمیم‌گیری برای اعتبارسنجی مشتریان بانک‌ها، فصلنامۀ مدیریت فناوری اطلاعات، 2(4)، 38-23.

ذکاوت، س. (1382). مدل‌های ریسک اعتباری مشتریان بانک توسعۀ صادرات ایران، پایان‎نامۀ کارشناسی ارشد رشتۀ بانکداری، مؤسسۀ عالی بانکداری.

رجب‌زاده قطری، ع.، بهرام‌میرزایی، آ.، احمدی، پ. (1388). طراحی سیستم هوشمند ترکیبی رتبه‎بندی اعتباری مشتریان بانک‌ها با استفاده از مدل‌های استدلالی فازی ترکیبی. پژوهشنامۀ بازرگانی، 14 (53)، 201-159.

رستم‌کلایی، س. (1386). ارائۀ مدل تصمیم یار فازی برای ارزیابی وام بانکی در مدیریت بانکداری الکترونیک، پایان‌نامۀ کارشناسی ارشد مدیریت فناوری اطلاعات، تهران: دانشگاه شهید بهشتی.

شایان آرانی، ش. (1380). نوآوری در ابزارهای مالی بانکداری اسلامی. مجلۀ پیام بانک، (292)، 5-5.

 عرب مازار، ع.، رویین‌تن، پ. (1385). عوامل مؤثر بر ریسک اعتباری مشتریان بانکی (مطالعۀ موردی: بانک کشاورزی). جستارهای اقتصادی، 3 (6)، 80-45.

کشاورز حداد، غ.، آیتی گازار، ح. (1386). مقایسۀ کارکرد مدل لاجیت و روش درخت‌های طبقه‌بندی و رگرسیونی در فرایند اعتبارسنجی متقاضیان حقیقی برای استفاده از تسهیلات بانکی، پژوهش‌های اقتصادی (رشد و توسعه پایدار)، 7 (4)، 97-71.

ملاابراهیم‌لو، م. (1384). تدوین یک مدل رتبهبندی اعتباری برای مشتریان حقوقی بانک سامان، پایان‎نامۀ کارشناسی ارشد اقتصاد، تهران: دانشگاه شریف.

نیلی، م.، سبزواری، ح. (1387). برآورد و مقایسۀ مدل درجه‌بندی اعتباری لاجیت با روش تجزیه و تحلیل سلسله‎مراتبی (AHP). شریف ویژۀ علوم مهندسی (ویژۀ مهندسی صنایع، مدیریت و اقتصاد)، 24 (43)، 117-105.

Alborzi, M., Mohammad Pourzarandi, M. E. & Khanbabaei, M. (2011). Using Genetic Algorithm in Optimizing Decision Trees for Credit Scoring of Banks Customers. Journal of Information Technology Management, 2(4), 23-38.
(in Persian)

Angelova, M., Pencheva, T. (2011). Tuning genetic algorithm parameters to improve convergence time. International Journal of Chemical Engineering, 2011, 1-7.

Angryk Rafal, A. (2002). Credit risk assessment for a small business, using multidimensional membership functions: design and applications. Master thesis, Poland: Technical University of Szczecin.

Arabmazar, A. & Ruintan, P. (2006). Determinants of Credit Risk among Bank Clients A Case Study; Agricultural Bank of Iran. Journal of Iran’s Economic Essays, 3(6), 45-80. (in Persian)

Blanco, A., Pino-Mejías, R. & Rayo, S. (2013). Credit scoring models for the microfinance industry using neural netwoks: evidence from Peru. Expert Systems with Applications, 40(1), 356-364.

Bolton, C. (2010). Logistic regression and its application in credit scoring. Pertoria: University of Pertoria.

Cheng, E. W. L., Chiang, Y. H., Tang, B. S. (2007). Alternative approach to credit scoring by DEA: Evaluating borrowers with respect to PFI projects. Building and Environment, 42(4), 1752-1760.

Desai, V.S., Conway, D.G., Crook, J.N. & Overstreet, G.A. (1997). Credit-scoring models in the credit-union environment using neural networks and genetic algorithms. IMA Journal of Management Mathematics, 8(4), 323–346.

Einav, L., Jenkins, M., Levin, J. (2013). The impact of credit scoring on consumer lending. RAND Journal of Economics, 44(2), 249-274.

Haupt, R. L. & Haupt, S. E. (2004).Practical genetic algorithms. 2nd ed., New Jersey: John Wiley & Sons.

Holland, J. H. (1975). Adaption in natural and artificial systems. Michigan: University of Michigan Press.

Huang, C. L., Chen, M. C. & Wang, C. J. (2007). Credit scoring with data mining approach based on support vector machines. Expert Systems with Applications, 33(4), 847-856.

Kao, D. L. & Kallberg, J. (1994). Strategies for measuring and managing risk concentration in loan portfolios. Journal of Commercial Bank Lending, 76(5), 18-27.

Keshavarz Haddad, G. R. & Ayati Gazar, H. (2008). A Comparison between Logit Model and Classification Regression Trees (CART) in Customer Credit Scoring Systems. The Economic Research (Scientific Research Quarterly), 7(4), 71-97. (in Persian)

Kiss, F. (2003). Credit Scoring Processes from a Knowledge Management. Periodica Polytechnica, 11(1), 95-110.

Komorad, K. (2002). On credit scoring estimation. Berlin: Masters thesis Humboldt University.

Kozeny, V. (2015). Genetic algorithms for credit scoring: Alternative fitness function performance comparison. Expert Systems with Applications, 42(6), 2998-3004.

Lee, T.S., Chiu, C.C., Chou, Y.C. & Lu, C.J. (2006). Mining the customer credit using classification and regression tree and multivariate adaptive regression splines. Computational Statistics & Data Systems, 50(4), 1113-1130.

Marques, A. I., Garcia, V. & Sanchez, J. S. (2013). A literature review on the application of evolutionary computing to credit scoring. Journal of the Operational Research Society, 64(9), 1384–1399.

Marshall, A., Tang, L. & Milne, A. (2010). Variable reduction, sample selection bias and bank retail credit scoring. Journal of Empirical Finance, 17(3), 501–512.

Mollaebrahimlo, M. H. (2005). A model of corporate customer credit rating for Saman Bank. Master Thesis, Tehran: Sharif University of Technology.
(in Persian)

Nili, M. & Sabzevari, H. (2008). Estimation and comparison of Logit credit rating model with analytic hierarchy process (AHP) method. Sharif Journal, 43, 105-117. (in Persian)

Ong, C. S., Huang, J. J. & Tzeng, G.H. (2005). Building credit scoring models using genetic programming. Expert Systems with Applications, 29(1), 41-47.

Rajabzadeh Ghatari, A., Bahram Mirzaei, A. & Ahmadi, P. (2010). Hybrid Intelligent Credit Ranking System Using Fuzzy Hybrid-Reasoning Models. Iranian Journal of Trade Studies Quarterly, 14(53), 159-201. (in Persian)

Risk Management Group of the Basel Committee (2000). Principles for the Management of Credit Risk. Basel Committee on Banking Supervision, Basel.

Rostamkolaei, S.A. (2007). Fuzzy decision support model for loaning in electronic banking management. Master Thesis, Tehran: Shahid Beheshti University. (in Persian)

Shayanarani, S. (2001). Innovation in Islamic banking financial tools. Bank Message, 292, 5-5. (in Persian)

Thomas, L. C., Edelman, D. B. & Crook, J. N. (2002). Credit scoring and its applications. Philadelphia: SIAM.

Zakrzewska, D. (2007). On integrating unsupervised and supervised classification for credit risk evaluation. Information Technology and Control, 36(1), 98-102.

Zekavat, S.M. (2007). Iran Export Development Bank’s Customers credit rating models. Master Thesis, Tehran: Iran Banking Institute. (in Persian