كاربرد سيستم های استدلال عصبی - فازی در رتبه بندی اعتباری مشتريان حقوقی بانك ها (بخش اول)

چکیده

امروزه ریسک اعتباری به عنوان یکی از بزرگ ترین عوامل ورشکستگی بانک ها و موسسات مالی شناخته شده است. به منظور مدیریت و کنترل این ریسک طراحی مدل های رتبه بندی اعتباری در بانک ها ضرورتی انکار ناپذیر است.
رتبه بندی اعتباری به منظور تعیین احتمال نکول در بازپرداخت تسهیلات اعتباری و از سوی دیگر برای طبقه بندی اعتبار سنجی مشتریان متقاضی تسهیلات اعتباری به دو گروه خوش حساب و بد حساب مورد استفاده قرار می گیرد.
تا به حال روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون خطی و لجستیک و شبکه های عصبی در زمینه رتبه بندی اعتباری توسعه یافته اند. در این میان، شبکه های عصبی به دلیل انعطاف پذیری و دقت بالا، در سال های اخیر بیشتر مورد توجه قرار گرفته اند.
در این مقاله یک مدل رتبه بندی اعتباری با استفاده از سیستم های استدلال عصبی – فازی جهت رتبه بندی مشتریان حقوقی بانک ها ارائه شده است. متغیرهای ورودی این مدل نسبت بدهی، نسبت فعالیت و نسبت ارزش ویژه به مجموع دارایی ها و متغیر دارایی ها و متغیر خروجی آن احتمال نکول مشتری، در نظر گرفته شده است.
پس از آموزش و تست مدل براساس داده های بانک کشاورزی طی سال های 1380-1385، مدل اراده شده با دقت 69.36 درصد وضعیت اعتباری مشتریان را پیش بینی می کند.

مقدمه

در صنعت بانکداری یکی از موضوعاتی مهمی که همواره بایستی مدنظر سیاست گذاران اعتباری قرار گیرد، مبحث مدیریت ریسک اعتباری است. به منظور مدیریت و کنترل ریسک مذکور، سیستم های رتبه بندی اعتباری مشتریان ضرورتی انکارناپذیر است.
چنین سیستمی، براساس سوابق و اطلاعات موجود، درجه اعتباری مشتریان را تعیین و آنان را براساس میزان ریسکی که متوجه بانک خواهند کرد، رتبه بندی می کند.
بدیهی است بهره گیری از چنین سیستمی بانک را در گزینش مطلوب مشتریان خود یاری کرده و ضمن کنترل و کاهش ریسک اعتباری، سطح بهره وری فرایند اعطای تسهیلات بانکی را ارتقا می دهد.
با وجود اهمیت این موضوع، در اقتصاد ایران، در زمینه اعطای تسهیلات اعتباری به مشتریان، روند منسجم و منظمی به منظور تعیین ریسک اعتباری، امتیازدهی، درجه بندی و هم چنین تعیین سقف های اعتباری براساس شاخص های ریسک ملاحظه نمی شود و شاخص ها بیشتر بر اساس تشخیص کارشناسی و کمیته اعتباری صورت می پذیرند.
در مطالعات گذشته بیشتر از روش های آماری مانند مدل های رگرسیون لاجیت و پروبیت و روش تحلیل ممیزی برای امتیازدهی و رتبه بندی مشتریان استفاده می شد، ولی در سال های اخیر با توسعه مدل های مبتنی بر هوش مصنوعی و روش های ابتکاری، مطالعات بسیاری در کاربرد این روش ها در مدل های امتیازدهی و رتبه بندی اعتباری انجام گرفته است.
ساختار مقاله حاضر به این صورت است که در بخش دوم مروری بر تاریخچه روش های مبتنی بر منطق فازی انجام می گیرد، سپس در بخش بعدی، سیستم های استدلال فازی، شبکه های سازگار و سیستم های استدلال عصبی – فازی سازگار تشریح می شوند.
در بخش چهارم، طراحی و کارایی آن در پیشکویی نکول داده های مدل و شاهد، با محاسبه درجه حساسیت و درجه تشخیص مورد ارزیابی قرار می گیرند. در بخش انتهایی جمع بندی از نتایج مطالعه ارائه می شود.

تاریخچه ای از کاربرد روش های مبتنی بر منطق فازی

امروزه نظریه مجموعه های فازی در مدیریت پرتفوی اعتباری و پیش بینی قیمت سهام، مدیریت بانک داری و مدیریت مالی شرکت ها به صورت گسترده ای مورد استفاده قرار می گیرد. مطالعاتی نیز از تئوری مجموعه های فازی در کسب و کار و مسائل مرتبط با ریسک استفاده کرده اند، که از آن جمله می توان به مطالعه سیو، هسی و لی اشاره کرد، که از تئوری مجموعه های فازی در رتبه بندی اعتباری موسسات مالی در تایوان استفاده کرده اند.

چنگ و لی، سیستم استدلال فازی و شبکه های عصبی مصنوعی را در یک تحلیل رگرسیون فازی ترکیب کردند. بوسابین و وانوس نیز به برتری روش های عصبی – فازی نسبت به روش های سنتی موجود، در پیش بینی ورشکستگی تجاری شرکت ها اشاره می کنند.
آن ها اعتقاد دارند که روش های عصبی – فازی می توانند برای سرمایه گذاران، سهام داران، مدیران و دیگر تصمیم گیران در ارزیابی ریسک های کسب و کار و بهبود تصمیم ها بسیار کارا باشند.
کاستیلو و ملین از یک سیستم خبره با ترکیب شبکه های عصبی مصنوعی و منطق فازی به منظور پیش بینی قیمت استفاده کردند. آن ها مدل های ممدانی را با یکدیگر مقایسه و کارایی بهتر سیستم های استدلال سوگنو را گزارش کردند.
هم چنین استفاده از روش سیستم های استدلال عصبی – فازی سازگار، یک مدل سوگنو ساختند و از آن برای پیش بینی نرخ مبادلات ارزی (دلار/پسو) استفاده کردند و نشان دادند که ANN به روش های آماری در پیش بینی پیشنهاد کردند.
هم چنین آن ها نشان دادند که ANN در پیش بینی های افق زمانی کوتاه (کمتر از ده هفته) نسبت به سیستم های استدلال فازی کارایی بهتری دارد، ولی در افق های زمانی بلند (بیش از ده هفته) سیستم های استدلال فازی بهتر عمل می کنند.
مالتورا و مالتورا، کارایی سیستم های استدلال عصبی – فازی سازگار ANFIS را با تحلیل ممیزی چندگانه MDA مقایسه کردند. آن ها در مطالعه خود از یک مجموعه داده 500 تایی (250 مشتری خوش حساب و 250 مشتری بدحساب) استفاده کردند، که داده های یادگیری (مدل) و آزمایشی (شاهد) به صورت تصادفی از بین این مشاهدات انتخاب شدند. نتایج مطالعات آن ها نشان دهنده برتری روش ANFIS بر MDA بود.
از مطالعات اخیر در زمینه استفاده از روش های مبتنی بر منطق فازی، می توان به مقاله جیو و همکاران اشاره کرد. آن ها روشی ترکیبی با عنوان شبکه سازگار فازی (FAN) را در رتبه بندی اعتباری شرکت های کوچک ارائه کرده اند.
در این مدل، ابتدا متغیرها به سه گروه متغیرهای مالی، مدیریتی و خصوصیات و چشم اندازهای رقابتی تقسیم می شوند و در هر گروه برای هر یک از متغیرهای فازی یا ترم های زبانی و اعداد فازی با آنها تعریف می شوند.
سپس مقادیر صریح متغیرها فازی می گردند. از سوی دیگر، براساس نظر کارشناسان به هر یک از متغیرها وزنی که نشان دهنده اهمیت آن است، اختصاص می یابد. امتیاز هر گروه با ضرب دو بردار مقادیر فازی متغیرها و وزن ها و سپس عملیات فازی زدایی به دست می آید.
نتایج به دست آمده از هر یک از سه گروه وارد یک شبکه سازگار فازی می شود. این شبکه دارای یک سیستم استدلال فازی از نوع سوگند با سه متغیر ورودی است، پس از آموزش سیستم براساس منطق شبکه، برای هر یک مشاهدات امتیازی به دست می آید.
از دیگر کاربردهای سیستم های استدلال فازی، می توان به مدل رتبه بندی مبتنی بر پایگاه قواعد فازی هافمن و همکاران اشاره کرد، که با استفاده از ترکیب سیستم استدلال فازی تقریبی و توصیفی با الگوریتم ژنتیک، موفق به رتبه بندی اعتباری شرکت ها با دقت 80% شدند.

سیستم های استنتاج عصبی – فازی سازگار

سیستم استدلال فازی

هر سیستم استدلال فازی بر اساس قواعد فازی اگر – آن گاه تعریف می شود. قواعد فازی اگر – آن گاه یا عبارات شرطی فازی به صورت اگر A آن گاه B بیان می شوند، که A و B برچسب مجموعه های فازی هستند که با تابع عضویت مناسب مشخص شده اند. در سیستم های استدلال فازی معمولا دانش افراد خبره با استفاده از این قواعد استخراج می شود و مجموعه ای از این قواعد، یک پایگاه قاعده فازی را تشکیل می دهد. به عنوان مثال قاعده زیر را در نظر بگیرید:
اگر سودآوری پایین و نسبت بدهی بالا باشد، آن گاه احتمال نکول بالاست.
که سودآوری، نسبت بدهی و احتمال نکول متغیرهای زبانی، پایین و بالا ارزش های زبانی یا برچسب هایی هستند که با استفاده از توابع عضویت مشخص می شوند.
شکل گیری از قواعد اگر – آن گاه فازی که توسط تاکاجی و سوگنو (1983) پیشنهاد شد، تنها در قسمت فرض مجموعه فازی به کار می رود. با استفاده از قواعد اگر – آن گاه فازی تاکاجی و سوگنو، به عنوان مثال می توان احتمال نکول را این گونه بیان کرد.
که در این جا نیز پایین و بالا در قسمت فرض (قیاس) ارزش های زبانی هستند در حالی که بخش نتیجه با استفاده از یک معادله غیر فازی از متغیرها سودآوری و نسبت بدهی بیان شده است.
از هر دو نوع قواعد اگر – آن گاه فازی به صورت گسترده ای در زمینه های مدل سازی و کنترل استفاده می شود. لازم به ذکر است که پایگاه قواعد فازی بخش اصلی یک سیستم استدلال فازی را تشکیل می دهد.
مراحل به کارگیری استدلال فازی (عملیات استنتاج از قواعد اگر – آن گاه فازی) در یک سیستم استدلال فازی به شرح زیر است:

مقایسه متغیرهای ورودی با توابع عضویت در بخش فرض (قیاس)، که در نتیجه آن ارزش های عضویت (میزان سازگاری) برای هر یک از برچسب های زبانی به دست می آید (این گام، بیشتر فازی سازی نامیده می شود)
ترکیب مقادیر عضویت در بخش فرض (قیاس)، که بدین وسیله قوه تحریک (وزن) هر قاعده به دست می آید
تولید نتایج مناسب (به صورت فازی یا صریح) برای هر یک از قواعد وابسته به قوه تحریک
ادغام نتایج به دست آمده و تولید یک خروجی صریح (این گام، نافازی سازی نامیده می شود)

در بررسی پیش رو، رویکرد تاکاگی – سوگنو (که بیشتر سیستم استدلال سوگنو خوانده می شود)، مورد استفاده قرار می گیرد. تمرکز اصلی این روش بر تخمین مقادیر صریح خروجی است، که با توابع خطی و یا مقادیر ثابت تعیین می شوند.
مطالعات بسیاری انجام گرفته است که نتایج آن ها حاکی از کارایی روش های تئوری مجموعه های فازی در شرایط ابهام و عدم اطمینان می باشد.
به طور خاص در شرایطی که به دست آوردن یک مدل ریاضی دقیق غیر ممکن است، سیستم استدلال فازی با انعطاف پذیری و دامنه محاسباتی کم بسیار مطلوب عمل می کند.
در موارد این چنینی، روش های فازی این اجازه را به ما می دهد که دانش خبره را با متغیرهای زبانی، به جای استفاده از شکل صریح در تئوری احتمالات سنتی، بیان کنیم.

ساختار شبکه های سازگار

همان طور از نام این نوع سیستم ها بر می آید، از شبکه ای شامل گره ها و اتصالات که نشان دهنده ارتباط بین دو گره هستند، تشکیل یافته اند.
بخش یا تمامی گره ها سازگارند. سازگاری بدین معناست که این گره ها دارای پارامتر هستند و در حین آموزش سیستم این پارامترها طوری تنظیم می شود که شاخص خطا کمینه شود.
قانون پایه ای آموزش شبکه های سازگار بر اساس روش گرادیان کاهشی و قانون زنجیر است که توسط ورباس (1974) پیشنهاد شده است. از آن جایی که این روش به دلایل کندی و رسیدن به یک کمینه محلی موفق نبود، جانگ روشی ترکیبی را به کار برد.
شبکه سازگار یک شبکه پیشرو چند لایه است که هر گره، تابعی مشخص (تابع گره) را بر روی سیگنال های ورودی اعمال می کند. ماهیت توابع گره ها از گره ای به گره دیگر ممکن است تغییر کند، و انتخاب هر یک از توابع به تابع ورودی – خروجی کلی که شبکه سازگار قصد اجرای آن را دارد، وابسته است.
برای نمایش تفاوت گره ها در یک شبکه سازگار، از دو نوع گره، مربع و دایره استفاده می شود. یک گره مربعی (گره سازگار) دارای پارامتر است، در حالی که یک گره دایره ای (گره ثابت) هیچ پارامتری ندارد.
مجموعه پارامترهای یک شبکه سازگار، اجتماع مجموعه پارامترهای گره های سازگار است.

كاربرد سيستم هاي استدلال عصبي - فازي در رتبه بندي اعتباري مشتريان حقوقي بانك ها
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=113753