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

چکیده

هدف اصلی تمام بانك های تجاری جمع آوری پس اندازهای افراد حقیقی و حقوقی و تخصیص آن ها به صورت تسهیلات به شركت های صنعتی، خدماتی و تولیدی است . 
عدم بازپرداخت تسهیلات از جانب این مشتریان، بانك ها را دچار مشكلات عدیده ای از جمله ناتوانی در بازپرداخت وام های بانك مركزی، بیشتر شدن مقدار تسهیلات از مقدار باز پرداختی های مشتریان و عدم توانایی اعطای تسهیلات می كند. 
اهمیت اعطای تسهیلات در صنعت بانکداری کشور و نقش خطیر آن در رشد اقتصادی و افزایش اشتغال منجر به توسعه 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 و جمع آوری دانش خبرگان با استفاده از مدل استدلالی تركیبی و مدل تركیبی فازی به طراحی سیستم هوشمند هیبریدی رتبه بندی اعتباری مشتریان پرداخته شود.
سیستم خبره به عنوان ماژول سمبولیك و شبكه عصبی و سیستم های عصبی فازی به عنوان ماژول غیر سمبولیك، اجزای این سیستم هیبریدی را تشكیل می دهند. چنین مدلی قابلیت استدلال و تشریح سیستم خبره و قابلیت یادگیری و تطبیق پذیری شبكه عصبی را به صورت توامان 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.

مقدمه

توسعه و گسترش فعالیت های بانكی با سیستمی كارآمد در پیشرفت و توسعه اقتصاد كشور بسیار موثر خواهد بود و باعث دوام بانك در محیط رقابتی خواهد گردید. به بیان دیگر موفقیت بانك در عملیات بانكی نه تنها بقای بانك را در بلند مدت تضمین می كند بلكه بالندگی و رشد و توسعه اقتصادی را برای میهن اسلامی فراهم می آورد. 
از فعالیت های عمده و اساسی كه موفقیت بانك را تضمین می كند چگونگی تخصیص منابع است. بدیهی است كه منابع بانكی كشور كه بخش عمده آن از پس اندازهای مردم تشكیل شده است جزو سرمایه های ملی می باشند و هدایت صحیح آنها به سمت فعالیت های اقتصادی از طریق یك سیستم كارآمد تخصیص اعتباری در صنعت بانكداری كشور ضروری است.
بانك ها هنگامی می توانند این منابع خود را به صورت بهینه و كارآمد به مشتریان تخصیص دهند كه از سیستم قابلی در ارزش گذاری و رتبه بندی مشتریان خود در هنگام اعطای تسهیلات برخوردار باشند. 
در بسیاری از كشورهای جهان در این زمینه از استراتژی ها و راهكارهای گوناگونی استفاده نموده اند، در كشور ایران نیز با توجه به سیستم بانكداری اسلامی و تخصیص وام در قالب عقود اسلامی به مشتریان حقیقی و حقوقی این مسئله از اهمیت روز افزونی برخوردار است. 
لذا ضروری است كه صنعت بانكداری كشور در جهت طراحی سیستم های مناسب جهت ارزیابی مشتریا ن برای اعطای تسهیلات بكوشد.
این سیستم زمانی كارایی و اثربخشی لازم را خواهد داشت كه از معیارهای مناسبی برای ارزیابی مشتریان قبل از اعطای تسهیلات برخوردار باشد، به گونه ای كه تسهیلات بانكی با استفاده از این سیستم به مشتریان مناسب تخصیص یابد. 
از نگاه بانك مشتری ای برای تخصیص اعتبار مناسب است كه ضمن هزینه نمودن تسهیلات دریافتی در بخشهای مختلف اقتصادی بتواند به موقع تسهیلات دریافتی را به سیستم بانكداری بازگرداند. 
عدم بازپرداخت به موقع تسهیلات بیانگر آن است كه دریافت كننده تسهیلات در بهره برداری ازتسهیلات دریافتی از موفقیت چندانی برخوردار نبوده است. به بیان دیگر بازده حاصل از به كارگیری تسهیلات از سود بانكی آن كمتر بوده از این رو در موعد بازپرداخت با مشكلاتی مواجه بوده است. 
بنابراین این تسهیلات به صورت مطالبات معوق بانكی در می آید. این امر علاوه بر ایجاد اختلال در سطح كشور سیستم بانكی را نیز در بلند مدت با مشكل مواجه می كند. 
آنچه كه در اینجا برای سیستم بانكداری و به تبع آن برای هر كشور دیگری اهمیت دارد، آن است كه قبل از اعطای تسهیلات به مشتریان، توان آنها را در بازپرداخت ارزیابی نماید.
در حال حاضر در نظام بانکداری کشور ما، عدم بازپرداخت تسهیلات به یکی از بزرگترین مسائل تبدیل شده است، و به خاطر عدم وجود یک سیستم مناسب برای تخصیص مناسب تسهیلات، آن ها دچار مشکلات عدیده ای از جمله مشکل تخصیص اعتبارات، مشکل ناتوانی در بازپرداخت وام های بانک مرکزی و یا بیشتر شدن مقدار تسهیلات از مقدار بازپرداختی ها شده اند. 
از راهكارهای حل این مشكل رتبه بندی اعتباری مشتریان است، به این معنی كه بانك بر اساس شاخص های معتبری به مشتریانش امتیازاتی را اعطا نماید و در نهایت بر اساس این امتیازات رتبه مشتریانش را برای اعطای تسهیلات مشخص نماید. 
در دهه اخیر برای پیشبرد این راهكار محققان از سیستم های خبره و به خصوص شبکه های عصبی استفاده کرده اند. با همه مزیت هایی که سیستم های خبره و شبکه های عصبی در تصمیم گیری مدیریت و حل این مشکلات دارند استفاده از این سیستم ها با مشكلاتی همراه بوده است لذا اهمیت سیستم های هیبریدی در این حوزه مشخص می گردد. 
سیستم هایی که با جمع کردن مزیت های سیستم های خبره و شبکه های عصبی مصنوعی می توانند هم در طیف وسیع تری مشکلات را حل کنند هم اثر بخشی و کارایی راه حل این مشکلات را بالا ببرند.

تعریف رتبه بندی و مدل های آن

هدف رتبه بندی اعلام کیفیت یک وام گیرنده و دورنمای بازپرداخت آن به بازار است. رتبه ها این قابلیت را دارند که برای مشاهده گران خارجی مثل مقامات نظارتی و شرکت کنندگان در بازار نسبت به یک شرکت در بازار اعتبار ایجاد نمایند. 
البته اعتبار اطلاعات رتبه بندی ارتباط نزدیکی با مقررات قابل قبول رتبه بندی دارد. طبقات رتبه بندی شکل مختصر شده خطر اعتباری هستند. 
رتبه ها می توانند بر اساس اطلاعات گذشته به تواتر نسبی نکول مرتبط باشند یا می توانند مبنایی برای ارزش گذاری یک دارایی محسوب گردند. 
شاخص ترین تقاضا برای رتبه ها در بخش مدیریت دارایی بدهی شرکتی، زمانی است که بازده های سرمایه تعدیل شده بر حسب ریسک، معیار پایه برای ارزیابی عملکرد بخشی تلقی می شوند. 
رتبه ها برای بانک این امکان را فراهم می کنند که خطر اعتباری را اندازه گیری نموده و آن را متناسب با پرتفوی اعتباری اداره کنند و مفهوم اکسپوژر بانک را در رابطه با انواع خطر تعدیل و اصلاح نمایند. 
رتبه ها، مخصوصا برای ارزش گذاری یک اوراق قرضه و یا یک وام مفید هستند و رابطه ای مثبت ویژه بین خطر اعتباری مورد انتظار و بازده اسمی را بیان می کنند. 
دلایل مذکور در فوق در مجموع بیانگر علت توجه طیف گسترده ای به کیفیت سیستم رتبه بندی یک موسسه مالی است.
روش های متفاوتی وجود دارند که از طریق آنها می توان یک رتبه بدست آورد. از آن جمله می توان به اندازه گیری احتمال وقوع نکول اشاره کرد. 
روش مشخصی که امروزه کاربرد دارد، روش امتیازدهی است. این روش متکی به مجموعه ای از معیارهاست که هر یک به خوبی تعریف شده اند .
به هر یک از معیارها بطور جداگانه امتیاز داده می شود. به هر امتیاز که به مجموعه ای از معیارها مرتبط است وزنی داده می شود، سپس این ها با هم جمع می شوند. حاصل جمع، یک امتیاز کلی است. 
این امتیاز به یکی از طبقات رتبه تبدیل می گردد که در حد فاصل بین حداقل امتیاز کلی تا حداکثر آن قرار می گیرد.
مثال واضح در این مورد Z-Score پیشنهاد شده توسط آلتمن در سال 1968 است.
آلتمن پیشنهاد کرده است که رابطه بین تجربه تاریخی نکول و تعدادی از متغیرهای حسابداری (عمدتاً تراز نامه و صورت سود و زیان) بررسی شود تا یک تابع مطلوب مجزا بین ناشرینی که در آینده مرتکب نکول خواهند شد و نیز آنها که همچنان به فعالیت خود ادامه خواهند داد، تعیین شود . 
اوزان تابع تخمین زده شده برای پیش بینی احتمال نکول هر شرکت قابل استفاده است و این اوزان که Z-Score نامیده شده اند می توانند به یک درجه از رتبه تبدیل شوند. 
بدنبال آن وی روش های رتبه بندی مشتریان را در سال ۱۹۸۰ مطرح نمود. مدل ریاضی دیگری که باز در همین زمینه مطرح گردید مربوط به کاربرد تحلیل ممیزی در طبقه بندی شرکت ها می باشد.
یک روش متفاوت برای رتبه بندی توسط مدل عمومی شرکت KMV`s تشریح شده است. این روش براساس تئوری قیمت گذاری آپشن KMV استنتاج شده است. در این روش برآورد نکول از نوسانات مورد انتظار قیمت های سهام در طول یک مدت مشخص مثلاً یکسال، قابل استنتاج است. 
در این روش برخلاف روش امتیازدهی نیازی نیست که اطلاعات مختلفی در مورد یک شرکت جمع آوری کرد. در این روش صرفا سری های زمانی قیمت های بازاری سهام و تخمین بدهکاری یک بنگاه، مورد نیاز است. 
بررسی انجام شده در مورد بانک های عمده آلمان، بیانگر این است که کلیه موسسات، روش امتیازدهی را اعمال می نمایند. 

کاربرد الگوریتم های هوش مصنوعی در تحلیل های مالی

کاربرد شبکه های عصبی مصنوعی و ارزیابی اعتبار

شبکه های عصبی مصنوعی، جزو آن دسته از سیستم های دینامیکی قرار دارند که با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. 
به همین خاطر به این سیستم ها هوشمند می گویند چرا که بر اساس محاسبات روی داده های عددی یا مثال ها، قوانین کلی را فرا می گیرند. 
این سیستم های مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار نوروسیناپتیکی مغز بشر دارند. کاربردهای شبکه های عصبی در حوزه مالی پیشرفت چشم گیری داشته است. حیطه هایی که شبکه های عصبی در امور مالی می توانند کارایی  داشته باشند، شامل شبیه سازی مالی، پیش بینی رفتار سرمایه گذارها، ارزیابی اهداف، ارزیابی اعتبار، مدیریت پرتفوی دارایی، قیمت گذاری اولیه اوراق قرضه، تعیین ساختار سرمایه بهینه و پیش بینی مالی می باشد.
فرایند تایید بر اساس امتیاز بندی اعتبار را می توان توسط نرم افزار و تجهیزات كامپیوتری معمولی به طور موفقیت آمیزی انجام داد. هر چند كه چنین سیستم هایی نمی توانند در عملیات خود المان های كیفی، ذهنی فرایند تصمیم گیری انسان را لحاظ كنند. 
بعلاوه، اكثر اطلاعات مربوط به مشتریان در فرمت استاندارد به دست تصمیم گیرنده نمی رسد. هر چند كه امروزه در غالب بانک های تجاری جهان و همچنین در کلیه بانک های تجاری کشور اغلب از روش قضاوتی برای تعیین ریسک و ظرفیت اعتباری مشتریان استفاده می شود؛ لیکن استفاده از این روش با توجه به توان محدود انسان در تحلیل همزمان فاکتورهای مختلف موثر بر ریسک و ظرفیت اعتباری دریافت کنندگان اعتبار روش قضاوتی در مقایسه با روش های آماری و همچنین روش های هوش مصنوعی از کارایی کمتری برخوردار است.
جنسون در سال ۱۹۹۲ از شبكه عصبی برای امتیازدهی اعتبار استفاده نمود. دقت این شبكه بین ۷۶ تا ۸۰ درصد بود. اگر چه اندازه نمونه جنسون بسیار كوچك بود و تنها ۱۲۵ متقاضی وام را شامل می شد. دزای و همکاران در سال ۱۹۹۷ به مقایسه شبكه های عصبی، تحلیل تمایز خطی و رگرسیون لجستیك پرداختند . 
آنها در مطالعاتشان به این نتیجه رسیدند كه در طبقه بندی متقاضیان وام به مشتریان خوش اعتبار و بد اعتبار شبكه های عصبی از تحلیل تمایز خطی بهتر عمل می كند و نسبتا عملكرد مشابهی نسبت به رگرسیون لجستیك دارند. 
وست نیز در سال ۲۰۰۰ در تحقیقاتی كه داشت به بررسی درستی پنج مدل شبکه عصبی MP, MOE, RBE, LVQ و استدلال تطبیقی فازی در انجام فرایند امتیازدهی اعتباری پرداخت. 
نتایج این بررسی ها با روش های آماری سنتی مانند رگرسیون لجستیک خطی و K نزدیکترین همسایه و تحلیل تمایز خطی و درخت تصمیم در امتیاز دهی اعتبار بنچ مارك شد . 
در سال ۲۰۰۶ ترینکل در پایان نامه دكترای خود به مقایسه قدرت شبكه عصبی مصنوعی و مدل های آماری سنتی در امتیازدهی اعتباری پرداخت. وی دو فرضیه داشت: 

1. قدرت طبقه بندی شبكه های عصبی از روش های آماری سنتی بیشتر است
2. با تغییر تكنیك های تفسیر وزن های شبكه عصبی، امتیازدهی اعتبار نتایج متفاوتی خواهد داشت. 

نتایج پژوهش وی دو فرضیه فوق را اثبات نمود. در سال ۲۰۰۶ بنل و همکاران از شبكه عصبی برای سنجش اعتبار استفاده نمودند. ایشان در این مطالعات با استفاده از داده های آژانس های اعتباری و كشورهای مختلف از سال ۱۹۸۹ تا سال ۱۹۹۹ به این نتیجه رسیدند كه شبكه عصبی مصنوعی نسبت به دیگر روش ها دارای عملكرد و كارایی بهتری است. 
در سال ۲۰۰۷ نیزتسای و وو از شبكه های عصبی به طور همزمان برای پیش بینی ورشكستگی بانك ها و امتیازدهی اعتبار استفاده نمودند.

طراحی سیستم هوشمند ترکیبی رتبه بندی اعتباری مشتریان بانک ها با استفاده از مدل های استدلالی فازی ترکیبی
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=103919