Islamic Economics & Banking

fa شناسایی و کنترل ریسک اعتباری در بانک های متکی بر فناوری های نوین نظارتی با الگوریتم خوشه بندی K-MEANS و ماشین بردار پشتیبان Identification and control of credit risk in banks relying on new monitoring technologies with K-MEANS clustering algorithm and support vector machine عمومى General پژوهشي Research <div style="text-align: justify;">با توجه به ماهیت کمی پژوهش و استفاده از دادهکاوی جهت اعتبارسنجی مشتریان بانکی، لذا این تحقیق از نوع داده محور میباشد. پایه اصلی تحقیق حاضر بر کشف دانش از پایگاه دادههای بانکی است. در این تحقیق پس از جمعآوری دادههای مشتریان سابق بانک از پایگاه داده مربوطه و پس از آن، پالایش دادهها، به شناسایی متغیرهای تاثیرگذار در رتبهبندی مشتریان پرداخته می شود که این کار از طریق بررسی پژوهش های پیشین علمی، انجام می شود. در مرحله بعد با استفاده از تکنیکهای خوشهبندی کا-میانگین و ماشین بردار پشتیبان و با کمک نرمافزارهای مربوطه مشتریان بر اساس ویژگیهایشان طبقهبندی می گردند و رفتار آنها پیشبینی می شود. به منظور رتبهبندی اعتباری، از تحلیل اطلاعات مربوط به مشتریان حقیقی بانک تجارت و بانک سامان تهران که به عنوان متولیان اجرایی کردن ساپتک و رگتک هستند، استفاده می شود که با فرمول کوکران 230 نمونه از مشتریان دارای حساب منتهی به سال 1400 تا 1401 انتخاب شدند. از میان متغیرهای پژوهش «ارزش وثیقه، نرخ بهره و نرخ تورم» بیشترین تاثیر در ریسک اعتباری را داشته است. نتایج نشان داد دقت مدل‌‌های تکنیک‌‌های انتخابی در این پژوهش بسیار خوب بوده این مدل‌‌ها توانسته‌‌اند به طور میانگین 81,02 % از مشتریان ریسکی و غیرریسکی را تشخیص دهند. همچنین طبق نتایج، انتخاب ویژگی در تمامی تکنیک‌‌ها باعث افزایش دقت پیش بینی شده است. تکنیک ماشین بردار پشتیبان (SVM) که در این پژوهش استفاده شده است،بیشترین دقت را در تمام مدل ها داشته و با انتخاب ویژگی ها نسبت به مدل پایه دقت این مدل افزایش یافته است و بالاترین میزان دقت (81,58 %) را در بین تمامی تکنیک‌‌ها داشته است. </div> <div style="text-align: justify;">Today, the only cause of bank failure is credit risk. If the customer does not repay his obligations on time. These facilities are in the form of outstanding bank claims and this causes disruption in the banking system and as a result in the country's economy. New surveillance technologies are still in their infancy, but they are gaining recognition and attention. The latest generations of big data or artificial intelligence that regulatory agencies are using have emerged recently. Therefore, the main issue of this research is the control of credit risk in financial institutions with emphasis on the new supervisory technologies of Saptech and Regtech with new approaches of data mining. Considering the quantitative nature of the research and the use of data mining to validate bank customers, this research is data-oriented. The main basis of the present research is the discovery of knowledge from bank databases. In this research, after collecting the data of the former customers of the bank from the relevant database and after that, refining the data, it is done to identify the influencing variables in the rating of the customers, which is done through the review of previous scientific researches. , is done. In the next step, by using K-means clustering techniques and support vector machine and with the help of relevant software, customers are classified based on their characteristics and their behavior is predicted. For the purpose of credit rating, the analysis of the information related to the real customers of Tejarat Bank and Saman Bank of Tehran, who are the trustees of implementing Saptek and Regtek, is used, and with the Cochran formula, 230 samples of customers with accounts leading to the year 1400 to 1401 are used. were chosen. Among the research variables, "collateral value, interest rate and inflation rate" had the greatest impact on credit risk. The results showed that the accuracy of the selected techniques models in this research was very good and these models were able to recognize 81.02% of risky and non-risky customers on average. Also, according to the results, feature selection in all techniques has increased the prediction accuracy. The support vector machine (SVM) technique used in this research has the highest accuracy in all models, and by selecting the features, the accuracy of this model has increased compared to the base model, and it has the highest accuracy (81.58%) in Among all the techniques.</div> ریسک اعتباری, مدیریت ریسک, نکول, فناوری نظارتی, داده کاوی credit risk, risk management, dishonour a bill, supervisory technology, data mining 439 465 http://mieaoi.ir/browse.php?a_code=A-10-1610-1&slc_lang=fa&sid=1 Maryam Mashrooti مریم مشروطی mmashrooti@tvu.ac.ir 100319475328460013762 100319475328460013762 No PhD student of accounting department, Zanjan branch, Islamic Azad University, Zanjan, Iran. دانشجوی دکتری گروه حسابداری، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران Ali Mohammadi علی محمدی Ali.mohammadi@iauz.ac.ir 100319475328460013763 100319475328460013763 Yes Assistant Professor, Department of Accounting, Zanjan Branch, Islamic Azad University, Zanjan, Iran. استادیار گروه حسابداری، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران (نویسنده مسئول) Mehdi Mohammadi مهدی محمدی mehdi.mohammadi@iau.ac.ir 100319475328460013764 100319475328460013764 No Assistant Professor, Department of Accounting, Zanjan Branch, Islamic Azad University, Zanjan, Iran. استادیار گروه حسابداری ،واحد زنجان،دانشگاه آزاد اسلامی، زنجان، ایران