Document Type : Research Paper

Authors

1 MSc Faculty of Information Technology, Urmia University of Technology

2 Associate Professor, Faculty of Information Technology, Urmia University of Technology

Abstract

The aim of this paper is to present a hybrid model to evaluate performance of loan portfolio of banking system regarding loan repayment status and to forecast credit status of loan applicants. At first stage, we have taken credit granting management approach in order to cluster and rank 100,224 loans granted by Karafarini Omid Fund. All the data on the loans granted to clients was extracted from core banking software of the Fund. Because of having access to this valuable and valid dataset, qualitative data collection methods are not used. In the first section of paper, a type of robust principal component analysis (ROBPCA) was utilized to classify the clients. Then, the eigenvector derived from ROBPCA was used as input to a two-step K-means clustering algorithm. Then, to propose a model to forecast credit status of applicants prior to granting loans, support vector machine (SVM) and artificial genetic neural networks were used. The results obtained from the applicants’ credit status forecasting showed that the model based on the artificial genetic neural networks with the mean-square error of 0.23 and %78 coefficient of determination leads to more accurate forecasting than support vector machine. Therefore, the proposed model for forecasting the applicants’ credit status can predict their performance with relative accurately. A new method in the form of data mining software provides credit institutions with the possibility of predicting applicants’ credit regarding loan repayments.

Keywords

آجرلو، نصیبه (1392)، الگویی جهت تعیین ارزش چرخه عمر مشتریان (CLV) در بانک ملت، پایان‌نامه کارشناسی ارشد، موسسه عالی بانکداری ایران.
اداره آموزش و مدیریت بانک ملی (1387)، بانکداری الکترونیکی بانک ملی، تهران، بانک ملی
اسلامی علیشاه، حسن (1387)، «مهارت‌های بازاریابی در شعب بانک‌ها؛ بانک مسکن»، ماهنامه اقتصادی و اجتماعی، شماره92.
آذر، عادل، پرویز احمدی و محمدوحید سبط (1389)، «طراحـی مـدل انتخـاب نیـروی انسـانی بـا رویکـرد داده‌کاوی (استخدام داوطلبان آزمون های ورودی یک بانک تجاری در ایران)»، مدیریت فناوری اطلاعات، 2 (4)، 22-3.
 البرزی، محمود، محمدابراهیم محمد پورزرندی و محمد خان بابایی (1389)، «به‌کارگیری الگـوریتم ژنتیـک در بهینه‌سازی درختان تصمیم‌گیری برای اعتبارسنجی مشتریان بانک‌ها»، مـدیریت فنـاوری اطلاعـات، 2(4)، 23-28.
امیری، فهیمه (1392)، بررسی رفتار مشتریان در استفاده از ابزارهای بانکداری الکترونیک با رویکرد داده‌کاوی (مورد کاوی: بانک صادرات ایران)، پایان‌نامه کارشناسی ارشد، دانشکده علوم اجتماعی و اقتصاد دانشگاه الزهرا (س).
 امیری، سیدعلی (1391)، مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک‌های داده‌کاوی، مازندران، پایان‌نامه کارشناسی ارشد، دانشگاه علوم و فنون مازندران.
تقوی‌فرد، محمدتقی و سعید خواجوند (1393)، «بخش‌بندی خوشه‌ای مشتریان بانک (مورد مطالعه: بانک صادرات ایران)»، دو فصلنامه علمی- پژوهشی کاوش­های مدیریت بازرگانی، سال پنجم، شماره 9، 64 – 39.
حسینی بامکان، سیدمحمد (1390)، پایان‌نامه کارشناسی ارشد، به‌کارگیری تکنیک‌های داده‌کاوی جهت بهبود مدیریت ارتباط با مشتری در صنعت بانکداری (مطالعه موردی: بانک پارسیان)، استاد راهنما، دکتر محمد رضا تقوا، دانشکده حسابداری و مدیریت، دانشگاه علامه طباطبایی.
حسینی، سید صفدر،‌ حبیب جهانگرد و حلیمه شهبازی (1388)، «پیش‌بینی تقاضای پول در افق 1404 در ایران (کاربرد الگوی سری زمانی)»، پژوهشنامه اقتصادی، 10، 38، 86-67.
حسینی و همکاران (1389)، «تحلیل اهمیت- عملکـرد ویژگی‌های خـدمت بر پایه بخش‌بندی مشتریان با رویکرد داده‌کاوی (پژوهشی در بانک مسکن در اسـتان یزد)»، مدیریت فناوری اطلاعات، (13)، 70-45.
فلاح شمس، میرفیض و حمید مهدوی‌راد (1390)، «طراحی مدل اعتبارسنجی و پیش‌بینی ریسک اعتباری مشتریان تسهیلات لیزینگ(مورد مطالعه : شرکت لیزینگ ایران خودرو)»، پژوهشنامه اقتصادی، 12، 44، 234-213.
عیسی‌زاده، سعید و بهرام عریانی (1392)، «رتبه‌بندی مشتریان حقوقی بانک‌ها برحسب ریسک اعتباری به روش تحلیل پوشی داده‌ها: مطالعه موردی شعب بانک کشاورزی»، فصلنامه پژوهش‌ها و سیاست‌های اقتصادی، سال هجدهم، شماره 55، صفحات 86-59.
مهدوی، غلامحسین و کاظم گودرزی (1389)، «ارائه یک شبکه عصبی مصنوعی جهت پیش‌بینی ریسک سیستماتیک با استفاده از متغیرهای کلان اقتصادی (مطالعه موردی: شرکت سایپا)»، پژوهشنامه اقتصادی، 11، 43، 237-219.
مدیریت تلفیق برنامه و فناوری اطلاعات (1395)، تبیین عملکرد صندوق کارآفرینی امید، تهران: صندوق کارآفرینی امید کشور.
هاشمیان، مژده، محمدتقی عیسایی، فتاح میکائیلی و محسن طباطبائی (1391)، «عوامل مـوثر بـر پـذیرش ابزارهـای بانکداری الکترونیک از سوی مشتریان (پیمایشی درباره بانک سامان)»، مدیریت فناوری اطلاعات، 4 (11)، 155-174.
Amin, H., Abdul Hamdi, M.R., Lada, S., and Baba, R., (2013), “Cluster Analysis for Bank Customers’ Selection of Islamic Mortgages in Eastern Malaysia an Empirical Investigation”, International Journal of Islamic and Middle Eastern Finance and Management, No. 82, 277-294.
Bošnjak, Z., and Grljevic, O. (2011), Credit User’s Segmentation for Improved Customer Relationship Management in Banking, In Applied Computational Intelligence and  Informatics. Proceedings (pp. 379-384). IEEE.
Chen, F. L., and Li, F. C. (2010), “Combination of Feature Selection Approaches with SVM in Credit Scoring”, Expert Systems with Applications, 37(7), 4902-4909.
Chiraphadhanakul, S., Dangprasert, P., and Avatchanakorn, V. (2013), Genetic Forecasting Algorithm with Financial Applications, InIntelligent Information Systems, IIS'97. Proceedings (pp. 174-178). IEEE.
Fang, B., and Ma, S. (2009), Data Mining Technology and its Application in CRM of Commercial Banks, In 2009 First International Workshop on Database Technology and Applications (pp. 243-246). IEEE.
Hendalianpour, A., Razmi, J., and Gheitasi, M. (2017), “Comparing Clustering Models in Bank Customers: Based on Fuzzy Relational Clustering Approach”, Accounting, 3(2), 81-94.
Herrera-Restrepo, O., Triantis, K., Seaver, W. L., Paradi, J. C., and Zhu, H. (2016), “Bank Branch Operational Performance: A Robust Multivariate and Clustering Approach”, Expert Systems with Applications, 50, 107-119.
Haenlein, M., Kaplan, A. M., and Beeser, A. J. (2015), “A Model to Determine Customer Lifetime Value in a Retail Banking Context”, European Management Journal, 25(3), 221-234.
Hubert, M., Rousseeuw, P. J., and Vanden Branden, K. (2005), “ROBPCA: A New Approach to Robust Principal Component Analysis”, Technometrics, 47(1), 64-79.
Kumar, V., Shah, D., and Venkatesan, R. (2014), “Managing Retailer Profitability-one Customer at a Time!”, Journal of Retailing, 82(4), 277-294.
Lee, B., Cho, H., Chae, M., And Shim, S. (2010), “Empirical Analysis of Online Auction Fraud: Credit Card Phantom Transactions”, Expert Systems with Applications, 37(4), 2991-2999.
Lin, C. S., Tzeng, G. H., and Chin, Y. C. (2011), “Combined Rough set Theory and Flow Network Graph to Predict Customer Churn in Credit card Accounts”, Expert Systems with Applications, 38(1), 8-15.
Ngai, E. W., Xiu, L., and Chau, D. C. (2009), “Application of Data Mining Techniques in Customer Relationship Management: A Literature Review and Classification”, Expert Systems with Applications, 36(2), 2592-2602.
Purba, I. Permanasari, A.E. Setiawan, N.A.(2014), Optimization of Neural Using Genetic Algorithm in Forecasting Third Party Funds Bank, Electrical Engineering and Informatics (MICEEI), Makassar International Conference on.IEEE.pp184-188.
Saar, D. Yagil, Y. (2015), “Forecasting Sectorial Profitability and Credit Spreads Using Bond Yields”, International Review of Economics and Finance, vol (38), pp29-43.
Xie, Y., Li, X., Ngai, E. W. T., and Ying, W. (2009), “Customer Churn Prediction Using Improved Balanced Random Forests”, Expert Systems with Applications, 36(3), 5445-5449.