1-5-1 : فرضیه اصلی
 مدل های منتج از تکنیک های داده کاوی جهت اعتبارسنجی مبتنی بر صورت های مالی از کارآیی مناسبی برخوردار می باشند.

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

1-5-1-1 : فرضیه های فرعی
فرضیه فرعی 1 : مدل منتج از تکنیک ماشین بردار پشتیبان جهت اعتبارسنجی مبتنی بر صورتهای مالی از کارآیی مناسبی برخودار می باشد.
فرضیه فرعی 2 : مدل منتج از تکنیک درخت تصمیم جهت اعتبارسنجی مبتنی بر صورتهای    مالی از کارآیی مناسبی برخودار می باشد.
فرضیه فرعی 3 : مدل منتج از تکنیک شبکه های عصبی جهت اعتبارسنجی مبتنی بر صورتهای مالی از کارآیی مناسبی برخودار می باشد.

  • چارچوب نظری پژوهش
  • داده کاوی در بسیاری از شاخه ها همچون بازاریابی، امور مالی، بانکداری، تولید، پزشکی، مدیریت ارتباط با مشتری، ردیابی، پیش بینی خرابی ها، آموزش سازمانی و… کاربرد دارد. که در این بین کاربرد داده کاوی در صنعت بانکداری از اهمیت بالایی برخوردار می باشد که می توان به موارد زیر تصریح نمود :

  • پایگاه داده عظیم و بسیاری وجود دارند. 2- اطلاعات تجاری ارزشمندی می تواند از این پایگاه داده استخراج شوند. 3- بهره گیری از روشهای سنتی گذشته برای پشتیبانی تصمیم و تحلیلها اجرا شدنی نیست. 4- تحلیلهای انسانی تحت تأثیر ابعاد و حجم داده ها قرار میگیرد. 5- متدهای آماری سنتی رتبه قادر به رتبه بندی نیستند و نیاز به کارشناسان و تحلیلگران مهم و قابل توجه دارد.
  • یکی از مباحث مهم در صنعت بانکداری تشخیص توانایی یا ارزیابی قدرت شرکت ها در باز پرداخت بدهی، جهت کاهش خسارت های ناشی از ناتوانی آنان در بازگرداندن تسهیلات دریافتی می باشد. که بعضی از مزایای آن عبارت می باشد از: 1- کاهش هزینه تحلیل 2- تصمیم گیری سریع3- تضمین تسهیلات و حذف ریسک های احتمالی 4- تعیین اولویت در مجموعه اعطای تسهیلات
    در نتیجه ما می توانیم از مدل های مختلفی جهت ارزیابی وضعیت مالی مشتریان بهره گیری کنیم که این مدل ها به دو گروه اصلی تقسیم می شوند که عبارتند از :
    گروه اول: مدلهای پارامتریک: شامل 1- مدل احتمال خطی 2- مدل لاجیت و پروبیت 3- مدلهای تحلیل متمایز کننده
    گروه دوم: مدلهای ناپارامتریک: شامل 1- برنامه ریزی خطی 2- شبکه های عصبی 3- درخت های تصمیم 4- مدل نزدیکترین همسایگی 5- فراگرد تجزیه و تحلیل سلسله مراتبی 6- سیستم های خبره 7- الگوریتم ژنتیک
    در این پژوهش سه روش برای ارزیابی مشتریان بانک از نقطه نظر اعتبار آنها، مورد بهره گیری قرار خواهد گرفت. همچنین کوشش گردید تا با بهره گیری از یک مجموعه داده، مدلی مناسب برای پیش بینی وضعیت اعتباری مشتریان جدید طراحی گردد. مدلی که بتواند با کمترین خطا مشتریان را اعتبارسنجی کند. از آنجاییکه پیشرفت صحت حتی به میزان کم می تواند منجر به کاهش هزینه های کلان برای بانک در زمینه ریسک اعتباری گردد، در این پژوهش از روشهای ماشین بردار پشتیبان[1]، درخت تصمیم[2] و شبکه عصبی[3] برای اعتبارسنجی مشتریان بهره گیری می گردد.
    [1] Support Vector Machine
    [2] Decision Tree