دانلود ترجمه مقاله ارزیابی ریسک اعتباری از طریق داده کاوی

1. مقدمه 2. بررسی مدل 3. استفاده از داده کاوی برای ارزیابی اعتباری 4. بحث و بررسی

چکیده – ارزیابی ریسک اعتباری برای وام های با وثیقه، یک عملیات مهم برای سیستم های بانکداری محسوب می ‏شود و از این طریق اطمینان حاصل می ‏شود که وام گیرندگان وام های خود را در مهلت های زمانی تعیین شده پرداخت می‏ کنند و همچنین بر این اساس بانک ها به عنوان یک موسسه ‏ای طبقه‏ بندی می‏ شوند که در آن قوانین بانکی به خوبی رعایت می ‏شوند. این مقاله به شناسایی عواملی کمک می‏ نماید که برای ارزیابی برنامه‏ های اعتباری بانک های روستایی (بانک پرکردیتان راکیات) مورد استفاده قرار می‏ گیرند. با هدف کاهش تعداد وام های پرداخت نشده، معیار تصمیم جاری در زمینه ارزیابی ریسک اعتباری توسط محققان مورد بررسی و تجزیه و تحلیل قرار گرفت. علاوه بر آن از یک مدل درخت تصمیم در کنار متدلوژی استخراج داده‏ ها نیز استفاده گردید. از مدل ارزیابی ریسک اعتباری برای PT BPR X در شهر بالی اندونزی استفاده شد، این بانک دارای 1082 وام گیرنده (11.99%) است که وام های خود را نپرداخته ‏اند و به عنوان وام های نامطلوب در نظر گرفته شده‏ اند. این فرایند باعث می‏ شود بانک PT BPR X در زمره بانک هایی قرار بگیرد که بر تعهدات خود پایبند نبوده و در انجام وظایف ضعیف عمل نموده است. از فرایند استخراج داده‏ ای برای نشان دادن مدل درخت تصمیم جهت ارزیابی اعتبار استفاده می‏ شود، همچنین در این فرایند مشخص می‏ شود که آیا درخواست افراد وام گیرنده می‏ تواند به عنوان ریسک وام های پرداخت شده و نشده طبقه‏ بندی گردد. با استفاده از متدلوژی C5.0 یک مدل درخت تصمیم جدید ساخته خواهد شد. مدلی که در این مقاله مطرح می‏ شود معیار جدیدی را در تجزیه و تحلیل کاربرد وام نشان می‏ دهد. نتایج به دست آمده نشان می‏ دهند که اگر این مدل مورد استفاده قرار گیرد، بانک PT BPR X وام های معوقه یا پرداخت نشده را تا 5 % کاهش دهد و می‏ تواند در گروه بانک های ایده‏ آل قرار گیرد.

Credit risk assessment for secured loans is an important operation in banking systems to ensure the lenders pay the loans on schedule and to classify the bank as a well performing bank due to regulation. This paper aims to identify factors which are necessary for a rural bank (Bank Perkreditan Rakyat) to assess credit application. By aiming on the reduction of number of non-performing loans, current decision criteria on credit risk assessment are evaluated. Subsequently, a decision tree model is proposed by applying data mining methodology. The credit risk assessment model is applied to PT BPR X in Bali that had 1082 lenders (11.99%) who had non-performing loans and were identified as bad loan cases. This made PT BPR X was categorized as a poorly performing bank. Data mining is used to suggest a decision tree model for credit assessment as it can indicate whether the request of lenders can be classified as performing or non-performing loans risk. Using C 5.0 methodology, a new decision tree model is generated. This model suggests that new criteria in analyzing the loan application. The evaluation results show that if this model is applied, PT BPR X can reduce non-performing loans to less than 5% and the bank can be classified as a well performing bank.