دانلود مقاله مدل ارزیابی هوشمند ریسک اعتباری بر اساس یادگیری ماشینی
ترجمه نشده

دانلود مقاله مدل ارزیابی هوشمند ریسک اعتباری بر اساس یادگیری ماشینی

عنوان فارسی مقاله: مدل ارزیابی هوشمند ریسک اعتباری بر اساس یادگیری ماشینی
عنوان انگلیسی مقاله: Credit Risk Intelligent Assessment Model Based on Machine Learning
مجله/کنفرانس: 2022 دومین کنفرانس بین المللی فناوری الکترونیک، ارتباطات و اطلاعات IEEE (ICETCI) - 2022 IEEE 2nd International Conference on Electronic Technology, Communication and Information (ICETCI)
رشته های تحصیلی مرتبط: اقتصاد - مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: اقتصاد پولی - اقتصاد مالی - هوش مصنوعی
کلمات کلیدی فارسی: ارزیابی ریسک اعتباری - XGBOOST - فرآیند تحلیل سلسله مراتبی - مدل یادگیری ماشینی - Mpai
کلمات کلیدی انگلیسی: Credit risk assessment - XGBOOST - Analytic hierarchy process - Machine learning model - Mpai
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1109/ICETCI55101.2022.9832083
لینک سایت مرجع: https://ieeexplore.ieee.org/document/9832083
نویسندگان: Haofeng Shi - Zhihua Wang - Xinming Wang
دانشگاه: School of Economics, Northwest Minzu University, China
صفحات مقاله انگلیسی: 4
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال - کنفرانسی
نوع مقاله: ISI
سال انتشار مقاله: 2022
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e17101
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: IEEE Citation
فهرست مطالب (ترجمه)

خلاصه

مقدمه

II. شرح داده های مدل

III. ایجاد مدل و راه حل

IV. ارزیابی مدل و نتیجه گیری

منابع

فهرست مطالب (انگلیسی)

Abstract

I. Introduction

II. Model Data Description

III. Model Establishment and Solution 

IV. Model Evaluation and Conclusions

References

بخشی از مقاله (ترجمه ماشینی)

چکیده

     در سیستم اقتصادی، سیستم بازار و اهداف توسعه چین امروزی، شرکت های کوچک و متوسط نقش اساسی دارند. در دسترس بودن سرمایه شرط لازم برای توسعه شرکت های کوچک و متوسط است. با این حال، در چین، شرکت های کوچک و متوسط نمی توانند معضل توسعه را که تامین مالی دشوار و پرهزینه است، به طور موثر برطرف کنند. دلیل عمیق در سیستم ارزیابی اعتبار ناقص صنعت بانکداری برای شرکت‌های کوچک و متوسط است. هدف این مقاله ایجاد یک مدل ریاضی برای ارزیابی ریسک اعتباری شرکت‌های کوچک و متوسط و ایجاد یک استراتژی جدید ارزیابی اعتبار بانکی برای پشتیبانی و پشتیبان‌گیری دقیق از MSMEs با اندازه‌های مختلف است.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract

     In today's Chinese economic system, market system, and development goals, MSMEs play an essential role. The availability of capital is a necessary condition for the development of MSMEs. However, in China, MSMEs still cannot effectively eliminate the development dilemma that financing is difficult and expensive. The deep-seated reason lies in the imperfect credit evaluation system of the banking industry for MSMEs. The purpose of this paper is to establish a mathematical model for credit risk evaluation of MSMEs and to establish a new bank credit evaluation strategy to support and back up MSMEs of different sizes accurately.

Introduction

     As economic globalization develops, Chinese MSMEs have seen rapid development. However, with the further development of MSMEs, the shortage of capital often becomes a significant factor limiting the further development of MSMEs. Due to the limitation of the size of MSMEs, their risk tolerance is weak, leading to further increase of enterprise credit risk and the difficulty of credit assessment by commercial banks. The purpose of this paper is to establish a mathematical model for assessing the credit risk of MSMEs and to establish new bank credit strategies to support and back up MSMEs of different sizes accurately. In this paper, an evaluation model is established by combining the machine learning model XGBoost algorithm with AHP, and the combined model is used to construct and analyze the model to quantify further and evaluate the credit risks of MSMEs. While ensuring the interests of commercial banks, more MSMEs are provided with loans to increase the amount of loanable capital of the whole society. Promote the further development of MSMEs and promote social progress.

Model Evaluation and Conclusions

     This paper establishes a reasonable mathematical model and formulates the bank's credit strategy by evaluating and ranking the credit risk. We first use the analytic hierarchy process to determine the factors affecting the credit risk and then use the comparative method to quantify the importance of each factor. After the consistency test is passed, an acceptable pairwise comparison matrix is constructed. MATLAB software calculates the proportion of N factors in this layer in target Z. The proportion in the criterion layer is written into a vector and normalized to obtain the weight vector.

     Then, this paper uses SPSS software to quantify the stability of supply and demand in the criterion layer and then quantify the relationship between customer churn rate and reputation level given in the data to calculate the average value of the three levels of ABC. After data preparation, this paper classifies the eigenvalues for similar machine learning. We use Mpai software to substitute effective indicators into the machine learning model XGBOOST regression for training. In this paper, xgboost machine learning is used to substitute the normalized weight vector in the analytic hierarchy process to obtain the quantitative regression value of the company's strength. Finally, the credit risk rating evaluation formula is constructed using the criteria layer weight and the lower level quantitative data. The final enterprise credit risk ranking is obtained using Mpai software, and the credit strategy is given scientifically and reasonably according to the ranking.