شناسایی و تحلیل شاخص‌های اعتباری و رفتاری: مدلی برای رتبه‌بندی مشتریان تسهیلات خُرد بانکی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجو دکتری، گروه علوم اقتصادی، واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران.

2 استادیار، گروه مدیریت مالی، واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران.

3 دانشیار، گروه حسابداری و مدیریت مالی، دانشکده علوم انسانی، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران.

4 دانشیار، گروه مدیریت بازرگانی و مدیریت مالی، واحد اسلامشهر، دانشگاه آزاد اسلامی، تهران، ایران.

10.22059/frj.2025.388263.1007692

چکیده

هدف: برای امتیازدهی به مشتریان، بایستی یک سیستم امتیازدهی مناسب و عادلانه تعیین شود؛ سیستمی که بتواند با در نظر گرفتن معیارهای اعتباری و رفتاری، مشتریان را در رده‌های مختلف قرار دهد و بر اساس عملکرد آن‌ها، به آن‌ها امتیازهای متناسب اختصاص دهد. علاوه‌براین، به توسعۀ روش‌هایی برای ارزیابی و پایش مشتریان در طول زمان نیاز است. هدف از این پژوهش، شناسایی و تحلیل شاخص‌های اعتباری و رفتاری و ارائۀ مدلی برای رتبه‌بندی مشتریان در تسهیلات خُرد بدون پشتوانه (بدون وثیقه) است. اعتبارسنجی مشتریان فرایند پیچیده‌ای است که شامل مراحل بررسی مدارک، تحلیل وضعیت مالی و تاریخچۀ پرداخت‌های قبلی مشتریان است. یکی از موضوعات مهم در اعتبارسنجی مشتریان، تعیین میزان، توان و قابلیت بازپرداخت وام توسط مشتریان است. هدف از این پژوهش، ارائۀ مدل اعتبارسنجی و رتبه‌بندی مشتریان در تسهیلات خُرد بدون پشتوانه و برآورد احتمال نکول تسهیلات خُرد بدون پشتوانه، در بانکداری دیجیتال بانک خاورمیانه است.
روش: جامعۀ آماری این پژوهش، کلیۀ مشتریان خُرد بانکداری دیجیتال بانک خاورمیانه بود و از روش تمام شماری برای مشتریان سال‌های ۱۴۰۰ تا ۱۴۰۱ استفاده شد. مبنای این پژوهش برای رتبه‌بندی مشتریان در تسهیلات خُرد بدون پشتوانه، مدلی بود که در پژوهش احمدی کوشا و همکاران (۱۴۰۳) ارائه شد؛ از این رو شاخص‌هایی همچون سن، مبلغ وام دریافتی، مبلغ مجاز درخواست وام، مبلغ کل تسهیلات دریافتی، امتیاز، تأیید پول‌شویی، جنسیت، شغل، شهر، مدرک، وضعیت وام و نوع شغل، به‌عنوان متغیرهای ورودی اولیه در نظر گرفته شدند. در ادامه، از رگرسیون فازی و با الهام از کتابخانه‌های نرم‌افزار Python مانند SciKit-Fuzzy و NumPy، داده‌ها تحلیل شدند و در ادامه، فرمولی برای رگرسیون فازی به‌دست آمد. همچنین، به‌منظور ارزیابی نهایی مدل اعتبارسنجی و رتبه‌بندی مشتریان تسهیلات خُرد بدون پشتوانه، از یک مثال برای یک مشتری استفاده شد.
یافته‌ها: بر اساس خروجی به‌دست‌آمده، متغیرهای مبلغ وام دریافتی درخواست‌شده، مبلغ کل تسهیلات و شغل، تأثیری در پرداخت اقساط ۶۰ روز بعد از سررسید ندارد. افزون‌براین، رتبه‌بندی متغیرهای مهم در پرداخت اقساط ۶۰ روز بعد از سررسید، به‌ترتیب عبارت‌اند از: وضعیت تسویۀ وام، وضعیت پول‌شویی، جنسیت، مدرک، سن، امتیاز، نوع شغل و شهر. همچنین، اعتبار و قدرت پیش‌بینی مدل، از طریق یک مشتری بررسی شد که نمرۀ 8738/0 به‌دست‌آمد که نشان می‌دهد این مشتری در پرداخت اقساط ۶۰ روز بعد از سررسید، در وضعیت خوبی قرار داشته است. بدین ترتیب کارآمدی مدل در ارزیابی و مدیریت ریسک اعتباری آزمون شد. استفاده از این مدل برای مؤسسه‌های مالی در تضمین شیوه‌های وام‌دهی پایدار حیاتی است.
نتیجه‌گیری: با توجه به متغیرهای شناسایی‌شدۀ مؤثر بر رفتار پرداخت پس از سررسید، برای مؤسسه‌های مالی ضروری است که این عوامل را در چارچوب‌های ارزیابی ریسک خود بگنجانند. این بانک باید اجرای پروتکل‌های سخت‌گیرانۀ مبارزه با پول‌شویی را در اولویت قرار دهد و به‌طور منظم معیارهای ارزیابی ریسک خود را به‌روز کند تا با الزامات نظارتی هماهنگ شود. همچنین، برای به حداکثر رساندن کاربرد این مدل، بانک خاورمیانه باید در نظارت و اصلاح مستمر مدل سرمایه‌گذاری و از آخرین داده‌های موجود از رفتارهای مشتری برای انطباق با پویایی بازار استفاده کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identification and Analysis of Credit and Behavioral Indicators: A Model for Ranking Retail Banking Loan Customers

نویسندگان [English]

  • Azadeh Ahmadi Kousha 1
  • Faegh Ahmadi 2
  • Mohammad Hossein Ranjbar 3
  • Hamid Reza Kordlouie 4
1 Ph.D. Candidate, Department of Economic Sciences, Qeshm Branch, Islamic Azad University, Qeshm, Iran.
2 Assistant Prof., Department of Financial Management, Qeshm Branch, Islamic Azad University, Qeshm, Iran.
3 Associate Prof., Department of Accounting and Financial Management, Faculty of Humanities, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran.
4 Associate Prof., Department of Business Management & Financial Management, Islamshahr Branch, Islamic Azad University, Tehran, Iran.
چکیده [English]

Objective
To score customers effectively, it is essential to establish a fair and appropriate scoring system. This system should classify customers into different categories based on credit and behavioral criteria and assign them scores aligned with their performance. Moreover, developing methods to evaluate and monitor customers over time is necessary. This study aims to identify and analyze credit and behavioral indicators to propose a model for ranking customers with unsecured small loans. Customer credit evaluation is a complex process that involves reviewing documents, analyzing financial status, and assessing the customer's payment history. A critical aspect of this evaluation is determining customers' ability, willingness, and capacity to repay loans. This research seeks to present a credit evaluation and ranking model for unsecured small loans and to estimate the probability of default within the bank’s digital banking system.
 
Methods
The statistical population for this research includes all retail customers of the digital banking services of Khavar-e-Miyaneh Bank. A census method was used to study the customers during the fiscal years 1400–1401. The model developed by Ahmadi Koosha and colleagues (1403) was used as the basis for ranking customers with unsecured small loans. Indicators such as age, loan amount, eligible loan request amount, total loans received, score, anti-money laundering approval, gender, occupation, city, education level, loan status, and job type were identified as the initial input variables. Data analysis was conducted using fuzzy regression and was inspired by Python libraries such as SciKit-Fuzzy and NumPy, resulting in a fuzzy regression formula. To finalize the evaluation of the credit scoring and ranking model, an example involving a customer was presented.
 
Results
The results indicate that variables such as the requested loan amount, total loans received, and occupation do not influence the repayment of installments 60 days past due. The ranking of significant variables affecting repayment within 60 days after the due date is as follows: loan settlement status, anti-money laundering status, gender, education level, age, score, job type, and city. Additionally, the model’s accuracy and predictive power were tested using a hypothetical customer, yielding a score of 0.8738. This score demonstrates that the customer is in a favorable position for repayment within 60 days past due and highlights the model's efficiency in credit risk assessment and management, which are crucial for financial institutions to ensure sustainable lending practices.
 
Conclusion
The results indicate that variables such as the requested loan amount, total loans received, and occupation do not affect the repayment of installments 60 days past due. The ranking of significant variables influencing repayment within 60 days after the due date is as follows: loan settlement status, anti-money laundering status, gender, education level, age, score, job type, and city. Furthermore, the model’s accuracy and predictive power were tested using a hypothetical customer, yielding a score of 0.8738. This score indicates that the customer is in a favorable position for repayment within 60 days past due and demonstrates the model's effectiveness in credit risk assessment and management, which are crucial for financial institutions to ensure sustainable lending practices.

کلیدواژه‌ها [English]

  • Model presentation
  • Validation
  • Customer rating
  • Unsupported micro-lending

مراجع

احمدی سرتختی، فرشید؛ هژبر کیانی، کامبیز؛ حسینی، سید شمس‌الدین و معمارنژاد، عباس (۱۴۰۲). طراحی مدلی برای ارزیابی ریسک اعتباری مشتریان ضمانت‌‌نامه‌های صادر شده توسط صندوق ضمانت صادرات ایران با کمک مدل شبکه عصبی مصنوعی. تحقیقات مالی، ۲۵(۴)، ۶۴۱-۶۶۰.
احمدی کوشا، آزاده؛ احمدی، فائق؛ رنجبر، محمد حسین و کردلویی، حمیدرضا (1403). شناسایی شاخص‌های اعتبارسنجی و رتبه‌بندی مشتریان در تسهیلات خُرد در بانک خاورمیانه. تحقیقات مالی، 26(2)، 399-423.
اخباری، حمیدرضا؛ محمدزاده سالطه، حیدر؛ برادران حسن‌زاده، رسول و زینالی، مهدی (1403). بهینه‌‌سازی پیش‌‌بینی بازده سهام مبتنی بر ریسک در صنایع منتخب بورس اوراق بهادار تهران (رهیافت تحلیل پوششی داده‌‌ها). تحقیقات مالی، 26(2)، 331-354.
اشراقی سامانی، رویا؛ شیخ محمدی، فرزاد و پورسعید علیرضا (1394). عوامل مؤثر بر عدم بازپرداخت تسهیلات بانک کشاورزی از سوی کشاورزان (مورد: شهرستان ایلام). اقتصاد فضا و توسعه روستایی، ۴ (۱۲)، ۹۱-۷۷.
ترابیان، علیرضا؛ ناهیدی امیرخیز، محمد رضا؛ جانی، سیاوش و حسن‌زاده، رقیه (1401). اعتبارسنجی و رتبه‌بندی مشتریان حقیقی: مطالعه موردی بانک صاردرات ایران. دانش سرمایه‌گذاری، 11(41)، 145-162.
خجسته، غلامرضا؛ دایی کریم‌زاده، سعید و شریفی رنانی، حسین (1398). رتبه‌‌بندی اعتباری مشتریان حقیقی بانک با رویکرد ترکیبی رگرسیون لجستیک ـ سمبلیک. فصلنامه مدیریت منابع در نیروی انتظامی، 7(3)، 117-148.
ذوالفقاری، روح‌اله؛ تشکری، نسیمه و ارم، اصغر (1401). طراحی مدل تعیین تضامین جهت تأمین مالی طرح‌‌ها و شرکت‌‌های کوچک و متوسط (SME) فناور با استفاده از مدل فازی ـ عصبی. تحقیقات مالی، 24(3)، 453-479.
رحمانی، علی؛ پارسایی، منا و محمدی خانقاه، گلشن (1402). رتبه‏ اعتباری و هزینه سرمایه. تحقیقات مالی، (1)25،110- 126.
سرکانیان، جواد؛ راعی، رضا؛ شیرکوند، سعید و عباسیان، عزت‌اله (1402). ارزیابی تأثیر مشخصه‌‌های بانک بر کانال وام‌‌دهی بانک‌‏ها با رویکرد FAVAR. تحقیقات مالی، 25(1)، 1-25.
عیسی‌زاده، سعید و عریانی، بهاره (1389). رتبه‌‌بندی مشتریان حقوقی بانک‏‌ها برحسب ریسک اعتباری به‌روش تحلیل پوششی داده‌‌ها (مطالعه موردی: شعب بانک کشاورزی)، پژوهش‌‌ها و سیاست‌‌های اقتصادی، 18(55)، 59-86.
فلاح تفتی، محبوبه (1400). تبیین ریسک اعتباری در نظام بانکی، هشتمین کنفرانس بین‌المللی حسابداری، مدیریت و نوآوری در کسب‌وکار، تهران.
کوهی، حسن و غلامی، روح‌الله (1391). رتبه‌‌بندی اعتباری مشتریان حقوقی بخش صنعت با استفاده از مدل تحلیل پوششی داده‌‌ها (DEA). مطالعات کمی در مدیریت، 3(3)، 115-138.
 
References
Ahmadi Kousha, A., Ahmadi, F., Ranjbar, M. H. & Kordlouie, H. (2024). Validation Indicator Identification and Customer Ranking in Microloans: A Study at Middle East Bank in Iran. Financial Research Journal, 26(2), 415-438. doi: 10.22059/frj.2024.370376.1007551 (in Persian)
Ahmadi Sartakhti, F., Hojabr Kiani, K., Hoseini, S. S. & Memarnejad, A. (2023). Designing a Model for Credit Risk Assessment of Customers for Guarantees Issued by the Export Guarantee Fund of Iran via Artificial Neural Network Model. Financial Research Journal, 25(4), 641-660. doi: 10.22059/frj.2023.361963.1007488 (in Persian)
Akhbari, H., Mohammadzadeh Salteh, H., Baradaran Hassanzadeh, R. & Zeynali, M. (2024). Optimizing Risk-based Stock Return Prediction in Tehran Stock Exchange industries: A Data Envelopment Analysis. Financial Research Journal, 26(2), 347-370. doi: 10.22059/frj.2023.339775.1007309 (in Persian)
Almaiah, M. A., Alfaisal, R., Salloum, S. A., Al-Otaibi, S., Al Sawafi, O. S., Al-Maroof, R. S., ... & Awad, A. B. (2022). Determinants influencing the continuous intention to use digital technologies in Higher Education. Electronics, 11(18), 2827.
Alrawad, M., Lutfi, A., Almaiah, M. A., Alsyouf, A., Al-Khasawneh, A. L., Arafa, H. M., ... & Tork, M. (2023). Managers’ Perception and Attitude toward Financial Risks Associated with SMEs: Analytic Hierarchy Process Approach. Journal of Risk and Financial Management, 16(2), 86.
Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 23(4), 589-609.
An, X., Cordell, L. & Tang, S. (2020). Extended Loan Terms and Auto Loan Default Risk. Research Department, Federal Reserve Bank of Philadelphia.
Balkrishna, A., Ghosh, S. & Arya, V. (2024). A Case Study on the Role of Digital Intervention in the Success of Micro-Finance through SIDBI-PRAYAAS Scheme. International Journal of Financial Management, 14(2).
Bello, O. A. (2023). Machine learning algorithms for credit risk assessment: an economic and financial analysis. International Journal of Management, 10(1), 109-133.‏
Beltrame, F., Grassetti, L., Bertinetti, G. S. & Sclip, A. (2023). Relationship lending, access to credit and entrepreneurial orientation as cornerstones of venture financing. Journal of Small Business and Enterprise Development, 30(1), 4-29.
Bhatt, T. K., Ahmed, N., Iqbal, M. B. & Ullah, M. (2023). Examining the Determinants of Credit Risk Management and Their Relationship with the Performance of Commercial Banks in Nepal. Journal of risk and financial management, 16(4), 235.
Bhattacharya, A., Biswas, S. K. & Mandal, A. (2023). Credit risk evaluation: a comprehensive study. Multimedia Tools and Applications, 82(12), 18217-18267.‏
Cai, J., Meki, M., Quinn, S., Field, E., Kinnan, C., Morduch, J., ... & Said, F. (2023). Microfinance. VoxDevLit, 3(2), 26.‏
Chen, N., Ribeiro, B. & Chen, A. (2016). Financial credit risk assessment: a recent review. Artificial Intelligence Review, 45, 1-23.‏
Cosma, S., Rimo, G. & Torluccio, G. (2023). Knowledge mapping of model risk in banking. International Review of Financial Analysis, 102800.‏
Creswell, J.W. (2003) Qualitative, Quantitative, and Mixed Methods Approaches, (2nd Edition). Sage publications.
Cull, R. & Hartarska, V. (2023). Overview of microfinance, financial inclusion, and development. In Handbook of microfinance, financial inclusion and development (pp. 2-19). Edward Elgar Publishing.‏
Dawodu, S. O., Omotosho, A., Akindote, O. J., Adegbite, A. O. & Ewuga, S. K. (2023). Cybersecurity risk assessment in banking: methodologies and best practices. Computer Science & IT Research Journal, 4(3), 220-243.‏
Eisazadeh, S. & Aryani, B. (2010). Ranking Legal Customers of Banks Based on Credit Risk Using Data Envelopment Analysis: A Case Study of Branches of Bank Keshavarzi. Economic Research and Policies, (55), 59-86. (in Persian)
Eshraghi Samani, R., Sheykh Mohammadi, F. & Poursaeed A.R. (2015). Effective Factors Contributing to the Non-Repayment of Keshavarzi bank Facilities by Farmers Case: Ilam County. Spatial Economics and Rural Development, 4(12), 77-91. (in Persian)
Fallah Tafti, M. (2021). Explaining Credit Risk in the Banking System. Eighth International Conference on Accounting, Management and Innovation in Business, Tehran.
(in Persian)
Fati, S. M. (2024). A Loan Default Prediction Model Using Machine Learning and Feature Engineering. ICIC Express Lett, 18(1), 27-37.‏
Ge, Y., Song, H., & Li, B. (2021, April). Bank Loan Strategy Based on Evaluation and Decision Model. In Journal of Physics: Conference Series, 1865(4), 042018. IOP Publishing.
Hota, L., Jain, P. K., & Kumar, A. (2025). A Comparative Performance Assessment for Prediction of Loan Approval in Financial Sector. Procedia Computer Science, 258, 298-307.
Joseph, N., Guérin, I., Guermond, V., Brickell, K., Natarajan, N. & Michiels, S. (2024). Microfinance, debt distress and data capture: Evidence from pandemic times in rural South India Research findings report (Doctoral dissertation, Royal Holloway University of London; French Institute of Pondicherry; King's College London; Princeton University).‏
Khojesteh, Gh., Dayi Karimzadeh, S. & Sharifi Renani, H. (2020). Credit Ranking of Retail Customers of Banks with a Combined Approach of Logistic Regression-Symbolic. Quarterly Journal of Human Resources Management in Law Enforcement, 7(3), 117-148. (in Persian)
Koohi, H. & Gholami, R. (2012). Credit Ranking of Corporate Customers in the Industrial Sector Using Data Envelopment Analysis (DEA) Model. Quantitative Management Studies, 3(3), 115-138. (in Persian)
Kumar, C. N., Keerthana, D., Kavitha, M. & Kalyani, M. (2022, June). Customer Loan Eligibility Prediction using Machine Learning Algorithms in Banking Sector. In 2022 7th International Conference on Communication and Electronics Systems (ICCES) (pp. 1007-1012). IEEE.
Li, Z., Li, A., Bellotti, A. & Yao, X. (2023). The profitability of online loans: A competing risks analysis on default and prepayment. European Journal of Operational Research, 306(2), 968-985.‏
Liu, Z., Zhang, Z., Yang, H., Wang, G. & Xu, Z. (2023). An innovative model fusion algorithm to improve the recall rate of peer-to-peer lending default customers. Intelligent Systems with Applications, 20, 200272.‏
Meng, B., Sun, J. & Shi, B. (2024). A novel URP-CNN model for bond credit risk evaluation of Chinese listed companies. Expert Systems with Applications, 255, 124861.‏
Murphy, C. (2024). ‘Trust No One’: The Logics of Microfinance, Depending on Whom You Ask. In Who Gives to Whom? Reframing Africa in the Humanitarian Imaginary (pp. 155-174). Cham: Springer Nature Switzerland.‏
Naili, M. & Lahrichi, Y. (2022). The determinants of banks' credit risk: Review of the literature and future research agenda. International Journal of Finance & Economics, 27(1), 334-360.
Nguyen, Q. K. (2022). Audit committee structure, institutional quality, and bank stability: Evidence from ASEAN countries. Finance Research Letters, 46, 102369.
Pimcharee, K. & Surinta, O. (2022). Data Mining Approaches in Personal Loan Approval. Engineering Access, 8(1), 15-21.
Pomazanov, M. (2022). Validation of the effectiveness of the bank retail portfolio risk management procedure. Procedia Computer Science, 199, 798-805.
Pur, S., Huesig, S. & Schmidhammer, C. (2022). Application and validation of a disruptive potential methodology for digital two-sided platforms-the case of marketplace lending in Germany. International Journal of Technology Management, 88(2-4), 205-246.
Rahmani, A., Parsaei, M. & Mohammadi Khanghah, G. (2023). Credit Rating and Cost of Capital. Financial Research Journal, 25(1), 110-126. doi: 10.22059/frj.2022.342131.1007325 (in Persian)
Saha, S. & Waheed, S. (2017). Credit risk of bank customers can be predicted from customer's attribute using neural network. International Journal of Computer Applications, 161(3), 39-43.
Samsir, S., Suparno, S. & Giatman, M. (2020, April). Predicting the loan risk towards new customer applying data mining using nearest neighbor algorithm. In IOP Conference Series: Materials Science and Engineering (Vol. 830, No. 3, p. 032004). IOP Publishing.
Sarker, D. (2022). Experiences of people with physical disabilities when accessing microfinance services in Bangladesh: A qualitative study. Alter. European Journal of Disability Research, (3), 41-55.
Scott, A. O., Amajuoyi, P. & Adeusi, K. B. (2024). Effective credit risk mitigation strategies: Solutions for reducing exposure in financial institutions. Magna Scientia Advanced Research and Reviews, 11(1), 198-211.‏
Serkanian, J., Raei, R., Shirkavand, S. & Abbasian, E. (2023). Evaluating the Effect of Bank Characteristics on Bank Lending Channel: A Factor-augmented Vector Autoregressive (FAVAR) Approach. Financial Research Journal, 25(1), 1-25. doi: 10.22059/frj.2021.327426.1007220 (in Persian)
Simão, S. B. S. (2023). Machine Learning applied to credit risk assessment: Prediction of loan defaults (Master's thesis, Universidade NOVA de Lisboa (Portugal)).‏
Song, Y., Wang, Y., Ye, X., Zaretzki, R. & Liu, C. (2023). Loan default prediction using a credit rating-specific and multi-objective ensemble learning scheme. Information Sciences, 629, 599-617.
Sundar, R. (2021). Impact of Pre Loan assessment customer credit worthiness on loan defaults at later stages in Rural Segment–a study at Vehicle Financing NBFC. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(12), 232-240.‏
Torabian, A., Nahidi Amirkhiz, M. R., Javani, S. & Hassanzadeh, R. (2022). Credit Scoring and Ranking of Retail Customers: A Case Study of Bank Saderat Iran. Investment Knowledge, 11(41), 145-162. (in Persian)
Wang, L. (2022). Imbalanced credit risk prediction based on SMOTE and multi-kernel FCM improved by particle swarm optimization. Applied Soft Computing, 114, 108153.
Wang, W., Zhang, Y., Li, Y., Hu, Q., Liu, C. & Liu, C. (2022). Vulnerability analysis method based on risk assessment for gas transmission capabilities of natural gas pipeline networks. Reliability Engineering & System Safety, 218, 108150.
Xu, Y. (2020). Research on Personal Medical Loan under Bank-Medical Cooperation Mode. 2020 International Conference on the Frontiers of Innovative Economics and Management (FIEM 2020).
Yao, G., Hu, X. & Wang, G. (2022). A novel ensemble feature selection method by integrating multiple ranking information combined with an SVM ensemble model for enterprise credit risk prediction in the supply chain. Expert Systems with Applications, 200, 117002.
Zeng, H. (2019). Analysis and Research on the Profit Contribution Model of Commercial Bank Customers Based on Credit Rating Model, 2019 7th International Education, Economics, Social Science, Arts, Sports and Management Engineering Conference (IEESASM 2019).
Zhang, L., Wang, J. & Liu, Z. (2023). What should lenders be more concerned about? Developing a profit-driven loan default prediction model. Expert Systems with Applications, 213, 118938.‏
Zolfaghari, R., Tashakori, N. & Eram, A. (2022). Designing Collaterals Assessment Model to Finance Technological Projects and SMEs by Adaptive Neural Fuzzy Inference System (ANFIS). Financial Research Journal, 24(3), 453-479. doi: 10.22059/frj.2022.313263.1007094 (in Persian)
Zuama, R. A., Ichsan, N., Pohan, A. B., Azis, M. S. & Lase, M. (2024). An implementation of machine learning on loan default prediction based on customer behavior. Jurnal Info Sains: Informatika dan Sains, 14(01), 157-164.‏
تحقیقات مالی
دوره 27، شماره 4
1404
صفحه 960-986

فایل ها

هم رسانی

ارجاع به این مقاله

آمار