الگوریتم ها و ساختارهای داده

بکارگیری تکنیک های داده کاوی در امتیازدهی اعتباری

Applying Data Mining Techniques to Credit Scoring

دانلود کتاب Applying Data Mining Techniques to Credit Scoring (به فارسی: بکارگیری تکنیک های داده کاوی در امتیازدهی اعتباری) نوشته شده توسط «Jayagopal B.»

اطلاعات کتاب بکارگیری تکنیک های داده کاوی در امتیازدهی اعتباری

نوع: کتاب الکترونیکی

نویسنده: Jayagopal B.

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2004

تعداد صفحه: 6

حجم فایل: 676 کیلوبایت

توضیحات کتاب بکارگیری تکنیک های داده کاوی در امتیازدهی اعتباری

تکنیک های تحلیلی پیشرفته ‼SAS توانایی اثبات شده ای برای پیش بینی سریع و دقیق ریسک زیان های اعتباری در موسسات مالی دارد. قادر است به سؤالاتی از قبیل «کدام متقاضیان باید پذیرفته یا رد شوند؟»، «کدام حساب‌ها احتمالاً معوقه می‌شوند؟» و «کدام یک از مشتریان معوقه پرداخت می‌کنند؟» را ارائه دهد. در نظر گرفته شده به عنوان آغازگری برای استفاده از تکنیک های داده کاوی موجود در SAS/Enterprise MinerT در فرآیند امتیازدهی اعتباری به منظور به حداقل رساندن خطر انحراف – امتیازدهی اعتباری روشی برای کمی کردن ریسک یک متقاضی اعتبار خاص است. امتیاز نهایی یک متقاضی از مجموع نمرات فردی به دست می آید که بر اساس تعدادی از ویژگی های مختلف مانند جمعیت شناسی، اطلاعات شغلی و نسبت بدهی به درآمد است. این امتیاز متقاضی را به یک گروه شانس خاص خوب/بد طبقه بندی می کند. سپس با یک نقطه برش از پیش تعریف شده مقایسه می شود تا سطح ریسک متقاضی را تعیین کند. فرض اساسی فرآیند فوق این است که رفتار گذشته به طور دقیق رفتار آینده را منعکس می کند. مواردی مانند رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم را می توان برای استنتاج الگوها و روابط از داده های اعتباری تاریخی و تعمیم این یافته ها برای امتیازدهی به متقاضیان جدید استفاده کرد. توضیح سطح بالایی از این تکنیک ها ارائه شده و ویژگی های آنها مقایسه شده است. مروری کوتاه بر مسئله استنتاج رد نیز پوشش داده شده است.

‼SAS’ advanced analytical techniques have a proven ability to quickly and accurately forecast the risk of credit losses at financial institutions. It is able to provide the answers to questions such as “Which applicants should be accepted or rejected?”, “Which accounts are likely to go into arrears?”, and ‘Which of the customers in arrears will pay?”. This paper is intended as a primer to the application of data mining techniques available in SAS/Enterprise MinerT to the credit scoring process so as to minimise the risk of delinquency-Credit scoring is a method of quantifying the risk of a particular credit applicant. The final score of an applicant is obtained from the sum of the individual scores that are based on a number of different characteristics such as demographics, employment information and debt-to-income ratios. The score classifies the applicant into a particular good/bad odds group. This grouping is then compared to a pre-defined cut-off point to determine the risk level of the applicant.The underlying assumption of the aforementioned process is that past behaviour accurately reflects future behaviour. Inductive models such as logistic regression, neural networks and decision trees can be used to infer patterns and relationships from historical credit data and generalise these findings to score new applicants. A high-level explanation of these techniques is provided and their characteristics compared. A brief overview of the reject inference problem is also covered.

دانلود کتاب «بکارگیری تکنیک های داده کاوی در امتیازدهی اعتباری»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان