دانلود ترجمه مقاله مدلسازی پیش بینی قراردادهای اعتباری: استفاده از ماشین بردار پشتیبان

SPRINGER
سال انتشار :
2017
تعداد صفحات مقاله انگلیسی :
30
نشریه :
Springer
تعداد رفرنس ها :
16
نوع مقاله :
مقاله ISI
کلمات کلیدی :
پیش بینی قراردادهای اعتباری، ماشین بردار پشتیبان، اندازه گیری عملکرد
عنوان فارسی :

مدلسازی پیش بینی قراردادهای اعتباری: استفاده از ماشین بردار پشتیبان

عنوان انگلیسی :

Credit default prediction modeling: an application of support vector machine

وضعیت ترجمه :
لینک مقاله :

سال انتشار : 2017

تعداد صفحات مقاله انگلیسی : 30

نشریه : Springer

تعداد رفرنس ها : 16

نوع مقاله : مقاله ISI

ترجمه : انجام نشده. سفارش ترجمه تخصصی این مقاله

کلمات کلیدی : پیش بینی قراردادهای اعتباری، ماشین بردار پشتیبان، اندازه گیری عملکرد

عنوان فارسی : مدلسازی پیش بینی قراردادهای اعتباری: استفاده از ماشین بردار پشتیبان

عنوان انگلیسی : Credit default prediction modeling: an application of support vector machine



فهرست مطالب
1- مقدمه 2- پیش زمینه 3- طرح آزمایشی 4- نتایج و بحث 5- هزینه خطاهای پیش بینی اعتباری 6- نتیجه گیری

چکیده انگلیسی
Abstract Credit default prediction (CDP) modeling is a fundamental and critical issue for financial institutions. However, the previous studies indicate that the classifier’s performances in CDP analysis differ using different performance crite- rions on different databases under different circumstances. The performance assessment exercise under a set of criteria remains understudied in nature, on the one hand, and the real–scenario is not taken into account in that a single/very limited number of measure only are used, on the other hand. These problems affect the ability to make a consistent conclusion. Therefore, the aim of this study is to address this methodological issue by applying support vector machine (SVM)-based CDP algorithm by means of a set of representative performance criterions, with enclosing some novel performance measures, its performance compare with the results gained by statistical and intelligent approaches using six different types of databases from the credit prediction domains. Experimental results show that SVM model is marginally superior to CART with DA, being more robust than its other counterparts. In consequence, this study recommends that the supremacy of a classifier is linked to the way in which evaluations are measured.

چکیده فارسی
چکیده- مدلسازی پیش بینی قراردادهای اعتباری (CDP) یک مسئله اساسی و حیاتی برای موسسات مالی است. با این حال، مطالعات قبلی نشان می دهد که اجرای طبقه بندی در تجزیه و تحلیل CDP با استفاده از معیارهای عملکردهای مختلف بر روی پایگاه داده های مختلف در شرایط مختلف متفاوت است. از یک سو تمرین ارزیابی عملکرد تحت یک مجموعه ای از معیارهای مورد مطالعه در طبیعت باقی می ماند، و از سوی دیگر سناریوی واقعی در محاسبه که در آن تنها تعداد بسیار محدودی از اندازه گیری مورد استفاده قرار می گیرند، گرفته نمی شود. این مشکلات توانایی ایجاد یک نتیجه گیری سازگار را تحت تاثیر قرار می دهد. لذا هدف از این مطالعه برای حل مشکل موضوع روش با استفاده از ماشین بردار پشتیبان (SVM) مبتنی برالگوریتم CDP با استفاده از مجموعه ای معیارهای عملکرد نماینده، با گذاشتن برخی از اندازه گیرهای عملکردی نو، عملکرد آن در مقایسه با نتایج بدست آمده توسط روش های آماری و هوشمند با استفاده از شش نوع مختلف پایگاه داده ها از حوزه پیش بینی قراردادهای اعتباری مورد مقایسه قرار می گیرد. نتایج تجربی نشان می دهد که مدل SVM حاشیه ای برتر به CART با DA دارد که قوی تر از همتایان دیگر آن است. در نتیجه این مطالعه برتری یک طبقه بندی که مربوط می شود به روشی که در آن ارزیابی اندازه گیری شود را توصیه می کند.