وبلاگ

مالی و لیزینگ ۲/۷% تجارت الکترونیک ۸/۵% امنیت و ضد تروریسم ۳/۶% سرمایه گذاری و بورس ۹/۲% منبع : محمدی پور، ۱۳۸۸ همانطور که ملاحظه می کنید بجز شناسایی جرم، امنیت و ضد تروریسم و کمی وب کاری الباقی به طور مستقیم دارای حجم عظیمی از داده های مالی می باشند. بنابراین داده کاوی در میان اطلاعات مالی بیشترین سهم را دارا می باشد. برخی از کاربردهای داده کاوی در حوزه مالی که تحقیقات داخلی زیادی در رابطه با آن کار شده است عبارت است از : ۱. داده کاوی و مشتریان ۲. داده کاوی و بانک ۳. داده کاوی و ورشکستگی۴. داده کاوی و تقلب ۵. داده کاوی و سیستمهای اطلاعات حسابداری ۶. داده کاوی و پیش بینی های مالی ۷. داده کاوی و هزینه یابی ۸. داده کاوی در حسابرسی بکارگیری تکنیک های داده کاوی در حوزه اعتبارسنجی داده کاوی به طور گسترده برای مدیریت ریسک در صنعت بانکداری مورد استفاده قرار میگیرد. مدیران بانک نیاز به آگاهی از اینکه مشتریانی که خرید و فروش می کنند آیا قابل اعتماد و اطمینان هستند یا نه، ارائه کارت اعتباری جدید مشتریان، تمدید اعتبار مشتریان موجود، و موافقت با وام ها اگر اطلاعات در مورد مشتریان نداشته باشد می تواند تصمیم های ریسک داری باشند. داده کاوی میتواند با تعیین اینکه کدام یک از مشتریان مایل به پرداخت بدهی های خود هستند به کاهش ریسک بانکهایی که کارت اعتباری به مشتریان ارائه می دهند کمک کند. اعتبارسنجی یکی از ابزارهای مدیریت ریسک مالی می باشد. اعتبارسنجی می تواند برای قرض دهنده موقع قرض خیلی مهم باشد. سابقه درخواست کننده های خوب و بد وام می تواند برای تهیه مشخصات درخواست کننده های خوب و بد وام مورد استفاده قرار بگیرد. همچنین داده کاوی میتواند اعتبار رفتار وام گیرنده گان وام های پرداخت قسطی، رهن، و وامهای کارت اعتباری را با بهره گرفتن از خصوصیاتی از قبیل سابقه اعتبار، مدت استفاده، مدت اقامت را استنتاج کند. رتبه بندی به وام دهنده کمک می کند تا مشتری را ارزیابی کرده و تصمیم بگیرد که مشتری کاندید خوبی برای وام هست یا نه و دارای ریسک می باشد. مشتریانی که برای دوره های زمانی زیادی با بانک همکاری دارند، در وضعیت خوبی قرار می گیرند، و آنهایی که درآمد بالایی دارند احتمال زیادی برای دریافت وام دارند تا آنهایی که مشتری جدیدی بوده و سابقه ای در بانک ندارند یا آنهایی که درآمد پایینی دریافت می کنند. با دانستن احتمال عدم پرداخت مشتریان بانک در موقعیت بهتری برای کاهش ریسک قرار دارد. بررسی، سنجش و اندازه گیری اعتبار مشتریان در مؤسسات اعتباری، امروزه یکی از مهمترین تصمیمات مالی به شمار می آید. در گذشته، تصمیم در خصوص اعطای اعتبار به افراد حقیقی و یا حقوقی درخواست کننده اعتبار، اغلب بر عهده فردی خبره یا گروهی از خبرگان بوده است و این امر توسط بخشهای مرتبط با امور پولی و اعتباری به اجرا در می آمده است. از آنجایی که روش های قضاوتی مذکور بسیار وقت گیر، پرهزینه و ذهنی (غیر عینی) می باشند، از اعتبار علمی و پایایی لازم برخوردار نمی باشند. بدین منظور مؤسسات مالی باید اقدام به طراحی سیستمهای امتیازدهی اعتبار عینی و معتبری مبتنی بر الگوها و مدلهای علمی کنند. سیستمهای مدرن سنجش اندازه گیری اعتبار مشتریان مبتنی بر فرآیندهایی مکانیزه شده ای است که طی آن، به برخی از ویژگی های مهم اعتباری مشتریان، امتیازات خاصی اعطا می گردد.(انواری رستمی،فتحی،۱۳۸۲، ۲) مطالعات انجام شده در داخل کشور دکتر رحمانی و اسماعیلی (۱۳۸۹) در پژوهشی به ” کارآیی شبکه های عصبی، رگرسیون لجستیک و تحلیل تمایزی در پیش بینی نکول ” پرداختند. هدف از این تحقیق مقایسه توانایی مدلهای شبکه عصبی مصنوعی با رگرسیون لجستیک و تحلیل تمایزی برای پیش بینی ریسک نکول است. در این تحقیق با بهره گرفتن از اطلاعات ۲۳۸۰۱ قرارداد لیزینگ و انتخاب متغیرهای مدت قرارداد، مبلغ قرارداد، نوع صنعت، نوع قرارداد، نوع تضمین و خط مشی و سیاست اعتباری به عنوان متغیرهای پیش بین، مدل های رگرسیون لجستیک، تحلیل تمایزی و شبکه عصبی برازش شد. در برازش رگرسیون لجستیک از شیوه گام به گام پیشرو استفاده شد و معنی داری ضرایب رگرسیون از طریق درستنمایی و آزمون والد سنجیده شد. در برازش تحلیل تمایزی از روش لاندای ویلکس استفاده شده است. آماره ی لاندای ویلکس و بررسی قدرت همبستگی درونی بین متغیرهای مورد استفاده در تحلیل تمایزی به کار رفته است. برای مدلسازی شبکه عصبی از پرسپترون چند لایه ای با یک لایه پنهان استفاده شده است. از تحلیل راک و مقایسه صحت طبقه بندی برای مقایسه قدرت پیش بینی مدل ها استفاده شد. نتایج حاکی از این است که متغیرهای معنی دار در هر دو مدل رگرسیون لجستیک و تحلیل تمایزی شامل مدت قرارداد، نوع صنعت، نوع قرارداد، نوع تضمین بود و متغیر مبلغ قرارداد در هیچ یک از دو مدل معنی دار نبود. اما همین متغیر (مبلغ قرارداد) در شبکه عصبی معنی دار بود.در بررسی کارآیی مدل ها در تفکیک قراردادها به نکول شده و نکول نشده، نتایج بیانگر این است که شبکه عصبی از رگرسیون لجستیک و تحلیل تمایزی در پیش بینی نکول کارآتر است. فتحی و انواری رستمی (۱۳۸۲) در تحقیق به ” بررسی تحلیلی - تطبیقی الگوها و مدلهای سنجش و اندازه گیری اعتبار مشتریان ” پرداختند. هدف اصلی این تحقیق، ارائه تحلیلی – تطبیقی بود به نحوی که طراحی منسجم و منطقی فرایند سنجش و اندازه گیری اعتبار مشتریان، تدوین شاخص های سنجش و اندازه گیری اعتبار و همچنین نقد و بررسی الگوها و مدلهای مختلف سنجش و اندازه گیری اعتبار مشتریان را برای اعتبار دهندگان به آسانی میسر نماید. نتایج تحقیق بدین صورت بدست آمد که آنها شرایط بکارگیری هریک از مدل های اندازه گیری اعتبار مشتریان را توانستند بدست آورند که به صورت جدول در صفحه بعد آمده است. جدول۲-۲ : شرایط بکارگیری هریک از مدل های اندازه گیری اعتبار مشتریان شرح مدل شرایط بکارگیری توضیحات روش تجزیه و تحلیل تشخیص ۱.نرمال بودن توزیع متغیرها۲.مستقل بودن متغیرها از یکدیگر۳.پیوسته بودن متغیرها و یا تبدیل کردن متغیرهای طبقه ای۴.برابری ماتریس کواریانس گروهها۵.خطی بودن روابط بین متغیرهای مستقل با متغیر وابسته ۱.امکان استفاده از فرایند تخمین حداقل مجذورات برای تعیین ضرایب متغیرهای مستقل را ایجاد می کند۲.بدلیل فرض نرمال بودن، فقط با توزیع های محدودی قابلیت کاربرد دارد روش رگرسیون منطقی ۱.روابط متغیرهای مستقل با متغیر وابسته خطی باشد۲.نیازی به نرمال بودن توزیع متغیرها نیست۳.لزومی به تبدیل متغیرهای طبقه ای نیست ۱.در مطالعات تطبیقی عمدتاً در مقایسه با تجزیه و تحلیل برتر تشخیص داده شده است۲.امکان انجام تستهای آماری برای تعیین درجه اهمیت هریک از شاخص ها را نیز فراهم می کند روش درخت تصمیم گیری