فایل ورد کامل ارزیابی ریسک اعتبار: کاربرد داده کاوی در یک بانک روستایی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل ارزیابی ریسک اعتبار: کاربرد داده کاوی در یک بانک روستایی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۲ صفحه

۴-بحث
بر اساس مدل ساخته شده، تایید شد که ارزش(مقدار) وثییقه معیار بسیار مهم در ارزیابی اعتبار می باشد، نشان دهنده ارزش وثیقه نود ریشه می باشد. مدل پیشنهادی دوره اعتبار دارد به عنوان اولین نود برگ که از مقادیر وثیقه تبعیت می کند.
گرچه متغیرهای دیگری در معیار ارزیابی اعتبار وجود دارد، این مدل نشان داد که بسیاری از آن متغیرها برای معیار ارزیابی اعتبار واضح نیستند.
این مدل با استفاده از %۴۸ داده ها از ۱۰۸۲ داده به عنوان داده ارزیابی، بررسی شده است. از نظر ارزش های وام، همچنین مدل ارزش وام های غیر اجرایی را بهبود بخشیده است. جدول ۱ مقایسه وامهای اجرایی پیش بنی شده بر اساس تصمیم گیری حاضر و مدل پیشنهادی از روش داده کاوی را نشان می دهد. مدل، نتیجه خوبی را نشان داده است، و PT BPR X استفاده از این مدل را برای فرایندهای ارزیابی اعتبار آن پیشنهاد کرده است.

عنوان انگلیسی:Assessing Credit Risk: an Application of Data Mining in a Rural Bank~~en~~

۴ Discussions

Based on the model built, it is confirmed that collateral values is the most important criterion in credit assessment, shown by the collateral values is the root node. The proposed model has credit period as the first leaf node followed by the collateral values. Although there are many other variables in credit assessment criteria, the model shows that not many of those variables are relevant for credit assessment criteria. This model has been evaluated using the 84% data from 1028 data as the evaluation data. In terms of the values of loan, model has also improved the value of non-performing loans. Table 1 shows the comparison of the predicted performing loans based on current decision making and the proposed model from data mining methods. The model has shown a good result, and PT BPR X is suggested to apply this model for their credit assessment process.

$$en!!