پردیس فولادی

پردیس فولادی

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۲ مورد از کل ۲ مورد.
۱.

Presenting a Model to Investigate the Impact of Intangible Capitals Management on Credit Scoring of Companies Considering the Role of Risk Management Framework, Communication and Performance (Partial Least Squares Structural Equation Modeling (PLS-SEM) Approach)(مقاله علمی وزارت علوم)

کلیدواژه‌ها: intangible capital Credit scoring Performance risk management framework and political communication

حوزه‌های تخصصی:
تعداد بازدید : ۵۵ تعداد دانلود : ۴۷
In today’s global business vision, the concept of “Intangible Capitals” has become a central tool to strengthen the value and credibility of firms. Intangible Capitals include non-physical assets like intellectual capital, intellectual property, brand reputation, and employee skills which are crucial for economic growth and firm performance. The purpose of this research is to comprehensively evaluate the impact of intangible capitals on various dimensions of credit profile, including qualitative indicators, quantitative indicators, intelligence indicators and investment indicators, considering the mediating role of the company's performance and the moderating role of the risk management framework and political connections. This paper uses the Partial Least Squares Structural Equation Modeling (PLS-SEM) approach, which allows detailed analysis of the complex relationships between the involved variables. Data has been collected through surveys, enabling a quantitative evaluation of the impacts and interdependencies. The results indicate that Intangible Capitals have a positive and significant impact on credit profile's dimensions.
۲.

ارائه ی مدل هیبریدی مبتنی بر الگوریتم ژنتیک، بهینه سازی بیزین و یادگیری ماشینی جهت پیش بینی وضعیت اعتباری مشتریان(مقاله پژوهشی دانشگاه آزاد)

کلیدواژه‌ها: اعتبارسنجی مدل هیبریدی الگوریتم ژنتیک بهینه سازی بیزین مدل یادگیری ماشینی XGBoost

حوزه‌های تخصصی:
تعداد بازدید : ۱۸ تعداد دانلود : ۳۲
این مقاله به ارائه ی یک مدل هیبریدی جدید برای اعتبارسنجی مشتریان بانکی می پردازد که ترکیبی از الگوریتم ژنتیک، بهینه سازی بیزین و مدل یادگیری ماشینی XGBoost است. هدف اصلی این مدل، بهبود دقت و کارایی در ارزیابی ریسک اعتباری مشتریان و کاهش هزینه های مرتبط با بروز اشتباه در پیش بینی هاست. در این تحقیق، داده های واقعی مربوط به مشتریان بانکی مورد استفاده قرار گرفته و پس از پیش پردازش داده ها شامل نرمال سازی و مدیریت داده های گم شده، از الگوریتم ژنتیک برای انتخاب ویژگی های بهینه مورد استفاده قرار گرفته است. سپس، بهینه سازی بیزین به عنوان یک ابزار پیشرفته جهت تنظیم دقیق ابرپارامترهای XGBoost به کار گرفته شده است. نتایج حاصل شده از پژوهش، بیان گر عملکرد برتر مدل پیشنهادی در مقایسه با روش های متداول اعتبارسنجی است. مدل هیبریدی پیشنهادی توانسته است با دقت 76 /82 درصد و نرخ بازشناسی مطلوب برای مشتریان معتبر و غیرمعتبر، به ویژه در طبقه بندی مشتریان با ریسک بالا، برتری خود را نشان دهد. تحلیل های آماری و مقایسه عملکرد مدل با سایر روش های موجود، تأثیر مثبت انتخاب ویژگی و تنظیم بهینه ابرپارامترها را تأیید می کند. این مدل می تواند به عنوان یک ابزار عملیاتی برای بانک ها و مؤسسات مالی جهت کاهش ریسک اعتباری و بهبود مدیریت مشتریان مورد استفاده قرار گیرد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان