تکنیک های کلان داده برای سنجش خطر بانک داری اعتباری در وام های سهام مسکن

امروزه حجم دیتابیس¬هایی که موسسات مالی مدیریت می¬کنند به قدری بزرگ است که رسیدگی به این مسئله واجب شده و راهکار این مسئله را می¬توان در تکنیک¬های کلان¬داده¬ای که روی دیتاست¬های مالی حجیم برای بخش¬بندی گروه¬های خطر اعمال می¬شود یافت. در این مقاله، وجود دیتاست¬های بزرگ از طریق توسعه¬ی برخی آزمایشات مونت کارلو با استفاده از تکنیک¬ها و الگوریتم¬های شناخته¬شده پیگیری می¬شود. علاوه بر این، یک مدل ترکیبی خطی (LLM) به عناون یک کمک جدید افزایشی برای محاسبه¬ی خطر اعتبار موسسات مالی پیاده می¬شود. این آزمایشات رایانشی با ترکیب¬های متعددی از اندازه¬ها و شکل¬های دیتاست توسعه می¬یابند تا گستره¬ی وسیعی از موارد را پوشش دهیم. نتایج نشان می¬دهند که دیتاست¬های بزرگ نیازمند تکنیک¬ها و الگوریتم¬های کلان¬داده¬¬ای هستند که تخمین¬کننده¬های سریع¬تر و تک¬مبنایی نشان دهند. کلان¬داده می¬تواند به استخراج ارزش داده¬ها کمک کرده و در نتیجه تصمیمات بهتری را می¬توان بدون مولفه¬ی زمان اجرا، اتخاذ کرد. از طریق این تکنیک¬ها، موسسات مالی هنگام پیش¬بینی این¬که کدام مشتریان در پرداخت¬های خود موفق¬ خواهند بود، با خطر کمتری مو

Nowadays, the volume of databases that financial companies manage is so great that it has become necessary to address this problem, and the solution to this can be found in Big Data techniques applied to massive financial datasets for segmenting risk groups. In this paper, the presence of large datasets is approached through the development of some Monte Carlo experiments using known techniques and algorithms. In addition, a linear mixed model (LMM) has been implemented as a new incremental contribution to calculate the credit risk of financial companies. These computational experiments are developed with several combinations of dataset sizes and forms to cover a wide variety of cases. Results reveal that large datasets need Big Data techniques and algorithms that yield faster and unbiased estimators. Big Data can help to extract the value of data and thus better decisions can be made without the runtime component. Through these techniques, there would be less risk for financial compa