Skip to main content
فهرست مقالات

طراحی و تبیین مدل کارآمد تخصیص تسهیلات بانکی- رویکرد شبکه های عصبی رگرسیون لجستیک و خطی

نویسنده:

علمی-پژوهشی/ISC (22 صفحه - از 125 تا 146)

کلیدواژه ها : شبکه‌های عصبی ،رگرسیون لجستیک ،رگرسیون خطی و تخصیص اعتبار

کلید واژه های ماشینی : مدل، رگرسیون لجستیک، تسهیلات، شبکه‌های عصبی، رویکرد شبکه‌های عصبی رگرسیون لجستیک، مدل شبکه‌های عصبی، مدل رگرسیون لجستیک، اعتباری، نرون، رگرسیون لجستیک در برآورد ریسک، مدلهای شبکه‌های عصبی در برآورد، مدل رگرسیون خطی، برآورد، برآورد ظرفیت اعتباری مشتریان، ریسک اعتباری مشتریان، سنجش کارایی مدلهای شبکه‌های عصبی، شبکه‌های عصبی در برآورد ظرفیت، ظرفیت اعتباری مشتریان، مدلهای شبکه‌های عصبی در مقایسه، متغیر، مدلهای کلاسیک و شبکه‌های عصبی، ریسک اعتباری، مدلهای کلاسیک، ریسک اعتباری و ظرفیت اعتباری، نتایج مدلهای رگرسیون خطی، لایه پنهان، رگرسیون خطی و لجستیک، مدل رگرسیون لجستیک استفاده، ارزیابی کارایی مدلهای شبکه عصبی، مدل شبکه‌های عصبی و کلاسیک

هدف اساسی کلیه بانکهای تجاری، جمع‌آوری پس‌اندازهای اشخاص حقیقی و حقوقی و اعطای تسهیلات به سازمانها و شرکتهای مختلف تولیدی، خدماتی، صنعتی و...می‌باشد.با توجه به اهمیت تسهیلات اعطایی به شرکتهای واجد شرایط مدلهای متعددی برای سنجش ریسک اعتباری آنها ارائه شده است، لکن اغلب مدلهای مورد استفاده در این زمینه از نوع مدلهای خطی و یا خطی تعمیم یافته هستند که فقط ریسک اعتباری مشتریان را تحلیل می‌کنند و مورد بررسی قرار می‌دهند و کمتر به ظرفیت اعتباری مشتریان که عامل مهمی در ارائه تسهیلات اعتباری به شمار می‌رود توجه نموده‌اند. در این مقاله با استفاده از یک‌سری متغیرهای مستقل و بهره‌گیری از شبکه‌های عصبی پرسپترون چند لایه، ریسک اعتباری و ظرفیت اعتباری شرکتها و سازمانهای درخواست‌کننده اعتبار به‌طور همزمان مورد تحلیل قرار گرفته است.به منظور سنجش کارایی مدلهای شبکه‌های عصبی در مقایسه با مدلهای کلاسیک، نتایج حاصل از این مدل با نتایج مدلهای رگرسیون خطی و لجستیک مقایسه شده است.بررسی نتایج نشان داد که مدلهای شبکه‌های عصبی و رگرسیون لجستیک در برآورد ریسک اعتباری از قابلیت مشابهی برخوردار هستند، لکن مدلهای شبکه‌های عصبی در برآورد ظرفیت اعتباری مشتریان از توان بالاتری برخوردار است.

خلاصه ماشینی: "لذا در این مقاله ابتدا حدود 50 متغیر به عنوان متغیرهای در دسترس در مورد مشتریان اعتباری مورد بررسی قرار گرفت و سپس از بین متغیرهای موجود 11 متغیر به عنوان متغیرهای اثرگذار شناسایی و به عنوان متغیرهای برآوردکننده تعریف گردید که این متغیرها به شرح زیر است: 1-نوع فعالیت شرکت(تولیدی، کشاورزی، ساختمانی، بازرگانی، خدماتی)-4-1x و 3-1x و 2-1x و 1-1x 2-سابقه فعالیت مشتری-2x 3-سرمایه ثبت شده-3x 4-سابقه فعالیت مدیر شرکت-4x 5-جمع داراییهای جاری-5x 6-جمع داراییهای ثابت-6x 7-جمع کل داراییها-7x 8-جمع بدهییهای جاری-8x 9-جمع گردش بدهکار در نزد شعبه-9x 10-جمع گردش بستانکار در نزد شعبه-10x 11-نرخ بازده سرمایه-11x متغیرهای وابسته تحقیق نیز که با استفاده از متغیرهای برآوردکننده درصدد پیش‌بینی آن بودیم نیز به شرح زیر تعریف می‌شوند: الف)ظرفیت اعتباری مشتریان-1y ب)ریسک اعتباری مشتریان-2y این متغیرها در مدلهای رگرسیون به عنوان متغیرهای وابسته و در مدل شبکه عصبی به عنوان متغیرهای خروجی شبکه بیان می‌شوند. (به تصویر صفحه مراجعه شود) جدول 2 بردار وزنهای متغیر بایاس و نرونهای لایه پنهان 8-بررسی و مقایسه مدلهای کلاسیک و شبکه عصبی ارزیابی مدلهای شبکه‌های عصبی و مدلهای کلاسیک زمانی میسر است که با استفاده از پارامترهای برآورد شده و بردار متغیرهای ورودی، مقادیر متغیرهای وابسته برای یک‌سری رکوردهای جدید(متشریانی که اطلاعات آنها در برازش مدل استفاده نشده است) محاسبه و با مقدار واقعی مقایسه شود تا اینکه مقدار خطا تعیین گردد. (به تصویر صفحه مراجعه شود) جدول 5 مقایسه برآورد شبکه‌های عصبی و مدلهای رگرسیون خطی و لجستک با مقادیری واقعی (گروه آزمایش 3) (به تصویر صفحه مراجعه شود) نمودار 6 ارتباط بین داده‌های مشاهده شده و پیش‌بینی شده با استفاده از شبکه‌های عصبی(گروه آزمایش 3) 9-نتیجه‌گیری با توجه به اهمیت تخصیص صحیح اعتبار در بانکها در این مقاله سعی گردید یک مدل ریاضی برای این منظور طراحی گردد."

  • دانلود HTML
  • دانلود PDF

برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.