خلاصة:
افزایش نسبت مطالبات غیرجاری به تسهیلات اعطایی بهعنوان شاخص ریسک اعتباری بانکها میتواند سلامت شبکه بانکی، نظام مالی و اقتصاد حقیقی را بهخطر اندازد. از این رو در این مقاله، بررسی این ریسک با استفاده از نسبت مانده واقعی مطالبات غیرجاری و با تمرکز بر مجموعهای گسترده از متغیرها شامل متغیرهای مالی، غیرمالی، خصوصیتی قراردادها، حسابرسی و اقتصادی، در نمونهای از 677 پرونده تسهیلاتی مشتریان حقوقی یک بانک دولتی برای سالهای 1385 تا 1396 مورد توجه قرار گرفت. براساس نتایج حاصله، در انتخاب متغیرهای تاثیرگذار بر ریسک اعتباری، الگوریتم لاسو با عملکرد بهتر به شناسایی 10 متغیر کلیدی از گروه متغیرهای مالی، اقتصادی و حسابرسی منتهی شد. با این وجود نتایج آموزش این ویژگیها توسط مدل ماشین بردار و درخت تصمیم که بیانگر بهترین نتایج در قالب الگوریتم لاسو به همراه درخت تصمیم هستند، ضریب اهمیت اندکی را برای متغیرهای حسابرسی در نظر میگیرند. از این رو استفاده از الگوریتم لاسو به همراه درخت تصمیم با تمرکز بر متغیرهای مالی و اقتصادی میتواند از کفایت لازم برخوردار باشد.
The increase of non-current debts to lending facilities ratio as an indicator of banks' credit risk can endanger the health of the banking sector, financial system and the real economy. Hence, in this paper, analyzing credit risk through the actual balance of non- performing debts by focusing on a broad set of variables including financial, non-financial, contractual, audit and economic variables in a sample of 677 legal customer facility files of a State Bank for the years 2006- 2017 has been accomplished. Based on the results, the LASSO Algorithm with better performance has identified 10 key financial, economic and audit variables affecting the credit risk. However, training these features by support vector machine and decision tree model, which represent the best results in the Lasso algorithm with the decision tree application, confirms the small significance factor for the audit variables. Therefore, using LASSO algorithm with decision tree and focusing on financial and economic variables can be sufficient for credit risk analysis.
ملخص الجهاز:
از اين رو در اين مقاله ، بررسي اين ريسک با استفاده از نسبت مانده واقعي مطالبات غيرجاري و با تمرکز بر مجموعه اي گسترده از متغيرها شامل متغيرهاي مالي، غيرمالي، خصوصيتي قراردادها، حسابرسي و اقتصادي، در نمونه اي از ٦٧٧ پرونده تسهيلاتي مشتريان حقوقي يک بانک دولتي براي سال هاي ١٣٨٥ تا ١٣٩٦ مورد توجه قرار گرفت .
Recovery Rate (RR) به دليل اهميت موضوع و با توجه به اندک بودن پژوهش هاي انجام شده در مدل سازي ريسک اعتباري براساس نرخ وصول و عدم بررسي عوامل موثر بر اين ريسک در مطالعات محدود فوق ، از اين رو در اين پژوهش براي اولين بار، در بررسي متغير ريسک اعتباري در کناراستفاده از پنج گروه متغير مشتمل بر متغيرهاي مالي، غيرمالي، خصوصيتي قراردادها، حسابرسي و اقتصادي در پرونده تسهيلاتي مشتريان حقوقي يک بانک دولتي، به شاخص نرخ وصول نيز توجه شده است .
ســپس با اســتخراج متغيرهاي خصــوصــيتي قراردادها، به همراه متغيرهاي غيرمالي و حسـابرسـي در کنار مجموعه متداول متغيرهاي مالي و اقتصـادي، بر دامنه گسـترده تري از انواع متغيرها تمرکز شده ؛ و در گام بعد با به کارگيري مدل هاي جديد در انتخاب متغيرهاي تاثيرگذار، با استفاده از دو نوع الگوريتم ؛ در کنار بررسي دقت نتايج اين دو الگوريتم با کمک رگرسيون ماشين بردار پشتيبان و درخت تصميم ، رويکرد کاملا متفاوتي دنبال شده که انتظار ميرود پاسخگوي نياز بانک مورد بررسي در اين زمينه باشد.
Credit Risk Management of Banking Customers Using Support Vector Machine Optimized by Genetic Algorithm with Data Mining Approach.
Credit Risk Assessment of Corporate Customers Using Support Vector Machine and Genetic Algorithm Hybrid Model - a Case Study of Tejarat Bank.