چکیده:
هدف مطالعه حاضر، پیشبینی و ارایه مدل ریسک اعتباری جهت سرمایهپذیران تأمین مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیهسازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده اعتباری/تسهیلاتی کلیه مشتریان (506 مورد) یکی از بانکهای کشور مربوط به سال 98-97 است. به منظور معناداری رابطه شاخصهای استخراج شده از نمونه با متغیر خروجی مدل (نکول و عدم نکول) اعضای نمونه توسط آزمون رگرسیون سنجیده شد. بدین ترتیب تعداد13شاخص بهعنوان بردار ورودی شبکه عصبی با سه لایه پنهان در دو گروه نکول و عدم نکول وارد مدل گردید. بر اساس نتایج شبیهسازی، مدل پیشنهادی توانست با خطای کمتر و دقت پیشبینی بالاتر (94.1) وزن هریک از شاخصهای ورودی به شبکه را محاسبه کند. همچنین ضریب تعیین برای دادههای آموزشی برابر (0.88)، آزمایش برابر (0.94) و ارزیابی برابر (0.84) بدست آمد که نشان دهنده توانایی برازش بالای مدل شبکه عصبی پیشنهادی است. یافتههای پژوهش نشان داد، از میان شاخصهای ورودی، درآمدخالص، با وزنی معادل 0.163، میانگین حساب جاری با وزنی معادل 0.123 به مراتب از اهمیت بیشتر و شاخص سابقه تحصیلات با وزنی معادل 0.053 از اهمیت کمتری در گروه عدم نکول شده برخوردار است.
خلاصه ماشینی:
همچنين ضريب تعيين براي داده هاي آموزشي برابر (٠,٨٨)، آزمايش برابر (٠,٩٤) و ارزيابي برابر (٠,٨٤) بدست آمد که اين امر نشان دهنده توانايي برازش بالاي مدل شبکه عصبي پيشنهادي است .
همچنين پژوهش حاضر در صدد پاسخ به اين سئوال نيز است : مدل شبکه عصبي پيشنهادي ، چگونه ريسک اعتباري فرايند تامين مالي جمعي مبتني بر بدهي را بهينه مي کند؟ مباني نظري پژوهش تامين مالي جمعي ٢، به مفهوم رويکرد نويني از فرايند تامين مالي است که طي آن جمع کثيري از مردم و سرمايه گذاران در بستر اينترنت در طرح هاي نوآورانه حتي با سرمايه اندک مشارکت و سرمايه گذاري انجام مي دهند [٢٣].
روش پژوهش هدف مطالعه حاضر، پيش بيني و ارايه مدل ريسک اعتباري سرمايه پذيران (تامين مالي جمعي مبتني بر بدهي ) با استفاده از شبکه عصبي پرسپترون چند لايه ١٤ مي باشد.
(رجوع شود به تصویر صفحه) شکل ٥ : مدل بهينه يادگيري شبکه عصبي MLP براي داده ها منبع : يافته هاي پژوهش ۲۸٤ جدول شماره (٥) اهميت مقادير وزني هريک از متغيرهاي ورودي (که بيانگر ميزان تغييرات مقادير پيش بيني شده توسط شبکه با تغيير وزن متغير ورودي است ) را نشان مي دهد.
همچنين دقت پيش بيني براي داده هاي آموزشي (٠,٨٨)، آزمايش (٠,٩٤) و ارزيابي (٠,٨٤) بدست آمد که نشان دهنده توانايي بالاي مدل شبکه عصبي پيشنهادي است .
15) Ebrahim Al-Gamal1, Dr. Abbokar Siddiq(2018) Significance of Credit Risk Management in Banking Industry in Yemen: A Study nternational Journal of Commerce and Management Research Volume 5; Issue 3; May 2019; Page No. 163-165 ۲۸۸ 16) Fisher, R.
"A Study on the Significance of Risk Management in Banking Sector ", International Journal of Research in IT and Management (IJRIM).