چکیده:
ریسک اعتباری احتمال قصور وام گیرنده یا طرف مقابل بانک نسبت به انجام تعهداتش، طبق شرایط توافق شده است. به عبارت دیگر عدم اطمینان در مورد دریافت عایدات آتی سرمایه گذاری را ریسک می¬گویند که در بانک¬ها از اهمیت بالایی برخوردار است. هدف این مقاله برآورد ریسک اعتباری مشتریان حقوقی بانک ملت بوده است. در این مطالعه از اطلاعات آماری 7330 مشتری حقیقی استفاده شده است. در این راستا نتایج مدل شبکه عصبی و مدل ناشی از ماشین بردار پشتیبان مورد مقایسه قرار گرفته است. نتایج بدست آمده بیانگر این بوده است که مولفه¬های در نظر گرفته شده در این مطالعه بر اساس ویژگیهای شخصیتی، مالی و اقتصادی اثرات معناداری در احتمال نکول مشتریان و محاسبه ریسک اعتباری داشته است. همچنین نتایج این مطالعه نشان داد اعمال سیاست¬های کنترلی در ابتدای دوره بازپرداخت تسهیلاتی که بیشترین احتمال نکول را با طول عمر و بازپرداخت بالا دارند پیشنهاد می¬دهد. در مقایسه نتایج بدست آمده از دقت پیش بینی مدل¬های مختلف مشاهده گردید که قدرت بالاتر توضیح دهندگی مدل ماشین بردار پشتیبان و استفاده از تابع احتمال بقاء نسبت به مدل شبکه عصبی ساده برای گروه¬های مورد مطالعه از مشتریان حقیقی بالاتر بوده است.
Credit risk is the probability of default of the borrower or the counterparty of the bank in fulfilling its obligations, according to the agreed terms. In other words, uncertainty about receiving future investment income is called risk, which is of great importance in banks. The purpose of this article was to estimate the credit risk of Mellat Bank's legal customers. In this study, the statistical information of 7330 real customers was used. In this regard, the results of neural network model and support vector machine model have been compared. The obtained results have shown that the components considered in this study based on personality, financial and economic characteristics had significant effects on the probability of customer default and credit risk calculation. Also, the results of this study showed that the application of control policies at the beginning of the repayment period suggests facilities that have the highest probability of default with long life and high repayment. Comparing the results obtained from the prediction accuracy of different models, it was observed that the explanatory power of the support vector machine model and the use of the survival probability function was higher than that of the simple neural network model for the studied groups of real customers.
خلاصه ماشینی:
در مقایسه نتایج بدست آمده از دقت پیش بینی مدلهای مختلف مشاهده گردید که قدرتبالاتر توضیح دهندگی مدل ماشین بردار پشتیبان و استفاده از تابع احتمال بقاء نسبت به مدل شبکه عصبی ساده برای گروههای مورد مطالعه از مشتریان حقیقی بالاتر بوده است .
نوآوری مطالعه حاضر در این موضوع است که برای به حداقل رساندن ریسک اعطای تسهیلات به مشتریان حقوقی ، به بررسی و ارزیابی ریسک اعتباری این دسته از مشتریان با استفاده از روش شبکه عصبی و نیز روش ماشین بردار پشتیبان پرداخته می - شود.
در این مطالعه برای رسیدن به توانایی پیش بینی ریسک اعتباری مشتریان و طراحی سیستم هشدار سریع برای ریسک اعتباری بانک ملت با استفاده از تابع بقا، ماشین بردار پشتیبان و شبکه عصبی مصنوعی است ، لذا ابتدا با ٣٠٠٠ نمونه اقدام به مدلسازی کرده سپس با توجه به مدلهای بدست آمده برای تعدادی از مشتریان انتخاب شده به صورت تصادفی پیش بینی را انجام می دهیم و نتایج حاصل از پیش بینی را با یکدیگر مقایسه می نمائیم .
در این مقاله به بررسی ریسک اعتباری بانک با استفاده از شبکه عصبی ، تابع بقا و ماشین بردار پشتیبان پرداخته شده است .
(In Persian) Mirzaei, Hossein, Nazarian, Rafik and Bagheri, Rana, (2018), Investigating factors affecting the credit risk of legal entities of banks (a case study of branches of the National Bank of Iran, Tehran), Economic Research Trends Quarterly, 19th year , 58, 67-98.
(In Persian) Naji Esfahani, Seyed Ali and Rastgar, Mohammad Ali (2017), Estimating customers' credit risk using multidimensional analysis of preferences (case study: a commercial bank in Iran), Economic Modeling Quarterly, 12(44), 143-161.