طراحی سیستم هشدار سریع برای ریسک اعتباری مشتریان حقیقی و حقوقی بانک با استفاده از مدل های شبکه عصبی، تابع احتمال بقا و ماشین بردار پشتیبان

محورهای موضوعی : مدیریت

رویا درخشانی ¹ , میر فیض فلاح ² , حسین جهانگیرنیا ³ , رضا غلامی جمکرانی ⁴ , حمیدرضا کردلویی ⁵

1 - گروه مالی و حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
2 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران و عضو گروه پژوهشی مخاطرات مالی نوین
3 - گروه مالی و حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
4 - گروه مالی و حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
5 - گروه مدیریت مالی، واحد اسلامشهر، دانشگاه آزاد اسلامی، تهران، ایران و عضو گروه پژوهشی مخاطرات مالی نوین

تاریخ دریافت : 1401/09/21 تاریخ پذیرش : 1401/10/11 تاریخ انتشار : 1402/07/01

کلید واژه: ریسک اعتباری, نسبت های مالی, رتبه بندی اعتباری, مدل شبکه عصبی, ماشین بردار پشتبان,

چکیده مقاله :

ریسک اعتباری احتمال کوتاهی مشتری نسبت به انجام تعهدات، طبق شرایط توافق شده است. به عبارت دیگر نااطمینانی در مورد دریافت عایدات آتی سرمایه گذاری را ریسک می‌گویند که در بانک‌ها از اهمیت بالایی برخوردار است. هدف این مقاله برآورد ریسک اعتباری مشتریان حقیقی و حقوقی بوده است. در این مطالعه از اطلاعات آماری 400 مشتری حقیقی و 7500 مشتری حقوقی استفاده شده است. در این راستا نتایج مدل شبکه عصبی و مدل ناشی از ماشین بردار پشتیبان مورد مقایسه قرار گرفته‌است. نتایج بدست آمده بیانگر این بوده‌است که مولفه‌های در نظر گرفته شده در این مطالعه بر اساس ویژگی‌های شتخصیتی، مالی و اقتصادی اثرات معناداری در احتمال نکول مشتریان و محاسبه ریسک اعتباری داشته است. همچنین نتایج این مطالعه نشان داد اعمال سیاست‌های کنترلی در ابتدای دوره بازپرداخت تسهیلاتی که بیشترین احتمال نکول را با طول عمر و بازپرداخت بالا دارند پیشنهاد می‌دهد. مقایسه نتایج حاصل از دقت پیش بینی بیانگر قدرت بالاتر توضیح دهندگی مدل ماشین بردار پشتیبان و استفاده از تابع احتمال بقاء نسبت به مدل شبکه عصبی ساده برای هر دو گروه از مشتریان بوده است.

چکیده انگلیسی:

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 is to estimate the credit risk of individual and corporate customers. In this study, the statistical information of 400 individual customers and7500 corporate 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 their personal, 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. The comparison of the results of the prediction accuracy shows the higher explanatory power of the support vector machine model and the use of the survival probability function than the simple neural network model for both groups of customers.