اندازه‌گیری ریسک اعتباری مشتریان با رویکرد شبکه عصبی در یکی از بانک‌های دولتی
محورهای موضوعی : مهندسی مالی
کلید واژه: شبکه عصبی, ریسک اعتباری, خوشه‌بندی, روش کای میانگین, صنعت بانک‌داری,
چکیده مقاله :
ریسک اعتباری را می‌توان به عنوان ضرر محتمل که در اثر یک رخداد اعتباری اتفاق می‌افتد، بیان کرد. هنگامی که توانایی طرف قرارداد در تکمیل تعهداتش تغییر کند این رخداد اعتباری رخ می دهد. ریسک اعتباری یکی از مهم ترین عوامل تولید ریسک در بانک ها می باشد و این ریسک از این جهت ناشی می‌شود که دریافت کنندگان تسهیلات توانایی بازپرداخت اقساط بدهی خود را به بانک نداشته باشند. بررسی عوامل موثر و تأثیر گزار بر ریسک اعتباری از اهمیت بالایی برخوردار است،. بنا به آنچه اظهار شد، هدف از انجام پژوهش حاضر طراحی مدلی جهت رتبه‌بندی مشتریان در حوزه ریسک اعتباری با رویکرد تلفیقی MADM و SOM است. بدین منظور در نخستین مرحله با مرور ادبیات موضوع،29 شاخص مؤثر در ارزیابی ریسک اعتباری مشتریان شناسایی وبر مبنای مدل 6c طبقه‌بندی شد. در مرحله بعد با توجه به فراوانی شاخص‌ها و نظر خبرگان 12 شاخص به‌عنوان شاخص نهایی در نظر گرفته شد. سپس با روش الگوریتم تشخیص الگو شبکه عصبی به تعیین خوشه‌های بهینه اقدام گردید؛ و با استفاده از روش شبکه عصبی خود سامانده (SOM) و k-mean مشتریان حقوقی دریافت‌کننده تسهیلات طبقه‌بندی گردید. در خاتمه وزن نسبی هریک شاخص‌های دخیل را در ارزیابی ریسک اعتباری شد.
Abstract Nowadays, Loans in the banking industry has a crucial role in productivity because a substantial portion of the assets of a bank formed though the individuals and companies. So today’s credit risk has known as a biggest contributing factor of failure in the banks and financial institutions. Because of mentioned factors, control and management of these risks are necessary. As it mentioned before, the aim of this research is a model designed for customers in the areas of Assessing credit risk rating with a synthesized MADM and SOM method. For this purpose, the first step is identifying 29 indices that influence credit risk. After that, according to expert opinion and the past researches 12 indices was extracted. So the optimal clusters were determined by neural network pattern recognition algorithm. Then customers were categorizing with SOM and K-mean. Finally, the relative weight of each indicator of the credit risk assessment was determined.so research show that the customer experience in the economic sectors and account duration has high percentage. Finally, some recommendations are offered for future research and suggestions for researchers and practitioners in the field of banking are. At the end, some of the limitations mentioned in this research.