Identifying Factors Affecting Non-curent Debts of Banks Using Neural Networks and Support Vector Machine Algorithm

Subject Areas : Labor and Demographic Economics

sajjad kordmanjiri ¹ , iman dadashi ² , zahra Khoshnood ³ , hamid reza gholamnia roshan ⁴

1 - PhD Student, Department of Accounting, Babol Branch, Islamic Azad University, Babol, Iran
2 - Assistant Professor, Department of Accounting, Babol Branch, Islamic Azad University, Babol, Iran
3 - Assistant Professor, Banking Group, Monetary and Banking Research Institute of the Central Bank, Tehran, Iran
4 - Assistant Professor, Department of Accounting, Babol Branch, Islamic Azad University, Babol, Iran,

Received: 2019-11-29 Accepted : 2020-04-21 Published : 2020-04-20

Keywords: Support vector machine, Neural network, C58, JEL Classification: C45, G21. Keywords: Banking Facilities, non-curent debts,

Abstract :

The main purpose of this paper is to identify the factors influencing the creation and increase of non-current debts to make a more appropriate decision in granting facilities. For this purpose, to select effective variables, from the analysis algorithms of correlation and Lasso components; And to classify the samples, neural networks and support machine were used. In this study, a sample of 660 legal customers of Sepah Bank for the years 2006-2017 was selected and focused on the characteristic variables extracted from the facility contracts of these customers along with financial, non-financial, auditing and economic variables. The results showed that the Lasso algorithm focused on financial, economic and auditing variables, performed better than the neighboring component analysis algorithm, and based on this algorithm, 10 key variables affecting non-current debts were identified. Due to the better performance of support vector machines with radial cores, its use in modeling non-current debts is recommended.

References:

منابع

- ابراهیمی، مرضیه، دریابر، عبداله (1391). مدیریت ریسک اعتباری در نظام بانکی- رویکرد تحلیل پوششی داده‌ها و رگرسیون لجستیک و شبکه عصبی. فصلنامه دانش سرمایه‌گذاری، 1 (2): 62-35.

- اداره بررسی‌ها و سیاست‌های اقتصادی (۱۳۸۵-۱۳۹7). نماگرهای اقتصادی، بانک‌ مرکزی جمهوری اسلامی ایران.

- اداره مطالعات و مقررات بانکی (1385). دستورالعمل طبقه‌بندی دارایی‌های موسسات اعتباری، بانک ‌مرکزی جمهوری اسلامی ایران.

- اداره مطالعات و مقررات بانکی (1394). آیین­نامه وصول مطالبات غیرجاری موسسات اعتباری (ریالی و ارزی)، بانک ‌مرکزی جمهوری اسلامی ایران.

- اکبری، سپیده، حاجیها، زهره (1395). رابطه ریسک ورشکستگی مالی و اظهارنظر حسابرس در مورد ابهام در تداوم فعالیت. ششمین کنفرانس ملی و چهارمین کنفرانس بین‌المللی حسابداری و مدیریت با رویکردهای کاربردی و پژوهش نوین، بهمن 1395، تهران.

- تاری، فتح‌اله، ابراهیمی، سید احمد، موسوی، سید جعفر، کلانتری، محمود (۱۳۹۶). مقایسه مدل‌های شبکه عصبی، الگوریتم ژنتیک و لاجیت در ارزیابی ریسک اعتباری مشتریان. فصلنامه پژوهش‌های پولی- بانکی، 10 (34) : 680-657.

- پورکاظمی، محمدحسین، صداقت پرست، الدار، ده پناه، رضا (1396). برآورد احتمال نکول مشتریان حقیقی بانک با استفاده از روش شبکه‌های عصبی (مطالعه موردی: بانک پاسارگاد). فصلنامه مطالعات مالی و بانکداری اسلامی، 2 (67): 24-1.

- جعفری اسکندری، میثم، روحی، میلاد  (1396). مدیریت ریسک اعتباری مشتریان بانکی با استفاده از روش ماشین بردار تصمیم بهبود یافته با الگوریتم ژنتیک با رویکرد داده کاوی. فصلنامه مدیریت دارایی و تامین‌ مالی، 5 (4): 32-17.

- حبیبی، رضا، کوهی، حسن، بعیدی، حسین (1397). تصمیمات تسهیلات‌دهی بانک با استفاده از روش الگوریتم ژنتیک (مطالعه موردی: مشتریان حقیقی بانک سپه). فصلنامه مطالعات مالی و بانکداری اسلامی، 4 (9): ۷۱-۳۳.

- حکیمی­پور، نادر (1397). ارزیابی عوامل تاثیرگذار بانکی بر مطالبات غیرجاری بانک‌های ایران (رویکرد مدل پانل پویا GMM). فصلنامه اقتصاد مالی، 12 (42): 119-99.

- داداحمدی، دانیال، احمدی، عباس (1393). رتبه بندی مشتریان بانک با استفاده از شبکه عصبی با اتصالات جانبی. فصلنامه توسعه مدیریت پولی و بانکی، 2 (3): ۲۸-۱.

- راعی، رضا، فلاح‌پور، سعید (۱۳۸۷). کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی، بررسی‌های حسابداری و حسابرسی، 15 (53): ۳۴-۱۷.

- سیدشکری، خشایار، گروسی، سمیه (1394). بررسی عوامل موثر بر مطالبه‌های غیرجاری در نظام بانکی کشور، فصلنامه اقتصاد مالی، 9 (31): ۱۱۸-۹۵.

- رستمی، محمدرضا، نبی‌زاده، احمد، شاهی، زهرا (۱۳۹۷). بررسی عوامل موثر بر ریسک اعتباری بانک‌های تجاری ایران با تاکید بر عوامل خاص بانکی و کلان اقتصادی. فصلنامه مدیریت دارایی و تامین ‌مالی، 6 (4): ۹۲-۷۹.

- رضایی، فرزین، ویسی­حصار، ثریا، قندچی، فرشین (1398). رابطه حق­الزحمه حسابرسی با فرصت‌های رشد و بازده غیرعادی شرکت­ها. فصلنامه دانش حسابرسی، 19 (76): 125-87.

- فلاح‌پور ، سعید، راعی، رضا، هندیجانی‌زاده، محمد (1393). رویکرد شبکه عصبی مبتنی بر کلونی زنبور عسل مصنوعی جهت تخمین رتبه اعتباری مشتریان بانک‌ها. فصلنامه مهندسی مالی و مدیریت اوراق ‌بهادر، 5 (21): ۵۳-۳۳.

- محمدیان حاجی کرد، امین، اصغرزاده زعفرانی، ملیحه، امام دوست، مصطفی (1395). بررسی ریسک اعتباری مشتریان حقوقی با استفاده از مدل ماشین بردار پشتیبان و مدل هیبریدی الگوریتم ژنتیک مطالعه موردی بانک تجارت. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 7 (27): 32-17.

- مزرعه ­فراهانی، نقی (1395). بحران مالی، ورشکستگی و بند ابهام درباره تداوم فعالیت شرکت در اظهارنظر حسابرس. پایان‌نامه کارشناسی ارشد، دانشکده حسابداری، دانشگاه آزاد اسلامی، واحد شهر قدس.

- منصورفر، غلامرضا، پیری، پرویز، علیخانی، زهرا، اسدی، مریم (۱۳۹۷). پیش‌بینی درماندگی مالی با توجه به اثرات بندهای تعدیلی گزارش حسابرس مستقل. شانزدهمین همایش ملی حسابداری ایران، اصفهان.

- میرغفوری، سید حبیب‌اله، امین­آشوری، زهره (۱۳۹۴). ارزیابی ریسک اعتباری مشتریان بانک‌ها. فصلنامه کاوش‌های مدیریت بازرگانی، 7 (13): ۲۴۷-۲۶۶.

- نیلی، فرهاد و محمودزاده، امینه (1393). مطالبات غیرجاری یا دارایی­های مسموم بانک­ها، پژوهشکده پولی و بانکی، بانک مرکزی جمهوری اسلامی ایران، 93025.

- Abe, S. (2010). Support vector machines for pattern classification, second edition. Springer-Verlag, London.

- Addo, P. M., Guegan, D., & Hassani, B. (2018). Credit risk analysis using machine and deep learning models. Risks, 6(2), 1-38.

- Altman, E. I., (1968). Financial ratios discriminate analysis and the prediction of corporate bankruptcy. Journal of Finance, 23(4), 589-609.

- Bekhet, H., Eletter, S. (2012). Credit risk management for the jordanian commercial banks: A business intelligence approach, Australian Journal of Basic and Applied Sciences, 6(9), 188–195.

- Bellotti, T. (2010). A simulation study of basel ii expected loss distributions for a portfolio of credit cards, Journal of Financial Service Marketing, 14(4), 268-277.

- Blanco, A., Mejias, R., Lara, J., and Rayo, S. (2013). Credit Scoring Models for the Microfinance Industry using Neural Networks: Evidence from Peru, Expert Systems with Applications, 40 (1), 356–364.

- Fonti, V., & Belitser, E. (2017). Feature selection using LASSO, research paper in business analytics, Vrije Universiteit Amsterdam.

- Karaa, A., Krichene, A., (2012). Crediti–risk assessment using support vector machine and multilayer neural network models: A comparative study - case of Tunisian Bank. Journal of Accounting and Management Information Systems, 11(4), 587-620.

- Kim, K. J., & Ahn, H. (2012). A corporate credit rating model using multiclass support vector machines with an ordinal pairwise partitioning approach, Computers & Operations Research, 39(8), 1800-1811.

 - Kohonen, T. (1998). Learning vector quantization, the handbook of brain theory and neural networks, Cambridge, MIT Press, Cambridge, MA, USA, pp, 37–540.

- Reinhart, M. C., & Rogoff, K. S. (2010), From financial crash to debt crisis, NBER Working Paper. 15795.

- Olson, D. L., & Delen, D. (2008). Advanced data mining techniques, Berlin Heidelberg, Springer.

- Svozil, D., Kvasnicka, V., & Pospichal, J., (1997). Introduction to multi-layer feed-forward neural networks. Chemometrics and Intelligent Laboratory Systems, 39(1), 43-62.

- Wang, G., &  Ma, J.  (2012). A hybrid ensemble approach for enterprise credit risk assessment based on Support Vector Machine. Expert Systems with Applications, 39(5), 5325-5331.