خلاصة:
یکی از اهداف مهمی که بانک ها و موسسات مالی جهت بالا بردن کارایی پس اندازهای جمع آوری شده از اشخاص حقیقی و حقوقی دنبال می کنند، این است که با شناسایی مشتریان اعتباری خود تسهیلات اعتباری را به افراد یا ساز مان هایی تخصیص دهند که احتمال نکول کمتری داشته باشند. لیکن برای این کار از روش های مختلفی هم چون روش معمول قضاوت شخصی، تحلیل ممیزی و ... استفاده می کنند. با این وجود اغلب این روش ها، روی ریسک اعتباری مشتریان متمرکز شده اند، در حالی که ظرفیت اعتباری مشتریان می تواند در ارائه تسهیلات نقش مهمی ایفاء نماید.
در این مقاله مدل شبکه های عصبی برای محاسبه هر دو عامل ریسک و ظرفیت اعتباری به طور همزمان مورد توجه قرار گرفته است. البته مدل های رگرسیون خطی و لجستیک نیز برای محاسبه ریسک و ظرفیت اعتباری به کار گرفته شده است تا با مدل شبکه های عصبی مقایسه گردد.
نتایج به دست آمده دلالت بر کارایی بالای شبکه های عصبی نسبت به رگرسیون خطی در برآورد ظرفیت اعتباری مشتریان و کارایی یکسان مدل شبکه های عصبی و رگرسیون لجستیک در برآورد ریسک اعتباری دارد.
As an important goal، financial institutions in order to enhance their performance identify customers to credit allocation to those who are less likely to default. But for this purpose some common methods such as personal judge، analysis and audit have been used. However، most of these methods have focused on credit risk of customers، while the credit capacity to provide facilities for customers can play an important role to implement.
Therefore، this paper uses neural network model to calculate both the credit risk factor and capacity at the same time. Simultaneous، linear and logistic regression models to calculate the credit risk and capacity has been compared with the neural networks model results.
Results imply higher efficiency of neural networks than linear regression to estimate the capacity and efficiency of credit customers.
ملخص الجهاز:
"واژه های کلیدی : ریسک اعتباری ، ظرفیت اعتباری ، شبکه های عصبی ، رگرسیون لجسـتیک ، رگرسـیون خطی ، بانک تجارت ، ایران طبقه بندی JEL: G٣٢ ,G٢٤ ,G٢١ Comparison of Performance Classical and Neural Networks Models for Estimation Credit risk and Capacity Customers: Evidence from Tejarat bank Saeid Isazadeh Associate prof.
در این تحقیق سوالاتی بدین صورت مطرح می شود: آیا می توان مدلی برای ارزیابی ریسک و ظرفیت اعتباری مشتریان بانک با استفاده از مدل هـای توسعه داده شده ای هم چون شبکه های عصبی طراحی کرد؟ ________________________________________________________________ ١- ظرفیت اعتباری مقدار وامی است که یک مشتری می تواند از بانک دریافت نماید.
با این وجود بـرای مقایسـه از ایـن مـدل برای برازش داده های آزمایش استفاده شده است تا با نتایج به دست آمده از مدل رگرسـیون خطـی و شبکه های عصبی مقایسه گردد.
جدول (٧):مقایسه مقادیر به دست آمده از رگرسیون لجستیک و داده های واقعی (رجوع شود به تصویر صفحه) م̂Hخذ: محاسبات تحقیق با استفاده از مدل برآورد شده توسط شبکه عصبی ، داده های آزمایش مورد بررسی قرار گرفت و مقادیر به دست آمده با مقادیر واقعی ریسک و ظرفیت اعتباری مقایسه شـدند کـه در جـدول (٨) نشان داده شده است ."