خلاصة:
امروزه ریسک اعتباری به عنوان یکی از بزرگ ترین عوامل ورشکستگی بانک ها و موسسات مالی شناخته شده است. به منظور مدیریت و کنترل این ریسک طراحی مدل های رتبه بندی اعتباری در بانک ها ضرورتی انکار ناپذیر است. رتبه بندی اعتباری به منظور تعیین احتمال نکول در بازپرداخت تسهیلات اعتباری و از سوی دیگر برای طبقه بندی مشتریان متقاضی تسهیلات اعتباری به دو گروه خوش حساب و بد حساب مورد استفاده قرار می گیرد. تا به حال روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون خطی و لجستیک و شبکه های عصبی در زمینه رتبه بندی اعتباری توسعه یافته اند. در این میان، شبکه های عصبی به دلیل انعطاف پذیری و دقت بالا، در سال های اخیر بیش تر مورد توجه قرار گرفته اند. در این مقاله یک مدل رتبه بندی اعتباری با استفاده از سیستم های استدلال عصبی - فازی جهت رتبه بندی مشتریان حقوقی بانک ها ارایه شده است. متغیرهای ورودی این مدل نسبت بدهی، نسبت فعالیت و نسبت ارزش ویژه به مجموع دارایی ها و متغیر خروجی آن احتمال نکول مشتری، در نظر گرفته شده است. پس از آموزش و تست مدل بر اساس داده های بانک کشاورزی طی سال های 1380-1385، مدل ارایه شده با دقت 69.36 درصد وضعیت اعتباری مشتریان را پیش بینی می کند.
Nowadays، credit risk is recognized as one of the most important bankruptcy factors of banks and financial institutions. In order to manage and control this risk، design of credit rating models is undeniable necessity. Credit rating is used to identify the probability of credit default and on the other side classify the customers into two groups: good and bad accounts. Until now، various statistical methods، including discriminant analysis، logistic regression and neural networks have been developed for credit rating. Meanwhile، neural networks due to the high flexibility and precision، in recent years have been considered more. This study presents a credit rating model using adaptive neuro-fuzzy inference system to predict financial performance of bank customers. In this model، debt ratio، operational ratio، and return on equity have been selected as input variables، and on the other side the probability of default has been considered as output variable. After training and testing the model based on data from Keshavarzi bank over 2001-2006، the model predicts the credit status of customers with Accuracy of 69.36%.
ملخص الجهاز:
در اين مقاله يك مدل رتبهبندي اعتباري با استفاده از سيستمهاي استدلال عصبي- فازي جهت رتبهبندی مشتریان حقوقی بانکها ارائه شده است.
در مطالعات گذشته بيشتر از روشهاي آماري مانند مدلهاي رگرسيوني لاجيت و پروبيت و روش تحليل مميزي براي امتيازدهي و رتبهبندي مشتريان استفاده ميشد، ولي در سالهاي اخير با توسعهي مدلهاي مبتني بر هوش مصنوعي و روشهاي ابتکاري، مطالعات بسياري در کاربرد اين روشها در مدلهاي امتيازدهي و رتبهبندي اعتباري انجام گرفته است [4، 5 و 6].
مراحل به کارگيری استدلال فازي (عمليات استنتاج از قواعد اگر- آنگاه فازي) در يک سيستم استدلال فازي به شرح زير است: 1- مقايسهی متغيرهاي ورودي با توابع عضويت در بخش فرض (قياس)، که در نتيجهی آن ارزشهاي عضويت (ميزان سازگاري) براي هر يک از برچسبهاي زباني بهدست میآيد (اين گام، بيشتر فازي سازي ناميده ميشود).
اين لايه بخش نتيجهي يک سيستم استدلال فازي را تشکيل میدهد و نتيجهي هر يک از قواعد در اين لايه بهدست ميآيد: به تصویر صفحه مراجعه شود pi، qi و ri، پارامترهاي مربوط به بخش نتيجهي هر يک از قواعد هستند و قوهي تحريک نرمال شده است که از لايهی پيشين به اين لايه وارد ميشود.
لايهی پنجم (لايهی ادغام) تنها گره اين لايه گرهاي ثابت بوده و نتايج بهدست آمده از گرههاي لايهی قبل در اين گره جمع بندي شده و خروجي سيستم براي دادهي ورودي بهدست ميآيد: به تصویر صفحه مراجعه شود آموزش سيستم استدلال عصبي – فازي سازگار (ANFIS) با توجه به ساختار ANFIS، خروجي سيستم، ترکيبي خطي از پارامترهاي نتيجه (p1، q1، r1، p2، q2 و r2) است.
S. R, (1993) ANFIS: Adaptive – network based fuzzy inference systems, Department of Electrical Engineering and Computer Science, University of California, Berkeley.