Abstract:
در صنعت بانکداری امروز وامها نقشی اساسی دارند، به طوریکه بخش زیادی از دارائیهای یک بانک از وامهای پرداخت شده به افراد و شرکتها تشکیل میشود، در نتیجه با توجه به افزایش تعداد درخواستهای وام از سوی افراد و با توجه به ریسک موجود در این رشته از فعالیتها، ارایه روشی برای مدیریت این وامها ضروری به نظر میرسد. در بین ریسک هایی که بانک با آن مواجه است، ریسک اعتباری از اهمیت ویژهای برخوردار است. یکی از راه های کمی سازی و اندازهگیری ریسک اعتباری و در نتیجه مدیریت مناسب آن، استفاده از مدل های امتیازدهی اعتباری (CS) است. مدل CSبر اساس معیارهای کمی (مانند اطلاعات مالی افراد) و نیز معیارهای غیرکمی (مثل مشخصات مربوط به شخصیت اجتماعی افراد)، ویژگی ها و عملکرد وامهای قبلی را مدل سازی مینماید تا عملکرد آتی وامهایی با مشخصات مشابه را پیشبینی کند. در CS یک نمره به هر مشتری اختصاص داده میشود، این نمره به عنوان شاخصی از ریسک مشتریان شناخته میشود. با مقایسه این نمره مقدار آستانه، مشتریان پر ریسک و کم ریسک از هم دیگر تفکیک میگردند. به رغم عمومیت استفاده از روش لاجیت در فرآیند اعتبار سنجی افراد، در این تحقیق سعی شده است روشی جایگزین که با توجه به وضعیت اطلاعات موجود در خصوص مشتریان حقیقی بانک ها در ایران که نسبت به مدل لاجیت برتری داشته باشد ارایه و با استفاده از یک مجموعه داده، کارایی و دقت آن در مقابل مدل لاجیت بررسی شود. به منظور ارزیابی مشتریان حقیقی بانک از مدل امتیازدهی لاجیت و روش غیر پارامتریک CART استفاده شده و نتایج نشان می دهد که روش دوم از دقت بالاتری در پیشبینی مشتریان خوب و بد با یکدیگر برخوردار است. علاوه براین، ضمن این¬که مدل¬های ساخته شده برای نمونه های تصادفی با حجم کوچک به روش نمونه گیری بازگردان نیز مورد ارزیابی قرار گرفتتند که، بار دیگر نتایج حاصل از مشاهدات نمونه مورد مطالعه دقت در تشخیص نوع مشتری از نظر خوش حسابی تاییید گردید.
With the continuous development and changes in the credit industry، credit products play a more important role in the economy. This has led institutions to expand the role of technology in their credit management processes. Credit scoring is a method used to estimate the probability that a loan applicant or existing borrower will default or become delinquent. There are two types of methods used for scoring: Traditional statistics models like Probit and Logistic regression and Data Mining models such as Classification and Regression Trees (CART). In spite of popularity in applying Logit model in credit assessment of applicants، it is attempted to present another method which is theoretically and empirically superior to Logit model. It is also tried to study the capability and accuracy of this method in comparison with Logit model. In this paper، we have examined the performance of different models in credit scoring on real data of a bank and the two approaches above are compared as well. After building a model using Logistic regression; we have built a model using classification and regression trees. Our aim is to emphasize on the specification of CART and testing its capability and comparing its accuracy with the Logit model. The results reveal the accuracy of CART through a bootstrap simulation. Finally it is suggested that classification and regression trees method could be used in credit scoring process instead of Logit model.