نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار دانشکده مهندسی صنایع و مکانیک- دانشگاه آزاد اسلامی واحد قزوین، (مسئول مکاتبات)
2 دانشجوی کارشناسی ارشد مهندسی مالی، دانشگاه علم و فرهنگ تهران
3 دانشجوی کارشناسی ارشد مهندسی مالی دانشگاه علم و فرهنگ تهران
چکیده
در گذشته تصمیم گیری در مورد اعطای تسهیلات به مشتریان بانکها در ایران به روش سنتی و بر پایه قضاوت شخصی در مورد ریسک عدم بازپرداخت صورت می پذیرفت. لیکن افزایش فزاینده تقاضای تسهیلات بانکی از سوی بنگاه های اقتصادی و خانوارها از یک سو و افزایش رقابت های تجاری گسترده و تلاش بانک ها و موسسات مالی و اعتباری در کشور برای کاهش ریسک عدم بازپرداخت تسهیلات از سوی دیگر موجب به کار گیری روش های نوین از جمله روش های آماری در این زمینه شده است. امروزه بانک ها به منظور پیش بینی احتمال کوتاهی در بازپرداخت تسهیلات و طبقه بندی متقاضیان خود از رتبه بندی اعتباری مشتریان خود بهره می گیرند. صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان انواع تسهیلات از جمله مزایای آن می باشد. روش های آماری مختلفی همچون تحلیل ممیزی، رگرسیون لجستیک، هموارسازی ناپارامتریک و نیز روش هایی چون شبکه های عصبی در زمینه ی رتبه بندی اعتباری مورد استفاده قرار گرفته اند. از این میان شبکه های عصبی به دلیل قابلیت طبقه بندی، تعمیم و یادگیری الگوها نسبت به سایر روش ها از انعطاف پذیری بالاتری برخوردار بوده و در سال های اخیر مورد توجه بیشتری قرار گرفته اند. در این مقاله، ابتدا با بهره گیری از پرسشنامه و نظر خبرگان بانکی به انتخاب بعضی معیارهای مهم در اعطای انواع تسهیلات اعتباری اعم از مضاربه، مشارکت مدنی، فروش اقساطی و جعاله به مشتریان حقیقی یکی از بانک های خصوصی کشور می پردازیم. سپس با ارائه چهار مدل MOE، MLP، LVQ، و RBF از شبکه های عصبی و استفاده از داده های مشتریان حقیقی بانک مزبور در معیارهای انتخاب شده به طبقه بندی آنها پرداخته و دقت رتبه بندی مدل های مزبور را مورد ارزیابی قرار می دهیم. نتایج حاکی از آن است که مدل MOE دقیق تر از مدل های MLP و RBF می باشد و مدل LVQ از دقت قابل قبولی برای رتبه بندی اعتباری متقاضیان بانکی برخوردار نیست.
کلیدواژه‌ها
عنوان مقاله [English]
Credit ranking of natural clients of banks using various neural network models: a case study of a private Iranian bank
نویسندگان [English]
- Abolfazl Kazemi 1
- Javad Ghasemi 2
- Vahid Zandieh 3
1
2
3
چکیده [English]
Previously, decision about granting facilities to clients of banks in Iran were made based on personal judgment about the risk of failure in reimbursement. But, increasing demand for bank facilities by economic firms and households in one hand, and increasing extensive commercial competition among banks and economic- credit companies in the country and their efforts to alleviate the risk of failure in reimbursement of facilities on the other hand, have resulted in using modern methods such as statistical methods in this area. Today, to predict the possibility of failure in reimbursement of facilities and to classify their applicants, banks use the credit ranking of their clients. Savings in time and costs, removing personal judgments and increasing the accuracy of evaluating applicants of various facilities are some of the benefits gained in this method.
There are various statistical methods such as audit analysis, logistic regression, nonparametric smoothing and other methods including neural networks which have been used in ranking the credits. Among these methods, neural network method is of higher flexibility and has attracted more attention in recent years due to its ability to classify, generalize and learn the patterns.
In this paper, firstly we select some of the important criteria in granting various credit facilities such as financing loan, civil partnership, installment sale and unilateral contract to natural clients of a private bank in the country using questionnaire and the opinions of elite people in the field of banking. Then, we classify them by
presenting four models of neural networks namely MOE, MLP, LVQ and RBF and evaluate the accuracy of the ranking of these models. The obtained results indicate that MOE model is more accurate compared to MLP and RBF models and LVQ has not acceptable accuracy for ranking the credits of bank applicants.
کلیدواژه‌ها [English]
- Credit ranking
- Neural Network
- Multi-Layer Perceptron (MLP)
- Mixture of Experts (MOE)
- Radial Basis Function (RBF)
- Learning Quantization (LVQ)
)