بخشی از مقاله
چکیده
ریسک اعتباري به عنوان خطر ناشی از احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید بوده و یکی از مهمترین ریسکها در بانکها و مؤسسات مالی به حساب میآید. استقرار نظام رتبهبندي اعتباري با توجه به حجم انبوه مطالبات معوق بانکها، یکی از مهمترین ابزارهاي کنترل این نوع ریسک است. بر این اساس، این مقاله با استفاده از شبکههاي عصبی توانمند در حوزه پیشبینی، به تهیه و تدوین مدلی به منظور رتبهبندي اعتباري مشتریان بانک میپردازد که این روش میتواند مشتریان را در دو گروه خوشحساب و بدحساب دستهبندي کند.
مدل پیشنهادي که داراي ساختار همزمان رو به جلو و جانبی است، شبکه عصبی با اتصالات جانبی نام دارد. نتایج حاصل از این شبکه با شبکه عصبی با تابع محرك شعاعی و شبکه یادگیري کوا نتیزه نمودن برداري، در قالب دو مجموعه آموزش و تست مقایسه شده است. براي ارزیابی هر چه بهتر و انتخاب مدل برتر، علاوه بر معیار ریشه میانگین مربعات خطا مربوط به هر شبکه، از آزمون فرض آماري نیز استفاده شده است. طبق نتایج بدست آمده در هر دو معیار ارزیابی، مدل پیشنهادي عملکرد بهتري نسبت به مدلهاي دیگر دارد و توانسته است رفتار مشتریان را با دقت بسیار بالایی پیشبینی نماید.
واژه هاي کلیدي : ریسک اعتباري، رتبهبندي اعتباري، شبکه عصبی با اتصالات جانبی، پیش بینی، آزمون فرض آماري.
مقدمه
فرایند جهانی شدن و به تبع آن تشدید رقابت موسسات مالی و اقتصادي در بازارهاي محلی و جهانی، روز به روز ضرورت تقویت و اصلاحات سیستمی را در بنگاههاي مالی و سرمایهاي در سرتاسر دنیا افزایش میدهد. بانکها نیز از این امر مستثنا نیستند ایجاد تعادل میان عرضه و تقاضا در منابع و تسهیلات بانکی، مدیریت و کاهش مطالبات معوق و رهایی از سیستم وثیقه محوري از جمله مسائلی است که ضرورت و نیاز پیادهسازي نظام رتبهبندي و اعتبارسنجی را در سیستم بانکی بیش از سایر مسائل نمایان میسازد.
از انواع مدلها و روشهاي مختلفی که براي اعتبارسنجی مشتریان بانکها وجود دارد، میتوان به مدلهاي تحلیل ممیزي، مدلهاي احتمالی خطی، لاجیت و پروبیت، مدلهاي مبتنی بر تئوري قیمتگذاري اختیار معامله و مدل شبکههاي عصبی مصنوعی اشاره کرد از جمله مطالعات انجام شده در این زمینه میتوان به کارهاي دیکن در زمینه طراحی مدل نمرهدهی اعتباري، مطالعات آلتمن در طراحی مدل نمره و مورگان در طراحی مدل اندازهگیري ریسک اشاره نمود.روشهاي آماري، متداول ترین و پرکاربردترین روشها براي ساختن مدلهاي رتبهبندي هستند.
مدلهاي رتبهبندي اعتباري یکی از مهمترین و اساسیترین سیستمهاي تصمیمگیري هستند که بخش عمدهاي از اطلاعات مورد نیاز موسسه اعتبار دهنده در مدیریت اعتبار را فراهم میکنند. بانکها و موسسات مالی با استفاده از رتبهبندي اعتباري با توجه به سوابق متقاضی تسهیلات، احتمال عدم بازپرداخت توسط وي را ارزیابی کرده و امتیازبندي مینمایند. به عبارت دیگر رتبهبندي اعتباري مجموعهاي از مدلهاي تصمیمگیري و روشهاي مرتبط با آنها است که به اعتبار دهندگان در اعطاي اعتبار به مشتریان کمک میکند.
در این مقاله از شبکهي عصبی با اتصالات جانبی که شبکه جدیدي در حوزه رتبهبندي است براي پیشبینی استفاده شده است. این شبکه که از نظر ساختاري مشابه شبکه عصبی پرسپترون چند لایه میباشد اتصالات جانبی را در لایه پنهان شبکه بررسی و لحاظ میکند. با استفاده از روش پیشنهادي، مقاله حاضر به تهیه و تدوین الگوي رتبهبندي مشتریان حقوقی یکی از بانکهاي دولتی خواهد پرداخت که قادر خواهد بود متقاضیان اعتبار را به دو گروه اعتباري خوب و بد تقسیم کند. ساختار مقاله به این صورت است که ابتدا مروري بر پیشینه ادبیات موضوع و مطالعات پیشین میشود. سپس، مدل تحقیق و روش برآورد آن مطرح میشود. پس از آن نتایج اجراي مدل و مقایسه آن با مدلهاي دیگر آورده میشود و در پایان، نتایج مقاله آورده خواهد شد.
پیشینه تحقیق
تحقیقات انجام شده در حوزه رتبهبندي اعتباري10 مشتریان بانک را میتوان در دو گروه عمده کارها و تحقیقاتی که بر پایه روشهاي آماري انجام گرفته و کارها و پژوهشهایی که بر پایه هوش مصنوعی و تکنیکهاي مربوط به آن انجام گرفته است، دستهبندي کرد. در زمینه تحقیقات بر مبناي روشهاي آماري، شروع کار رتبهبندي اعتباري و توسعه آن در سالهاي اولیه و ظهور آن بوسیله روشهاي آماري مختلف بوده است. این روند به لحاظ پایش ادبیاتی موضوع سهم بیشتري در حوزه این نوع مسائل را به خود اختصاص میدهد.توجه میباشد. از این رو تمرکز پایش ادبیات موضوع در حوزه مسائل رتبهبندي اعتباري، بر تکنیکهاي هوش مصنوعی و روشهاي مرتبط با آن است.
پژوهشی با عنوان تحلیلی از امتیازدهی اعتباري براي وامهاي کشاورزي در تایلند صورت گرفته است. هدف پژوهشگران از انجام این مطالعه تخمین مدل امتیازدهی اعتباري - تصمیمگیري وامدهی - براي وام هايکشاورزي در تایلند بوده است. آنها از مدل لاجیت و دو نوع از مدلهاییکه به صورت اختصار با شبکه عصبی مصنوعی، یکی با عنوان شبکه عصبی احتمالی نشان داده میشود و دیگري با عنوان شبکه عصبی چند لایه بازخوردي، براي برآورد مدل امتیازدهی اعتباري خود استفاده کرده اند. نتایج حاصله در این تحقیق نشان میدهد که مدل PNN بطور کلی قدرت پیش بینی صحیح این مدل در دادههاي داخل نمونه، بیشتر از دو از مدل دیگر است.
روشهاي آماري، متداول ترین و پرکاربرد ترین روشها براي ساختن مدلهاي رتبهبندي هستند، که در این خصوص نیز مقالات بسیاري وجود دارد، در ابتدا آنالیز ممیزي و رگرسیون تنها مدل هایی بودند که در زمینه رتبهبندي اعتباري استفاده می شدند. ویگینتون براي اولین بار از رگرسیون لجستیک در زمینه رتبهبندي اعتباري استفاده کرد. او مدل رگرسیون لجستیک را با آنالیز ممیزي مقایسهکرد و نتیجه گرفت که رگرسیون لجستیک، برتر از آنالیز ممیزي است. گرابلوسکی و تالی از آنالیز ممیزي و مدل پروبیت براي رتبهبندي متقاضیان یک فروشگاه زنجیرهاي بزرگ در آمریکا استفاده کردند.
از زمانی که سیستمهاي هوش مصنوعی نظیر شبکه عصبی، الگوریتم ژنتیک و سیستمهاي خبره طراحی و معرفی شدند، استفاده از آنها در تحقیقات مالی و رتبهبندي اعتباري مرسوم گشته و به سرعت در حال گسترش است. در این زمینه میتوان بهکاربرد الگوریتم ژنتیک در رتبهبندي اعتباري توسط شین ولی اشاره کرد که صورتهاي مالی حسابرسی شده 528 شرکت صنعتی را براي تخمین احتمال ورشکستگی مورد استفاده قرار دادند. نتایج نشان داد که مدل، به طور متوسط در 80 درصد موارد قابلیت پیش بینی صحیح را دارد.
از نتایج محاسباتی توسط تکنیکهاي جدید دادهکاوي که بوسیله تام و کیانگ6 انجام گرفته، شبکههاي عصبی با دقت ترین تکنیکها و به دنبال آن تجزیه و تحلیل جدا کننده خطی، رگرسیون لجستیک، درختان تصمیم و نزدیکترین همسایه بودهاند. در مقایسه با روشهاي دیگر آنها نتیجه گرفتند که مدلهاي شبکههاي عصبی بادقت تر، مقاومتر و قابل پذیرشتر هستند.هنلی و هند در یک مطالعه جامع، دقت چهار روش مختلف در رتبهبندي را با استفاده از دادههاي مربوط به یک شرکت فروش پستی بزرگ مقایسه کردند.
آنها در تحقیق خود چهار روش رگرسیون خطی، رگرسیون لجستیک، نزدیک ترین همسایه و درخت تصمیم استفاده کردند. نتیجه تحقیق حاکی از برتري روش نزدیکترین همسایه نسبت به سه روش دیگر دارد و رگرسیون لجستیک، رگرسیون خطی و درخت تصمیم از نظر دقت طبقهبندي در ردههاي بعدي قرار میگیرند.
