مقايسه كارايي مدل‏هاي كلاسيك و شبكه‌هاي عصبي در برآورد ريسك و ظرفيت اعتباري مشتريان شواهدي از بانك تجارت

Comparison of Performance Classical and Neural Networks Models for Estimation Credit risk and Capacity Customers: Evidence from Tejarat bank

يكي از اهداف مهمي كه بانك‌‏ها و موسسات مالي جهت بالا بردن كارايي پس‌اندازهاي جمع‌آوري شده از اشخاص حقيقي و حقوقي دنبال مي‌كنند، اين است كه با شناسايي مشتريان اعتباري خود تسهيلات اعتباري را به افراد يا ساز‌مان‌هايي تخصيص دهند كه احتمال نكول كمتري داشته باشند. ليكن براي اين كار از روش‌هاي مختلفي هم‏چون روش معمول قضاوت شخصي، تحليل مميزي و ... استفاده مي‌كنند. با اين وجود اغلب اين روش‌ها، روي ريسك اعتباري مشتريان متمركز شده‌اند، در حالي كه ظرفيت اعتباري مشتريان مي‌تواند در ارايه تسهيلات نقش مهمي ايفا نمايد. در اين مقاله مدل شبكه‌هاي عصبي براي محاسبه هر دو عامل ريسك و ظرفيت اعتباري به طور همزمان مورد توجه قرار گرفته است. البته مدل‏هاي رگرسيون خطي و لجستيك نيز براي محاسبه ريسك و ظرفيت اعتباري به كار گرفته شده است تا با مدل شبكه‌هاي عصبي مقايسه گردد. نتايج به‏دست آمده دلالت بر كارايي بالاي شبكه‌هاي عصبي نسبت به رگرسيون خطي در برآورد ظرفيت اعتباري مشتريان و كارايي يكسان مدل شبكه‌هاي عصبي و رگرسيون لجستيك در برآورد ريسك اعتباري 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.