طراحی، پیاده سازی و اجرای مدل محاسبه ریسک اعتباری با رویکرد شبکه عصبی و رگرسیون لجستیک (مطالعه موردی بانک توسعه صادرات و بانک تجارت)

در سیستم بانکی ایران تجهیز منابع و تخصیص آن در قالب تسهیلات بانکی کماکان اصلی ترین وظیفه بانک های تجاری را تشکیل می دهد.به طوری که منابع بانک عمدتاً متعلق به سپرده گذاران بوده و بانک به عنوان وکیل و امین مردم منابع مذبور را در اختیار متقاضیان قرار می دهد. بنابراین در هنگام تصمیم گیری نسبت به اعطای تسهیلات، بررسی همه جانبه درخواست تسهیلات به منظور به حداقل رساندن ریسک عدم بازپرداخت از اهمیت خاصی برخورداراست. در این پایان نامه سعی شده است با توجه به اهمیت موضوع ریسک اعتباری برای بانک های کشور، با استفاده از داده های واقعی دو بانک توسعه صادرات و تجارت دو مدل محاسبه ریسک اعتباری مشتریان پیاده سازی، اجرا و درنهایت مقایسه گردند. از جمله الگوها و مدل هایی که در این حوزه استفاده می شود می توان به مدل های تحلیل ممیز یک متغیری، تحلیل ممیز چندگانه، رگرسیون لجستیک، الگوریتم افراز بازگشتی ، شبکه های عصبی و ... نام برد. که مختصراً توضیح آنها بدین ترتیب خواهد بود تحلیل ممیز یک متغیری : در این مدل هر بار یکی از نسبت ها ( متغرهای مستقل ) بررسی می شود. تحلیل ممیز چند متغیری : ترکیب متغیرهایی را کشف می کند که به نحو احسن بین دو یا چند گروه طبقه بندی شده ( مانند شرکت های ورشکسته و غیر ورشکسته و .... ) قائل می شود که بعد ها به صورت مدل امتیازدهیz تعمیم یافت. تحلیل ممیز چندگانه: یک ترکیب خطی از ویژگی های مختلف را بر اساس تعاملات بین متغیرها و فرمول رگرسیون برقرار می سازد در حالی که در تحلیل نسبت یک متغیری هر زمان تنها یک عامل مورد بررسی قرار می گیرد. در تحلیل ممیز چندگانه چندین نسبت می تواند بکار رود در حالی که در مدل امتیازدهی z آلتمن فقط از 5 نسبت که مهم تر بودند استفاده می شود. هم چنین این تحلیل فقط برای پیش بینی در دو سال آینده از اعتبار برخوردار می باشد به طوری که دقت آن برای سال اول از سال دوم بیش تر می باشد و برای سال دوم می بایست با احتیاط سخن گفت. به دلیل محدودیت هایی هم چون خطی بودن، نرمال بودن و مستقل بودن متغیرها در تحلیل ممیز تک متغیری و چندگانه و نیز به دلیل عدم دسترسی به بانک اطلاعات مشتریان حقیقی و نیز لزوم دسترسی به داده های زیاد مدل الگوریتم افراز بازگشتی، در این پایان نامه از مدل های رگرسیون لجستیک و شبکه های عصبی برای طراحی و پیش بینی مدل محاسبه ریسک اعتباری استفاده شده است. یکی از مهمترین انتقادات وارد شده به تحلیل ممیز این بود که این نوع تحلیل، احتمالات پیشین را در نظر نمی گیرند و احتمال عضویت در هر گروه را مساوی فرض می کند برای اجتناب از این ایراد از مدل های مبتنی بر احتمالات شرطی استفاده می شود. روش های آماری رگرسیون لجستیک چندگانه ( لاجیت ) و تحلیل پروبیت احتمال شرطی تعلق یک مشاهده به یک دسته خاص را ارائه می دهد. هر دو روش مبتنی بر تابع احتمال تجمعی هستند و نیازی به نرمال بودن متغیرهای مستقل نمی باشد. مسائلی که از این دو روش استفاده می کنند معمولا با استفاده از تکنیک های حداکثر احتمال حل می شوند. در تحلیل لاجیت بر خلاف تحلیل ممیز چندگانه وزنی که به هر یک از متغیرها تخصیص داده می شود با در نظر گرفتن احتمالی است که به هر یک از دسته ها داده می شود.روش پروبیت، بسیار شبیه روش لاجیت است با این تفاوت که به جای تابع تجمعی لجستیکی از تابع تجمعی که تقریباً نرمال است استفاده می شود.