اعطای تسهیلات یکی از عمده ترین فعالیت های بانک ها و موسسات اعتباری است از این رو برای تصمیم گیری صحیح، باید درجه اعتبار و قدرت بازپرداخت اصل و سود تسهیلات دریافت کننده را تعیین کرد، تا احتمال عدم برگشت اصل و سود تسهیلات اعطایی کاهش یابد. یکی از روش های کاهش این ریسک، طراحی نظام تعیین درجه اعتباری برای دریافت کنندگان تسهیلات است، و کانون این نظام، مدل رتبه بندی یا ارزیابی اعتباری است. از مدل های مختلفی می توان به منظور ارزیابی اعتباری مشتریان بانکی استفاده کرد. اخیرا شبکه های عصبی به عنوان یک تکنولوژی کاربردی و با کاربرد های موفقیت آمیز در بسیاری از حوزه های موسسات مالی به ویژه در بانک ها معرفی شده است. همچنین مطالعات اخیر در زمینه شبکه های عصبی مصنوعی نشان می دهد شبکه های عصبی مصنوعی به علت ویژگی های غیرخطی، ناپارامتریک، و یادگیری تطبیقی که دارند، ابزار قدرت مندی برای شناسایی و دسته بندی الگوها هستند. به همین جهت در این تحقیق به منظور شناسایی الگوهای رفتاری مشتریان و امکان پیش بینی رفتار آنها از دو ساختار مختلف از شبکه های عصبی مصنوعی به نام های شبکه پرسپترون چندلایه (mlp) و شبکه عصبی تابع پایه شعاعی (rbfn) استفاده کرده ایم. در این تحقیق با هدف پیش بینی ریسک اعتباری مشتریان حقوقی بانک صادرات ایران در استان خراسان رضوی، برای بازه زمانی 1388 تا 1390 به بررسی جامعه آماری متشکل از 210 شرکت با ویژگی های اعتباری مختلف (خوش حساب و بدحساب) پرداختیم. داده های مورد استفاده در این تحقیق ترکیبی از داده های مالی و اعتباری این مشتریان است که برای داده های مالی برخی از نسبت های مهم مالی و برای داده های اعتباری از داده هایی مانند سابقه چک برگشتی و نوع وثیقه بانکی استفاده شده است. همچنین در مسیر دستیابی به اهداف تحقیق از نرم افزار spss به منظور انجام برخی آزمون های آماری مورد نیاز و همچنین از جعبه ابزار شبکه عصبی در نرم افزار matlab برای تبیین شبکه های عصبی استفاده شده است. نتایجی که از مقایسه شبکه های عصبی mlp و rbfn بدست آمده است نشان از برتری شبکه mlp نسبت به شبکه rbfn در خصوص پیش بینی ریسک اعتباری مشتریان حقوقی بانک صادرات دارد. اختلاف معنی دار خطای پیش بینی برای این دوشبکه مبنای نتیجه ی عنوان شده در بالا بوده است.

چکیده ندارد.

چکیده ندارد.