پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,037 |
| تعداد مشاهده مقاله | 125,515,431 |
| تعداد دریافت فایل اصل مقاله | 98,776,572 |
کاربرد سیستم‌های استدلال عصبی- فازی در رتبهبندی اعتباری مشتریان حقوقی بانکها | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 1، دوره 45، شماره 3، آبان 1389 اصل مقاله (409.64 K) | ||
| نویسندگان | ||
| مهدیه اخباری1؛ فریماه مخاطب رفیعی2 | ||
| 1دانشجوی دکتری مهندسی صنایع | ||
| 2استادیار مهندسی صنایع، دانشگاه صنعتی اصفهان | ||
| چکیده | ||
| امروزه ریسک اعتباری به عنوان یکی از بزرگترین عوامل ورشکستگی بانکها و مؤسسات مالی شناخته شده است. به منظور مدیریت و کنترل این ریسک طراحی مدلهای رتبهبندی اعتباری در بانکها ضرورتی انکار ناپذیر است. رتبهبندی اعتباری به منظور تعیین احتمال نکول در بازپرداخت تسهیلات اعتباری و از سوی دیگر برای طبقهبندی مشتریان متقاضی تسهیلات اعتباری به دو گروه خوش حساب و بد حساب مورد استفاده قرار میگیرد. تا بهحال روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون خطی و لجستیک و شبکههای عصبی در زمینه رتبهبندی اعتباری توسعه یافتهاند. در این میان، شبکه های عصبی به دلیل انعطافپذیری و دقت بالا، در سالهای اخیر بیشتر مورد توجه قرار گرفتهاند. در این مقاله یک مدل رتبهبندی اعتباری با استفاده از سیستم‌های استدلال عصبی- فازی جهت رتبهبندی مشتریان حقوقی بانکها ارائه شده است. متغیرهای ورودی این مدل نسبت بدهی، نسبت فعالیت و نسبت ارزش ویژه به مجموع دارایی ها و متغیر خروجی آن احتمال نکول مشتری، در نظر گرفته شده است. پس از آموزش و تست مدل بر اساس داده های بانک کشاورزی طی سالهای 1380-1385، مدل ارائه شده با دقت 36/69 درصد وضعیت اعتباری مشتریان را پیشبینی می‌کند. طبقهبندی JEL : G52 | ||
| کلیدواژه‌ها | ||
| درجهی تشخیص؛ درجهی حساسیت؛ رتبهبندی اعتباری؛ سیستم استدلال عصبی- فازی سازگار | ||
| عنوان مقاله [English] | ||
| Neuro-Fuzzy Inference System Application for Credit Rating of Bank Customers | ||
| نویسندگان [English] | ||
| Mahdieh Akhbari1؛ Farimah Mokhatab Rafiei2 | ||
| چکیده [English] | ||
| Nowadays, credit risk is recognized as one of the most important bankruptcy factors of banks and financial institutions. In order to manage and control this risk, design of credit rating models is undeniable necessity. Credit rating is used to identify the probability of credit default and on the other side classify the customers into two groups: good and bad accounts. Until now, various statistical methods, including discriminant analysis, logistic regression and neural networks have been developed for credit rating. Meanwhile, neural networks due to the high flexibility and precision, in recent years have been considered more. This study presents a credit rating model using adaptive neuro-fuzzy inference system to predict financial performance of bank customers. In this model, debt ratio, operational ratio, and return on equity have been selected as input variables, and on the other side the probability of default has been considered as output variable. After training and testing the model based on data from Keshavarzi bank over 2001-2006, the model predicts the credit status of customers with Accuracy of 69.36%. JEL classification: C2; G240 | ||
| کلیدواژه‌ها [English] | ||
| neuro- fuzzy inference systems, Credit Rating, sensitivity ratio, specificity ratio | ||
|
آمار تعداد مشاهده مقاله: 3,921 تعداد دریافت فایل اصل مقاله: 2,760 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب