پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,072 |
| تعداد مشاهده مقاله | 125,694,424 |
| تعداد دریافت فایل اصل مقاله | 98,923,760 |
بهینه‌سازی پرتفوی اعتباری بانک‌ها با استفاده از رویکرد اکچوئری و شبکۀ عصبی مصنوعی | ||
| تحقیقات مالی | ||
| دوره 26، شماره 3، 1403، صفحه 710-733 اصل مقاله (614.79 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2021.311064.1007074 | ||
| نویسندگان | ||
| سعید ّباجلان1؛ سعید فلاح پور1؛ سارا رئیسی* 2 | ||
| 1استادیار، گروه مدیریت مالی و بیمه، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
| 2دانشجوی دکتری، گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. | ||
| چکیده | ||
| هدف: تخصیص وجوه به بخش‌های مختلف اقتصادی و اعطای تسهیلات، یکی از فعالیت‌های مهم بانک‌هاست. بانک‌ها ضمن توجه به سیاست‌های پولی و مالی تعیین شده توسط دولت‌ها و بانک مرکزی، این منابع را به بخش‌های سودآور و مناسب تخصیص می‌دهند. کاهش و کنترل ریسک اعتباری، یکی از عوامل مؤثر در بهبود فرایند اعطای اعتبار و در نتیجه در عملکرد بانک‌هاست. حداقل‌سازی ریسک به همراه حداکثرسازی سود هدفی است که همواره بانک‌ها به‌دنبال تحقق آن هستند. کم‌توجهی به موضوع بازده و ریسک تسهیلات، به تمرکز تسهیلات در بخش‌های خاصی از اقتصاد منجر شده که خود مشکلات عمده‌ای را برای بانک‌ها به همراه داشته است. با توجه به ضرورت تعیین سهم بهینه اعتبارات و ضرورت سیاست‌گذاری مناسب در این زمینه، پژوهش حاضر در پی ارائۀ یک الگوی مناسب برای تخصیص بهینۀ اعتبارات اعطایی به بخش‌های مختلف اقتصادی است؛ به‌گونه‌ای که با مدل‌سازی و بهینه‌سازی ریسک اعتباری با استفاده از ترکیب دو رویکرد اکچوئری و شبکۀ عصبی مصنوعی و با توجه به محدودیت‌های موجود در سیاست‌های بانک، پرتفوی اعتباری بهینه به‌گونه‌ای تعیین شود که ریسک اعتباری حداقل شود. روش: روش اکچوئری با محاسبۀ احتمال نکول وام‌ها و ارزیابی دقیق ریسک‌های مالی، به‌عنوان ابزار اصلی در مدیریت ریسک بانک‌ها شناخته می‌شود. با این حال، این روش‌ها اغلب نمی‌توانند پیچیدگی‌های موجود در تعاملات اعتباری را به‌طور کامل مدل‌سازی کنند. برای غلبه بر این محدودیت‌ها، از شبکۀ عصبی مصنوعی استفاده می‌شود که توانایی پیش‌بینی دقیق‌تر و تطبیق با داده‌های غیرخطی را دارد. بدین منظور در پژوهش حاضر، ابتدا به بررسی ریسک اعتباری پرتفوی تسهیلات بانکی با استفاده از رویکرد اکچوئری پرداخته می‌شود؛ سپس با استفاده از شبکۀ عصبی پرسپترون و با توجه به محدودیت‌های بانک در ارائۀ تسهیلات، ترکیب بهینۀ پرتفوی اعتباری تعیین می‌شود. نمونه مورد استفاده شامل تسهیلات اعطایی بانک به ۲۸۰ مشتری کلان خود در ۴ بخش صنعتی، خدماتی و بازرگانی، کشاورزی و ساختمان، در سال ۱۳۹۲ است. یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که پرتفوی بهینه شده با تمرکز بیشتر بر بخش کشاورزی، در مقایسه با پرتفوی فعلی بانک که عمدتاً بر بخش صنعت تمرکز دارد، می‌تواند بازدهی تعدیل‌شده بر اساس ریسک بهتری را ارائه دهد. در ترکیب پرتفوی بهینه به‌دست‌آمده، بیشترین سهم، به بخش کشاورزی مربوط است و بخش‌های خدماتی و بازرگانی، ساختمانی و صنعتی، به‌ترتیب در رده‌های بعدی قرار دارند. در حالی که در پرتفوی فعلی بانک، بیشترین سهم تسهیلات به بخش صنعتی مربوط است و بعد از آن، به‌ترتیب بخش‌های خدماتی و بازرگانی، کشاورزی و ساختمان قرار می‌گیرند. با بررسی پرتفوی تسهیلات نظام بانکی، مشاهده شد که در سال ۱۳۹۲ شواهد تجربی نیز نتایج مدل را تأیید می‌کند. نتیجه‌گیری: براساس یافته‌ها و تأیید فرضیه‌های پژوهش، می‌توان نتیجه گرفت که استفاده از مدل اکچوئری برای تعیین ریسک اعتباری و سپس بهینه‌سازی با استفاده از شبکۀ عصبی مصنوعی، به بهبود فرایند بهینه‌سازی پرتفوی اعتباری بانک‌ها منجر می‌شود؛ از این رو بانک‌ها می‌توانند با بهبود ساختار پرتفوی خود از این طریق، ریسک‌های بالقوه را کاهش دهند و بازده مطمئن‌تری به‌دست آورند. | ||
| کلیدواژه‌ها | ||
| ریسک اعتباری؛ پرتفوی اعتباری؛ رویکرد اکچوئری؛ شبکۀ عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Bank’s Credit Portfolio Optimization Using Actuarial Approach and Artificial Neural Networks | ||
| نویسندگان [English] | ||
| Saeed Bajalan1؛ Saeid Fallahpour1؛ Sara Raeesi2 | ||
| 1Assistant Prof., Department of Finance Management and Insurance, Faculty of Accounting and Financial Sciences, College of Management, University of Tehran, Tehran, Iran. | ||
| 2Ph.D. Candidate, Department of Financial Engineering, Faculty of Accounting and Financial Sciences, College of Management, University of Tehran, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective Allocating funds to various economic sectors and extending credit are among the key activities of banks. While following monetary and fiscal policies set by governments and central banks, banks strive to allocate these resources to profitable and suitable sectors. Credit risk reduction and control play a vital role in enhancing the lending process and, in turn, bank performance. Banks consistently pursue the dual objectives of minimizing risk and maximizing profit. Insufficient attention to credit yield and risk has led to the concentration of loans in specific economic sectors, creating significant challenges for banks. Considering the need to establish an optimal credit allocation and adopt effective policies, this study aims to develop an optimal model for credit allocation across economic sectors. By integrating actuarial methods and artificial neural networks (ANN) and considering banking policy constraints, the study seeks to design a credit portfolio that minimizes credit risk. Methods The actuarial approach, which includes calculating loan default probabilities and conducting precise financial risk assessments, is a widely used tool in bank risk management. However, these methods often fail to fully capture the complexities inherent in credit interactions. To address this limitation, this study incorporates artificial neural networks (ANN), which provide enhanced predictive accuracy and adaptability to nonlinear data. This research begins by analyzing the credit risk of the bank's loan portfolio using an actuarial approach and subsequently applies a perceptron neural network model to determine the optimal credit portfolio composition considering the bank's lending constraints. The sample data comprises loans extended by the bank to 280 major clients across four sectors—industrial, trade and services, agriculture, and construction—in 2013. Results The results indicate that the optimized portfolio, with a greater focus on the agricultural sector, can offer improved risk-adjusted returns compared to the bank’s current portfolio, which predominantly emphasizes the industrial sector. In the optimized portfolio composition, the agricultural sector receives the largest allocation, followed by the trade and services, construction, and industrial sectors. In contrast, in the bank’s existing portfolio, the highest allocation is to the industrial sector, followed sequentially by trade and services, agriculture, and construction. A review of the banking system's loan portfolio in 2013 confirmed the empirical validity of the model’s results. Conclusion Based on the findings and validation of the research hypotheses, it can be concluded that utilizing an actuarial model to determine credit risk, followed by optimization through artificial neural networks, enhances the bank’s credit portfolio optimization process. This approach enables banks to improve portfolio structure, which helps in mitigating potential risks and achieving more stable returns. | ||
| کلیدواژه‌ها [English] | ||
| Credit risk, Credit portfolio, Actuarial approach, Artificial neural network | ||
| مراجع | ||
|
اشتری‌تفتی، بهروز (1395). رویکرد تشکیل پرتفوی تسهیلات مالی اعطایی با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی بانک ملی ایران). اولین همایش ملی مدیریت و علوم انسانی.
باجلان، سعید؛ راعی، رضا (1396). اصول محاسبات فنی بیمه (چاپ اول)، تهران: انتشارات دانشگاه تهران.
حیدری، محمدسعید؛ ابراهیمی، سید بابک؛ محبی، نگین (1396). مدل‌سازی ریسک اعتباری سبد تسهیلات اعتباری بانک با استفاده از مدل‌سازی اکچوئری (مطالعه موردی بانک رفاه). فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار. 10(34)، 55-71.
دلوی، محمدرضا؛ باقی، ابراهیم؛ عبدالباقی، عبدالمجید؛ کاظمی، جواد (1394). کاربرد الگوریتم ژنتیک چندهدفه در بهینه‌سازی پرتفوی تسهیلات بانک (مطالعه موردی بانک ملی استان اصفهان). نشریه تحقیقات حسابداری و حسابرسی، 7(27)، 100- 120.
راعی، رضا (1381). تشکیل سبد سهام برای سرمایه‌گذار مخاطره‌پذیر: مقایسه شبکۀ عصبی و مارکوئیتز. چشم‌انداز مدیریت بازرگانی، 2(2)، 78- 96.
راعی، رضا؛ سعیدی، علی (1393). مهندسی مالی و مدیریت ریسک (چاپ نهم). تهران: سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت).
راعی، رضا؛ باسخا، حامد؛ مهدی‌خواه، حسین (1399) بهینه‌سازی سبد سهام با استفاده از روش Mean-CVaR و رویکرد ناهمسانی واریانس شرطی متقارن و نامتقارن، تحقیقات مالی، 22(2)، 149-159.
رئیسی، سارا (1398). بهینه‌سازی پرتفوی اعتباری بانک‌ها با استفاده از مدل CreditRisk+ و شبکۀ عصبی مصنوعی. پایان نامه کارشناسی ارشد. دانشکده مدیریت دانشگاه تهران.
صالحی، فهیمه؛ صالحی، مجتبی؛ جعفری اسکندری، میثم (1393). بهینه‌سازی سبد تسهیلات اعطایی مؤسسات مالی با استفاده از برنامه‌ریزی ریاضی و الگوریتم ژنتیک (مطالعه موردی بانک تجارت). فصلنامه توسعه مدیریت پولی و بانکی. 2(3).
عباسیان، عزت‌اله؛ فلاحی، سامان؛ رحمانی، عبدالصمد؛ (1395). اثر تنوع بخشی در پرتفوی تسهیلات بر ریسک اعتباری بانک‌ها. تحقیقات مالی، 18(1)، 149- 166.
فلاح‌پور، سعید؛ راعی، رضا؛ هندیجانی‌زاده، محمد (1393). رویکرد شبکۀ عصبی مبتنی بر کلونی زنبور عسل مصنوعی جهت تخمین رتبه اعتباری مشتریان بانک‌ها. مجله مهندسی مالی و مدیریت اوراق بهادار. 5(21)، 33- 53.
کمرئی، مریم (1390). بررسی پرتفوی تسهیلات اعطایی بانک سپه و تعیین ترکیب بهینه آن. پایان‌نامه کارشناسی ارشد. دانشکده مدیریت دانشگاه تهران.
منصوری، علی؛ آذر، عادل (1381). طراحی و تبیین مدل کارآمد تخصیص تسهیلات بانکی ـ رویکرد شبکه‌های عصبی، رگرسیون لجستیک و خطی. نشریه مدرس، 6(3)، 125- 146.
منهاج، محمدباقر (1386). مبانی شبکه‌های عصبی(هوش محاسباتی). (چاپ چهارم)، تهران: دانشگاه صنعتی امیرکبیر.
مهرآرا، محسن؛ صادقیان، صغری (1389). تعیین ترکیب بهینه وام در بخش‌های اقتصادی: مطالعه موردی بانک سامان). فصلنامه علوم اقتصادی، 2(5)، 81- 102.
References Abbasian, E., Fallahi, S. & Rahmani, S. (2016). The effect of diversification of the credit portfolio on bank’s credit risk. Financial Research Journal, 18(1), 149-166. (in Persian) Ashtari Tafti, B. (2016). Approach to Forming a Portfolio of Granted Financial Facilities Using Artificial Neural Networks (Case Study: Melli Bank). First National Conference on Management and Humanities. (in Persian) Bajalan, S. & Raei, R. (2017). Principles of Actuary (1th ed.). Tehran: University of Tehran Press. (in Persian) Credit Suisse Financial Products, (1997). CreditRisk+: A Credit Risk Management Framework. Technical Report. Credit Suisse First Boston International. London. UK. Dalavi, M.R., Baghi, I., Abdul Baqi, A. & Kazami, J. (2015). Application of Multi-Objective Genetic Algorithm in Optimization of Bank Loan Portfolio (Case Study: Melli Bank). Accounting and Auditing Research, 7(27), 100-120. (in Persian) Donkor, A. (2013). Optimal Loan Portfolio-Using Karmarkars Algorithm. Kwame Nkrumah University of Science and Technology Kumasi. Fallahpour, S., Raei, R. & Hendijanizadeh, M. (2015). Use of a Hybrid Approach Based on Artificial Bee Colony and Neural Network for Credit Risk Assessment. Financial Engineering and Securities Management, 5(21), 33-53. (in Persian) Fathi, E.S. & Yaseen, S.G. (2010). Applying Neural Networks for Loan Decisions in the Jordanian Commercial Banking System. IJCSNS International Journal of Computer Science and Network Security, 10(1), 209-214. Fernandez, A. & Gomez, S. (2007). Portfolio Selection Using Neural Networks. Computer & Operations Research, 34(4), 1177-1191. Haidary, M.S., Ebrahimi, S.B. & Mohebbi, N. (2016). Credit Risk Modeling of bank’s Credit Portfolio (Case Study: Refah Bank). Journal of Financial Knowledge of Securities Analysis, 10(34), 55-71. (in Persian) Kamarei, M. (2011). Sepah Bank Facility Portfolio and the Optimum Combination. Master thesis. University of Tehran. Faculty of Management. (in Persian) Lwin, K.T. Qu, R. & MacCarthy, B.L. (2017). Mean-VaR Portfolio Optimization: A Nonparametric Approach. European Journal of Operational Research, 260(2), 751-766. Mansouri, A. & Azar, A. (2002). Designing and Explaining an Efficient Model for Banking Facilities Allocation- Logistic and Linear Regression and Neural Network Approach. Modares Journal, 6(3), 125- 146. (in Persian) Mehrara, M. & Sadeghian, S. (2008). Determining The Optimal Loan Combination in Economic Sectors (Case Study: Saman Bank). Economic Science, 2(5),81-102. Menhaj, M.B. (2007). Computational Intelligence: Fundamentals of Neural Networks (1th ed.). Tehran: Amirkabir University of Technology. (in Persian) Metawa, N., Elhoseny, M., Hassan, M.K. & Hassanien, A.E. (2016). Loan Portfolio Optimization Using Genetic Algorithm: A Case of Credit Constraints. 12th International Computer Engineering Conference (ICENCO). Cairo.59-64. Raeesi, S. (2019). Credit Portfolio Optimization in banks Using CreditRisk+ Model and Artificial Neural Networks. Master thesis. University of Tehran. Faculty of Management. (in Persian) Raei, R. (2002). Creating a Portfolio for Venture Capitalists Comparison of Neural Networks an Markowitz. Management Perspective, 2(2), 78-96. (in Persian) Raei, R., Basakha, H. & Mahdikhah, H. (2020). Equity Portfolio Optimization Using Mean-CVaR Method Considering Symmetric and Asymmetric Autoregressive Conditional Heteroscedasticity. Financial Research Journal, 22(2), 149-159. (in Persian) Raei, R. & Saeedi, A. (2014). Fundamentals of Financial Engineering and Risk Management. Tehran: SAMT Press. (in Persian) Resti, A. & Sironi, A. (2007). Risk Management and Shareholders Value in Banking. Wiley. Salehi, F., Salehi, M. & Jafari Eskandari, M. (2014). Optimization of Loan Portfolio of Financial Institutions Using Mathematical Planning and Genetic Algorithm (Case Study: Tejarat Bank). Monetary and Banking Management Development, 2(3). (in Persian) Villarrubia, G. Depaz, J.F. Chamoso, P. De La Prieta, F. (2018). Artificial Neural Networks Used in Optimization Problems. Neurocomputing, 272, 10-16. | ||
|
آمار تعداد مشاهده مقاله: 313 تعداد دریافت فایل اصل مقاله: 123 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب