تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,954,384 |
تعداد دریافت فایل اصل مقاله | 15,624,993 |
الگوسازی سنجش ریسک اعتباری مشتریان حقوقی بانک رفاه | ||
نظریه های کاربردی اقتصاد | ||
مقاله 1، دوره 2، شماره 1، فروردین 1394، صفحه 1-24 اصل مقاله (696.08 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
قهرمان عبدلی1؛ علیرضا فرد حریری2 | ||
1دانشیار دانشگاه تهران | ||
2دانشجوی دکترای اقتصاد دانشگاه تهران | ||
چکیده | ||
این مطالعه با هدف شناسایی عوامل موثر بر ریسک اعتباری مشتریان و تدوین مدلی برای سنجش آن در میان مشتریان حقوقی بانک رفاه انجام شده است. بدین منظور اطلاعات کیفی و مالی یک نمونه تصادفی 300 تایی از مشتریانی که در سالهای 1391 و 1392 از شعب بانک رفاه در سراسر کشور تسهیلات اعتباری دریافت نمودهاند، جمعآوری و با بکارگیری روش رگرسیون لاجیت عوامل موثر بر ریسک اعتباری مشتریان این بانک برآورد شده است. در این الگو ابتدا 17 متغیر توضیحی شامل متغیرهای کیفی و مالی به عنوان عوامل تعیین کننده ریسک اعتباری مشتریان در نظر گرفته شده و سپس از بین متغیرهای مذکور با استفاده از نسبت درستنمایی، در نهایت 5 متغیر که اثر معنیداری بر ریسک اعتباری مشتریان حقوقی داشتند، انتخاب و مدل نهایی توسط آنها برازش شده است. نتایج مطالعه نشان میدهد که از این 5 متغیر، متغیرهای میانگین موجودی (معدل حساب در 6 ماه گذشته)، نسبت بازده فروش (نسبت سود خالص به فروش خالص)، نسبت جاری (دارایی جاری به بدهی جاری) اثر معکوس و متغیرهای تعداد چک برگشتی و نسبت مبلغ معوق به دارایی جاری اثر مستقیم بر ریسک اعتباری دارند. | ||
کلیدواژهها | ||
رتبهبندی اعتباری؛ ریسک اعتباری؛ مدل لاجیت؛ بانک رفاه | ||
مراجع | ||
1. Abdou, HAH, Pointon, J, & El-Masry, A. (2007). Neural nets versus conventional techniques in credit rating in egyptian banking. Expert Systems with Applications: An International Journal, 35(3), 1275-1292. 2. Altman, E. I. (1968). Financial ratios, discriminate analysis and the prediction of corporate bankruptcy. Journal of Finance, 23 (September), 589-609. 3. Beaver W.H. (1967). Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71-102. 4. Bryant, K. (2001). An agricultural loan evaluation expert system. Expert Systems with Applications: An International Journal, 21(2001), 75-85. 5. Caouette, J., E. Altman, & P. Narayanan (1998). Managing credit risk: the next great financial challenge. John Wiley & Sons, New York. 6. Desai V. S., Crook, J. N., & Overstreet, G. A. J. (1996). A comparison of neural networks and linear rating models in the credit union environment. European Journal of Operational Research, 95, 24-37 7. Elmer, Peter J., & David M. Borowski (1988). An expert system and neuralnetworks approach to financial analysis. Financial Management, 12, 66-76. 8. Glantz, Morton (2003). Managing bank risk. Academic Press. 9. Huang C.L., Chen, M.C., & Wang, C.J. (2007). Credit rating with a data mining approach based on support vector machines, Expert System with Application, 32, 847-856. 10. Morgan, J.P. (1998). Creditmetrics-technical document. New York, J.P.Morgan & Co. Incorporated. 11.Kim, Y.S., & Sohn S.Y. (2004). Managing loan customers using misclassification patterns of credit scoring model. Expert Systems with Applications, 26(4), 567-573. 12. Lee, TS, & Chen, IF (2005). A two-stage hybrid credit rating model using srtificial neural networks and multivariate adaptive regression Alpines. Expert System with Application, 28, 743-752. 13. Lee, T.S., Chiu, C.C., & Lu, C.J. & Chen, I.F. (2002). Credit scoring using the hybrid neural discriminant technique. Expert Systems with Application, 23(3), 245- 254. 14. Nanni L., & Lumini A. (2009). An experimental comparison of ensemble of classifiers for bankruptcy prediction and credit scoring. Expert Systems with Applications, 36 (2), 3028-3033. 15. Sarlija, Natasa, Bensic, Mirta, & Zekic-Susac Marijana (2005). Selecting neural network architecture for investment profitability predictions. Journal of Information and Organizational Sciences, 29(2), 83-95. 16. Saunders, A., & Allen, L. (2002). Credit risk measurement, Second Edition. NewYork, John Wiley & Sons. 17. Treacy, William F., & Carey Mark S. (1998). Credit risk rating at large U.S banks.Journal of Banking and Finance, 24, 167-201. 18. West D (2000). Neural network credit rating models. Journal of Computers &Operations Research, 27, 1131-1152. 19. Xu X., Zhou C., & Wang Z. (2009). Credit scoring algorithm based on link analysis ranking with support vector machine. Expert Systems with Applications, 36(2, Part 2), 2625-2632. | ||
آمار تعداد مشاهده مقاله: 4,367 تعداد دریافت فایل اصل مقاله: 3,961 |