رضا حبیبی؛ حسن کوهی؛ حسین بعیدی
دوره 4، تابستان ، شهریور 1397، ، صفحه 33-71
چکیده
با توجه به ماهیت فعالیت‌های صنعت بانکداری که عمدتاً مبتنی بر تجهیز و تخصیص منابع است، این صنعت به‌طور گسترده با ریسک‌های اعتباری مواجه است. بنابراین شناخت منشأ ریسک اعتباری و تخمین آن همواره یک مسئله اساسی برای صنعت بانکداری است. در همین خصوص، تحقیقی از نوع داده‌کاوی با هدف شناسایی ویژگی‌های مؤثر بر ریسک اعتباری مشتریان ...
بیشتر
با توجه به ماهیت فعالیت‌های صنعت بانکداری که عمدتاً مبتنی بر تجهیز و تخصیص منابع است، این صنعت به‌طور گسترده با ریسک‌های اعتباری مواجه است. بنابراین شناخت منشأ ریسک اعتباری و تخمین آن همواره یک مسئله اساسی برای صنعت بانکداری است. در همین خصوص، تحقیقی از نوع داده‌کاوی با هدف شناسایی ویژگی‌های مؤثر بر ریسک اعتباری مشتریان حقیقی بانک سپه و همچنین طراحی مدلی برای پیش‌بینی احتمال نکول تسهیلات، از طریق مدل‌های الگوریتم ژنتیک و رگرسیون پروبیت انجام گرفته است. داده‌های این تحقیق مربوط به تسهیلات اعتباری پرداخت شده به اشخاص حقیقی در سال ۱۳۹۵ است. از میان کلیه تسهیلات اعتباری پرداخت شده به اشخاص حقیقی در سال ۱۳۹۵ دو نمونه ۳۶۰۰ تایی (به‌منظور برازش مدل) و ۴۰۰ تایی (به‌منظور راستی‌آزمایی مدل به‌وسیله منحنی ROC) به‌صورت تصادفی انتخاب شدند. همچنین به‌منظور تجزیه و تحلیل داده‌ها از نرم‌افزار متلب استفاده شده است. نتایج تحقیق نشان می‌دهد که روش الگوریتم ژنتیک در تعیین متغیرها در سه سطح متفاوت براساس درجه اهمیت، توانایی بالاتری در پیش‌بینی احتمال نکول تسهیلات نسبت به روش رگرسیون پروبیت دارد. نتایج راستی‌آزمایی نشان می‌دهد که سطح زیر منحنی ROC در روش الگوریتم ژنتیک برابر ۰/۹۲، اما در روش رگرسیون پروبیت برابر ۰/۷۲ است و همچنین نتایج در ماتریس ROC نشان داد که روش الگوریتم ژنتیک ۹۱/۸ درصد پیش‌بینی صحیح نموده و روش رگرسیون پروبیت ۹۰ درصد پیش‌بینی صحیح کرده است.
