نوع مقاله : مقاله پژوهشی
نویسندگان
1 عضو هیات علمی، دانشگاه شهید بهشتی
2 عضو هیات علمی، موسسه عالی آموزش بانکداری ایران
3 کارشناس ارشد بانکداری اسلامی
چکیده
شناسایی عوامل اصلی نکول و استفاده از این اطلاعات در تصمیم‌گیری برای پرداخت تسهیلات، می‌تواند در کاهش هزینه‌های بانک نقش بسیار موثری داشته باشد. تحقیق حاضر با هدف شناسایی عوامل موثر بر ایجاد نکول و پیش‌بینی احتمال نکول متقاضیان حقیقی بانک پاسارگاد، با استفاده از روش شبکه‌های عصبی انجام شده است. نمونه مورد بررسی، شامل اطلاعات پرونده تسهیلات 470 مشتری، از جامعه آماری 25342 مشتری شعب بانک پاسارگاد شهر تهران، در سال‌های 1392 تا 1393 است. نتایج اجرای مدل نشان می‌دهد که روش شبکه‌های عصبی می‌تواند با دقت 92 درصد پیش‌بینی مناسبی از احتمال نکول متقاضیان داشته باشد. طبق نتایج این روش، متغیرهایی چون سوء سابقه مالی و نوع وثیقه، تاثیر زیادی بر روی پیش‌بینی داشته‌اند.
کلیدواژه‌ها
عنوان مقاله [English]
Estimating Default Probability of Bank Customers Using Neural Networks Method (Case Study: Pasargad Bank)
نویسندگان [English]
- Mohammad Hossein Pourkazemi 1
- Eldar Sedaghat Parast 2
- Reza Dehpanah 3
1 Faculty Member, Shahid Beheshti University
2 Faculty Member, Iran Banking Institute
3 M. A in Islamic Banking
چکیده [English]
The purpose of this study is identifying factors affecting the probability of loan default and forecasting default probability of non-corporate (natural) customers of Pasargad bank by means of neural networks method (NNM). Variables influencing creation of default were identified through investigating background studies and literature review. At the next step, data related to 470 customers were collected from a statistical population of 25342 people who received loans from Pasargad bank in Tehran region from 2013 to 2014. Results show that NNM could accurately forecast 92% of applicants default probability. According to NNM results, bad financial history or type of collateral have had more significant effect on default probability than the other input variables.
کلیدواژه‌ها [English]
- Forecasting
- Credit risk
- Data mining
- Neural Network
)