نوع مقاله : مقاله پژوهشی

نویسندگان

• رضا حبیبی ¹
• حسن کوهی ¹
• حسین بعیدی ²

¹ عضو هیأت‌ علمی، مؤسسه عالی آموزش بانکداری ایران

² کارشناس ارشد بانکداری اسلامی، مؤسسه عالی آموزش بانکداری ایران

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 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.

کلیدواژه‌ها

• رتبه‌بندی اعتباری
• الگوریتم ژنتیک
• رگرسیون پروبیت
• منحنی ROC

عنوان مقاله [English]

Bank Lending Decision Using Genetic Algorithm (Case Study: Bank Sepah Legal Customer)

نویسندگان [English]

• Reza Habibi ¹
• Hasan Kouhi ¹
• Hosein Baidi ²

¹ Faculty Member, Iran Banking Institute

² M. A in Islamic Banking, Iran Banking Institute

چکیده [English]

Given the nature of banking industry activities, which mainly relate to the allocation of resources, credit risks are increasingly faced by this industry. Therefore, knowing the origin of credit risk and its estimation are always fundamental issues for this industry. In this regard, in order to solve this problem in Bank Sepah, this study aims to identify the features effective to credit risk of real customers of Bank Sepah as well as to design a model to predict the probability of credit risk default by employing genetic algorithm and probit regression models. The data of this research is gathered using the credit facilities paid to persons in 2016. Among all the credit facilities paid to real people in 2016, two samples each of size 3600 (for fitting the model) and two sample each of size 400 (in order to verify the model by the ROC curve) were randomly selected. Meanwhile, MATLAB software has been used to analyze the data. The result of the study shows that the genetic algorithm (GA) method has the ability to determine the variables in three difference levels based on the degree of importance. The results also show that area under the ROC curve in the GA method is equal to 0.92 but in the probit regression method, it is equal to 0.72 demonstrating the higher ability to predict the likelihood of facility failure in the GA method compared to the probit regression method. The results of the ROC curve verification show that the GA correctly predicts 91.8% of cases compared to 90.0% in probit regression.

کلیدواژه‌ها [English]

• Credit Rating
• Genetic Algorithm
• Probit Regression
• ROC Curve