نوع مقاله : مقاله پژوهشی

نویسنده

• غلامرضا خجسته

بانک سپه

چکیده

پژوهش حاضر با تأکید بر به‎کارگیری مدل ترکیبی رگرسیون لجستیک، شبکه‎های عصبی مصنوعی و رگرسیون سمبلیک و با هدف نظارت مؤثر بر تسهیلات خرد، عوامل اثرگذر بر ریسک اعتباری مشتریان حقیقی را در شعب منتخب بانک سپه شیراز شناسایی می‎کند. با بررسی یک نمونه 351تایی از مشتریان حقیقی، 17 متغیر شامل میزان وام، مهلت بازپرداخت، نرخ بهره، درآمد، سن، تعداد چک برگشتی، سابقه بدهی، طول عمر حساب، نوع وثیقه، تحصیلات، جنسیت، اشتغال همسر، تأهل، وضعیت ملکی، شغل، نوع وام، تکلیفی یا غیرتکلیفی بودن، برای طبقه‎بندی مشتریان به خوش‎حساب و بدحساب استخراج شد. با استفاده از روش انتخاب رو به جلو والد، 5 متغیر تأثیرگذار بر ریسک اعتباری انتخاب شد. آموزش شبکه‎های عصبی نیز با استفاده از 3 نرون در لایه پنهان انجام گرفت. انتخاب نقطه برش بهینه، بر اساس منحنی مشخصه عملکرد سیستم انجام شد. نتایج خروجی شبکه عصبی مصنوعی روی داده‎های آزمایش نشان داد که دقت مدل ترکیبی رگرسیون لجستیک ـ شبکه‎های عصبی مصنوعی، در طبقه‏بندی مشتریان خوش‎حساب برابر 89/0 و در طبقه‎بندی مشتریان بدحساب برابر 83/0 است که از رگرسیون لجستیک و مدل ترکیبی رگرسیون لجستیک ـ رگرسیون سمبلیک بهتر است.

کلیدواژه‌ها

• نظارت مؤثر بانکی
• ریسک اعتباری
• رگرسیون لجستیک
• شبکه‎های عصبی مصنوعی
• رگرسیون سمبلیک
• منحنی مشخصه عملکرد سیستم

عنوان مقاله [English]

Effective Banking Supervision in Granting Micro-loan with Emphasis on the Credit Rating of Real Customers

نویسنده [English]

• gholamreza khojasteh

sepah bank

چکیده [English]

The present research with emphasis on the use of the combined model of logistic regression, artificial neural networks, and symbolic regression, the current research aims to identify the factors that affect the credit risk of real customers in selected branches of Sepah Shiraz, with the aim of effective monitoring of micro-loan. By examining a sample of 351 real customers, 17 variables included; loan amount, repayment term, interest rate, income, age, number of bounced checks, debt history, account lifetime, type of collateral, education, gender, spouse's employment, marital status, property status, job, type of loan, obligatory or non-obligatory status for the classification of customers into good and bad accounts were categorized and extracted. Using forward selection technique of parent, 5 variables affecting credit risk were selected and used to train a neural network with three neurons in the hidden layer. The optimal cutting point was selected based on the characteristic curve of the system performance. The results of the output of the artificial neural network on the test data showed that the accuracy of the combined model of logistic regression-artificial neural networks in the classification of good customers is 0.89 and in the classification of bad customers is 0.83. The results of logistic regression, and the combined logistic regression-symbolic regression model is better.

کلیدواژه‌ها [English]

• Effective banking supervision
• Credit risk
• Logistic regression
• Artificial neural networks
• Symbolic regression
• Characteristic curve of the system performance