بهینه‌سازی پرتفوی اعتباری بانک‌ها با استفاده از رویکرد اکچوئری و شبکۀ عصبی مصنوعی

هدف: تخصیص وجوه به بخش‌های مختلف اقتصادی و اعطای تسهیلات، یکی از فعالیت‌های مهم بانک‌هاست. بانک‌ها ضمن توجه به سیاست‌های پولی و مالی تعیین شده توسط دولت‌ها و بانک مرکزی، این منابع را به بخش‌های سودآور و مناسب تخصیص می‌دهند. کاهش و کنترل ریسک اعتباری، یکی از عوامل موثر در بهبود فرایند اعطای اعتبار و در نتیجه در عملکرد بانک‌هاست. حداقل‌سازی ریسک به همراه حداکثرسازی سود هدفی است که همواره بانک‌ها به‌دنبال تحقق آن هستند. کم‌توجهی به موضوع بازده و ریسک تسهیلات، به تمرکز تسهیلات در بخش‌های خاصی از اقتصاد منجر شده که خود مشکلات عمده‌ای را برای بانک‌ها به همراه داشته است. با توجه به ضرورت تعیین سهم بهینه اعتبارات و ضرورت سیاست‌گذاری مناسب در این زمینه، پژوهش حاضر در پی ارائۀ یک الگوی مناسب برای تخصیص بهینۀ اعتبارات اعطایی به بخش‌های مختلف اقتصادی است؛ به‌گونه‌ای که با مدل‌سازی و بهینه‌سازی ریسک اعتباری با استفاده از ترکیب دو رویکرد اکچوئری و شبکۀ عصبی مصنوعی و با توجه به محدودیت‌های موجود در سیاست‌های بانک، پرتفوی اعتباری بهینه به‌گونه‌ای تعیین شود که ریسک اعتباری حداقل شود.روش: روش اکچوئری با محاسبۀ احتمال نکول وام‌ها و ارزیابی دقیق ریسک‌های مالی، به‌عنوان ابزار اصلی در مدیریت ریسک بانک‌ها شناخته می‌شود. با این حال، این روش‌ها اغلب نمی‌توانند پیچیدگی‌های موجود در تعاملات اعتباری را به‌طور کامل مدل‌سازی کنند. برای غلبه بر این محدودیت‌ها، از شبکۀ عصبی مصنوعی استفاده می‌شود که توانایی پیش‌بینی دقیق‌تر و تطبیق با داده‌های غیرخطی را دارد. بدین منظور در پژوهش حاضر، ابتدا به بررسی ریسک اعتباری پرتفوی تسهیلات بانکی با استفاده از رویکرد اکچوئری پرداخته می‌شود؛ سپس با استفاده از شبکۀ عصبی پرسپترون و با توجه به محدودیت‌های بانک در ارائۀ تسهیلات، ترکیب بهینۀ پرتفوی اعتباری تعیین می‌شود. نمونه مورد استفاده شامل تسهیلات اعطایی بانک به 280 مشتری کلان خود در 4 بخش صنعتی، خدماتی و بازرگانی، کشاورزی و ساختمان، در سال 1392 است.یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که پرتفوی بهینه شده با تمرکز بیشتر بر بخش کشاورزی، در مقایسه با پرتفوی فعلی بانک که عمدتاً بر بخش صنعت تمرکز دارد، می‌تواند بازدهی تعدیل‌شده بر اساس ریسک بهتری را ارائه دهد. در ترکیب پرتفوی بهینه به‌دست‌آمده، بیشترین سهم، به بخش کشاورزی مربوط است و بخش‌های خدماتی و بازرگانی، ساختمانی و صنعتی، به‌ترتیب در رده‌های بعدی قرار دارند. در حالی که در پرتفوی فعلی بانک، بیشترین سهم تسهیلات به بخش صنعتی مربوط است و بعد از آن، به‌ترتیب بخش‌های خدماتی و بازرگانی، کشاورزی و ساختمان قرار می‌گیرند. با بررسی پرتفوی تسهیلات نظام بانکی، مشاهده شد که در سال 1392 شواهد تجربی نیز نتایج مدل را تایید می‌کند.نتیجه‌گیری: براساس یافته‌ها و تایید فرضیه‌های پژوهش، می‌توان نتیجه گرفت که استفاده از مدل اکچوئری برای تعیین ریسک اعتباری و سپس بهینه‌سازی با استفاده از شبکۀ عصبی مصنوعی، به بهبود فرایند بهینه‌سازی پرتفوی اعتباری بانک‌ها منجر می‌شود؛ از این رو بانک‌ها می‌توانند با بهبود ساختار پرتفوی خود از این طریق، ریسک‌های بالقوه را کاهش دهند و بازده مطمئن‌تری به‌دست آورند.

bank’s credit portfolio optimization using actuarial approach and artificial neural networks

objectiveallocating funds to various economic sectors and extending credit are among the key activities of banks. while following monetary and fiscal policies set by governments and central banks, banks strive to allocate these resources to profitable and suitable sectors. credit risk reduction and control play a vital role in enhancing the lending process and, in turn, bank performance. banks consistently pursue the dual objectives of minimizing risk and maximizing profit. insufficient attention to credit yield and risk has led to the concentration of loans in specific economic sectors, creating significant challenges for banks. considering the need to establish an optimal credit allocation and adopt effective policies, this study aims to develop an optimal model for credit allocation across economic sectors. by integrating actuarial methods and artificial neural networks (ann) and considering banking policy constraints, the study seeks to design a credit portfolio that minimizes credit risk. methodsthe actuarial approach, which includes calculating loan default probabilities and conducting precise financial risk assessments, is a widely used tool in bank risk management. however, these methods often fail to fully capture the complexities inherent in credit interactions. to address this limitation, this study incorporates artificial neural networks (ann), which provide enhanced predictive accuracy and adaptability to nonlinear data. this research begins by analyzing the credit risk of the bank’s loan portfolio using an actuarial approach and subsequently applies a perceptron neural network model to determine the optimal credit portfolio composition considering the bank’s lending constraints. the sample data comprises loans extended by the bank to 280 major clients across four sectors—industrial, trade and services, agriculture, and construction—in 2013. resultsthe results indicate that the optimized portfolio, with a greater focus on the agricultural sector, can offer improved risk-adjusted returns compared to the bank’s current portfolio, which predominantly emphasizes the industrial sector. in the optimized portfolio composition, the agricultural sector receives the largest allocation, followed by the trade and services, construction, and industrial sectors. in contrast, in the bank’s existing portfolio, the highest allocation is to the industrial sector, followed sequentially by trade and services, agriculture, and construction. a review of the banking system’s loan portfolio in 2013 confirmed the empirical validity of the model’s results. conclusionbased on the findings and validation of the research hypotheses, it can be concluded that utilizing an actuarial model to determine credit risk, followed by optimization through artificial neural networks, enhances the bank’s credit portfolio optimization process. this approach enables banks to improve portfolio structure, which helps in mitigating potential risks and achieving more stable returns.