‌‌تعیین ریسک ‌اعتباری مشتریان موسسات بیمه اعتبار‌صادراتی در صندوق ضمانت صادرات ایران با استفاده از روش‌های یادگیری ماشین و شبکه عصبی

یکی ‌‌از‌ مهمترین‌ مسائلی‌ که موسسات‌‌ مالی و اعتباری با‌ آن مواجه‌ می‌باشند، ‌احتمال عدم ‌‌ایفای تعهدات از ‌سوی دریافت‌کنندگان اعتبارات می‌باشد. با پیش‌بینی ریسک، ضمن برآورد حق‌بیمه و وثیقه ‌مناسب، خسارات ناشی از نکول مشتری و هزینه‌ پیگیری وصول ‌مطالبات به طور معنی‌داری کاهش‌یافته و ضمن افزایش کارایی، زمینه رقابت‌پذیری موسسات‌اعتباری نیز فراهم می‌گردد. هدف از انجام این پژوهش، سنجش ریسک اعتباری مشتریان صندوق ضمانت صادرات ایران با رویکرد داده‌کاوی و با استفاده از روش‌های ماشین بردار‌ پشتیبان ‌(svm[1]،‌ksvm[2])‌ و شبکه ‌‌عصبی با الگوریتم یادگیری [3]gmdh می‌باشد. یافته‌های‌ پژوهش حاکی از ‌آن است که در ارزیابی ریسک ‌اعتباری متقاضیان تسهیلات اعتباری، روش ksvm نسبت به سایر مدل‌های بررسی شده از قابلیت و دقت ‌بالاتری برخوردار می‌باشد‌. همچنین پنج متغیر سابقه‌شرکت (‌‌سابقه فعالیت شرکت از‌ زمان تاسیس‌)، مدت اعتبار (طول دوره اعتبارماخوذه)، میانگین صادرات (حجم فعالیت صادراتی شرکت طی‌ سال‌های متمادی)، نحوه ‌ایفای تعهدات و‌ گردش‌ حساب‌ بانکی به مانده تعهدات (درجه استحکام مالی مشتری) به ترتیب بیشترین تاثیر را در ارزیابی اعتبار ‌مشتریان دارا می‌باشند.

Modeling the Credit Risk Assessment of the Clients of the Export Guarantee Fund of Iran (EGFI) Using Machine Learning Methods and Neural Network

One of the most important issues that credit & financial institutions are faced with, is the probability of nonfulfillment of obligations by the receivers of credit facilities on due dates. With an accurate forecast of risks, we will not only be able to do the relevant estimation of the premium and the percentage of required collaterals more precisely, we will also witness a meaningful decline in the volume of claims related to nonfulfillment of obligations covered under credit guarantees, a decrease in the debt recovery costs and increased efficiency, which all together, will pave the ground for more competitive operation of credit institutions. This research has been conducted with the aim of modeling the credit risk assessment of the clients of the Export Guarantee Fund of Iran (EGFI) using Kernel Support Vector Machines (KSVM SVM) and Group Method Data Handling (GMDH) . The results of this research indicate that in credit risk assessment of the applicants of credit facilities, the KSVM based modeling is more reliable and accurate in comparison with other studied models. Also with regards to the model’s output ratios, 5 variables such as history of company (years in operation since foundation), credit tenor (term of the credit received), average of export operations (amount of exports made by the company since foundation), payment records and the company’s turnover and its balance of debt (financial stability of the client) have the highest impacts on the client’s credit assessment.