طراحی الگوی مقایسه‌ای ریسک اعتباری بانک با استفاده از مدل‌های شبکه عصبی، تابع احتمال بقا و ماشین بردار پشتیبان

ریسک اعتباری احتمال قصور وام گیرنده یا طرف مقابل بانک نسبت به انجام تعهداتش، طبق شرایط توافق شده است. به عبارت دیگر عدم اطمینان در مورد دریافت عایدات آتی سرمایه گذاری را ریسک می گویند که در بانک ها از اهمیت بالایی برخوردار است. هدف این مقاله برآورد ریسک اعتباری مشتریان حقوقی بانک ملت بوده است. در این مطالعه از اطلاعات آماری 7330 مشتری حقیقی استفاده شده است. در این راستا نتایج مدل شبکه عصبی و مدل ناشی از ماشین بردار پشتیبان مورد مقایسه قرار گرفته است. نتایج بدست آمده بیانگر این بوده است که مولفه های در نظر گرفته شده در این مطالعه بر اساس ویژگی های شخصیتی، مالی و اقتصادی اثرات معناداری در احتمال نکول مشتریان و محاسبه ریسک اعتباری داشته است. همچنین نتایج این مطالعه نشان داد اعمال سیاست های کنترلی در ابتدای دوره بازپرداخت تسهیلاتی که بیشترین احتمال نکول را با طول عمر و بازپرداخت بالا دارند پیشنهاد می دهد. در مقایسه نتایج بدست آمده از دقت پیش بینی مدل های مختلف مشاهده گردید که قدرت بالاتر توضیح دهندگی مدل ماشین بردار پشتیبان و استفاده از تابع احتمال بقاء نسبت به مدل شبکه عصبی ساده برای گروه های مورد مطالعه از مشتریان حقیقی بالاتر بوده است.

designing a comparative model of bank credit risk using neural network models, survival probability function and support vector machine

credit risk is the probability of default of the borroweror the counterparty of the bank in fulfilling its obligations, according to the agreed terms. in otherwords, uncertainty about receiving future investmentincome is called risk, which is of great importance inbanks. the purpose of this article was to estimate thecredit risk of mellat bank's legal customers. in thisstudy, the statistical information of 7330 real customerswas used. in this regard, the results of neural networkmodel and support vector machine model have beencompared. the obtained results have shown that thecomponents considered in this study based onpersonality, financial and economic characteristics hadsignificant effects on the probability of customerdefault and credit risk calculation. also, the results ofthis study showed that the application of controlpolicies at the beginning of the repayment period suggests facilities that have the highest probability ofdefault with long life and high repayment. comparingthe results obtained from the prediction accuracy ofdifferent models, it was observed that the explanatorypower of the support vector machine model and the use of the survival probability function was higher than that of the simple neural network model for the studiedgroups of real customers. has been higher.