بررسی برتری مدل هیبریدی نسبت به سایر مدل‌هادر فرایند اعتبارسنجی بانک‌های کشور (مورد مطالعاتی برخی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران)

ارزیابی ریسک اعتباری یک بخش ناگسستنی از فرآیند اعطای وام می‌باشد. اهمیت اعتبارسنجی اخیراً به‌خاطر بحران مالی و کفایت سرمایه بانک‌ها افزایش یافته است. هدف از این پژوهش آزمون یک روش جدید و صحیح‌تر برای برآورد امتیاز اعتباری شرکت‌ها می‌باشد. بنابر روش‌های آماری سنتی و تکنیک‌های هوش مصنوعی (ai)، این پژوهش به پیروی از لی و همکاران، 2016 به آزمون مدل هیبریدی می‌پردازد که این مدل تلفیقی از مدل رگرسیون لجستیک و شبکه‌های عصبی مصنوعی(ann) می‌باشد. جامعه آماری تحقیق حاضر شرکت‌های تولیدی پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های 1389 تا 1395 می‌باشد. روش نمونه‌گیری به روش حذف سیستماتیک بوده که باتوجه به در نظر گرفتن معیارها تعداد 90 شرکت تولیدی به‌عنوان نمونه پژوهش انتخاب شدند. نتایج تحقیق نشان می‌دهند که مدل هیبریدی نسبت به مدل‌های رگرسیون لجستیک و شبکه‌های عصبی مصنوعی از اعتبار بالاتری در سنجش ریسک اعتباری شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران برخوردار است .

investigating the efficiency of hybrid model in comparison with logistic regression and artificial neural network in credit risk evaluation of companies listed in tehran stock exchange

credit risk evaluation is an integral part of the lending process. significance of credit rating is increased by the global financial crisis and banks’ capital requirement. the purpose of this research is to find a new and more accurate way to estimate corporate credit scoring. based on traditional statistical methods and artificial intelligence (ai), this research following lee, et al., (2016) is testing a hybrid model, the model is combing logistic regression and artificial neural network(ann). population of the study is companies listed on tehran stock exchange during 2010 to 2016.sampling method is systematic eliminating method that with considering the criteria, number of 90 companies were selected for the study. the results show the hybrid model in comparison with logistic regression and artificial neural network is more efficient in credit rating of companies listed in tehran stock exchange.