|
|
تخمین احتمال نکول اشخاص حقیقی مبتنی بر توافقنامه بال 2
|
|
|
|
|
نویسنده
|
امیدی نژاد محمد ,ختایی محمود ,محمدی تیمور
|
منبع
|
پژوهش هاي پولي - بانكي - 1394 - دوره : 8 - شماره : 24 - صفحه:223 -250
|
چکیده
|
احتمال نکول مشتریان اعتباری بانک ها اصلی ترین جزء برای ارزیابی ریسک اعتباری مبتنی بر توافقنامه بال 2 است. در این تحقیق، به منظور تخمین احتمال نکول، ابتدا مدل امتیازدهی اعتباری لاجیت با استفاده از اطلاعات شخصیتی، اعتباری و شغلی مندرج در پرونده های اعتباری 1343 نفر از مشتریان یکی از بانک های خصوصی کشور طی دوره زمانی 1391 تا 1392 برآورد گردید. سوابق اعتباری مشتریان به عنوان مهم ترین عامل تاثیرگذار بر احتمال نکول آنها شناسایی گردید. آماره roc مدل برابر 71.1 درصد شد که حاکی از قدرت تمیز مناسب مدل است. با استفاده از الگوریتم kمیانگین امتیازات اعتباری مشتریان خوشه بندی و به هفت رتبه اعتباری طبقه بندی شدند. در مرحله بعد، با استفاده از روش فراوانی نکول تاریخی احتمال نکول متناظر با هر یک از رتبه های اعتباری برآورد گردید. درنهایت صحت احتمال نکول برآورد شده از طریق آزمون کالیبریشن و با استفاده از داده های 327 پرونده اعتباری در سال 1393 مورد تائید قرار گرفت. بدون تردید، تطبیق با توافقنامه های بین المللی حوزه بانک داری ضرورتی اجتناب ناپذیر است. نتایج مطالعه حاضر می تواند مبنای پیشنهادی به بانک های کشور برای تخمین احتمال نکول مشتریان و پیاده سازی توافقنامه بال 2 در حوزه مدیریت ریسک اعتباری باشد.
|
کلیدواژه
|
ریسک اعتباری، مدل امتیازدهی، مقررات احتیاطی
|
آدرس
|
دانشگاه علامه طباطبایی, ایران, دانشگاه علامه طباطبایی, ایران, دانشگاه علامه طباطبایی, ایران
|
|
|
|
|
|
|
|
|
|
|
Estimating Probability of Default for Individual Obligors Based On Basel II
|
|
|
Authors
|
omidinezhad mohammad
|
Abstract
|
Probability of clients' default is the most focal parameter in the credit risk Evaluation based on Basel II Accord. In this research, in order to estimate the probability of default, first, a scoring model applying the Logit Regression Technique using the 1343 clients' personal data, credit history, employment information in one of the country's private banks within 13911392 was estimated. Through this study, the clients' credit history was identified as the most important factor influencing the probability of default. The statistic ROC (Receiver Operating Characteristic) of the Model reflected 71.1% implying its high discriminant power. Cluster analysis, using Kmeans Algorithm, of the scoring estimates of the model lead to 7 rating classes. Next, applying historical default frequency approach, the probability of the default associated with each rating class was estimated. Finally, through the calibration test, the accuracy of the probability of default was confirmed for a sample of 327 credit profiles in 1393. Undoubtedly, compliance with the international agreements on the banking area is inevitable.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|