ارزیابی ریسک اعتباری با استفاده از مدل ترکیبی شبکه عصبی بازشناسی الگو و الگوریتم مورچگان

میزان قابل‌توجه زیان مالی بالقوه ناشی از بازپرداخت نکردن تعهدهای وام‌گیرندگان است، و توسعه و بهبود روش‌های اندازه‌گیری ریسک اعتباری برای کاهش زیان مالی ناشی از نکول وام‌گیرندگان به موضوعی اجتناب ناپذیر در ادبیات مالی تبدیل شده است. هدف مدل‌های پیش‌بینی ورشکستگی، برآورد احتمال نکول شرکت یا شخص در یک دوره زمانی است. در پژوهش حاضر، از داده‌های شرکت‌های حاضر در بورس اوراق بهادار تهران و فرابورس در سال‌های 1395-1370 استفاده می شود و با نمونه‌ای از 218 شرکت، الگوریتم کلونی مورچگان برای تعیین موثرترین عوامل ریسک اعتباری و روش شبکه عصبی بازشناسی الگو برای طبقه‌بندی و ارزیابی میزان دقت پیش‌بینی ورشکستگی استفاده می شود. نسبت‌هایی شامل سود قبل از بهره و مالیات به فروش کل، کل حقوق صاحبان سهام به کل بدهی، نسبت جاری، نسبت وجه نقد، و نسبت حقوق صاحبان سهام به دارایی کل به عنوان موثرترین عوامل شناسایی می شوند. مدل نهایی قادر به پیش‌بینی وضعیت اعتباری شرکت‌ها، با دقت بالاتری نسبت به متوسط دقت مدل‌های متداول موجود با استفاده از داده‌های سال قبل، دو سال قبل، و سه سال قبل از سال هدف برآورد است.

Evaluating Credit Risk Based on Combined Model of Neural Network of Pattern Recognition and Ants’ Colony Algorithm

A great amount of potential financial losses arise from borrowers rsquo; abstaining from refunding their debts calls and the development and improvement of credit risk measurement techniques in the financial literature in order to decrease such losses has transformed into an intevitable subject. The purpose of bankruptcy forecasting models is to estimate the probability of a company or a person rsquo;s abstaining during a certain period of time. This research used the data gathered from a sample of 218 active companies in Tehran Stock Exchange Market as well as OverTheCounter for the period between 1990 and 2016. Moreover, ants rsquo; colony algorithm was used to determine the most effective factors of credit risk and also pattern recognition neural network technique was applied to classify and evaluate the precision of bankruptcy forecasts. As a result, such ratios as profit before interests and taxes to total sale; total benefits of shareholders to debts; and current ratio, cash ratio and shareholders rsquo; benefits ratio to total assets are the most effective factors. Finally, the presented model which employs data belonging to one, two and three years before the intended year is able to forecast the credit condition of companies with higher precision as compared to the average precision of current models.