بررسی متغیرهای موثر بر ریسک اعتباری مشتریان حقوقی بانک‌ها با استفاده از ماشین بردار پشتیبان و درخت تصمیم

افزایش نسبت مطالبات غیرجاری به تسهیلات اعطایی به‌عنوان شاخص ریسک اعتباری بانک ها می‌تواند سلامت شبکه بانکی، نظام مالی و اقتصاد حقیقی را به‌خطر اندازد. از این رو در این مقاله، بررسی این ریسک با استفاده از نسبت مانده واقعی مطالبات غیرجاری و با تمرکز بر مجموعه‌ای گسترده از متغیرها شامل متغیرهای مالی، غیرمالی، خصوصیتی قراردادها، حسابرسی و اقتصادی، در نمونه‌ای از 677 پرونده تسهیلاتی مشتریان حقوقی یک بانک دولتی برای سال‌های 1385 تا 1396 مورد توجه قرار گرفت. براساس نتایج حاصله، در انتخاب متغیرهای تاثیرگذار بر ریسک اعتباری، الگوریتم لاسو با عملکرد بهتر به شناسایی 10 متغیر کلیدی از گروه متغیرهای مالی، اقتصادی و حسابرسی منتهی شد. با این وجود نتایج آموزش این ویژگی‌ها توسط مدل ماشین بردار و درخت تصمیم که بیانگر بهترین نتایج در قالب الگوریتم لاسو به همراه درخت تصمیم هستند، ضریب اهمیت اندکی را برای متغیرهای حسابرسی در نظر می‌گیرند. از این رو استفاده از الگوریتم لاسو به همراه درخت تصمیم با تمرکز بر متغیرهای مالی و اقتصادی می‌تواند از کفایت لازم برخوردار باشد.

Investigating the Variables Affecting Banks’ Legal Customers Credit Risk, Using Support Vectors Machine and Decision Tree

The increase of noncurrent debts to lending facilities ratio as an indicator of banks’ credit risk can endanger the health of the banking sector, financial system and the real economy. Hence, in this paper, analyzing credit risk through the actual balance of non performing debts by focusing on a broad set of variables including financial, nonfinancial, contractual, audit and economic variables in a sample of 677 legal customer facility files of a State Bank for the years 2006 2017 has been accomplished. Based on the results, the LASSO Algorithm with better performance has identified 10 key financial, economic and audit variables affecting the credit risk. However, training these features by support vector machine and decision tree model, which represent the best results in the Lasso algorithm with the decision tree application, confirms the small significance factor for the audit variables. Therefore, using LASSO algorithm with decision tree and focusing on financial and economic variables can be sufficient for credit risk analysis.