نظارت کامل بر تسهیلات خرده بانکی و تاثیرآن بررتبه بندی اعتباری مشتریان حقیقی

پژوهش‌ حاضر با توجه به ریسک اعتباری مشتریان در موسسه اعتباری نوراستان گیلان مورد بررسی و شناسایی قرارمی گیرد. با بررسی دوازده شعبه از شعبات استان گیلان و عوامل اثر گذاربرریسک اعتباری مشتریان حقیقی درشعب بانک (موسسه) شناسایی می کند. با بررسی یک نمونه 355 تایی از مشتریان حقیقی 15متغیرشامل نرخ بهره ،میزان وام ،مهلت بازیرداخت ،درآمد،سن ،تعدادچک برگشتی، سابقه بدهی ،مدت افتتاح حساب، نوع وثیقه ،تحصیلات ،جنسیت، اشتغال همسر، تاهل، وضیعت ملکی ،درصد وام برای طبقه بندی مشتریان به خوش حساب و بدحساب استخراج شد براساس مدل ترکیبی‌ رگرسیون لجستیک‌، شبکه‌های عصبی‌ مصنوعی‌ و رگرسیون سمبلیک‌ و با هدف نظارت کامل بر تسهیلات خرد، عوامل‌ اثرگذر بر ریسک‌ اعتباری مشتریان حقیقی‌ را در شعب‌ استان شناسایی‌ می‌کند. با استفاده از روش انتخاب رو به‌ جلو والد، 5 متغیر تاثیرگذار بر ریسک‌ اعتباری انتخاب شد. آموزش شبکه‌های عصبی‌ نیز با استفاده از 3 نرون در لایه‌ پنهان انجام گرفت‌. انتخاب نقطه‌ برش بهینه‌، بر اساس منحنی‌ مشخصه‌ عملکرد سیستم‌ انجام شد. نتایج‌ خروجی‌ شبکه‌ عصبی‌ مصنوعی‌ روی دادههای آزمایش‌ نشان داد که‌ دقت‌ مدل ترکیبی‌ رگرسیون لجستیک‌ شبکه‌های عصبی‌ مصنوعی‌، در طبقه‌بندی مشتریان خوش حساب برابر 0.79 و در طبقه‌بندی مشتریان بدحساب برابر 0.73 است‌ که‌ از رگرسیون لجستیک‌ و مدل ترکیبی‌ رگرسیون لجستیک‌ رگرسیون سمبلیک‌ بهتر است‌.مقررات کمیته بال افزون تقاضا برای وام ورقابت شدید در بازارهای مالی باعث افزایش توجهات به موضوع حساس نکول وام ها برای ان دسته از موسساتی است که به مشتریانی که احتمال قصور آنها بیشتر است وام اعطا میکنند.

full supervision of retail banking facilities and its impact on the credit rating of real customers

the present research is investigated and identified with regard to the credit risk of customers in nourastan credit institution, gilan. by examining twelve branches of gilan province and the factors influencing the credit risk of real customers in bank branches (institution), it identifies a sample of 355 real customers including 15 variables. interest rate, loan amount, repayment period, income, age, number of bounced checks, debt history, account opening period, type of collateral, education, gender, spouse s employment, marriage, property status, loan percentage were extracted to classify customers into good and bad accounts. based on the combined model of logistic regression, artificial neural networks and symbolic regression and with the aim of fully monitoring micro facilities, it identifies the factors affecting the credit risk of real customers in the branch of the province. using forward selection method, 5 variables affecting credit risk were selected. the training of neural networks was also done using 3 neurons in the hidden layer. the optimal cutting point was selected based on the system performance characteristic curve. the output results of the artificial neural network on the test data showed that the accuracy of the combined model of logistic regression - artificial neural networks in the classification of good customers is 0.79 and in the classification of bad customers is 0.73, which is from logistic regression and the combined model of logistic regression - symbolic regression. it s better. the regulations of the committee, the growing demand for loans and intense competition in the financial markets have increased attention to the sensitive issue of loan defaults for those institutions that grant loans to customers who are more likely to default.