جستجوی مقالات مرتبط با کلیدواژه « default » در نشریات گروه « مدیریت »
تکرار جستجوی کلیدواژه «default» در نشریات گروه «علوم انسانی»-
ارزیابی ریسک اعتباری یکی از موضوعات اساسی برای بانک ها و موسسات مالی است. مدل های مختلفی برای این منظور توسعه یافته است. این پژوهش با استفاده از مدل استدلال مبتنی بر مورد (CBR) و در نظر گرفتن یک بانک اطلاعاتی از مشتریان اعتباری بانک به ارزیابی ریسک اعتباری متقاضیان تسهیلات بانکی می پردازد. در این راستا 9 معیار مطابق با نظر خبرگان انتخاب و با استفاده از روش فرآیند تحلیل سلسله مراتبی فازی (FAHP) وزن دهی شدند. نتیجه حاصل از مقایسه زوجی معیارها نشان داده است که سه معیار چک برگشتی، وضعیت مسکن و مقدار درآمد به ترتیب دارای بیشترین اهمیت در ریسک اعتباری متقاضیان تسهیلات بانکی است. سپس با تکنیک تاپسیس به سنجش شباهت مورد جدید با موارد گذشته واقعی و یا ارزیابی گزینه جدید نسبت به گزینه ایده آل، پرداخته است و با استفاده از مدل استدلال مبتنی بر مورد به پیش بینی احتمال نکول یا عدم نکول متقاضی تسهیلات بانکی می پردازد. جامعه پژوهش شامل پرونده های اعتباری متقاضیان تسهیلات بانکی یکی از بانک های خصوصی در بین سال-های 94-90 است. این تحقیق از نوع کاربردی و بصورت مطالعه پیمایشی و توصیفی انجام شده است. نتایج نشان می دهد دقت مدل CBR نسبت به سایر روش های اعتبارسنجی و رتبه بندی مشتریان بانک بیشتر است. استفاده از مدل CBR در قالب اعتبارسنجی مشتریان، نتایجی به مراتب بهتر از عملکرد کارشناسان بخش اعتباری بانک عامل که به روش قضاوتی و بر اساس تجربه به پیش بینی نکول یا عدم نکول مشتریان می پرداختند حاصل نموده است که نشان دهنده کارایی بالای مدل مورد استفاده پژوهش در مقایسه با مدل مورد استفاده بانک و کارشناسان اعتبارسنجی می باشد.
کلید واژگان: ریسک اعتباری, رتبه بندی اعتباری, اعتبارسنجی, نکول, استدلال مبتنی بر مورد (CBR)}Credit risk assessment is one of the key issues for banks and financial institutions and various models have been developed for this. This study uses Case Based reasoning (CBR) Model and considers a database of bank credit customers to assess the credit risk of bank applicants. For this, 9 criteria were selected based on the experts' opinion and were weighted using the Fuzzy Analytical Hierarchy Process (FAHP). Return check, housing situation and income level are the most important criteria for credit risk assessment of the bank applicants. Then, using the TOPSIS Technique, we could evaluates the similarity of the new item with actual past cases or evaluate the new applicant with the ideal option, and uses a case-based reasoning model to predict the likelihood of default or non-default applicants. Survey research was applied for this study and the research community was the records of previous bank applicants between 1390-94 years.
Keywords: Credit Risk, Credit Rating, Validation, Default, Case-Based Reasoning (CBR)} -
تخمین ریسک اعتباری یکی از معیارهای کلیدی در موفقیت بانک یا موسسه اعتباری است. هدف این مقاله ارائه مدلی ترکیبی برای تخمین احتمال نکول مشتریان حقوقی در بانک های تجاری است. این مدل ترکیبی از ترکیب مدل لوجیت و شبکه عصبی توسعه یافته است که باعث استفاده از مزایای مدل خطی و غیرخطی به صورت هم زمان می شود. برای تایید مدل از داده های شرکت های بورسی در دوره زمانی 1387 تا 1392 استفاده شده است که حجم نمونه 175 شرکت بوده است که 125 داده برای مدل سازی و 50 داده به عنوان داده های برون نمونه ای برای تست مدل استفاده شده اند. برای انتخاب متغیرهای از روش حداقل مربعات قدم به قدم (پیش رونده- پس رونده) استفاده شده است. نتایج نشان می دهد مدل ترکیبی جدید از مدل لوجیت و شبکه عصبی بهتر عمل می کند. برخلاف تحقیقات گذشته، متغیرهای اثرگذار عبارت است از سود ناخالص به فروش، سود انباشته به دارایی، دارایی ثابت به کل دارایی، بهره به کل بدهی، سود ناخالص به دارایی، سود عملیاتی به فروش و سود قبل از بهره و مالیات به فروش.کلید واژگان: ریسک اعتباری, شبکه عصبی, مدل ترکیبی, مدل لوجیت, نکول}Credit risk estimation is a key determinant for the success of financial institutions. The aim of this paper is presenting a new hybrid model for estimating the probability of default of corporate customers in a commercial bank. This hybrid model is developed as a combination of Logit model and Neural Network to benefit from the advantages of both linear and non-linear models. For model verification, this study uses an experimental dataset collected from the companies listed in Tehran Stock Exchange for the period of 20082014. The estimation sample included 175 companies, 50 of which were considered for model testing. Stepwise and Swapwise least square methods were used for variable selection. Experimental results demonstrate that the proposed hybrid model for credit rating classification outperform the Logit model and Neural Network. Considering the available literature review, the significant variables were gross profit to sale, retained earnings to total asset, fixed asset to total asset and interest to total debt, gross profit to asset, operational profit to sale, and EBIT to sale.Keywords: Credit risk, Default, Hybrid model, Logit model, Neural network}
-
طراحی و پیاده سازی مدل ریاضی تخصیص تسهیلات بانکیاز فعالیت های اصلی بسیاری از بانک های تجاری، اعطای تسهیلات می باشد و تسهیلات اغلب به عنوان یک دارایی عمده و مهمترین منبع کسب درآمد بانک ها به شمار می آیند و از سویی دیگر می توانند بیشترین منبع ریسک برای بانک ها باشند. دو بخش عمده از فعالیت های هر بانک کسب منابع و تخصیص منابع می باشد. میزان موفقیت و اثربخشی بانک ها، تا حد زیادی مرهون تخصیص بهینه منابع مالی آنها است. اهداف این تحقیق عبارت از طراحی مدلی ریاضی برای بهینه سازی تخصیص منابع موجود در بانک های تجاری با در نظر گرفتن عوامل ریسک اعتباری و بازده، ایجاد هوشمندی لازم در فرآیند اعطای تسهیلات، طراحی سیستم نرم افزاری برای مدیریت پرتفولیوی تسهیلات، جذب مشتریان سودآور بانک و نهایتا کاهش مطالبات معوق و سوخت شده در بانک ها می باشد. مدل سازی این تحقیق صرفا برای عقود اسلامی بوده و منظور از ریسک اعتباری، احتمال نکول مشتری در نظر گرفته شده است. ضمنا به دلیل تعداد بسیار زیاد متغیرهای تصمیم گیری و تعداد محدودیت ها، و به دلیل پرهیز از پیچیدگی بیش از اندازه مدل و مشکلات حل آن، از مدل ریاضی برنامه ریزی خطی استفاده شده است. داده های مورد نیاز برای ساخت و تست مدل مربوط به سال 1383 بوده و جامعه آماری شامل کلیه بانک های تجاری دولتی و نمونه آماری بانک ملت می باشد. دلیل انتخاب بانک ملت به عنوان نمونه آماری، دسترسی بیشتر و بهتر به داده ها و اطلاعات مورد نیاز بوده است. مدل و برنامه نرم افزاری طراحی شده در این تحقیق می تواند مورد کاربرد کلیه بانک های تجاری و موسسات مالی و اعتباری قرار گیرد.کلید واژگان: ریسک اعتباری, دارایی های اعتباری, مدیریت پرتفولیوی اعتباری, متنوع سازی, نکول یا عدم پرداخت}Design and Implementation of an Appropriate Model for Allocating Bank LoansOne of the main activities of the commercial banks is to offer financial facilities. Usually, these financial facilities are considered as a main asset and a primary source for bank revenues. These facilities can also bring most risks for the banks. Two major activities of each bank are to attract and lend out funds. The succession degree of a bank extremely depends on the optimum allocation of the funds. The aims of this research consist on designing a mathematical model to optimize the allocation of funds for commercial banks, designing a software for portfolio management of facilities, attracting profitable customers and decreasing delayed or unpaid debts. In This research, Islamic contracts are used for modeling and the credit risk is defined by the probability of a costumer's default. To avoid complication of the model and problem solutions, which are caused by the plurality of the decision making variables and the constraints, a linear programming model have been used. The statistical population is state commercial banks and the sample is the Bank of Mellat, using the year 2004 data. The main reason to choose the Bank of Mellat were accessibility and availability of the statistical data and bank information. The Designed model and the software attained from this research can be used in all commercial banks and financial and credit institutions.Keywords: Credit Risk, Credit Assets, Credit Portfolio Management, Diversification, Default}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.