تسهیلات مصرفی، تسهیلات تجاری، تسهیلات مسکن، قراردادهای معاوضه(تاخت۱۷) و ابزارهای مشتقه اعتباری و سایر محصولات خارج از ترازنامه به کار برده می‌شوند.
فنون اندازه گیری ریسک اعتباری را می توان به دو گروه عمده تقسیم کرد :
۱-مدل های امتیازدهی اعتباری پارامتری : مدل احتمال خطی۱۸، مدل لاجیت ۱۹، مدل پروبیت۲۰، مدل‌های مبتنی بر تحلیل ممیزی۲۱
۲-مدل های امتیاز دهی غیر پارامتری : برنامه ریزی ریاضی۲۲، طبقه بندی درختی (الگوریتم‌های تقسیم بندی بازگشتی۲۳)،مدل های نزدیک ترین همسایگی ۲۴،فرآیند تحلیل سلسله مراتبی۲۵، سیستم های کارشانسی(خبره۲۶)،شبکه های عصبی مصنوعی۲۷،الگوریتم زنتیک.۲۸
در ادامه تعدادی از متداول ترین فنون اندازه گیری ریسک اعتباری توضیح داده می شوند :
* فنون اقتصاد سنجی : از قبیل مدل های رگرسیون چند متغیره، تحلیل ممیزی، تحلیل پروبیت. در کلیه این مدل ها احتمال عدم بازپرداخت یا صرف زیان عدم بازپرداخت تسهیلات ، به عنوان متغیر مستقل (یا متغیر توضیح دهنده ) مدل محسوب می شوند.
* شبکه های عصبی : با تقلید از سیستم عصبی و مغزی انسان سعی می کنند ،ارتباط بین داده ها (نسبت های مالی،روند اقتصادی ، کیفیت مدیریت و…)و ستاده ها (وضعیت اعتباری وام گیرنده) را از طریق تکرار نمونه برداری از جمله اطلاعات گذشت یادگیری نماید.
* مدل های بهینه سازی : این مدل از جمله تکنیک های برنامه ریزی ریاضی است که وزن های بهینه را برای مشخصه های تسهیلات گیرنده،جهت حداقل نمودن زیان عدم بازپرداخت و حداکثر کردن سود پیدا می کند .
* سیستم های خبره یا سیستم های مبتنی بر قواعد : طبق این سیستم برای تعیین وضعیت اعتباری مشتریان از اطلاعات متنوعی استفاده می شود . تخصص پرسنل ،قضاوت شخصی اعتبار دهندگان و وزن دادن به مشخصه های کلیدی مشتریان از مهمترین عوامل تصمیم گیری سیستم های خبره می‌باشند.یکی از متداول ترین سیستم های خبره مورد استفاده سیستم ۵c اعتباری می باشد .
* سیستم های ترکیبی: در این گونه سیستم ها،گونه ای از فنون شبیه سازی، تضمین و محاسباتی، برای استخراج روابط علی بین متغیرهای مستقل و احتمال عدم باز پرداخت مورد استفاده قرار می گیرد.در این سیستم ها پارامتر های مدل بر اساس فنون تخمین تعیین می شوند.
* روش های مدل سازی ریسک اعتباری باعث شده است که دیدگاه مدیریت ریسک منعطف شود و به همین دلیل این مدل ها می توانندموجب توسعه و پیشرفت فرهنگ کلی اعتبار در بانک ها شوند.نوع مدل های انتخابی جهت مدیریت ریسک اعتباری از یک بانک به بانک دیگر تفاوت دارد یکی از مهم ترین عواملی که بر انتخاب مدل ریسک اعتباری تاثیر می گذارد نوع کاربردی است که از آن مدل انتظار می رود.
مدل های ریسک اعتباری به دو گروه مدل های سنتی و مدرن تقسیم می شوند.در مدل های سنتی احتمال نکول(pd) 29تخمین زده می شود .تمایز قایل شدن بین مدل های سنتی و مدرن ریسک اعتباری امری مشکل است به ویژه آن که بعضی از مدل های سنتی دارای چارچوب و پشتوانه محکمی می باشند.به طور کلی مدل های رویکرد سنتی عبارتند از:
۱-سیستم های خبره
۲-شبکه های عصبی
۳-سیستم های رتبه بندی۳۰
۴-سیستم های امتیاز دهی اعتباری۳۱
در مورد سیستم های خبره و شبکه های عصبی قبلا توضیحاتی ارائه شد.
۱۹-۲پیشینه پژوهش
اعتبار سنجیبه معنای ارزیابی و سنجش توان باز پرداخت متقاضیان وام و تسهیلات مالی و احتمال عدم باز پرداخت اعتباری دریافتی از سوی آن ها می باشد.طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال ۱۹۰۹ به وسیله جان موری بر روی اوراق قرضه انجام شد.
در سال ۱۹۶۶ برای تعیین ورشکستگی شرکت ها،مدل رگرسیون لجستیک به وسیله بی ور به کار گرفته شد. بعدها از این مدل برای اندازه گیری ریسک اعتباری اوراق قرضه منتشر شده شرکت ها استفاده شد.یکی دیگر از مطالعات انجام شده در زمینه اندازه گیری ریسک اعتباری اوراق قرضه شرکت ها با استفاده از مدل نمره دهی چند متغیره،به وسیله آلتمن در سال ۱۹۶۸ انجام شد و به مدل نمره z3 شهرت یافت.مدل نمره z آلتمن یک مدل تحلیل ممیزی است که با استفاده از مقادیر نسبت‌های مالی مهم تلاش می کند تا شرکت های ورشکسته تمییز دهند.ساندروز و آلن از این مدل برای پیش بینی ریسک اعتباری وام گیرندگان استفاده کرده و به این نتیجه رسیدند که این مدل از قدرت بالایی برای پیش بینی ریسک اعتباری برخوردار است. در اواخر ۱۹۷۰ مدل های احتمالی خطی و وضعیتی احتمالی چندگانه برای پیش بینی ور شکستگی شرکت ها مطرح شدند. هم چنین در سال‌های ۱۹۸۰ و ۱۹۹۰ استفاده از مدل های برنامه ریزی ریاضی در بسیاری از مطالعات عنوان شد.(cartadajamesw 2003)
هدف اصلی این روش ها،حذف فرضیه ها و محدودیت های موجود در تکنیک های قبلی،بهبود اعتبار و صحت طبقه بندی بود.در اوایل ۱۹۹۰،سیستم های پشتیبان تصمیم گیری در ترکیب با سیستم های تصمیم گیری چند گانه برای حل مشکلات طبقه بندی های مالی مورد استفاده قرار گرفتند.از جمله مطالعات دیگر در این زمینه می توان به کارهای روی در ۱۹۹۱ برای به کارگیری مدل الکترو و دیمیتراس در ۱۹۹۹ برای بکارگیری مدل روگ ست و مورگان در ۱۹۹۸ برای طراحی مدل اعتبار سنجی و تریسی در ۱۹۹۸ برای طراحی مدل ارزش در معرض ریسک برای برآورد تابع چگالی احتمال عدم باز پرداخت اشاره کرد.(dorfman marks 2007)
امروزه در صنعت اعتباری،شبکه های عصبی تبدیل به یکی از دقیق ترین ابزار آنالیز اعتبار در میان سایر ابزار شده است.دیسای و همکارانش در سال ۱۹۹۶ به بررسی توانایی های شبکه های عصبی و تکنیک های آماری متداول نظیر آنالیز ممیزی خطی و آنالیز رگرسیون خطی در ساخت مدل های امتیاز دهی اعتباری پرداخته اند.هم چنین وست در سال ۲۰۰۰ به بررسی مدل های کمی(که به طور معمول در صنعت اعتباری مورد استفاده قرار می گیرند)پرداخت. نتایج به دست آمده بیانگر این بود که شبکه های عصبی قادر به بهبود دقت امتیاز دهی می باشند.آنان هم چنین بیان کردند که آنالیز رگرسیون خطی جایگزین بسیار خوبی برای شبکه های عصبی است.در حالی که درخت تصمیم و مدل نزدیکترین همسایه و آنالیز ممیزی خطی نتایج نوید بخش و دلگرم کننده ای ایجاد نکرده اند.(rochrig p 2006)
شبکه عصبی معمولا به عنوان یک تکنیک جعبه سیاه بدون توضیحات منطقی و قانونمند برای تخمین ورودی-خروجی در نظر گرفته می شود.به بیان دیگر نقطه ضعف مهم به کارگیری شبکه های عصبی در امتیاز دهی اعتباری،مشکل بودن توضیح اصول نهفته برای تصمیم گیری در مورد درخواست ها و تقاضاهای رد شده است.یانگ و پلات نیز بیان داشتند که آن چه در یک مدل شبکه عصبی دارای اهمیت است،آن است که وزن های موجود در شبکه های عصبی به روش بهینه ای بر آورد شوند.بدیهی است که پس از تعیین وزن ها به روش بهینه با دادن بردار متغیر های ورودی به سهولت می توان بردار خروجی را بر آورد کرد. از جمله مطالعات در این زمینه می توان به پژوهش بریانت در سال ۲۰۰۱ برای به کارگیری سیستم خبره ارزیابی وام های کشاورزی،لی و همکارانش ۲ در سال ۲۰۰۲ برای ادغام شبکه عصبی و تجزیه و تحلیل ممیزی،لی و چن در سال ۲۰۰۵ برای طراحی مدل رتبه بندی اعتباری دو مرحل های مرکب(شامل شبکه های عصبی مصنوعی و رگرسیون انطباقی و چند متغیری اسپیلینز)و عبدو و همکارانش در سال ۲۰۰۷ برای مقایسه ی عصبی و تکنیک های سنتی معمول اشاره کرد.(caradajamesw 2003)
هم چنین در سال های اخیر استفاده از الگوریتم ژنتیک شین های بردار پشتیبانی در زمینه رتبه بندی اعتباری مورد توجه قرار گرفته است که می توان به پژوهش های هوآنگ و همکارانش در سال ۲۰۰۶ برای طراحی برنامه ریزی دو مرحل های ژنتیک برای مدل های رتبه بندی اعتباری و لونگ هولنگ و همکارانش در سال ۲۰۰۷ برای به کارگیری ماشین های بردار پشتیبانی برای رتبه بندی اعتباری با رویکرد داده کاوی اشاره کرد.(cortadajamesw 2005)
اگر چه شبکه های عصبی و دیگر روش های سنتی برای امتیاز دهی اعتباری نیازمند اطلاعات پیش بینی شده برای پیش بینی ورشکستگی تجاریمی باشند،در عمل ساخت یک مدل امتیاز دهی اعتباری بر مبنای اطلاعات مالی “به وقوع پیوسته” بسیار مفید تر است
.در اواخر سال ۱۹۹۰ به منظور”آنالیز گروه همسالان” همواره با ویژگی های مالی خاصی که میان دو یا چند گروه تفاوت قائل شود،تحلیل پوششی داده ها معرفی شد.برخلاف رویکرد های تجزیه و تحلیل ممیزی چند گانه،شبکه های عصبی و آنالیز رگرسیون خطی،رویکرد تحلیل پوششی داده ها صدفا به اطلاعات واقعی(مجموعه مشاهده شده داده های ورودی-خروجی)برای محاسبه رتبه های اعتباری نیازمند است.به یکی از پیشگامان ترکیب تحلیل پوششی داده ها با آنالیز نسبت های مالی است. او از تحلیل پوششی داده ها برای ارزیابی عملکرد بانک بهره گرفت و طالعه ی او به طور تجربی نشان داد که تحلیل پوششی داده ها در ارتباط با آنالیز نسبت های مالی،قادر است به جمع آوری نسبت های پیچیده پرادخته و آن ها را در ابعاد مالی معنا داری طبقه بندی کند.این ویژگی تحلیلگر را قادر می سازد تا به بینشی برای استراتژی های عملیاتی بانک دست پیدا کنند.املوهمکارانش در سال ۲۰۰۳یک متدولوژی امتیازدهی اعتباری براساس تحلیل پوششی داده ها پیشنهاد کردند. آنها داده های مالی جاری ۸۲ شرکت تولیدی/صنعتی را که تشکیل دهنده پرتفولیوی اعتباری یکی از بزرگ ترین بانک های ترکیه بود ، برای رتبه بندی اعتباری به کار گرفتند. در این پژوهش براساس ادبیات موضوع،۴۲ نسبت مالی انتخاب شد و از این میان آن ها ۶ نسبت مهم مالی مورد توجه قرار گرفت. امل و همکارانش پس از اعتبارسنجی مدل با تجزیه و تحلیل رگرسیون دریافتند که روش تحلیل پوششی داده ها قادر به تخمین رتبه های اعتباری شرکت ها بوده و از کارایی لازم برای امتیازدهی اعتباری برخوردار است(cortada;james w02005)
مین و لی نیز در سال ۲۰۰۷ در پژوهشی با عنوان “رویکرد عملی امتیازدهی اعتباری”رویکرد بر مبنای DEA را برای امتیازدهی اعتباری به کار گرفتند.آنان متدولوژی پیشنهادی امل و همکارانش را در جامعه آماری بسیار گسترده تری که داده های مالی جاری ۱۰۶۱ شرکت تولیدی ،که پرتفولیوی اعتباری یکی از بزرگ ترین سازمان های تضمین اعتبار در کره را در بر می گیرد،برای رتبه بندی اعتباری مورد استفاده قراردادند.آنان دریافتند که رویکرد تحلیل پوششی داده ها می تواند به عنوان گزینه ای امیدوار کننده برای بهبود و جایگزینی روش های امتیازدهی کنونی به کار گرفته شود و این رویکرد از کارایی لازم در جهت محاسبه رتبه های اعتباری مشتریان برخوردار است.
(Dorfman;marks.2007)
در این زمینه در سال ۲۰۰۷ در تحقیقی با عنوان”رویکرد چند گزینه ای به رتبه بندی اعتباری با به کارگیری روش تحلیل پوششی داده ها : ارزیابی وام گیرندگان با در نظر

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشد دربارهشبکه عصبی، ARIMA، مدل سازی، شبکه های عصبی
دسته‌ها: No category

دیدگاهتان را بنویسید