عنوان پایان‌نامه
امتیاز دهی ریسک اعتباری بیمه شدگان با استفاده از روشهای هوشمند (مطالعه موردی در یک موسسه اعتباری صادراتی
- رشته تحصیلی
- علوم اقتصادی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1176;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 42115
- تاریخ دفاع
- ۳۱ شهریور ۱۳۸۸
- دانشجو
- امید خداویردی
- استاد راهنما
- حمید ابریشمی
- چکیده
- این تحقیق با هدف مدلسازی سنجش ریسک اعتباری و اعتبارسنجی مشتریان در یکی از موسسات اعتبار صادراتی به روش رگرسیون لاجیت و مدلهای شبکه های عصبی ساده و GMDH انجام شده است. بدین منظور اطلاعات و داده های مالی و کیفی یک نمونه تصادفی 98 تایی از مشتریان که تسهیلات در یافت نموده اند مورد بررسی قرار گرفته است. در این تحقیق پس از بررسی پرونده های اعتباری هر یک از مشتریان، در ابتدا 19 متغیر توضیح دهنده شامل متغیرهای مالی و کیفی شناسایی و بررسی شدند. از بین متغیرهای موجود با استفاده از تحلیل رگرسیون 11 متغیر که اثر معنی داری بر ریسک اعتباری داشتند انتخاب و مدل نهایی به وسیله آن برازش گردید. سپس مدلسازی به روش شبکه های عصبی ساده و شبکه عصبی با الگوریتم GMDH طراحی و مدلسازی گردید. نتایج تحقیق ضمن دلالت بر تائید نظریه های اقتصادی و مالی در زمینه عوامل موثر بر ریسک اعتباری نشان می دهد که نتایج حاصل از مدلسازی شبکه های عصبی نسبت مدلهای اقتصاد سنجی از قابلیت و دقت بالاتری برخوردار می باشد.
- Abstract
- In this study we aim to evaluate the credit risk and credit scoring of customers in one of the export credit agency with the logit regression, simple and GMDH neural network method. In order to analyze we used the information and financial data of a stochastic sample consist of 98 customers that have received the facilities .In this study after analyzing the credit files of the each customers at first we recognized 19 explaining variables include financial and quality variables. Between the existing variables by the regression analyzing we chose 11 effective variables on credit risk and estimated the final model then the models designed with the simple and GMDH neural network method. The conclusions of study there in to corroborate the economic and financial theories in context of effective factors on credit risk show that the results of neural network models in comparison with econometrics models have much ability and Precision .
