عنوان پایان‌نامه
ارائه مدل ترکیبی (لوجیت - شبکه عصبی) برآورد احتمال نکول مشتریان حقوقی در بانکهای تجاری ایران
- رشته تحصیلی
- مدیریت - مالی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77553;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77553
- تاریخ دفاع
- ۱۰ مهر ۱۳۹۵
- دانشجو
- مهدی سعیدی کوشا
- استاد راهنما
- رضا راعی
- چکیده
- تخمین دقیق ریسک اعتباری یکی از معیارهای کلیدی در موفقیت یک بانک یا موسسه اعتباری است. هدف این پایان نامه ارائه یک مدل ترکیبی برای تخمین احتمال نکول مشتریان حقوقی در بانکهای 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 همزمان می شود. برای مدل سازی و تایید مدل از داده های شرکتهای بورسی در دوره زمانی 1387 تا 1392 استفاده شده است. حجم نمونه مورد بررسی 175 شرکت بوده است که 125 داده برای مدل‌سازی 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 و بهترین مدل n متغیره) استفاده شده است. نتایج نشان می دهد مدل ترکیبی جدید از نظر آماری بهتر از مدل لوجیت و شبکه عصبی بهتر عمل نمی کند. بر خلاف تحقیقات گذشته متغیرهای اثرگذار عبارتند 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.
- Abstract
- 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 2008–2014. 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 doesn’t perform better than 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
