3-3-  جامعه آماری، روش نمونه گیری و حجم نمونه. 57

3-4- شبكه عصبی.. 58

3-6- شبکه‌های عصبی مصنوعی(ANN). 61

3-7- دینامیک نرون. 66

3-8- تقسیم‌بندی ساختاری شبکه‌های عصبی مصنوعی.. 66

3-9- آموزش شبکه عصبی.. 67

3-10- شبکه عصبی مصنوعی پرسپترون. 67

3-11- شبکه پیشخور پس‌انتشار. 69

3-12- شبکه المان پس‌انتشار. 70

3-13- شبکه آبشاری پس‌انتشار. 70

3-14- شبکه رگرسیون تعمیم یافته. 71

3-15- الگوی استنتاجی-تطبیقی عصبی-فازی (ANFIS). 72

3-16- مدل شبکه عصبی GMDH.. 80

3-17- مدل رگرسیونی لاجیت.. 81

3-18-  برآورد مدل لاجیت.. 83

فصل چهارم برآورد مدل و نتایج

4-1- مقدمه. 88

4-2-تفسیر مدل لاجیت.. 90

4-3- پیش بینی مورد انتظار. 93

4-4- مدل سازی به وسیله شبکه عصبی GMDH.. 94

4-4-1- نتایج حاصل از تخمین شبکه عصبی GMDH.. 94

فصل پنجم نتیجه گیری و پیشنهادات

5-1 مقدمه. 98

5-2- پذیرش یا رد فرضیات.. 99

     5-2-1-  فرضیه اول. 99

5-2-2- فرضیه دوم. 99

5-2-3- فرضیه سوم. 100

5-3- پیشنهادات.. 100

5-4- پیشنهادات برای تحقیقات آتی.. 101

منابع.. 103

چکیده:
هدف از این تحقیق طراحی و استقرار مدل اندازه گیری ریسک اعتباری در نظام بانکی نقش کارامدی در راستای بالا بردن بهره وری بانک‌ها و موسسات مالی در تخصیص بهینه منابع می‌باشد. در این پژوهش تلاش شده تا کارایی مدل‌های لجستیک و شبکه عصبی مصنوعی GMDH برای پیش‌بینی ریسک اعتباری مشتریان نظام بانکی مورد بررسی قرار گیرد و همچنین مهمترین عوامل موثر بر ریسک اعتباری، شناسایی و مورد بررسی قرار گیرند. اطلاعات مورد استفاده در این پژوهش مربوط به 100 نفر از مشتریان حقوقی یکی از بانک‌های کشور می باشد. بنابر اهداف پژوهش متغیرهای مورد استفاده نیز به صورت ترکیبی از مهمترین متغیرهای مالی و غیرمالی می باشد. نتایج مدل لاجیت نشان می دهد که متغیرهای تعداد چک های برگشتی، سابقه فعالیت شرکت نزد بانک، میزان سرمایه شرکت، نسبت گردش مجموعه دارایی، نسبت بدهی به حقوق صاحبان سهام و نسبت حاشیه سود خالص مهمترین متغیرهای موثر بر شناسایی میزان ریسک اعتباری مشتریان می باشد. ولی مدل شبکه عصبی علاوه برمتغیرهای یادشده در بالا متغیرهایی از قبیل تحصیلات مدیر عامل، ارزش وثیقه به میزان تسهیلات، خالص سرمایه در گردش به دارایی، نسبت حاشیه سود عملیاتی و نسبت بازدهی به دارایی را به عنوان متغیرهای با اثر زیاد بر میزان ریسک اعتباری معرفی می کند. مقایسه کارایی مدل لاجیت و مدل شبکه عصبی نشان می دهد که مدل شبکه عصبی با سه لایه مخفی با کارایی 95 درصد کاراترین مدل برای شناسایی و تعیین میزان ریسک تسهیلات می باشد.
واژه های کلیدی: اعتبارسنجی، شبکه عصبی، ریسک اعتباری، مدل لاجیت

فصل اول
کلیات تحقیق

1- کلیات تحقیق
1-1 – مقدمه
عدم ثبات سیاسی و اقتصادی در جوامع امروزی از سویی، الزامات کنترل بازار پول و سرمایه از سوی دیگر، اهمیت تجزیه و تحلیل و مدیریت ریسک این بازارها را افزایش داده است. طیف ریسک از کارگاه های کوچک و صنایع بزرگ تا موسسات مالی را شامل می‌شود، اما ریسک بنگاه های مالی از مفهوم مهمتری برخوردار است. اهمیت ریسک به قدری در این موسسات مورد توجه است که در بسیاری از موارد، باعث دخالت‌های مستقیم قانونی از سوی قانون گذاران برای کنترل آنها می‌شود

این مطلب را هم بخوانید :

علمی Archives - مجله دانشجویی پویا پژوه

 (خداوردی، 1388).

امروزه شاهد بحران‌های مالی در سطح گسترده ای در بین بنگاه های اقتصادی هستیم. متاسفانه با وجود بحران‌های جهانی اخیر، هنوز ارزیابی نادرستی از مفهوم ریسک اعتباری وجود دارد، به همین جهت، با رخ دادن یک بحران، بیشتر دولت ها مجبور می شوند که راه حل های موقت نجات را برای سیستم بانکی به کار گیرند. با توجه به همه گیر شدن بحران‌های اقتصادی کنونی، طرح ریزی برای پیش بینی احتمال عدم پرداخت تسهیلات اعطایی توسط شرکت‌ها از اهمیت ویژه ای برای سهامداران، طلبکاران، حساب رسان و مدیران بانکی برخوردار است.
اگر چه زیان اعتباری هزینه معمول فعالیت‌های تجاری در بانک است، لیکن افزایش زیان دهی می تواند موجودیت موسسات مالی را تهدید کند. شاهد این ادعا، نیاز مستمر بانک‌ها به تصحیح مدل هایی است که ریسک هر وام و نرخ های نکول پرتفوی وام ها را می سنجند. پیش بینی دقیق و هشدارهای اولیه احتمال عدم پرداخت موجب کنترل ریسک، جلوگیری از اتخاذ تصمیمات نادرست، کاهش هزینه نظارت بر پرداخت دیون و کاهش زمان ارزیابی اعتباری می‌شود. آژانسهای رتبه‌بندی بین المللی مانند مودیزو استاندارداند پورزبه جهت ناکارآمد بودن مدل‌هایشان در پیش بینی ریسک پرداخت دیون شرکت‌ها و بانک‌ها مورد انتقاد قرار گرفته اند. بعلاوه، آژانس های رتبه‌بندی محلی و بین المللی به تحلیل ریسک شرکت‌های بزرگ تمایل دارند، در حالی که سیستم مالی و بانک‌ها، نیازمند مدل‌هایی برای تحلیل ریسک شرکت‌های کوچک و متوسط نیز می‌باشد. ضمن اینکه بانک‌ها، مدل‌های داخلی خود را برای تعیین ریسک وام‌ها دارند.
اما این روش‌ها هنوز مقدماتی اند و متکی بر روش‌های ساده ریاضی با فرض های ناقص هستند. در نتیجه نیاز به سیستم تشخیص سریع و خودکار پیش بینی احتمال عدم پرداخت، مورد توجه قرار گرفت .
مروری بر مقالات اخیر در این مورد نشان می دهد که عمده عللی که باعث شکست تجاری می گردد، اطلاعات نامتقارن بین بانک‌ها و شرکت‌ها است. بعلاوه، گسترش ابزارهای تحلیلی برای تعیین اینکه کدام