پایان نامه ارشد درباره اعتبارسنجی، ریسک اعتباری، شبکه های عصبی

دانلود پایان نامه ارشد

باشند.
تکنیک های یادگیری ماشینی بخشی از علم هوش مصنوعی به شمار می آیند. هوش مصنوعی به طور مؤثر و موفقی در گستره وسیعی از شاخه های تجاری همچون بازاریابی، حسابداری، سیستمهای اطلاعاتی مدیریت و مدیریت تولید بکار گرفته می شود. در اکثر تحقیقات از روشهای یادگیری ماشینی برای پیش بینی تغییرات آتی سهام، بحران های مالی، ورشکستگی، شناسایی کلاهبرداری کارت های اعتباری بکار گرفته می شود.
1-15-5: درخت تصمیم
درخت تصمیم یکی از ابزارهای قوی و متداول برای دسته بندی و پیش بینی می باشد. درخت- تصمیم گیری بر خلاف شبکه های عصبی به تولید قانون می پردازد. یعنی درخت تصمیم گیری پیش بینی خود را در قالب یک سری قوانین توضیح می دهد در حالیکه در شبکه های عصبی تنها پیش بینی نهایی بیان می شود و چگونگی آن در خود شبکه پنهان باقی می ماند.
درختان تصمیم گیری تنها مقادیر ویژگی های گسسته را توسط متغیر هدف (ویژگی کلاس یا ویژگی وابسته) پیش گویی می کند. این پیش گویی توسط متغیر کلاس که ویژگی هدف یا ویژگی وابسته نیز نامیده می شود، صورت می گیرد. مقادیر ویزگی هدف، وابسته به مقادیر متغیرهای (ویژگیهای) مستقل (توصیف کننده) و وجود آنها در ساختار درخت تصمیم گیری است.
1-15-6: شبکه های عصبی
این شبکه ها ابزارهایی هستند که در موارد پیش بینی ، خوشه بندی و تخمین کاربرد دارند. جذابیت شبکه های عصبی در این است که آنها بوسیله مدلسازی ارتباطات عصبی مغز انسان در کامپیوترهای دیجیتالی پلی برای فاصله موجود ایجاد می کنند.
برای شناخت الگوهایی که در داده ها وجود دارند بسیار مفید هستند، خصوصاً در مواقعی که نوع رابطه بین هدف (به عنوان مثال ارزیابی وضعیت اعتباری) و متغیرهای ورودی (مثلا ویژگی های جمعیتی) نامشخص و یا پیچیده باشد.
شبکه های عصبی روش محاسبه ای متفاوت با روشهای متداول می باشند. محاسباتی که با روشهای معمولی انجام می شود از نوع برنامه ریزی شده است و در آنها الگوریتم ها و مجموعه هایی از قواعد به کار می روند تا مسأله را حل کنند. در این روشها اگر الگوریتمی در دست نباشد یا الگوریتم پیچیده باشد، راه حلی برای مسأله وجود نخواهد داشت. اما در محاسباتی که شبکه عصبی اجرا میکند به الگوریتم و مجموعه قواعد نیاز نیست.

فصل دوم

ادبیات تحقیق

مقدمه
در سیستم بانکی ایران، تجهیز منابع و تخصیص آن در قالب تسهیلات مالی کماکان اصلی ترین وظیفه بانک های تجاری را تشکیل می دهد. در بخش تخصیص منابع، توجه به این نکته حائز اهمیت است که نرخ سود تسهیلات اعطایی فراتر از سیاست های پولی به عنوان ابزاری جهت اعمال سیاستهای اقتصادی در بخش های مختلف اقتصادی مورد استفاده قرار می گیرد و این امکان که ریسک عدم بازپرداخت تسهیلات از طریق نوسانات نرخ سود جبران شود تا حد زیادی از بانکهای اعطا کننده تسهیلات سلب شده است. لذا هنگام تصمیم گیری نسبت به اعطای تسهیلات، بررسی همه جانبه درخواست تسهیلات به منظور به حداقل رساندن ریسک عدم بازپرداخت از اهمیت خاصی برخوردار است. (حسینی پور عزآبادی،10،1382)
بانک ها به عنوان بخش اصلی نظام مالی همواره با ریسک های متفاوتی روبرو هستند که یکی از عمده ترین آنها ریسک اعتباری است. حجم قابل ملاحظه ای از تسهیلات اعطایی سوخت شده یا معوقه بانک ها، گویای فقدان مدل های مناسب اندازه گیری اعتباری و سیستم های مدیریت ریسک در شبکه بانکی است. (اخباری،1387، 10)
یکی از ابزارهایی که بانک ها مي توانند جهت مدیریت و کنترل ریسک اعتباری از آنها بهرهگيري نمايند، “سیستم اعتبارسنجی مبتنی بر صورت های مالی مشتریان” است. بخش قابل توجهی از منابع سیستم بانکی، جهت تأمین نیازهای مالی شركت ها تخصیص می یابد که عمدتاً در قالب شرکتهای تجاری، متقاضی استفاده از تسهیلات بانکی هستند.
در تحقيق حاضر بررسي خواهيم نمود كه آيا تکنیکهای داده کاوی جهت اعتبارسنجی صورتهای مالی واحدهای تجاری در اعطای تسهیلات کارآ می باشد یا خیر؟ ، زیرا بر اساس شواهد موجود از جمله حجم تسهيلات سوخت شده و معوقه مي توان ادعا نمود بانک ها در اعطای وام به ریسک مربوطه توجه نمی کنند و براساس سیستم وثیقه محوری و قضاوتی وام به مشتریان می دهند.
در اين فصل از تحقيق سعي شده است ضمن بيان تاريخچه داده کاوی و ریسک اعتباری ، مباني نظري و علمي رتبه بندي اعتبار و امتیاز بندی اعتباری و کاربرد داده کاوی در حوزه اعتبارسنجی به صورت تفصيلي ذكر گردد.
چارچوب نظری تحقیق
همانطوری که گفته شد، داده کاوی در بسیاری از شاخه ها همچون بازاریابی، امور مالی، بانکداری، تولید، پزشکی، مدیریت ارتباط با مشتری، ردیابی، پیش بینی خرابی ها، آموزش سازمانی و… کاربرد دارد. که در این میان کاربرد داده کاوی در صنعت بانکداری از اهمیت بالایی برخوردار است که میتوان به موارد زیر اشاره کرد :
1- پایگاه داده عظیم و بسیاری وجود دارند. 2- اطلاعات تجاری ارزشمندی می تواند از این پایگاه داده استخراج شوند. 3- استفاده از روشهای سنتی گذشته برای پشتیبانی تصمیم و تحلیلها اجرا شدنی نیست. 4- تحلیلهای انسانی تحت تأثیر ابعاد و حجم داده ها قرار میگیرد. 5- متدهای آماری سنتی رتبه قادر به رتبه بندی نیستند و نیاز به کارشناسان و تحلیلگران مهم و قابل توجه دارد.
یکی از مباحث مهم در صنعت بانکداری تشخيص توانائي يا ارزيابي قدرت شركت ها در بازپرداخت بدهي، جهت کاهش خسارت های ناشي از ناتواني آنان در بازگرداندن تسهيلات دريافتي است. که برخی از مزایای آن عبارت است از: 1- کاهش هزینه تحلیل 2- تصمیم گیری سریع3- تضمین تسهيلات و حذف ریسک های احتمالی. 4- تعیین اولویت در مجموعه اعطاء تسهيلات
در نتیجه ما می توانیم از مدل های مختلفی جهت ارزیابی وضعیت مالی مشتریان استفاده کنیم که این مدل ها به دو گروه اصلی تقسیم می شوند که عبارتند از :
گروه اول: مدلهای پارامتریک: شامل 1- مدل احتمال خطی 2- مدل لاجیت و پروبیت 3- مدلهای تحلیل متمایز کننده
گروه دوم: مدلهای ناپارامتریک: شامل 1- برنامه ریزی خطی 2- شبکه های عصبی 3- درخت های تصمیم 4- مدل نزدیکترین همسایگی 5- فراگرد تجزیه و تحلیل سلسله مراتبی 6- سیستم های خبره 7- الگوریتم ژنتیک
در این پژوهش سه روش برای ارزیابی مشتریان بانک از نقطه نظر اعتبار آنها، مورد استفاده قرار خواهد گرفت. همچنین سعی شد تا با استفاده از یک مجموعه داده، مدلی مناسب برای پیش بینی وضعیت اعتباری مشتریان جدید طراحی شود. مدلی که بتواند با کمترین خطا مشتریان را اعتبارسنجی کند. از آنجایی که پیشرفت صحت حتی به میزان کم می تواند منجر به کاهش هزینه های کلان برای بانک در زمینه ریسک اعتباری شود، در این پژوهش از روشهای ماشین بردار پشتیبان، درخت تصمیم و شبکه های عصبی برای اعتبارسنجی مشتریان استفاده می شود.
پس از بررسي ميزان اتكاي بانك ها به اطلاعات صورت هاي مالي شركت در ارزيابي توان مالي آنان در بازپرداخت بدهي ها و نيز قابليت پاسخگوئي اين صورت ها به نياز هاي اطلاعاتي جهت انجام اين ارزيابي و با توجه به چارچوب نظری ارائه شده ، مدل مفهومی تحقیق حاضر به شکل زیر مدنظر قرار می گیرد.
شکل 2-1 : مدل مفهومی تحقیق

منبع : یافته های پژوهشگر
ریسک اعتباری و تاریخچه پیدایش آن
در حوزه مالی و بانکی یکی از عوامل مهم که پیش تر ذکر شد، مفهوم ریسک می باشد که از اهمیت بالایی برخوردار است، بدین جهت یکی از مهمترین رویکردها جهت کاهش خسارت های ریسک اعتباری، شناسایی، سنجش درجه و طبقه بندی اعتباری مشتریان، رویکرد اعتبارسنجی میباشد. اعتبارسنجی به معنای ارزیابی و سنجش توان بازپرداخت متقاضیان وام و تسهیلات مالی و احتمال عدم بازپرداخت دریافتی از سوی آنها می باشد.
طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال 1909 به وسیله جان موری5 بر روی اوراق قرضه انجام شد. برخی از محققان متوجه شباهت زیاد اوراق قرضه و تسهیلات اعطایی شدند و اندازه گیری ریسک عدم پرداخت اصل و سود وام ها را بررسی نمودند.
در همین راستا اعتبارسنجی روشی برای شناخت گروه های مختلف جامعه است و زمانی مفید میباشد که شخص نمی تواند ویژگی هایی که گروه ها را از هم تفکیک می کند، مشاهده نماید. این تکنیک یک تکنیک آماری است که توسط”فیشر6 “، در سال 1936 بیان گردید. در سال 1941، “دوراند7” متوجه شد که می توان از این تکنیک و تکنیک های مشابه برای تفکیک قرض گیرندگان خوب و بد استفاده نمود. با ظهور کارت های اعتباری در سال 1960، ارزش اعتبارسنجی بیشتر شد. زمانی که بانک ها از این تکنیک استفاده کردند، متوجه شدند که این تکنیک بهتر از طرح های قضاوتی است. در سال 1966 برای تعیین ورشکستگی شرکتها، مدل رگرسیون لجستیک به وسیله بی ور8 بکار گرفته شد. بعدها از این مدل برای اندازه گیری ریسک اعتباری اوراق قرضه منتشر شده شرکتها استفاده شد. در سال 1980 موفقیت اعتبارسنجی در کارت های اعتباری منجر به این شد که بانک ها به استفاده از روش های اعتبارسنجی به دیگر خدمات خود مثل وام به اشخاص ثالث تشویق گردند. زیرا تا قبل از آن به خانه و کسب و کارهای کوچک وام می دادند. موفقیت در امر محاسبات منجر به این شد که تکنیک های دیگر نیز به کمک اعتبارسنجی بیایند مانند رگرسیون لجستیک و برنامه ریزی خطی و درخت تصمیم گیری. اخیراً نیز تکنیک های هوش مصنوعی مانند سیستم های خبره و شبکه های عصبی به جمع این روشها اضافه شده اند.
2-2-1: ضرورت طراحی سیستمهای سنجش و ارزیابی اعتبار مشتریان
از جمله مهمترین دلایل می توان به کمک آنها به افزایش جریان نقدینگی مؤسسه، اطمینان از بازگشت اعتبار اعطایی توسط مشتری، کاهش ریسک بازپرداخت اصل و فرع اعتبار اعطایی، بهبود کیفی تصمیمات مدیریتی، کاهش هزینه های تجزیه و تحلیل اعتبار مشتریان، افزایش سرعت اخذ تصمیمات اعتباری و نظارت بهتر بر حسابهای اعتباری موجود مؤسسه اشاره نمود.
به دلیل اهمیت مشتری در سازمانهای عصر نوین و حساسیت و پیچیدگی فرآیند سنجش و اندازه گیری صحیح، دقیق، عینی و عملی اعتبار مشتریان و همچنین به لحاظ نقش حائز اهمیت اعتبارسنجی در موفقیت عملکرد سازمانها، طراحی سیستمهای اعتبار سنجی بیش از پیش ضرورت یافته است.

مطالعات انجام شده در داخل کشور
صلاحی (1390) در پژوهش خود با عنوان ” بررسی و اولویت بندی عوامل مؤثر بر اعتبارسنجی مشتریان بانک ها با استفاده از روش AHP (مورد : بانک سینا) ” به بررسی نظری روش های اعتبارسنجی مشتریان پرداخته و از آن طریق با استفاده از روش C5 (شخصیت وام گیرنده، ظرفیت بازپرداخت وام گیرنده، سرمایه، وثیقه، شرایط) به اولویت بندی شاخص های مذکور پرداخت. یافته های پژوهش نیز به صورت اولویت های زیر مشخص گردید : سرمایه با ضریب 395/0، وثیقه با ضریب 265/0، شرایط با ضریب 149/0، ظرفیت بازپرداخت با ضریب 104/0، شخصیت با ضریب 088/0تعیین شده اند. در شاخص شخصیت در بخش حقیقی و حقوقی مهمترین مؤلفه تعداد درخواستها جهت اخذ وام بود. شاخص بازپرداخت در بخش حقیقی مهمترین مؤلفه آن درآمد (سالانه) خالص پس از کسر مالیات و در بخش حقوقی ثبات درآمد و ارزش بازار سهام به بدهی بوده است. مهمترین مؤلفه شاخص سرمایه در بخش حقیقی ارزش روز املاک و مستغلات و ثروت خالص (کل دارایی منهای کل بدهی) بوده است و همین طور در بخش حقوقی موجودی کالا، مواد و سفارشات بوده است. مهمترین مؤلفه شاخص شرایط در بخش حقیقی جنسیت وام گیرندگان و رده استخدامی بوده و در بخش حقوقی، افق زمانی سرمایه گذاری و تعداد پرسنل بوده است. مهمترین مؤلفه شاخص وثیقه نیز در بخش حقیقی و حقوقی، ریسک وثیقه و میزان دارایی های آزاد قابل وثیقه است.
دکتر جلیلی، خدائی وله زاقرد و کنشلو (1387) در پژوهشی با نام ” اعتبارسنجی مشتریان حقیقی در سیستم بانکی کشور ” یکی از راه های کمی سازی و اندازه گیری ریسک اعتباری را استفاده از مدلهای امتیازدهی اعتباری (CS) می دانند. این مدل بر اساس مدل های کمی و کیفی، ویژگی

پایان نامه
Previous Entries پایان نامه ارشد درباره داده کاوی، دارایی ها، صاحبان سهام Next Entries پایان نامه ارشد درباره ریسک اعتباری، نسبت بدهی، دارایی ها