fa تخمین احتمال نکول اشخاص حقیقی مبتنی بر توافقنامه بال ۲ مؤسسات و خدمات مالی (G2) Financial Institutions and Services (G2) مطالعه تجربی Empirical Study <div> <hr align="left" size="1" width="33%" > <div id="ftn1"> <p align="left" dir="RTL"></p> </div> </div> <p><span dir="RTL">احتمال نکول مشتریان اعتباری بانک‌ها اصلی‌ترین جزء برای ارزیابی ریسک اعتباری مبتنی بر توافقنامه بال 2 است. در این تحقیق، به‌منظور تخمین احتمال نکول، ابتدا مدل امتیازدهی اعتباری لاجیت با استفاده از اطلاعات شخصیتی، اعتباری و شغلی مندرج در پرونده‌های اعتباری 1343 نفر از مشتریان یکی از بانک‌های خصوصی کشور طی دوره زمانی 1391 تا 1392 برآورد گردید. سوابق اعتباری مشتریان به‌عنوان مهم‌ترین عامل تأثیرگذار بر احتمال نکول آنها شناسایی گردید. آماره </span>ROC<span dir="RTL"> مدل برابر 71.1 درصد شد که حاکی از قدرت تمیز مناسب مدل است. با استفاده از الگوریتم </span>K<span dir="RTL">-میانگین امتیازات اعتباری مشتریان خوشه‌بندی و به هفت رتبه اعتباری طبقه‌بندی شدند. در مرحله بعد، با استفاده از روش فراوانی نکول تاریخی احتمال نکول متناظر با هر یک از رتبه‌های اعتباری برآورد گردید. درنهایت صحت احتمال نکول برآورد شده از طریق آزمون کالیبریشن و با استفاده از داده‌های 327 پرونده اعتباری در سال 1393 مورد تائید قرار گرفت. بدون تردید، تطبیق با توافقنامه‌های بین‌المللی حوزه بانک‌داری ضرورتی اجتناب‌ناپذیر است. نتایج مطالعه حاضر می‌تواند مبنای پیشنهادی به بانک‌های کشور برای تخمین احتمال نکول مشتریان و پیاده‌سازی توافقنامه بال 2 در حوزه مدیریت ریسک اعتباری باشد.</span>&nbsp;</p> <p>Probability of clients&#39; default is the most focal parameter in the credit risk Evaluation based on Basel II Accord. In this research, in order to estimate the probability of default, first, a scoring model applying the Logit Regression Technique using the 1343 clients&#39; personal data, credit history, employment information in one of the country&#39;s private banks within 1391-1392 was estimated. Through this study, the clients&#39; credit history was identified as the most important factor influencing the probability of default. The statistic ROC (Receiver Operating Characteristic) of the Model reflected 71.1% implying its high discriminant power. Cluster analysis, using K-means Algorithm, of the scoring estimates of the model lead to 7 rating classes. Next, applying historical default frequency approach, the probability of the default associated with each rating class was estimated. Finally, through the calibration test, the accuracy of the probability of default was confirmed for a sample of 327 credit profiles in 1393.&nbsp; Undoubtedly, compliance with the international agreements on the banking area is inevitable.</p> <p></p> ریسک اعتباری, مدل امتیازدهی, مقررات احتیاطی 223 250 http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-450-1&slc_lang=fa&sid=1 mohammad omidinezhad محمد امیدی نژاد 10031947532846002522 10031947532846002522 Yes