fa مقایسه مدل‌های شبکه عصبی، الگوریتم ژنتیک و لاجیت در ارزیابی ریسک اعتباری مشتریان سیاست پولی، بانکداری مرکزی و عرضه پول و اعتبارات (E5) Monetary Policy, Central Banking, and the Supply of Money and Credit (E5) مقاله نظری Theoretical Article <p dir="RTL"><b><i>&nbsp;</i></b></p> <p class="04" dir="RTL" style="margin-top:0in;margin-right:0in;margin-bottom:6.0pt; margin-left:56.9pt"><span lang="FA">هدف پژوهش حاضر ارزیابی روش‌های رتبه‌بندی اعتباری مشتریان حقیقی (دریافت‌کنندگان اعتبارات خُرد) بانک‌ها، به‌وسیله بررسی سوابق مالی و مشخصات خصیصه‌ای فرد متقاضی می‌باشد. بررسی‌های صورت گرفته نشان می‌دهد که جهت رتبه‌بندی اعتباری مشتریان عمدتاً از سه روش؛ مدل لاجیت، شبکه عصبی و الگوریتم ژنتیک، استفاده می‌شود. در این پژوهش کارایی این روش‌ها جهت سنجش دقیق نکول مورد ارزیابی قرار می‌گیرد. بدین منظور اطلاعات و داده‌های مالی و کیفی یک نمونه تصادفی ۳۹۹ تایی از مشتریان که طی سال‌های ۸۷ الی ۹۱ تسهیلات دریافت نموده‌اند مورد بررسی قرار می‌گیرد. پس از بررسی پرونده‌های اعتباری هر یک از مشتریان، ۱۲ متغیر توضیحی شناسایی گردید که براساس آزمون لاجیت متغیرهای؛ سابقه اعتباری، معدل شش‌ماهه حساب، وضعیت اشتغال، میزان اعتبار درخواستی، اقساط ماهانه و مدت بازپرداخت تأثیر معنی‌دار بر نکول داشته‌اند. نتایج ارزیابی روش‌های رتبه‌بندی اعتباری نشان‌دهنده این است که عملکرد شبکه عصبی نسبت به مدل ژنتیک و لاجیت به مراتب بهتر بوده است چرا که درجه حساسیت ۸۲٫۹۲٪ و تشخیص ٪۷۶٫۹۲ می‌باشد و به‌طورکلی این مدل توانسته است ۸۰٪ نکول یا عدم نکول را درست پیش‌بینی کند. بنابراین پیشنهاد می</span><span lang="FA" style="font-family:">‌</span><span lang="FA">شود جهت کاهش ریسک اعتباری بانک، اصلاح ساختاری مبتنی بر ایجاد سامانه اعتبار سنجی مشتریان بر اساس شبکه عصبی صورت پذیرد.</span></p> <p>&nbsp;The purpose of this study is to assess the credit rating methods of real customers (micro-credit recipients) of banks, by reviewing the financial records and characteristics of the applicant&#39;s characteristics. In this research, the effectiveness of some methods (logit model, neural network, and genetic algorithm) is evaluated for accurate measurement of the Defaults. For this purpose, the information and financial and qualitative data of a random sample of 399 customers who have received facilities during the years 1387 to 1391 have been investigated. After reviewing the credit records of each of the customers, 12 explanatory variables were identified which, based on the logit test variables, credit history, six-month average account, employment status, amount of credit, monthly installments and repayment period, had a significant effect on default. The results of the evaluation of credit rating methods indicate that the performance of the neural network is much better than the Genetic and Logit models because the sensitivity is 82.92% and the specificity is 76.92%, and in general, this model has been able to 80% Predict default or non-default. Therefore, in order to reduce the bank&#39;s credit risk, it is suggested that a structural adjustment based on the creation of a customer validation system based on the neural network is proposed.<strong>&nbsp;&nbsp;</strong></p> پروبیت, لاجستیک, تحلیل ممیزی , تابع توزیع تجمعی 680 657 http://jmbr.mbri.ac.ir/browse.php?a_code=A-10-707-1&slc_lang=fa&sid=1 Fethullah Tari فتح الله تاری tarifath@gmail.com 10031947532846006783 10031947532846006783 No Allame Tabatabaei University دانشگاه علامه طباطبایی (ره) seyed Ahmad Ebrahimi سید احمد ابراهیمی ahmadebrahimi20@yahoo.com 10031947532846006784 10031947532846006784 Yes Researcher at National Research Institute For Science Policy پژوهشگر مرکز تحقیقات سیاست علمی کشور Seyed Jafar Mousavi سید جعفر موسوی sj_mousavi_ut@yahoo.com 10031947532846006785 10031947532846006785 No Entrepreneurship Education دانشجوی دکتری کار آفرینی Mahmoud Kalantari محمود کلانتری Mahmoodk67@yahoo.com 10031947532846006786 10031947532846006786 No Iran University of Economic Science دانشگاه علوم اقتصادی