بررسی برتری مدل هیبریدی نسبت به سایر مدل ها در فرایند اعتبارسنجی بانک های کشور (مورد مطالعاتی برخی شرکت های پذیرفته شده در بورس اوراق بهادار تهران) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
ارزیابی ریسک اعتباری یک بخش ناگسستنی از فرآیند اعطای وام می باشد. اهمیت اعتبارسنجی اخیراً به خاطر بحران مالی و کفایت سرمایه بانک ها افزایش یافته است. هدف از این پژوهش آزمون یک روش جدید و صحیح تر برای برآورد امتیاز اعتباری شرکت ها می باشد. بنابر روش های آماری سنتی و تکنیک های هوش مصنوعی (AI)، این پژوهش به پیروی از لی و همکاران، 2016 به آزمون مدل هیبریدی می پردازد که این مدل تلفیقی از مدل رگرسیون لجستیک و شبکه های عصبی مصنوعی(ANN) می باشد. جامعه آماری تحقیق حاضر شرکت های تولیدی پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1389 تا 1395 می باشد. روش نمونه گیری به روش حذف سیستماتیک بوده که باتوجه به در نظر گرفتن معیارها تعداد 90 شرکت تولیدی به عنوان نمونه پژوهش انتخاب شدند. نتایج تحقیق نشان می دهند که مدل هیبریدی نسبت به مدل های رگرسیون لجستیک و شبکه های عصبی مصنوعی از اعتبار بالاتری در سنجش ریسک اعتباری شرکت های پذیرفته شده در بورس اوراق بهادار تهران برخوردار است .Investigating the Efficiency of Hybrid Model in Comparison with Logistic Regression and Artificial Neural Network in Credit Risk Evaluation of Companies Listed in Tehran Stock Exchange
Credit risk evaluation is an integral part of the lending process. Significance of credit rating is increased by the global financial crisis and banks#8217; capital requirement. The purpose of this research is to find a new and more accurate way to estimate corporate credit scoring. Based on Traditional statistical methods and artificial Intelligence (AI), this research following Lee, et al., (2016) is testing a hybrid model, the model is combing logistic regression and artificial neural network(ANN). Population of the study is companies listed on Tehran Stock Exchange during 2010 to 2016.sampling method is systematic eliminating method that with considering the criteria, number of 90 companies were selected for the study. The results show the hybrid model in comparison with logistic regression and artificial neural network is more efficient in credit rating of companies listed in Tehran Stock Exchange.
تبلیغات
