بهینه سازی پرتفوی اعتباری بانک ها با استفاده از رویکرد اکچوئری و شبکه عصبی مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: تخصیص وجوه به بخش های مختلف اقتصادی و اعطای تسهیلات، یکی از فعالیت های مهم بانک هاست. بانک ها ضمن توجه به سیاست های پولی و مالی تعیین شده توسط دولت ها و بانک مرکزی، این منابع را به بخش های سودآور و مناسب تخصیص می دهند. کاهش و کنترل ریسک اعتباری، یکی از عوامل مؤثر در بهبود فرایند اعطای اعتبار و در نتیجه در عملکرد بانک هاست. حداقل سازی ریسک به همراه حداکثرسازی سود هدفی است که همواره بانک ها به دنبال تحقق آن هستند. کم توجهی به موضوع بازده و ریسک تسهیلات، به تمرکز تسهیلات در بخش های خاصی از اقتصاد منجر شده که خود مشکلات عمده ای را برای بانک ها به همراه داشته است. با توجه به ضرورت تعیین سهم بهینه اعتبارات و ضرورت سیاست گذاری مناسب در این زمینه، پژوهش حاضر در پی ارائه یک الگوی مناسب برای تخصیص بهینه اعتبارات اعطایی به بخش های مختلف اقتصادی است؛ به گونه ای که با مدل سازی و بهینه سازی ریسک اعتباری با استفاده از ترکیب دو رویکرد اکچوئری و شبکه عصبی مصنوعی و با توجه به محدودیت های موجود در سیاست های بانک، پرتفوی اعتباری بهینه به گونه ای تعیین شود که ریسک اعتباری حداقل شود.روش: روش اکچوئری با محاسبه احتمال نکول وام ها و ارزیابی دقیق ریسک های مالی، به عنوان ابزار اصلی در مدیریت ریسک بانک ها شناخته می شود. با این حال، این روش ها اغلب نمی توانند پیچیدگی های موجود در تعاملات اعتباری را به طور کامل مدل سازی کنند. برای غلبه بر این محدودیت ها، از شبکه عصبی مصنوعی استفاده می شود که توانایی پیش بینی دقیق تر و تطبیق با داده های غیرخطی را دارد. بدین منظور در پژوهش حاضر، ابتدا به بررسی ریسک اعتباری پرتفوی تسهیلات بانکی با استفاده از رویکرد اکچوئری پرداخته می شود؛ سپس با استفاده از شبکه عصبی پرسپترون و با توجه به محدودیت های بانک در ارائه تسهیلات، ترکیب بهینه پرتفوی اعتباری تعیین می شود. نمونه مورد استفاده شامل تسهیلات اعطایی بانک به ۲۸۰ مشتری کلان خود در ۴ بخش صنعتی، خدماتی و بازرگانی، کشاورزی و ساختمان، در سال ۱۳۹۲ است.یافته ها: نتایج به دست آمده نشان می دهد که پرتفوی بهینه شده با تمرکز بیشتر بر بخش کشاورزی، در مقایسه با پرتفوی فعلی بانک که عمدتاً بر بخش صنعت تمرکز دارد، می تواند بازدهی تعدیل شده بر اساس ریسک بهتری را ارائه دهد. در ترکیب پرتفوی بهینه به دست آمده، بیشترین سهم، به بخش کشاورزی مربوط است و بخش های خدماتی و بازرگانی، ساختمانی و صنعتی، به ترتیب در رده های بعدی قرار دارند. در حالی که در پرتفوی فعلی بانک، بیشترین سهم تسهیلات به بخش صنعتی مربوط است و بعد از آن، به ترتیب بخش های خدماتی و بازرگانی، کشاورزی و ساختمان قرار می گیرند. با بررسی پرتفوی تسهیلات نظام بانکی، مشاهده شد که در سال ۱۳۹۲ شواهد تجربی نیز نتایج مدل را تأیید می کند.نتیجه گیری: براساس یافته ها و تأیید فرضیه های پژوهش، می توان نتیجه گرفت که استفاده از مدل اکچوئری برای تعیین ریسک اعتباری و سپس بهینه سازی با استفاده از شبکه عصبی مصنوعی، به بهبود فرایند بهینه سازی پرتفوی اعتباری بانک ها منجر می شود؛ از این رو بانک ها می توانند با بهبود ساختار پرتفوی خود از این طریق، ریسک های بالقوه را کاهش دهند و بازده مطمئن تری به دست آورند.Bank’s Credit Portfolio Optimization Using Actuarial Approach and Artificial Neural Networks
ObjectiveAllocating funds to various economic sectors and extending credit are among the key activities of banks. While following monetary and fiscal policies set by governments and central banks, banks strive to allocate these resources to profitable and suitable sectors. Credit risk reduction and control play a vital role in enhancing the lending process and, in turn, bank performance. Banks consistently pursue the dual objectives of minimizing risk and maximizing profit. Insufficient attention to credit yield and risk has led to the concentration of loans in specific economic sectors, creating significant challenges for banks. Considering the need to establish an optimal credit allocation and adopt effective policies, this study aims to develop an optimal model for credit allocation across economic sectors. By integrating actuarial methods and artificial neural networks (ANN) and considering banking policy constraints, the study seeks to design a credit portfolio that minimizes credit risk. MethodsThe actuarial approach, which includes calculating loan default probabilities and conducting precise financial risk assessments, is a widely used tool in bank risk management. However, these methods often fail to fully capture the complexities inherent in credit interactions. To address this limitation, this study incorporates artificial neural networks (ANN), which provide enhanced predictive accuracy and adaptability to nonlinear data. This research begins by analyzing the credit risk of the bank's loan portfolio using an actuarial approach and subsequently applies a perceptron neural network model to determine the optimal credit portfolio composition considering the bank's lending constraints. The sample data comprises loans extended by the bank to 280 major clients across four sectors—industrial, trade and services, agriculture, and construction—in 2013. ResultsThe results indicate that the optimized portfolio, with a greater focus on the agricultural sector, can offer improved risk-adjusted returns compared to the bank’s current portfolio, which predominantly emphasizes the industrial sector. In the optimized portfolio composition, the agricultural sector receives the largest allocation, followed by the trade and services, construction, and industrial sectors. In contrast, in the bank’s existing portfolio, the highest allocation is to the industrial sector, followed sequentially by trade and services, agriculture, and construction. A review of the banking system's loan portfolio in 2013 confirmed the empirical validity of the model’s results. ConclusionBased on the findings and validation of the research hypotheses, it can be concluded that utilizing an actuarial model to determine credit risk, followed by optimization through artificial neural networks, enhances the bank’s credit portfolio optimization process. This approach enables banks to improve portfolio structure, which helps in mitigating potential risks and achieving more stable returns.
تبلیغات
