مدلسازی ریسک اعتباری مشتریان بانک با استفاده از مدل تحلیل بقا مبتنی بر روش اسپلاین

الموضوعات : دانش سرمایه‌گذاری

محمد علی رستگار ¹ (گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس)
مهدی عیدی گوش ² (گروه مهندسی مالی، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس)

تاريخ الإرسال : 28 الإثنين , ربيع الثاني, 1439 تاريخ التأكيد : 12 الأربعاء , ذو القعدة, 1439 تاريخ الإصدار : 03 السبت , محرم, 1442

الکلمات المفتاحية: رگرسیون کاکس, ROC, ریسک اعتباری, رگرسیون لجستیک مبتنی بر اسپلاین,

ملخص المقالة :

امروزه بانکهای کشور با معضلات جدی به لحاظ نوع داراییهایشان مواجه هستند. از جمله عواملی که منجر به این وضعیت شدهاند میتوان به کیفیت بد داراییهای بانکها اشاره داشت که علت آن را میتوان نداشتن سیستم رتبهبندی و ارزیابی درست در ریسک اعتباری دانست. در این پژوهش با استفاده از مدل رگرسیون کاکس و همچنین مدل بقای رگرسیون لجستیک مبتنی بر اسپلاین به پیش‌بینی احتمال نکول در طول زمان پرداخته ایم. برای مدلسازی ریسک اعتباری با استفاده از این دو روش از 10 متغیر مربوط به 2861 نفر از مشتریان یک بانک ایرانی استفاده گردیده است. پس از انجام مدلسازی با توجه به نتایجی که از مقایسه این دو مدل با استفاده از روش ROC به دست آمد، مدل رگرسیون کاکس با معیار AUC=0.799 از کارایی بالاتری نسبت به مدل بقای رگرسیون لجستیک مبتنی بر اسپلاین با معیار AUC=0.746 لجستیک مبتنی بر اسپلاین برخوردار است.

المصادر:

[1] حامد کرانی و مولود آقایی‌پور. (1390). کاربرد نظریه تحلیل بقا در مدیریت ریسک اعتباری دریافت کنندگان تسهیلات؛ مطالعه موردی بانک مسکن. فصلنامه روند، شماره 65، 175-200.

[2] مرضیه ابراهیمی و عبداله دریابر. (1391). مدیریت ریسک اعتباری در نظام بانکی- رویکرد تحلیل پوششی داده ها و رگرسیون لجستیک و شبکه عصبی، فصلنامه دانش سرمایه‌گذاری سال اول/ شماره دوم/ تابستان 1391.

[3]        Narain, B. (1992). Survival analysis and the credit granting decision. In: Thomas L., Crook, J. N. and Edelman, D. B. (eds.). Credit Scoring and Credit Control. OUP: Oxford, 109-121.

[4]        Cao, R., Vilar, J.M., Devia, A., Veraverbeke, N., Boucher, J.P. and Beran, J., 2009. Modelling consumer credit risk via survival analysis.

[5]        Miller, S., 2010. Risk Factors for Consumer Loan Default: A Censored Quantile Regression Analysis.

[6]        Stepanova, M. and Thomas, L., 2002. Survival analysis methods for personal loan data. Operations Research, 50(2), pp.277-289.

[7]        Luo, S., Kong, X. and Nie, T., 2016. Spline based survival model for credit risk modeling. European Journal of Operational Research, 253(3),.869-879.

[8]        Dietz, K., Gail, M., Krickeberg, K., Samet, J. and Tsiatis, A., 2002. Statistics for Biology and   Health. Survival Analysis, Edition Springer.

[9]        Malik , M . and Thomas L . (2006). Modeling Credit Risk of Portfolio of Consumer Loans . University of Southampton , School of Management

 [10]     Stein , R . (2005). The Relationship Between Default Prediction and Lending Profits : Integrating the ROC Analysis and Loan Pricing. Journal of Banking and Finance.Vol. 29, pp 1213-1236.

[11]      Blöchlinger , A . and Leippold , M . (2006). Economic Benefit of Powerful Credit Scoring. Journal of Banking and Finance.Vol. 30, pp 851-873