نوع مقاله : مقاله پژوهشی
نویسندگان
1
دانشجوی دکتری مالی بین الملل، گروه مدیریت، دانشگاه علوم تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.
2
عضو هیأت علمی، استادیار، مدیریت مالی، موسسه آموزش عالی مهر البرز، ایران
3
عضو هیأت علمی، دانشیار، گروه مدیریت مال ی، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران.
4
عضو هیأت علمی، دانشیار، گروه مدیریت مال ی، دانشگاه آزاد اسلامی واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
5
عضو هیأت علمی، دانشیار، گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، تهران، ایران
10.30495/jik.2025.77920.4607
چکیده
تاکنون مدلهای بسیاری از دسته مدلهای آماری و تجربی و روشهایی با تکیه بر هوش مصنوعی؛ مدلهای رگرسیونی برای ارزیابی ریسک اعتباری ارائه شده است. بررسی این مدلها نشان میدهد همۀ آنها یک ویژگی مشترک دارند یا به بیان دیگر همۀ آنها نکتهای مهم را از قلم انداختهاند. ممکن است مشتری که رتبۀ اعتباری خوبی کسب کرده است، به دلایل مختلف شخصی، اجتماعی مانند رکود اقتصادی یا تحریم، رفتار اعتباری متمایزی از خود نشان دهد. بر این اساس نیاز به مدلسازی ریسک اعتباری بانکها از اهمیت بسیار بالایی برخوردار است. مدلسازیهای مبتنی بر رگرسیون خطی، به علت فروض رگرسیونی متعدد؛ عمدتاً دارای خطای بالا است؛ لذا در سالهای اخیر، پژوهشهایی مبتنی بر رویکردهای بیزین توسعه یافتهاند. بر این اساس مسئله اصلی پژوهش حاضر مدلسازی ریسک اعتباری در بانکهای با مقیاس بزرگ (بانک ملت) است. دوره زمانی پژوهش حاضر دادههای فصلی 1380 تا 1401 میباشد. در این پژوهش 45 متغیر موثر بر ریسک اعتباری وارد مدلهای میانگینگیری پویا (TVP-DMA)، میانگینگیری انتخابی (TVP-DMS)، میانگینگیری بیزین (BMA)و میانگینگیری حداقل مربعات متوسط وزنی (WALS) گردیدند. از میان مدلهای مذکور مدل حداقل مربعات متوسط وزنی به عنوان کاراترین مدل تعیین گردید. بر اساس نتایج، 15 متغیر با بالاترین سطح اثرگذاری بر ریسک اعتباری شناسایی شدند. بر اساس تورم مهمترین عامل موثر بر ریسک اعتباری بانک ملت شناسایی گردید.
عنوان مقاله English
Credit Risk Modeling of Large-Scale Banks
Bank Mellat Case Study
نویسندگان English
Sakineh Mohammadyari
1
Akbar akbareftekhari
2
Hamidreza kordlouie
3
Mirfaiz Fallah shams
4
Mohammad Hamed khanmohammadi
5
1
PhD Student in International Finance, Department of Management, Tehran University of Research Sciences, Islamic Azad University, Tehran, Iran.
2
Faculty Member, Assistant Professor, Financial Management, Mehr Alborz Institute of Higher Education, Iran
3
Faculty Member, Associate Professor, Financial Management Department, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran.
4
Faculty Member, Associate Professor, Financial Management Department, Islamic Azad University, Central Tehran Branch, Islamic Azad University, Tehran, Iran
5
Faculty Member, Associate Professor, Accounting Department, Damavand Branch, Islamic Azad University, Tehran, Iran
چکیده English
So far, many models in the category of statistical and experimental models and methods based on artificial intelligence; Regression models are presented for credit risk assessment. Examining these models shows that they all have a common feature, or in other words, they all missed an important point. A customer who has obtained a good credit rating may show a different credit behavior due to various personal and social reasons such as economic recession or embargo. Based on this, the need to model the credit risk of banks is very important. modeling based on linear regression, due to multiple regression assumptions; It mainly has high error; Therefore, in recent years, researches based on Bayesian approaches have been developed. Based on this, the main problem of the current research is credit risk modeling in large-scale banks (Bank Mellat). The time period of the current research is seasonal data from 1380 to 1401. In this research, 45 variables affecting credit risk were included in dynamic averaging (TVP-DMA), selective averaging (TVP-DMS), Bayesian averaging (BMA) and weighted average least squares (WALS) models. Among the mentioned models, the weighted average least squares model was determined as the most efficient model. Based on the results, 15 variables with the highest level of influence on credit risk were identified. Based on inflation, the most important factor affecting Bank Mellat's credit risk was identified.
