بررسي برتري مدل هيبريدي نسبت به ساير مدل‌ها در فرايند اعتبارسنجي بانك‌هاي كشور (مورد مطالعاتي برخي شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران)

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

ارزيابي ريسك اعتباري يك بخش ناگسستني از فرآيند اعطاي وام مي‌باشد. اهميت اعتبارسنجي اخيراً به‌خاطر بحران مالي و كفايت سرمايه بانك‌ها افزايش يافته است. هدف از اين پژوهش آزمون يك روش جديد و صحيح‌تر براي برآورد امتياز اعتباري شركت‌ها مي‌باشد. بنابر روش‌هاي آماري سنتي و تكنيك‌هاي هوش مصنوعي (AI)، اين پژوهش به پيروي از لي و همكاران، 2016 به آزمون مدل هيبريدي مي‌پردازد كه اين مدل تلفيقي از مدل رگرسيون لجستيك و شبكه‌هاي عصبي مصنوعي(ANN) مي‌باشد. جامعه آماري تحقيق حاضر شركت‌هاي توليدي پذيرفته شده در بورس اوراق بهادار تهران طي سال‌هاي 1389 تا 1395 مي‌باشد. روش نمونه‌گيري به روش حذف سيستماتيك بوده كه باتوجه به در نظر گرفتن معيارها تعداد 90 شركت توليدي به‌عنوان نمونه پژوهش انتخاب شدند. نتايج تحقيق نشان مي‌دهند كه مدل هيبريدي نسبت به مدل‌هاي رگرسيون لجستيك و شبكه‌هاي عصبي مصنوعي از اعتبار بالاتري در سنجش ريسك اعتباري شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران برخوردار است .

Credit risk evaluation is an integral part of the lending process. Significance of credit rating is increased by the global financial crisis and banks’ 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.