بهینه‌سازی پرتفوی اعتباری بانک‌ها با استفاده از رویکرد اکچوئری و شبکه عصبی مصنوعی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشکده مدیریت، دانشگاه تهران، تهران، ایران.

2 مدرس دانشگاه، دانشکده مدیریت دانشگاه تهران

3 استادیار دانشکده مدیریت دانشگاه تهران

10.22059/frj.2021.311064.1007074

چکیده

هدف: تخصیص وجوه به بخش‌های مختلف اقتصادی و اعطای تسهیلات یکی از مهمترین فعالیت‌های بانک‌ها می‌باشد. بانک‌ها ضمن توجه به سیاست‌های پولی و مالی تعیین شده توسط دولت‌ها و بانک مرکزی، این منابع را به بخش‌های سودآور و مناسب تخصیص می‌دهند. کاهش و کنترل ریسک اعتباری یکی از عوامل موثر در بهبود فرآیند اعطای اعتبار و در نتیجه در عملکرد بانک‌ها است. حداقل سازی ریسک به همراه حداکثرسازی سود هدفی است که همواره بانک‌ها به دنبال تحقق آن هستند. عدم توجه کافی به موضوع بازده و ریسک تسهیلات منجر به تمرکز تسهیلات در بخش‌های خاصی از اقتصاد شده که خود مشکلات عمده‌ای را برای بانک‌ها به همراه داشته‌است. هدف این پژوهش ارائه مدلی برای اندازه‌گیری ریسک و بهینه‌سازی پرتفوی اعتباری بانک‌ها است.
روش: در این پژوهش ابتدا به بررسی ریسک اعتباری پرتفوی تسهیلات بانکی با استفاده از رویکرد اکچوئری پرداخته و سپس با استفاده از شبکه عصبی پرسپترون و با توجه به محدودیت‌های بانک در ارائه تسهیلات، ترکیب بهینه پرتفوی اعتباری تعیین می‌شود. نمونه‌ مورد استفاده شامل تسهیلات اعطایی بانک به 280 مشتری کلان خود در 4 بخش: صنعتی، خدماتی و بازرگانی، کشاورزی و ساختمان در سال 1392 می‌باشد.
یافته‌ها: نتایج بدست آمده نشان می‌دهد که بازده پرتفوی بهینه از پرتفوی فعلی بانک بالاتر است. در ترکیب پرتفوی بهینه به دست آمده، بیشترین سهم مربوط به بخش کشاورزی است و بخش‌های خدماتی و بازرگانی، ساختمانی و صنعتی به ترتیب در رده‌های بعدی قرار دارند. درحالی که در پرتفوی فعلی بانک بیشترین سهم تسهیلات مربوط به بخش صنعتی بوده و بعد از آن به ترتیب بخش‌های خدماتی و بازرگانی، کشاورزی و ساختمان قرار می‌گیرند.
نتیجه‌گیری: براساس یافته‌ها و تایید فرضیه‌های پژوهشی می‌توان نتیجه گرفت که استفاده از مدل اکچوئری برای تعیین ریسک اعتباری و سپس بهینه‌سازی با استفاده از شبکه عصبی مصنوعی، منجر به بهبود فرآیند بهینه‌سازی پرتفوی اعتباری بانک‌ها می‌گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Bank’s Credit Portfolio Optimization Using Actuarial Approach and Artificial Neural Networks

نویسندگان [English]

  • Sara Raeesi 1
  • Saeed Bajalan 2
  • saeid Fallahpour 3
1 Faculty of Management, University of Tehran, Tehran, Iran
2 Faculty of Management, University of Tehran, Tehran, Iran.
3 Faculty of Management, University of Tehran, Tehran, Iran.
چکیده [English]

Objective: One of the most important activities of banks is funds allocation and lending to different economic sectors. According to monetary and fiscal policies that are set by governments and the central bank, Banks allocate these resources to profitable and appropriate sectors. Controlling and reducing credit risk has always been considered as one of the effective factors in improving the lending process and consequently in the bank’s performance. Risk minimization along with profit maximization is a goal that banks always seek to achieve. Insufficient attention to the issue of loan returns and risk has led to the concentration of loans in certain economic sectors, which in itself has caused major problems for banks. The purpose of this study is to provide a model for risk measurement and optimization of a bank’s credit portfolio.
Methods: In this study, first, the credit risk of the loan portfolio of bank is investigated using the actuarial approach, and the value at risk is calculated as a risk criterion, then using the Perceptron neural network and according to the bank's limitations in lending, the optimal combination of credit portfolio will be determined. The sample which is used includes bank loans to 280 of its major customers in 4 sectors: industrial, trade and service, agriculture, and construction in 2013.
Results: The results show that the risk-adjusted return of the optimal portfolio is higher than the return of the current portfolio of the bank. In the optimal portfolio, the largest share is related to the agricultural sector, and the trade and service, construction and, industrial sectors are in the next categories, respectively. While in the current portfolio of the bank, the largest share of Loans is allocated to the industrial sector, followed by services and trade, agriculture, and construction, respectively.
Conclusion: Based on the results and confirmation of the research hypotheses, it can be concluded that the use of an actuarial model to determine credit risk and then optimization by the artificial neural network, leads to improving the process of optimizing the credit portfolio of banks.

کلیدواژه‌ها [English]

  • Credit risk
  • Credit portfolio
  • Actuarial approach
  • Artificial neural network