منابع و ماخذ تحقیق بازپرداخت وام و ریسک اعتباری

دانلود پایان نامه
وزن هر یک از نسبتهای اضافه شده به مدل چقدر است؟
چگونه میبایست ارزش وزنها را بهطور عینی مشخص ساخت؟
مدلهای نمرهدهی اعتباری را میتوان در تحلیل انواع اعتبارات اعم از اعتبار مصرفی و تجاری مورد استفاده قرار داد. اساساً ایده به کار رفته در سیستم نمرهدهی یکسان است. در اینگونه مدلها، عوامل اصلی تعیین کننده احتمال عدم بازپرداخت شناسایی و سپس از طریق وزندهی میزان اهمیت هر یک از این معیارها مشخص و با ترکیب آنها یک نمره اعتباری محاسبه میگردد. در برخی موارد، نمره اعتباری به عنوان احتمال عدم بازپرداخت تعبیر میشود و در موارد دیگر به عنوان سیستم طبقهبندی اعتبارات در گروههای اعتباری خوب و بد مورد استفاده قرار میگیرد. بهطور کلی مدلهای نمره اعتباری براساس مدل احتمالی خطی، مدل رگرسیون لاجیت و مدل رگرسیون پروبیت محاسبه میشوند.
1-3-6- 4. مدل احتمالی خطی
نوعی از مدل رگرسیون است که متغیرهای مستقل مقادیر کمّی و متغیر وابسته مقادیر صفر و یک را اختیار میکند. متغیر وابسته (Y1) زمانی برابر با صفر است که حادثه موردنظر رخ نداده است و زمانی که برابر با یک میباشد، حادثه موردنظر قطعاً رخ داده است. مدل رگرسیون احتمال خطی بهصورت زیر تعریف میشود: (ابریشمی، 1381)

امید ریاضی شرطی Yi برحسب Xi معین را میتوان بهعنوان احتمال شرطی وقوع حادثه موردنظر به شرط Xi معین تعبیر نمود. نظر به اینکه Pi باید بین صفر و یک باشد، لذا محدودیت زیر را خواهیم داشت:

به عبارت دیگر احتمال شرطی وقوع حادثه موردنظر لزوماً (عدم بازپرداخت وام) باید بین صفر و یک باشد. چرا که احتمال وقوع یک حادثه هرگز کوچکتر از صفر و بزرگتر از یک نخواهد بود. اگرچه این امر بهطور نظری صادق است، اما هیچ تضمینی برای قرار گرفتن (تخمینزن بین صفر و یک وجود ندارد. به عبارت دیگر در مدل پردازش شده، ممکن است که مقدار متغیر وابسته یعنی با قراردادن مقادیر متغیر مستقل در مدل کوچکتر از صفر و یا بزرگتر از یک گردد. یک راهحل این است که مقادیر کمتر از صفر مساوی صفر فرض شده و مقادیر بزرگتر از یک نیز برابر با یک فرض شود.
2-3-6-4. مدل رگرسیون لاجیت
مدل رگرسیون لاجیت یکی از مدلهای رگرسیونی است که از تابع سیگموئیدی لاجیت برای تمیز یا تشخیص دو یا چند گروه متمایز از هم استفاده میکند. در این مدل متغیرهای پیشبینی با مقیاس کمّی و مقولهای اندازهگیری شده و متغیر وابسته، مقولهای و دوسطحی است. این دو مقوله معمولاً به عضویت یا عدم عضویت در یک گروه لاجیت از مفهوم بخت برای مقدار متغیر وابسته استفاده میشود. در اصطلاح آماری بخت به معنی نسبت احتمال وقوع یک حادثه (Pi) بر احتمال عدم وقوع (Pi-1) آن میباشد. احتمال بین 0 و 1 تغییر میکند درحالی که بخت ممکن است. بیش از یک باشد. رگرسیون لاجیت بهصورت زیر تعریف میگردد:

مطلب مرتبط :   دانلود مقاله مسئولیت پذیری و پاسخگویی و مسئولیتپذیری اجتماعی

در معادله فوق، Ln بیانگر لگاریتم طبیعی است. در مدل رگرسیون لاجیت، احتمال وقوع حادثه موردنظر (عدم بازپرداخت تسهیلات وام از سوی مشتری) براساس رابطه زیر که یک تابع لاجیت است، محاسبه میگردد:

3-3-6-4. مدل رگرسیون پروبیت
مدل پروبیت نیز بسیار شبیه روش لاجیت است با این تفاوت که به جای تابع تجمعی سیکموئیدی از تابع تجمعی نرمال استفاده کرده و عموماً به مدل پروبیت، مدل نرمیت هم گفته میشود. در واقع میتوان گفت که برای تحلیل در مدل پروبیت تابع توزیع تجمعی نرمال جایگزین تابع توزیع تجمعی سیکموئیدی در مدل لاجیت شده است. از این دو تکنیک به عنوان جایگزینهایی برای تحلیل تمایزی استفاده میشود. (تاباکنیک و فیدل ، 2001)
فرم کلی مدل پروبیت در پیشبینی ریسک اعتباری بهصورت زیر میباشد:

در این مدل Xi بردار مقادیر متغیرهای پیشبینی و متغیر وابسته yi میباشد.
زمانی که این متغیر مقدار یک را اختیار نماید نشان دهنده این است که مشتری مذکور در آینده نکول خواهد نمود و زمانی که مقدار صفر را بگیرد بیانگر عدم نکول مشتری خواهد بود. با توجه به اینکه در مدل پروبیت از تابع توزیع تجمعی نرمال برای پیشبینی وضعیت اعتباری مشتری استفاده میشود، بنابراین خواهیم داشت: