Credit Risk Modeling of Refah Bank's Corporate Customers

Document Type : Research Paper

Authors

Associate Professor of Economics, University of Tehran

Abstract

The main aim of this research is to identify effective factors and to find a model in order to estimate credit risk of Refah Bank's corporate customers. In order to do so, qualitative and fiscal information of a random 300-person sample of costumers who received credit facilities from Refah bank in 2012and 2013 were collected and effective factors on credit risk of corporate customers of this bank were estimated by using Logit regression model. Initially, 17 explanatory variables containing qualitative and fiscal variables were considered as effective factors on credit risk of customers and then from among those variables, 5variables that had meaningful effect on credit risk of corporate customers were chosen by using Likelihood Ratio test and final model was estimated by them. The result of the research indicates inverse effect of average account balance, ratio of sales returns, current ratio and direct effect of the number of bounced checks and ratio of deferred amount to current assets on credit risk of customers.

Keywords

References

 
 
1-ابراهیمی، مرضیه، و دریابر، عبداله (1391). مدیریت ریسک اعتباری در نظام بانکی- رویکرد تحلیل پوششی داده‌ها و رگرسیون لجستیک و شبکه عصبی. فصلنامه دانش سرمایه‌گذاری، سال اول، 2، 35-62.
2-بانک رفاه (1386). رتبه‌بندی اعتباری مشتریان حقیقی بانک رفاه کارگران. گزارش داخلی اداره مطالعات و بازاریابی بانک رفاه.
3-تهرانی، رضا، و فلاح شمس، میرفیض (1384). طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور. نشریه علوم  اجتماعی و انسانی دانشگاه شیراز،  43، 44-60.
4-ذکاوت، سید مرتضی (1381). مدل‌های ریسک اعتباری مشتریان بانک توسعه صادرات ایران. موسسه عالی بانکداری ایران.
5-سلیمانی امیری، غلامرضا (1381). بررسی شاخص‌های پیش‌بینی کننده ورشکستگی در شرایط محیطی ایران. پایان‌نامه دکتری، دانشگاه تهران.
6-شیرین بخش، شمس‌اله، یوسفی، ندا، و قربان‌زاد، جهانگیر (1390). بررسی عوامل موثر بر احتمال عدم بازپرداخت تسهیلات اعتباری بانک‌ها (مطالعه موردی مشتریان حقوقی بانک توسعه صادرات ایران). فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، 12، 111-137.
7-عرب مازار، عباس، و رویین تن، پونه (1385). عوامل موثر بر ریسک اعتباری؛ مطالعه موردی بانک کشاورزی. جستارهای اقتصادی، سال سوم، ‌6، 45-80.
8-فلاح پور، سعید (1383). پیش بینی درماندگی شرکت‌ها با استفاده از مدل شبکه‌های عصبی مصنوعی. ﭘﺎﻳﺎن­ﻧﺎﻣﻪ ﻛﺎرﺷﻨﺎﺳﻲ ارﺷﺪ، دانشگاه تهران.
9-گجراتی، دامودار (1383). مبانی اقتصادسنجی. جلد دوم، ترجمه حمید ابریشمی، انتشارات دانشگاه تهران، چاپ سوم.
10-منصوری، علی (1382). طراحی و تبیین مدل ریاضی تخصیص تسهیلات بانکی (رویکرد مدل‌های کلاسیک و شبکه های عصبی). پایان نامه دکتری اقتصاد، دانشکده علوم انسانی دانشگاه تربیت مدرس.
11-میرزایی، حسین، نظریان، رافیک، و باقری، رعنا (1390). بررسی عوامل موثر بر ریسک اعتباری اشخاص حقوقی بانک‌ها (مطالعه موردی شعب بانک ملی ایران، شهر تهران). فصلنامه روند پژوهش‌های اقتصادی، سال نوزدهم، 58، 67-98.
12-یزدی، عباس (1387). فرهنگ مدیریت انگلیسی- فارسی. انتشارات رهنما.
 
1.    Abdou, HAH, Pointon, J, & El-Masry, A. (2007). Neural nets versus conventional techniques in credit rating in egyptian banking. Expert Systems with Applications: An International Journal, 35(3), 1275-1292.
2.    Altman, E. I. (1968). Financial ratios, discriminate analysis and the prediction of corporate bankruptcy. Journal of Finance, 23 (September), 589-609.
3.    Beaver W.H. (1967). Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71-102.
4.    Bryant, K. (2001). An agricultural loan evaluation expert system. Expert Systems with Applications: An International Journal, 21(2001), 75-85.
5.    Caouette, J., E. Altman, & P. Narayanan (1998). Managing credit risk: the next great financial challenge. John Wiley & Sons, New York.
6.    Desai V. S., Crook, J. N., & Overstreet, G. A. J. (1996). A comparison of neural networks and linear rating models in the credit union environment. European Journal of Operational Research, 95, 24-37
7.    Elmer, Peter J., & David M. Borowski (1988). An expert system and neuralnetworks approach to financial analysis. Financial Management, 12, 66-76.
8.    Glantz, Morton (2003). Managing bank risk. Academic Press.
9.    Huang C.L., Chen, M.C., & Wang, C.J. (2007). Credit rating with a data mining approach based on support vector machines, Expert System with Application, 32, 847-856.
10.  Morgan, J.P. (1998). Creditmetrics-technical document. New York, J.P.Morgan & Co. Incorporated.
11.Kim, Y.S., & Sohn S.Y. (2004). Managing loan customers using misclassification patterns of credit scoring model. Expert Systems with Applications, 26(4), 567-573.
12.  Lee, TS, & Chen, IF (2005). A two-stage hybrid credit rating model using srtificial neural networks and multivariate adaptive regression Alpines. Expert System with Application, 28, 743-752.
13.  Lee, T.S., Chiu, C.C., & Lu, C.J. & Chen, I.F. (2002). Credit scoring using the hybrid
neural discriminant technique. Expert Systems with Application, 23(3), 245- 254.
14. Nanni L., & Lumini A. (2009). An experimental comparison of ensemble of classifiers for bankruptcy prediction and credit scoring. Expert Systems with Applications, 36 (2), 3028-3033.
15.  Sarlija, Natasa, Bensic, Mirta, & Zekic-Susac Marijana (2005). Selecting neural network architecture for investment profitability predictions. Journal of Information and Organizational Sciences, 29(2), 83-95.
16.  Saunders, A., & Allen, L. (2002). Credit risk measurement, Second Edition. NewYork, John Wiley & Sons.
17.  Treacy, William F., & Carey Mark S. (1998). Credit risk rating at large U.S banks.Journal of Banking and Finance, 24, 167-201.
18.  West D (2000). Neural network credit rating models. Journal of Computers &Operations Research, 27, 1131-1152.
19.  Xu X., Zhou C., & Wang Z. (2009). Credit scoring algorithm based on link analysis ranking with support vector machine. Expert Systems with Applications, 36(2, Part 2), 2625-2632.

Files

Share

How to cite

Statistics