تعداد نشریات | 25 |
تعداد شمارهها | 915 |
تعداد مقالات | 7,521 |
تعداد مشاهده مقاله | 12,223,366 |
تعداد دریافت فایل اصل مقاله | 8,644,638 |
مدلسازی ریسک اعتباری با استفاده از مدل مارکوف سوئیچینگ | ||
راهبرد مدیریت مالی | ||
مقاله 9، دوره 11، شماره 3 - شماره پیاپی 42، مهر 1402، صفحه 193-218 اصل مقاله (702.79 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22051/jfm.2023.33353.2427 | ||
نویسندگان | ||
سیدفضل اله انیران1؛ سیدعلی نبوی چاشمی* 2؛ علی ثریایی3 | ||
1دانشجوی گروه مالی، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران | ||
2دانشیار گروه مالی، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران. | ||
3استادیار گروه مدیریت صنعتی، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران | ||
چکیده | ||
یکی از عوامل مهم مشکلات سیستم بانکی، عدم توجه کافی به ریسک اعتباری است. نادیده گرفتن توان اعتباری متقاضیان و تسهیلات تکلیفی، بانکها را با حجم قابل توجهی از داراییهای مشکلدار و انبوهی از تسهیلات غیرجاری روبهرو کرده و توان تامین مالی آنها را به شدت کاهش داده است. روشهای هوشمندی همچون مدل سوئیچینگ چندمتغیره به دلیل رفتار مبتنی بر تجزیه چندگانه، امکان یافتن پاسخ های مناسب برای پیشبینی میزان ریسک را فراهم می نمایند. هدف از این پژوهش مدلسازی ریسک اعتباری برخی از بانکهای ایرانی با استفاده از روش مارکوف سوئیچینگ میباشد. به منظور جلوگیری از ضررهای احتمالی بانکها، مطالعه متغیرهایی که تاثیر بسزایی در ایجاد شرایط پرخطر و بحرانی دارند، مهم است. این مسئله را میتوان از طریق مدل مارکوف دو رژیمی که روشی مفید برای توصیف فرایندی که طی آن متغیرها در یک سری حالت ها در زمان پیوسته مورد سنجش فرار میگیرند، مدل سازی کرد. بنابراین در این پژوهش با تحلیل متغیرهای مستقلی همچون متغیرهای اقتصادی خرد و کلان، عوامل مالی، شوکهای خارجی و شاخص درماندگی مالی با استفاده از روش سوئیچینگ چندمتغیره به شناسایی، امتیاز دهی و تعیین تاثیر هریک از متغیر های مستقل مورد بررسی در کنترل ریسک اعتباری و در نتیجه پیشبینی ریسک اعتباری در بانکها پرداخته میشود. در این راستا سه فرضیه تعیین شد و از دادههای سالانه بانکهای عضو بورس اوراق بهادار تهران در بازه سال 1390 الی 1398 برای آزمون فرضیهها استفاده شد. نتایج حاصل از آزمایشات در نرم افزار MATLAB نشان از عملکرد مناسب دقت پیشبینی ریسک روش مبتنی بر مارکوف سوئیچینگ چندمتغیره دارد. | ||
کلیدواژهها | ||
ریسک اعتباری؛ پیش بینی؛ مدل مارکوف سوئیچینگ چند متغیره | ||
عنوان مقاله [English] | ||
Credit Risk Modeling Using Markov Switching Model | ||
نویسندگان [English] | ||
Seyed Fazlollah Aniran1؛ Seyed Ali Nabavichashemi2؛ Ali Sorayai3 | ||
2Department of Management, Faculty of Accounting, Babol branch, Islamic Azad University, Mazandaran, Iran | ||
3Department of Management, Faculty of Accounting, Babol branch, Islamic Azad University, Mazandaran, Iran | ||
چکیده [English] | ||
One of the most important causes of banking system problems is not paying enough attention to credit risk. Ignoring the creditworthiness of applicants and mandatory facilities has left banks with a significant amount of problem assets and a large number of non-current facilities and has severely reduced their ability to finance. Intelligent methods such as multivariate switching model, due to the behavior based on multiple analysis, make it possible to find appropriate answers to predict the amount of risk. The purpose of this study is to model the credit risk of some Iranian banks using the Markov-Switching method. In order to prevent potential losses of banks, it is important to study the variables that have a significant impact on creating high-risk and critical conditions. This can be modeled through the Markov dual-regime model, which is a useful way to describe the process by which variables escape in a series of states at a continuous time being measured. Therefore, in this paper, by analyzing independent variables such as micro and macroeconomic variables, financial factors, external shocks and financial distress index using multivariate switching method to identify, score and determine the impact of each of the independent variables in credit risk control and consequently credit risk forecast is considered in banks. In this regard, three hypotheses were determined and the annual data of the member banks of the Tehran Stock Exchange in the period 2011 to 2020 were used to test the hypothesis. The results of experiments in MATLAB software show the proper performance of risk prediction accuracy of the method based on multivariate Markov switching. | ||
کلیدواژهها [English] | ||
Credit risk, Prediction, Multivariate Markov-Switching | ||
سایر فایل های مرتبط با مقاله
|
||
مراجع | ||
Abhishek, K. (2020). Project Semester Report Credit Risk Analyses in Banking Sector. Thapar University, Patiala.
Ali, S., Liu, B., Su, J. J. J. I. R. o. E., & Finance. (2018). Does corporate governance quality affect default risk? The role of growth opportunities and stock liquidity. 58, 422-448.
Ayinde, T. O., Bankole, A. S., & Adeniyi, O. J. C. B. R. (2020). Modelling central bank behaviour in Nigeria: A Markov-switching approach.
Bellini, T. (2019). IFRS 9 and CECL Credit Risk Modelling and Validation: A Practical Guide with Examples Worked in R and SAS: Academic Press.
Chan, S. L., Chin, K. Y., Heah, J. T., Leow, Y. S., & Siew, L. O. (2018). The effect of Credit Risk Management (CRM) on the profitability of commercial banks in Malaysia. UTAR,
Cucinelli, D., Di Battista, M. L., Marchese, M., Nieri, L. J. J. o. B., & Finance. (2018). Credit risk in European banks: The bright side of the internal ratings based approach. 93, 213-229.
Das, S., & Roy, S. S. J. D. (2021). Predicting regime switching in BRICS currency volatility: a Markov switching autoregressive approach. 1-16.
De Leon, M. J. B., & Systems, B. (2020). The impact of credit risk and macroeconomic factors on profitability: the case of the ASEAN banks. 15(1), 21-29.
Hassan, M. K., Khan, A., Paltrinieri, A. J. R. i. I. B., & Finance. (2019). Liquidity risk, credit risk and stability in Islamic and conventional banks. 48, 17-31.
Heydari, H., Zavarian, Z., & Nourbakhsh, I. (2010). " Studying the Effect of Macroeconomic Indices on Non-Performing Loan, Journal of Monetary and Banking Researches, 2(4), 191-219. (In Persian).
Madani Tonekaboni, S.S., Adibpour, M., Mahmoodzadeh, M., & Ghavidel, S. (2020). " The Effect of Macroeconomic Resilience on Bank Credit Risk (Cross-Country Study)". The Journal of Economic Studies and Policies Semi-Annual, 7(13),121-152. (In Persian).
Rahman, A., Khan, M. A., & Charfeddine, L. J. S. O. (2020). Does Financial Sector Promote Economic Growth in Pakistan? Empirical Evidences From Markov Switching Model. 10(4), 2158244020963064.
Rostamzadeh P, Shahnazi R, Neisani M S. (2018). "Identification of Factors Affecting on Credit Risk in the Iran Banking Industry of Iran Using Stress Test. Journal of Economic Modeling Research, 9 (32) ,91-128. (In Persian).
Tran, C. S., Nicolau, D., Nayak, R., Verhoeven, P. J. J. o. R., & Management, F. (2021). Modeling Credit Risk: A Category Theory Perspective. 14(7), 298. | ||
آمار تعداد مشاهده مقاله: 383 تعداد دریافت فایل اصل مقاله: 151 |