fa طراحی الگوی مقایسه‌ای ریسک اعتباری بانک با استفاده از مدل‌های شبکه عصبی، تابع احتمال بقا و ماشین بردار پشتیبان رشد و توسعه و سیاست های کلان رشد و توسعه و سیاست های کلان كاربردي Applicable <div style="text-align: justify;">ریسک اعتباری احتمال قصور وام گیرنده یا طرف مقابل بانک نسبت به انجام تعهداتش، طبق شرایط توافق شده است. به عبارت دیگر عدم اطمینان در مورد دریافت عایدات آتی سرمایه گذاری را ریسک می&not;گویند که در بانک&not;ها از اهمیت بالایی برخوردار است. هدف این مقاله برآورد ریسک اعتباری مشتریان حقوقی بانک ملت بوده است. در این مطالعه از اطلاعات آماری 7330 مشتری حقیقی استفاده شده است. در این راستا نتایج مدل شبکه عصبی و مدل ناشی از ماشین بردار پشتیبان مورد مقایسه قرار گرفته است. نتایج بدست آمده بیانگر این بوده است که مولفه&not;های در نظر گرفته شده در این مطالعه بر اساس ویژگی های شخصیتی، مالی و اقتصادی اثرات معناداری در احتمال نکول مشتریان و محاسبه ریسک اعتباری داشته است. همچنین نتایج این مطالعه نشان داد اعمال سیاست&not;های کنترلی در ابتدای دوره بازپرداخت تسهیلاتی که بیشترین احتمال نکول را با طول عمر و بازپرداخت بالا دارند پیشنهاد می&not;دهد. در مقایسه نتایج بدست آمده از دقت پیش بینی مدل&not;های مختلف مشاهده گردید که قدرت بالاتر توضیح دهندگی مدل ماشین بردار پشتیبان و استفاده از تابع احتمال بقاء نسبت به مدل شبکه عصبی ساده برای گروه&not;های مورد مطالعه از مشتریان حقیقی بالاتر بوده است.</div> <div style="text-align: justify;"><span style="font-size:14pt"><span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="color:black"><span dir="LTR" style="font-size:13.0pt">Credit risk is the probability of default of the borrower or the counterparty of the bank in fulfilling its obligations, according to the agreed terms. In other words, uncertainty about receiving future investment income is called risk, which is of great importance in banks. The purpose of this article was to estimate the credit risk of Mellat Bank&#39;s legal customers. In this study, the statistical information of 7330 real customers was used. In this regard, the results of neural network model and support vector machine model have been compared. The obtained results have shown that the components considered in this study based on personality, financial and economic characteristics had significant effects on the probability of customer default and credit risk calculation. Also, the results of this study showed that the application of control policies at the beginning of the repayment period suggests facilities that have the highest probability of default with long life and high repayment. Comparing the results obtained from the prediction accuracy of different models, it was observed that the explanatory power of the support vector machine model and the use of the survival probability function was higher than that of the simple neural network model for the studied groups of real customers.</span></span></span></span></span></span></span></div> ریسک اعتباری, رتبه بندی اعتباری, نسبت‌های مالی, مدل شبکه عصبی, ماشین بردار پشتبان Credit Risk, Credit Rating, Financial Ratios, Neural Network Model, Support Vector Machine. 199 230 http://jemr.khu.ac.ir/browse.php?a_code=A-10-2792-2&slc_lang=fa&sid=1 Nasrin Motedayen نسرین متدین nmotedayen@gmail.com 100319475328460012155 100319475328460012155 No Islamic Azad University دانشگاه آزاد اسلامی واحد تهران مرکزی Rafik Nazarian رافیک نظریان r-nazarian@yahoo.com 100319475328460012156 100319475328460012156 Yes Islamic Azad University دانشگاه آزاد اسلامی واحد تهران مرکزی Marjan Damankeshideh مرجان دامن کشیده m.damankeshideh@yahoo.com 100319475328460012157 100319475328460012157 No Islamic Azad University دانشگاه آزاد اسلامی واحد تهران مرکزی Roya Seifi pour رویا سیفی پور rseifipour@yahoo.com 100319475328460012158 100319475328460012158 No Islamic Azad University دانشگاه آزاد اسلامی واحد تهران مرکزی