تقدير مخاطر الإئتمان المصرفي باستعمال نموذج الشبكة العصبية الإصطناعية ذات الدالة الشعاعية(RBF): دراسة حالة بنك القرض الشعبي الجزائري.
الكلمات المفتاحية:
مخاطر الإئتمان المصرفي, الشبكة العصبية الإصطناعية, RBF, القرار الإئتماني
الملخص
تهدف هذه الدراسة الى تقدير مخاطر الإئتمان المصرفي في البنوك الجزائرية من خلال تصنيف المؤسسات المقترضة الى سليمة و متعثرة للمساعدة في اتخاذ البنك القرار الإئتماني الصائب و ذلك باستعمال نموذج الشبكات العصبية الإصطناعية ذات الأساس الشعاعي RBF .وبغية الوصول الى هدف اعتمدنا على قاعدة بيانات مكونة من البيانات المالية والنوعية ل 100مؤسسة مقترضة من بنك القرض الشعبي الجزائري مقسمة بالتساوي الى مؤسسات متعثرة و أخرى سليمة،مستعملين برنامج SPSS(V25) لانشاء النموذج.
و قد أظهرت نتائج الدراسة أن نموذج الشبكات العصبية الإصطناعية ذات الدالة الشعاعية حقق دقة في التصنيف قدرت بنسبة 100% عند اختباره مايجعله مثاليا للتنبؤ بالمخاطر الإئتمانية من ناحية الدقة و السرعة في اتخاذ القرار أكثر من المناهج الكلاسيكية المستعملة في البنوك الجزائرية.
المراجع
1. ESTEFANE LACERDA ANDR´E C. P. L. F. CARVALHO ANTOˆ NIO PA´ DUA BRAGA TERESA BERNARDA LUDERMIR. (2005). Evolutionary Radial Basis Functions for Credit Assessment. Applied Intelligence، 167–181
2. hadji Amel.(2015-2016).Le risque de crédit de l’évaluation traditionnelle au Scoring. Université Djillali Liabes..
3. Han Lu, Han Liyan Zhao Hongwei. (2010). Combined Model of Empirical Study for Credit Risk Management. 2010 2nd IEEE International Conference on Information and Financial Engineering.
4. Hussain Ali Bekhet Shorouq Fathi Kamel Eletter. (2014). Credit risk assessment model for Jordanian commercial banks: Neural scoring approach. Review of Development Finance، 20-28.
5. Ilyes Abid,Rim Ayadi and others. (2022). A new approach to deal with variable selection in neural networks: an application to bankruptcy prediction. Annals of Operations Research ، 605–623.
6. KALYAN DAS and others. (2004). MEAN SQUARED ERROR OF EMPIRICAL PREDICTOR. The Annals of Statistics، 818-840
7. Nnamdi I. Nwulu, Shola Oroja & Mustafa Ilkan . (2011). Credit Scoring Using Soft Computing Schemes: A Comparison between Support Vector Machines and Artificial Neural Networks. DEIS 2011: Digital Enterprise and Information Systems، 275–286.
8. Pierre Mathieu ; Patrick D'Herouville. (1998). Les dérivés de crédit : une nouvelle gestion du risque de crédit. Paris: Economica paris.
9. Shuai Li, Yuanmei Zhu, Chao Xu, Zongfang Zhou. (2013). Study of Personal Credit Evaluation Method Based on PSO-RBF Neural Network Model. American Journal of Industrial and Business Management، 429-434.
10. Sulin Pang. (2005). Credit scoring model based on radial basis function network. IEEE International Workshop on VLSI Design and Video Technology, 2005.
11. Vytautas Boguslauskas, Ricardas Mileris. (2009). Estimation of Credit Risk by Artificial Neural Networks Models. Izinerine Ekonomika-Engineering Economics(4)-Kaunas University of Technology ، 7-14.
12. Wu Yunna， Si Zhaomin. (2008). Application of RBF Neural Network Based on Ant Colony Algorithm in Credit Risk Evaluation of Construction Enterprises. The 2008 International Conference on Risk Management & Engineering Management.
13. younes Boujelbène, Sihem Khemakhem. (2013). Prévision du risque de crédit : Une étude comparative entre l’Analyse Discriminante et l’Approche Neuronale. HAL open science.
14. Yusuf Ali Khalaf Al-Hroot. (2016). Bankruptcy Prediction Using Multilayer Perceptron Neural Networks In Jordan. European Scientific Journal February vol.12، 425-435
2. hadji Amel.(2015-2016).Le risque de crédit de l’évaluation traditionnelle au Scoring. Université Djillali Liabes..
3. Han Lu, Han Liyan Zhao Hongwei. (2010). Combined Model of Empirical Study for Credit Risk Management. 2010 2nd IEEE International Conference on Information and Financial Engineering.
4. Hussain Ali Bekhet Shorouq Fathi Kamel Eletter. (2014). Credit risk assessment model for Jordanian commercial banks: Neural scoring approach. Review of Development Finance، 20-28.
5. Ilyes Abid,Rim Ayadi and others. (2022). A new approach to deal with variable selection in neural networks: an application to bankruptcy prediction. Annals of Operations Research ، 605–623.
6. KALYAN DAS and others. (2004). MEAN SQUARED ERROR OF EMPIRICAL PREDICTOR. The Annals of Statistics، 818-840
7. Nnamdi I. Nwulu, Shola Oroja & Mustafa Ilkan . (2011). Credit Scoring Using Soft Computing Schemes: A Comparison between Support Vector Machines and Artificial Neural Networks. DEIS 2011: Digital Enterprise and Information Systems، 275–286.
8. Pierre Mathieu ; Patrick D'Herouville. (1998). Les dérivés de crédit : une nouvelle gestion du risque de crédit. Paris: Economica paris.
9. Shuai Li, Yuanmei Zhu, Chao Xu, Zongfang Zhou. (2013). Study of Personal Credit Evaluation Method Based on PSO-RBF Neural Network Model. American Journal of Industrial and Business Management، 429-434.
10. Sulin Pang. (2005). Credit scoring model based on radial basis function network. IEEE International Workshop on VLSI Design and Video Technology, 2005.
11. Vytautas Boguslauskas, Ricardas Mileris. (2009). Estimation of Credit Risk by Artificial Neural Networks Models. Izinerine Ekonomika-Engineering Economics(4)-Kaunas University of Technology ، 7-14.
12. Wu Yunna， Si Zhaomin. (2008). Application of RBF Neural Network Based on Ant Colony Algorithm in Credit Risk Evaluation of Construction Enterprises. The 2008 International Conference on Risk Management & Engineering Management.
13. younes Boujelbène, Sihem Khemakhem. (2013). Prévision du risque de crédit : Une étude comparative entre l’Analyse Discriminante et l’Approche Neuronale. HAL open science.
14. Yusuf Ali Khalaf Al-Hroot. (2016). Bankruptcy Prediction Using Multilayer Perceptron Neural Networks In Jordan. European Scientific Journal February vol.12، 425-435
منشور
2022-12-25
كيفية الاقتباس
حوباد م., & شيبي ع. ا. (2022). تقدير مخاطر الإئتمان المصرفي باستعمال نموذج الشبكة العصبية الإصطناعية ذات الدالة الشعاعية(RBF): دراسة حالة بنك القرض الشعبي الجزائري. مجلة الامتياز لبحــوث الاقتصاد والادارة, 6(2), 485-504. https://doi.org/10.34118/jeemr.v6i2.3612
إصدار
القسم
Original Article
