صادق بافنده ایمان دوست؛ زهرا شاطریان؛ سیدمحمد فهیمی فرد
چکیده
یکی از موضوعات مهم در خصوص اعطای تسهیلات بانکی، احتمال عدم تعهد تسهیلات گیرنده در بازپرداخت تسهیلات دریافتی است. عوامل متعددی در عدم بازپرداخت بدهی بانک ها دخیل هستند که با شناسایی آن ها می توان زمینه را برای کاهش و کنترل ریسک اعتباری فراهم کرده و در فرآیند اعطای اعتبارات بهبود ایجاد نمود.
در این مطالعه به بررسی عوامل مؤثر بر نرخ ...
بیشتر
یکی از موضوعات مهم در خصوص اعطای تسهیلات بانکی، احتمال عدم تعهد تسهیلات گیرنده در بازپرداخت تسهیلات دریافتی است. عوامل متعددی در عدم بازپرداخت بدهی بانک ها دخیل هستند که با شناسایی آن ها می توان زمینه را برای کاهش و کنترل ریسک اعتباری فراهم کرده و در فرآیند اعطای اعتبارات بهبود ایجاد نمود.
در این مطالعه به بررسی عوامل مؤثر بر نرخ وصول تسهیلات با مطالعه موردی بانک کشاورزی استان خراسان رضوی با استفاده از مدل اقتصادسنجی توبیت پرداخته شد. برای این منظور با استفاده از روش نمونه گیری تصادفی کوکران تعداد 215 مشتری از مشتریان مختلفی که بخشی از تسهیلات دریافتی آن ها از شعب بانک کشاورزی استان خراسان رضوی در سال 1392 با عدم وصول مواجه شده بود، انتخاب شده و اطلاعات مورد نیاز مطالعه گردآوری گردید.
نتایج تخمین مدل توبیت با استفاده از نرم افزار STATA نشان داد که اندازه تسهیلات، دارای اثر مستقیم ضعیفی، نرخ سود بازپرداخت تسهیلات اثر معکوسی و بی معنی، طول دوره بازپرداخت تسهیلات اثر مثبت و قوی، ضمانت از نوع ضمانتی اثر مثبت، ضمانت از نوع وثیقه ای اثر معکوس، وقوع حادثه اثر معکوس و همزمانی سر رسید پرداخت تسهیلات با فصل فروش محصول دارای اثر مستقیم قوی بر نرخ وصول تسهیلات می باشد.
تقی ابراهیمی سالاری؛ سید محمد فهیمی فرد؛ حنیف خیرخواه
چکیده
چکیده
در این مطالعه به بررسی و پیش بینی مقایسهای عملکرد شبکه بانکی کشور (متشکل از 14 بانک) با مدلهای اقتصادسنجی و شبکه عصبی مصنوعی پرداخته شد. برای این منظور در ابتدا با مدل شبکه عصبی کوهنن (Kohonen)، بانکهای مورد بررسی به دو دسته با عملکرد بالا و با عملکرد پایین تقسیم شده است، سپس با استفاده از خروجی مدل شبکه عصبی کوهنن، نسبتهای مالی ...
بیشتر
چکیده
در این مطالعه به بررسی و پیش بینی مقایسهای عملکرد شبکه بانکی کشور (متشکل از 14 بانک) با مدلهای اقتصادسنجی و شبکه عصبی مصنوعی پرداخته شد. برای این منظور در ابتدا با مدل شبکه عصبی کوهنن (Kohonen)، بانکهای مورد بررسی به دو دسته با عملکرد بالا و با عملکرد پایین تقسیم شده است، سپس با استفاده از خروجی مدل شبکه عصبی کوهنن، نسبتهای مالی و مدل اقتصادسنجی دادههای تابلویی (Panel Data) به تخمین مدل عملکرد شبکه بانکی برای دوره 1389-1384پرداخته و در نهایت با بهکارگیری معیارهای ارزیابی کارایی مدلها، به مقایسه کارایی مدلهای Panel Data و ANN در پیش بینی عملکرد شبکه بانکی پرداخته شد.
نتایج مدل کوهنن نشان داد که از 14 بانک مورد مطالعه، 4 بانک به گروه با عملکرد بالا و 10 بانک به گروه با عملکرد پایین اختصاص دارد. همچنین نتایج مدل Panel Data نشان داد که متغیر نسبت نقد به سپرده کل دارای بیشترین و متغیر نسبت درآمد سرمایهای به درآمد کل دارای کمترین تاثیر بر عملکرد شبکه بانکی میباشد. در نهایت بررسی مقایسهای مدلها نشان داد که مدل ANN برای پیشبینی عملکرد شبکه بانکی بر مدل Panel Data برتری دارد.
بافنده ایمان دوست بافنده ایمان دوست؛ فهیمی‌فرد فهیمی‌فرد؛ شیرزادی شیرزادی
چکیده
Monetary policy makers have been engrossed continually to discover the suitable method for exchange rate forecasting in order to preventing its disruptive movements. But exchange rate movement's manifold determinants cause to its complex and nonlinear behavior. Nonlinear models have better performance for its forecasting. Therefore, in this study the performance of nonlinear models such as ANFIS and NNARX and linear model such as ARIMA were compared in Iran's Rial/US$ & Rial/€ for 2, 4 and 8 days ahead via most important forecast performance criteria and daily data related to 20 March 2002- 21 ...
بیشتر
Monetary policy makers have been engrossed continually to discover the suitable method for exchange rate forecasting in order to preventing its disruptive movements. But exchange rate movement's manifold determinants cause to its complex and nonlinear behavior. Nonlinear models have better performance for its forecasting. Therefore, in this study the performance of nonlinear models such as ANFIS and NNARX and linear model such as ARIMA were compared in Iran's Rial/US$ & Rial/€ for 2, 4 and 8 days ahead via most important forecast performance criteria and daily data related to 20 March 2002- 21 November 2008. Results indicated that ANFIS and NNARX models have better performance in comparison with ARIMA model, and ANFIS model outperforms NNARX model in all horizons of Iran's Rial/US$ & Rial/€ exchange rate forecasting.
