تجزیه و تحلیل رگرسیون و شبکه های عصبی مصنوعی

دانلود پایان نامه

1-سیستم های خبره
2-شبکه های عصبی
3-سیستم های رتبه بندی
4-سیستم های امتیاز دهی اعتباری
در مورد سیستم های خبره و شبکه های عصبی قبلا توضیحاتی ارائه شد.
19-2پیشینه پژوهش
اعتبار سنجیبه معنای ارزیابی و سنجش توان باز پرداخت متقاضیان وام و تسهیلات مالی و احتمال عدم باز پرداخت اعتباری دریافتی از سوی آن ها می باشد.طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال 1909 به وسیله جان موری بر روی اوراق قرضه انجام شد.
در سال 1966 برای تعیین ورشکستگی شرکت ها،مدل رگرسیون لجستیک به وسیله بی ور به کار گرفته شد. بعدها از این مدل برای اندازه گیری ریسک اعتباری اوراق قرضه منتشر شده شرکت ها استفاده شد.یکی دیگر از مطالعات انجام شده در زمینه اندازه گیری ریسک اعتباری اوراق قرضه شرکت ها با استفاده از مدل نمره دهی چند متغیره،به وسیله آلتمن در سال 1968 انجام شد و به مدل نمره z3 شهرت یافت.مدل نمره z آلتمن یک مدل تحلیل ممیزی است که با استفاده از مقادیر نسبت‌های مالی مهم تلاش می کند تا شرکت های ورشکسته تمییز دهند.ساندروز و آلن از این مدل برای پیش بینی ریسک اعتباری وام گیرندگان استفاده کرده و به این نتیجه رسیدند که این مدل از قدرت بالایی برای پیش بینی ریسک اعتباری برخوردار است. در اواخر 1970 مدل های احتمالی خطی و وضعیتی احتمالی چندگانه برای پیش بینی ور شکستگی شرکت ها مطرح شدند. هم چنین در سال‌های 1980 و 1990 استفاده از مدل های برنامه ریزی ریاضی در بسیاری از مطالعات عنوان شد.(cartadajamesw 2003)
هدف اصلی این روش ها،حذف فرضیه ها و محدودیت های موجود در تکنیک های قبلی،بهبود اعتبار و صحت طبقه بندی بود.در اوایل 1990،سیستم های پشتیبان تصمیم گیری در ترکیب با سیستم های تصمیم گیری چند گانه برای حل مشکلات طبقه بندی های مالی مورد استفاده قرار گرفتند.از جمله مطالعات دیگر در این زمینه می توان به کارهای روی در 1991 برای به کارگیری مدل الکترو و دیمیتراس در 1999 برای بکارگیری مدل روگ ست و مورگان در 1998 برای طراحی مدل اعتبار سنجی و تریسی در 1998 برای طراحی مدل ارزش در معرض ریسک برای برآورد تابع چگالی احتمال عدم باز پرداخت اشاره کرد.(dorfman marks 2007)
امروزه در صنعت اعتباری،شبکه های عصبی تبدیل به یکی از دقیق ترین ابزار آنالیز اعتبار در میان سایر ابزار شده است.دیسای و همکارانش در سال 1996 به بررسی توانایی های شبکه های عصبی و تکنیک های آماری متداول نظیر آنالیز ممیزی خطی و آنالیز رگرسیون خطی در ساخت مدل های امتیاز دهی اعتباری پرداخته اند.هم چنین وست در سال 2000 به بررسی مدل های کمی(که به طور معمول در صنعت اعتباری مورد استفاده قرار می گیرند)پرداخت. نتایج به دست آمده بیانگر این بود که شبکه های عصبی قادر به بهبود دقت امتیاز دهی می باشند.آنان هم چنین بیان کردند که آنالیز رگرسیون خطی جایگزین بسیار خوبی برای شبکه های عصبی است.در حالی که درخت تصمیم و مدل نزدیکترین همسایه و آنالیز ممیزی خطی نتایج نوید بخش و دلگرم کننده ای ایجاد نکرده اند.(rochrig p 2006)
شبکه عصبی معمولا به عنوان یک تکنیک جعبه سیاه بدون توضیحات منطقی و قانونمند برای تخمین ورودی-خروجی در نظر گرفته می شود.به بیان دیگر نقطه ضعف مهم به کارگیری شبکه های عصبی در امتیاز دهی اعتباری،مشکل بودن توضیح اصول نهفته برای تصمیم گیری در مورد درخواست ها و تقاضاهای رد شده است.یانگ و پلات نیز بیان داشتند که آن چه در یک مدل شبکه عصبی دارای اهمیت است،آن است که وزن های موجود در شبکه های عصبی به روش بهینه ای بر آورد شوند.بدیهی است که پس از تعیین وزن ها به روش بهینه با دادن بردار متغیر های ورودی به سهولت می توان بردار خروجی را بر آورد کرد. از جمله مطالعات در این زمینه می توان به پژوهش بریانت در سال 2001 برای به کارگیری سیستم خبره ارزیابی وام های کشاورزی،لی و همکارانش 2 در سال 2002 برای ادغام شبکه عصبی و تجزیه و تحلیل ممیزی،لی و چن در سال 2005 برای طراحی مدل رتبه بندی اعتباری دو مرحل های مرکب(شامل شبکه های عصبی مصنوعی و رگرسیون انطباقی و چند متغیری اسپیلینز)و عبدو و همکارانش در سال 2007 برای مقایسه ی عصبی و تکنیک های سنتی معمول اشاره کرد.(caradajamesw 2003)
هم چنین در سال های اخیر استفاده از الگوریتم ژنتیک شین های بردار پشتیبانی در زمینه رتبه بندی اعتباری مورد توجه قرار گرفته است که می توان به پژوهش های هوآنگ و همکارانش در سال 2006 برای طراحی برنامه ریزی دو مرحل های ژنتیک برای مدل های رتبه بندی اعتباری و لونگ هولنگ و همکارانش در سال 2007 برای به کارگیری ماشین های بردار پشتیبانی برای رتبه بندی اعتباری با رویکرد داده کاوی اشاره کرد.(cortadajamesw 2005)
اگر چه شبکه های عصبی و دیگر روش های سنتی برای امتیاز دهی اعتباری نیازمند اطلاعات پیش بینی شده برای پیش بینی ورشکستگی تجاریمی باشند،در عمل ساخت یک مدل امتیاز دهی اعتباری بر مبنای اطلاعات مالی “به وقوع پیوسته” بسیار مفید تر است
.در اواخر سال 1990 به منظور”آنالیز گروه همسالان” همواره با ویژگی های مالی خاصی که میان دو یا چند گروه تفاوت قائل شود،تحلیل پوششی داده ها معرفی شد.برخلاف رویکرد های تجزیه و تحلیل ممیزی چند گانه،شبکه های عصبی و آنالیز رگرسیون خطی،رویکرد تحلیل پوششی داده ها صدفا به اطلاعات واقعی(مجموعه مشاهده شده داده های ورودی-خروجی)برای محاسبه رتبه های اعتباری نیازمند است.به یکی از پیشگامان ترکیب تحلیل پوششی داده ها با آنالیز نسبت های مالی است. او از تحلیل پوششی داده ها برای ارزیابی عملکرد بانک بهره گرفت و طالعه ی او به طور تجربی نشان داد که تحلیل پوششی داده ها در ارتباط با آنالیز نسبت های مالی،قادر است به جمع آوری نسبت های پیچیده پرادخته و آن ها را در ابعاد مالی معنا داری طبقه بندی کند.این ویژگی تحلیلگر را قادر می سازد تا به بینشی برای استراتژی های عملیاتی بانک دست پیدا کنند.املوهمکارانش در سال 2003یک متدولوژی امتیازدهی اعتباری براساس تحلیل پوششی داده ها پیشنهاد کردند. آنها داده های مالی جاری 82 شرکت تولیدی/صنعتی را که تشکیل دهنده پرتفولیوی اعتباری یکی از بزرگ ترین بانک های ترکیه بود ، برای رتبه بندی اعتباری به کار گرفتند. در این پژوهش براساس ادبیات موضوع،42 نسبت مالی انتخاب شد و از این میان آن ها 6 نسبت مهم مالی مورد توجه قرار گرفت. امل و همکارانش پس از اعتبارسنجی مدل با تجزیه و تحلیل رگرسیون دریافتند که روش تحلیل پوششی داده ها قادر به تخمین رتبه های اعتباری شرکت ها بوده و از کارایی لازم برای امتیازدهی اعتباری برخوردار است(cortada;james w02005)
مین و لی نیز در سال 2007 در پژوهشی با عنوان “رویکرد عملی امتیازدهی اعتباری”رویکرد بر مبنای DEA را برای امتیازدهی اعتباری به کار گرفتند.آنان متدولوژی پیشنهادی امل و همکارانش را در جامعه آماری بسیار گسترده تری که داده های مالی جاری 1061 شرکت تولیدی ،که پرتفولیوی اعتباری یکی از بزرگ ترین سازمان های تضمین اعتبار در کره را در بر می گیرد،برای رتبه بندی اعتباری مورد استفاده قراردادند.آنان دریافتند که رویکرد تحلیل پوششی داده ها می تواند به عنوان گزینه ای امیدوار کننده برای بهبود و جایگزینی روش های امتیازدهی کنونی به کار گرفته شود و این رویکرد از کارایی لازم در جهت محاسبه رتبه های اعتباری مشتریان برخوردار است.
(Dorfman;marks.2007)
در این زمینه در سال 2007 در تحقیقی با عنوان”رویکرد چند گزینه ای به رتبه بندی اعتباری با به کارگیری روش تحلیل پوششی داده ها : ارزیابی وام گیرندگان با در نظر گرفتن پروژه های مالی خصوصی “یک رویکرد چند گزینه ای به رتبه بندی اعتباری را به وسیله تحلیل پوششی داده ها منظور ارزیابی وام گیرندگان برای پروژه های مالی خصوصی،پیشنهاد میدهند . در این پژوهش تکنیک های مختلف رتبه بندی اعتباری نظیر تجزیه و تحلیل ممیزی درخت تصمیم،شبکه های عصبی و …مقایسه شده اند . اگرچه تحلیل پوششی داده ها در اوایل دهه 1980بیان شد،با این حال به کارگیری این روش در زمینه موضوعات رتبه بندی اعتباری همچنان ادامه دارد. (crockford;neil 1986)
فصل سوم
روش تحقیق
1-3-مقدمه
اصول تحقیق به معنای ارائه روش هایی است که موجب دستیابی به نتایج درست از یک تحقیق می شود دانشمندانی نظیر «دکارت»معقتدند که با اتخاذ یک روش تحقیق صحیح،میتوان هر پدیده ای را تحلیل کرد .شناخت درست پدیده ها وسیستم ها،نیاز به دقت نظر بسیار واستفاده از روش های اصولی دارد، زیرا حقیقت پدیده ها وسیستمها بسته اهمیت وارزش آنها به صورت آشکار نمود ندارند. مطالعه سیر تحول علوم بشری مبین ارائه روش های مختلف برای رسیدن به حقایق است. لازم است که این مطلب را مدنظر قرار داد که تحقیق در خلاء روی نمی دهد،بلکه شخصیت محقق به ویژه جهان بینی وی در کار تحقیق مداخله می کند واین مداخله در مورد علوم اجتماعی و رفتاری بیش از علوم دیگر از عقاید محقق نقش می پذیرد، بارزتر است (صانعی،54:1380).
برای رفع این مساله باید قاعده تجاهل را لحاظ کرد. یعنی محقق باید به هنگام شروع و انجام تحقیق،ذهنش از مساله بررسی ،خالی باشد واز هر گونه پیشداوری وقضاوت عجولانه ودخالت دادن تصورت واطلاعات ناقص خود در کار تحقیق، پرهیز کند. رعایت این قاعده باعث می شود تا محقق جریان طبیعی تحقیق را پیگیری،در چارچوب فرایند تحقیق علمی اطلاعات مورد نیاز را گرداوری و تحلیل کند تا به شناخت واقعی دست یابد(حافظ نیا،1381:35).