مبتدی (مناسب برای درک مفهوم کلی مطلب) 

از شکل 2 مشاهده می شود، اقدامات اصلی برای مقابله با خطرات خدمات مالی زنجیره تامین عبارتند از: سختگیری استانداردهای دسترسی سازمانی، ایجاد یک پلت فرم عملیات فشرده، ایجاد یک سیستم اعتباری مشترک، استفاده از بسته بندی اعتبار، استفاده منطقی از قوانین و مقررات، اعمال منطقی قوانین و مقررات، و تقویت تحقیقات اطلاعات بازار. سخت‌گیری استانداردهای دسترسی سازمانی به این معنی است که بانک‌ها به‌عنوان ارائه‌دهنده خدمات مالی زنجیره تأمین، باید ارزیابی‌های دسترسی را برای شرکت‌های زنجیره تأمین انجام دهند. برای ارائه خدمات تامین مالی لازم است شرکت هایی با وضعیت عملکرد پایدار و پیشینه تجاری واقعی انتخاب شوند. ایجاد بستر عملیات فشرده به این معنی است که بانک می تواند با ایجاد بستر تبادل اطلاعات با بنگاه، استراتژی مدیریت اعتبار قبلی را تغییر داده و بستر عملیات فشرده را توسعه دهد تا نظارت موثر بر جریان سرمایه و جریان نقدی شرکت را محقق سازد. شرکت، پروژه. استقرار سیستم اعتباری مشترک به این معنی است که وضعیت اعتباری کل شرکت های زنجیره تامین باید در نظر گرفته شود نه فقط اعتبار بنگاه های بزرگ. اتخاذ روش بسته‌بندی اعتباری به همراه کردن دارایی‌های اعتباری شرکت تامین مالی با پروژه‌های تامین مالی و معرفی یک موسسه شخص ثالث برای تنوع بخشیدن به ریسک اعتباری شرکت اشاره دارد. کاربرد منطقی قوانین و مقررات به این معناست که بانک ها باید مفاد قانونی محل مؤسسه تأمین مالی را به دقت مطالعه کنند و کاربرد محصولات تأمین مالی را مطالعه کنند. باید یک اداره امور حقوقی ایجاد شود تا با تقویت همکاری با موسسات حقوقی به مسائل مختلف حقوقی رسیدگی کند تا امنیت مالی بانک ها حفظ شود. تقویت تحقیقات اطلاعات بازار به این معنی است که بانک ها باید منابع انسانی و منابع فنی زیادی را برای بررسی و تحلیل اطلاعات بازار سرمایه گذاری کنند و از نتایج نظرسنجی برای تدوین سیاست های اعتباری معقول استفاده کنند.

(3) معماری مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین
ایجاد مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین برای پیش‌بینی و کاهش ریسک‌های تامین مالی زنجیره تامین اهمیت زیادی دارد (وانگ و همکاران، 2022). با تجزیه و تحلیل عوامل خطر و اقدامات پاسخ ریسک خدمات مالی زنجیره تامین، الگوریتم‌های هوش مصنوعی و برخی از دستگاه‌های شبکه برای ایجاد یک مدل هشدار اولیه خطر، همانطور که در شکل 3 نشان داده شده است، استفاده می‌شوند.
از شکل 3 می توان دید، مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین مبتنی بر الگوریتم هوش مصنوعی به سه ماژول تقسیم می شود: جمع آوری داده های ریسک، محاسبه هشدار اولیه ریسک، و خلاصه رویداد ریسک. جمع آوری داده های ریسک شامل مدیران، سیستم های نظارت و سیستم های جمع آوری داده های خارجی است. مدیران نه تنها باید از سیستم نظارت برای نظارت بر ریسک های خدمات مالی زنجیره تامین شرکت های خود استفاده کنند، بلکه باید از سیستم جمع آوری داده ها برای جمع آوری و تجزیه و تحلیل ریسک های خدمات مالی زنجیره تامین خارجی استفاده کنند. محاسبه هشدار زودهنگام خطر بر اساس الگوریتم‌های هوش مصنوعی و فناوری رایانه است و شاخص ریسک مربوطه بر اساس استانداردهای ریسک تعیین شده محاسبه می‌شود. پس از بیرون آمدن نتایج محاسبات، اطلاعات هشدار طبق رویه‌های مربوطه صادر می‌شود تا بنگاه‌های زنجیره تامین یا بانک‌ها بتوانند به سرعت اقداماتی را برای مقابله با خطرات خدمات مالی زنجیره تامین انجام دهند. پس از حل این رویداد ریسک تامین مالی، پرسنل ارشد شرکت‌های زنجیره تامین یا بانک‌ها جلسه‌ای برگزار می‌کنند تا مشکلات موجود در پیش‌کنترل ریسک خدمات مالی زنجیره تامین را خلاصه کنند. اثربخشی اقدامات پاسخ نیز ارزیابی می شود و سوالات و نظرات در یک پایگاه داده ثبت می شود.

3. کاربرد الگوریتم هوش مصنوعی در ارزیابی ریسک خدمات مالی زنجیره تامین
(1) شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات غیرخطی و تطبیقی متشکل از تعداد زیادی واحد پردازش به هم پیوسته است که دارای چهار ویژگی غیرخطی، عدم محدودیت، بسیار کیفی و غیر تحدب است (سانکار و همکاران، 2022).

4. هدف آزمایشی و طراحی مدل هشدار اولیه خطر
(1) هدف آزمایشی
با استفاده از شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای انجام تحقیقات تجربی در مورد ریسک خدمات مالی زنجیره تامین، ثابت می‌شود که مدل هشدار اولیه ریسک ساخته شده در این مقاله می‌تواند ریسک خدمات مالی زنجیره تامین را که صنعت انرژی با آن مواجه است کاهش دهد. تجارت بین المللی، در نتیجه توسعه صنعت انرژی را ارتقا می دهد.

(2) طراحی آزمایشی
4 بانک انتخاب و به دو گروه تقسیم شدند. گروه اول از مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی برای هشدار و کنترل خطرات خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه R نام داشت که شامل بانک S و بانک T می شد. گروه دوم از روش های سنتی هشدار زودهنگام ریسک برای پیش اخطار و کنترل ریسک های خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه U نام داشت که شامل بانک V و بانک W بود. یک مطالعه تجربی 6 ماهه بر روی 4 بانک انجام شد و مطالعه تجربی از پنج بعد ارزیابی صحت اعتبار شرکت، بروز ریسک عملیاتی انجام شد. ، دقت جمع آوری اطلاعات، میزان تغییرات در ریسک های قانونی و نظارتی و دقت پیش بینی ریسک های محیطی خارجی. پس از پایان آزمایش، نتایج تجربی مشاهده و تجزیه و تحلیل می شود.

5. نتایج تجربی مدل هشدار اولیه خطر
(1) ارزیابی دقت اعتبار شرکت
آزمون ارزیابی اعتبار شرکتی 6 ماهه برای بانک‌های گروه R و بانک‌های گروه U انجام شد. بانک‌های گروه R از مدل هشدار زودهنگام ریسک مبتنی بر الگوریتم هوش مصنوعی برای ارزیابی و آزمایش استفاده کردند، در حالی که بانک‌های گروه U از روش‌های سنتی هشدار اولیه ریسک برای ارزیابی و آزمایش استفاده کردند. همانطور که در شکل 4 نشان داده شده است، آمار داده ها یک بار در ماه برای به دست آوردن دقت ارزیابی اعتبار بانک از شرکت انجام شد.
شکل 4a دقت ارزیابی بانک از اعتبار شرکتی و شکل 4b میانگین دقت ارزیابی بانک از اعتبار شرکتی را نشان می دهد. در مجموع، دقت ارزیابی بانک S و بانک T بالاتر از بانک V و بانک W بود. دقت ارزیابی بانک S در ماه اول 73.66 درصد، بانک T 72.7 درصد، بانک V و بانک W بود. به ترتیب 65.7 درصد و 64.8 درصد. در ماه اول، دقت ارزیابی بانک‌های گروه R 7.93 درصد بیشتر از بانک‌های گروه U بود. مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی از همان ابتدا در بهبود دقت ارزیابی بانک نقش داشت. از نتایج آزمون نهایی، دقت ارزیابی بانک اس و بانک تی به ترتیب 26/85 و 39/85 درصد و دقت ارزیابی بانک V و بانک W به ترتیب 63/79 و 59/81 درصد بود. دقت ارزیابی گروه R بالاتر از گروه U بود. در ماه چهارم، بانک V و بانک W هر دو کاهش اندکی در دقت ارزیابی داشتند، در حالی که بانک S و بانک T روند نزولی نشان ندادند، که نشان می‌دهد. که مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی از نظر دقت ارزیابی نسبتاً پایدار است. میانگین دقت ارزیابی گروه R 79.81% و در گروه U 74.29% بود. میانگین دقت ارزیابی گروه R 7.43 درصد بیشتر از گروه U بود که نشان داد مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی می تواند نقش مهمی در بهبود دقت ارزیابی داشته باشد.

(2) بروز ریسک عملیاتی بانک
یک مطالعه 6 ماهه در مورد بروز ریسک عملیاتی بانک برای مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U انجام شد. نتایج تجربی در جدول 1 نشان داده شده است.
از جدول 1 می توان مشاهده کرد که بروز ریسک عملیاتی بانک در چهار پیوند عملیاتی طراحی طرح خدمات، تایید تامین مالی، وام دهی و مدیریت پس از اعتبار منعکس شده است. در طراحی طرح خدمات، بانک T با 21.63 درصد کمترین میزان بروز ریسک عملیاتی و بانک W با 24.47 درصد بیشترین میزان بروز ریسک عملیاتی را داشتند. در فرآیند تایید تامین مالی، بانک T با 21.24% کمترین میزان وقوع ریسک عملیاتی را داشت و بانک S دارای نرخ بروز ریسک عملیاتی بود که 0.41% کمتر از بانک V بود. در فرآیند وام دهی، نرخ ریسک عملیاتی بانک T 20.23 درصد بود که 2.24 درصد کمتر از بانک W بود. از نظر مدیریت پس از اعتبار، بانک V با 24.56 درصد بیشترین میزان بروز ریسک عملیاتی را داشت که 2.4 درصد بیشتر از بانک T بود. نرخ بروز ریسک عملیاتی کلی بانک S و بانک T به ترتیب 22.71% و 21.32% بود. نرخ بروز ریسک عملیاتی کل بانک V و بانک W به ترتیب 23.37٪ و 23.76٪ بود. بروز ریسک عملیاتی در گروه R 6.58 درصد کمتر از گروه U بود. مدل‌های هشدار اولیه ریسک مبتنی بر الگوریتم‌های هوش مصنوعی نقش مهمی در کاهش بروز ریسک‌های عملیاتی بانک داشتند.
(3) دقت جمع آوری اطلاعات
بررسی 6 ماهه صحت جمع آوری اطلاعات توسط بانک ها انجام شد. با مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U، تأثیر مدل هشدار زودهنگام ریسک و روش سنتی هشدار زودهنگام ریسک بر دقت جمع‌آوری اطلاعات مورد بررسی قرار گرفت. محتوای خاص در شکل 5 نشان داده شده است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

جایگزین مدل های پیش بینی پیش فرض مبتنی بر حسابداری مانند مدل های Altman و Ohlson یک مدل پیش بینی مبتنی بر قیمت می باشد که اطلاعات را از بازار بورس گرفته بحران مالی را ارزیابی کنند. با ساخت مدل قیمت گذاری توسط Merton (1974) ، شرکت KMV یک مدل پیش بینی پیش فرض را بنام مدل Merton KMV ایجاد میکند. در محیط شرکت، حقوق صاحبان سهام یک شرکت به عنوان اختیار خرید یا عدم خرید در ارزش اصولی شرکت با قیمت اعتصاب معادل کتاب حسابداری بدهی شرکت مدل سازی شده است. بدلیل اینکه ارزش اصلی شرکت و نوسان آن قابل مشاهده نیستند، این مدل فرض می کند که هر دو مورد از حقوق صاحبان سهام، نوسان بازده سهام و چند متغیر قابل مشاهده دیگر بوسیله حل دو معادله غیر خطی همزمان استنباط شده است. این مدل احتمال پیش فرض به عنوان تابع چگالی تجمعی نرمال یک فاصله محاسبه شده را با توجه به اعتبار اصلی شرکت، نوسان و ارزش دفتر بدهی مشخص می نماید.
مدل های پیش بینی پیش فرض مبتنی بر حسابداری با مدل های مبتنی بر قیمت در فاکتور بحرانی که پیش فرض شرکت را پیش بینی کرده متفاوت می باشد. برخلاف مدل های مبتنی بر قیمت های بازار سرمایه، مدل های حسابداری از آیتم ها در صورت حساب های مالی شرکت استفاده کرده و ممکن است تحت تاثیر مدیریت درآمدهای واقعی قرار گیرند. در یک بازار کارآمد، سرمایه گذاران تاثیرات تغییر درآمد را بی اثر کرده و آنها را در فرایند قیمت گذاری با هم ترکیب می کند. بنابراین مدل استفاده شده در این مطالعه برای تاثیر مدیریت درآمدها در مدل های مبتنی بر حسابداری بجای استفاده از رویکرد قیمت گذاری بازار سرمایه تنظیم می گردد.

2.2 اقدامات مدیریت درآمدهای واقعی
از اقدامات درآمدهای واقعی بمنظور شناسایی شرکت هایی که در تغییر یا عدم تغییر قیمت ها از طریق معاملات واقعی فعال هستند استفاده می گردد. Gunny (2010) 4 نوع مدیریت درآمدهای واقعی را ارائه می دهد: (i) سرمایه گذاری در تحقیق و توسعه؛ (ii) سرمایه گزاری در فروش، مخارج کلی و اداری؛ (iii) کنترل زمان بندی سرمایه طولانی مدت و وضع سرمایه گذاری؛ (iv) افزایش تخفیف جهت تسریع فروش یا تولید جهت کاهش هزینه های تولید در هر واحد تولید. به گفته Roychowdhury (2006) مدیران درآمدها را از طریق دستکاری در فروش، کاهش هزینه های اختیاری یا تولید مازاد افزایش می دهند. با تخفیف ویژه به مشتریان، شرکت ها ممکن است سودهای گزارش شده را افزایش داده اما جریان های نقدی عملیاتی را کاهش دهند. شرکت هایی که مخارج اختیاری را کاهش داده، افزایش در درآمد خالص و درآمدها در هر سهم را تجربه می کنند. شرکت ها ممکن است هزینه کالاهای فروخته شده (COGS) را جهت افزایش درآمد کاهش دهند. همچنین شرکت ها کالاهای مازاد تولید کرده تا هزینه واحد محصولات را برای فروش کاهش دهد زیرا تولید مازاد هزینه های ثابت در هر واحد را کاهش می دهد. Roychowdhury (2006) و Gunny (2010) دریافتند که مدیریت درآمدهای واقعی تاثیر منفی بر عملکرد آینده دارد.
چند مطالعه مدیریت درآمدهای واقعی را در مورد وقایع مشخص شرکت بررسی کرده است. برای مثال Cohen and Zarowin(2010) بر پیشنهادات سرمایه تمرکز seasonمی کنند. مولفان از اقدامات مدیریت درآمدهای فعالیت واقعی پیشنهاد شده توسط Roychowdhury (2006) استفاده کرده که شامل جریان نقدی عملیاتی غیر عادی، هزینه های تولید، هزینه های اختیاری و حاصل مجموع SG& A، R&D و مخارج تبلیغ بوده و سندیت دادن که مدیریت درآمدهای فعالیت واقعی تاثیر منفی بر ارزش شرکت دارند. مدیریت درآمدهای فعالیت واقعی بطور قابل توجهی تعداد گزارش شده را در صورت حساب مالی تغییر داده و اعتبار شرکت را در دوره های حسابداری بعدی به خطر می اندازد.

3. گسترش نظریه
مدل ارزیابی ریسک ارائه شده توسط Altman (1968) خطر اعتباری شرکت را با بکارگیری متغیرهای حسابداری مورد ارزیابی قرار می دهد. بهرحال، ادبیات وجود تغییر حسابداری را تکرار می کند. فرض میکنیم که در نظر گرفتن پیچیدگی های بالقوه قدرت پیش بینی مدل را افزایش می دهد. مدیریت درآمدهای واقعی را برای عملیات، تولید، فعالیت مخارج و تاثیر آن بر مشخصه مدل ارزیابی خطر تنظیم شده مورد بررسی قرار می دهیم. اهمیت هر فاکتور توضیحی را در مدل تنظیم شده و قدرت پیش بینی مدل ارزیابی می کنیم. محتوای اطلاعات گزارش مالی ممکن است پس از کنترل معاملات واقعی برای مدیریت درآمدها را بیشتر یا دقیق تر باشد و مدل ارزیابی ریسک تنظیم شده میتواند در شناسایی بحران های مالی شرکت کارآمد تر باشد. بنابراین فرض میکنیم که مدل ارزیابی ریسک تنظیم شده بهتر مشخص شده و در زمان ترکیب حداقل یکی از تاثیرات مدیریت درآمدها واقعی دارای قدرت پیش بینی بهتر می باشد. فرضیه های زیر را برای گنجاندن تاثیرات جریانات نقدی غیر عادی را با توجه به فعالیت های عملیاتی، هزینه تولید، هزینه اختیاری گسترش می دهیم:
فرضیه 1: مدل ارزیابی ریسک پس از ترکیب جریان نقدی غیر نرمال از فعالیت های عملیاتی دارای قدرت پیش بینی بهتر بوده و بهتر مشخص می شود و مدیریت درآمدها واقعی را نشان می دهند.
فرضیه2: مدل ارزیابی ریسک پس از ترکیب هزینه تولید دارای قدرت پیش بینی بهتر بوده که و مدیریت درآمدها واقعی را نشان می دهند.
فرضیه3: مدل ارزیابی ریسک پس از ترکیب هزینه اختیاری دارای قدرت پیش بینی بهتر بوده که و مدیریت درآمدها واقعی را نشان می دهند.

4. طراحی های تحقیق بمنظور برآورد تاثیر مدیریت درآمدها بر کارایی مدل ارزیابی ریسک
4.1 مدیریت درآمد واقعی
این مطالعه مدیریت درآمدها واقعی توسعه یافته توسط Cohen et al. (2008) and Roychowdhury (2006) را بکار گرفته و سه فرم از تغییرات معاملات واقعی را در تغییرات حساب در نظر می گیرد: تسریع به رسمیت شناختن فروش، گزارش COGS کمتر از طریق تولید افزایش یافته و کاهش در مخارج اختیاری. آنها بطور نسبی بدین صورت تخمین زده می شود.
CFO اشاره به جریان نقدی دارد؛ SALE نشان دهنده سود فروش می باشد؛ به عنوان تغییر در سود فروش تعریف شده است؛ Prod مجموع COGS و تغییر در لیست موجودی در طول سال بوده و شامل مخارج تبلیغ، مخارج R&D و SG&A می باشد و این ضریب برای چنین صنعتی در طول همان سال برای معادله (1) از طریق معادله (3) تخمین زده شده و ضریب تخمین زده شده برای صنعت برای سال t-1 در داده های شرکت i در طول سال t بمنظور مشتق شدن از مقدار مورد انتظار معرفی گردیده است. مقدار غیر عادی را با استفاده از مقادیر واقعی کمتر از مقدار مورد انتظار به عنوان نماینده مدیریت درآمدهای واقعی محاسبه می کنیم. CFO غیر عادی (abCFO) سنجش سرعت تشخیص فروش از طریق تخفیف های افزایش یافته یا اصطلاحات اعتباری ملایم تر می باشد. از هزینه های تولید (AbProdCost) و مخارج اختیاری غیر عادی (AbDiscEXP) بمنظور اندازه گیری وجود مدیریت درآمدها به صورت کاهش هزینه با توجه به هزینه سودهای آینده استفاده می کنیم.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

H1 براساس ادبیات موضوعی ارائه شده سرراست و بی دردسر به نظر می‌رسد. بااین حال، با توجه به H2؛ تایید می‌کنیم که ادبیات موضوعی اخیر و هنوز در حال توسعه با توجه به فرضیات اصلی و ویژگی‌های اقتصادی برآورده شده بیان می‌کنند که رابطه بین ریسک‌های نقدینگی و اعتباری در بانک‌ها ممکن است منفی باشد. این بیان توسط مقاله هایی مانند Wagner (2007)، Cai و Thakor (2008)، Gatev و همکاران (2009)، Acharya و همکاران (2010)، و Acharya و Naqvi (2012) نشان داده شدند. بااین حال، این مقاله‌ها اغلب برروی جنبه خاصی از نقدینگی ( مانند دارایی اصلی یا سپرده)، ویژگی‌های ریسک اعتباری بسیار خاص (مانند تعهدات وام ) یا تنها برروی شرایط اقتصادی بسیار خاص تمرکز می‌کند. باور داریم که در یک مجموعه داده از بانک‌های خرده فروشی با اندازه کوچک و متوسط در مدت زمان شرایط اقتصادی و به همین ترتیب در بحران، باید رابطه مثبتی بین ریسک اعتباری و نقدینگی را ترویج کنند.

2.2 اثرات ریسک نقدینگی و ریسک اعتباری برروی احتمال پیش فرض بانک
از چشم انداز نظری، رابطه بین ریسک‌های نظری و ریسک‌های نقدینگی به وضوح ایجاد شده است. به دنبال آن این سوال پیش می‌آید که: چگونه بانک‌ها تحت تاثیر این رابطه‌ها در ساختار ریسک‌های سراسری قرار می‌گیرند؟ برای بدست آوردن یک فرضیه قابل تست برای این سوال، از ادبیات موضوعی تشریح کننده پیش فرض بانک‌ها استفاده کردیم. بااین همه، همه ریسک‌های نهایی که یک بانک با آن مواجهه است ریسک‌های تجارتی هستند. از طریق درک ریسک‌های بانکی بنابراین باید برروی دلایل پیش فرض بانکی تمرکز کنیم. بخش وسیعی از ادبیات موضوعی تجربی وجود دارد که تاثیر برروی گستره‌ای از فاکتورهای حسابداری=بازار- اقتصاد عمومی برروی PD بانک را تست می‌کنند. مقاله هایی مانند Meyer و Pfifer (1970)، Martin (1977)، Espahbodi (1991)، Thomson (1991, 1992)، Cole و Fenn (1995)، Cole و Gunther (1995)؛ Kolari و همکاران (2002) نشان می‌دهند که ریسک پیش فرض بانکی اساسا از سرمایه گذاری پایین، درآمد کم، دسته خاصی از وام‌های بیش از حد، و پیش فرض وام‌های بیش از حد بدست می‌آید. Aubuchon و Wheelock (2010)، Ng و Roychowdhury (2011)، Cole و white (2012)، Barger و Bouwman (در مطبوعات) و DeYoung و Torna (2013) به طور ویژه‌ای به کار ما مربوط هستند چرا که برروی پیش فرض بانکی در مدت بحران مالی اخیر تمرکز کرده‌اند. به طور کلی آن‌ها دریافته‌اند که سرمایه گذاری بیش از حد برروی فعالیت بانکداری، شرایط بد اقتصاد خرد، در مجاورت بانک‌ها، حقوق صاحبان سهام پایین، و تراکم شدید در وام‌های تجاری املاک و مستغلات به طور قابل توجهی PD بانک‌ها را در طول بحران اخیر افزایش داده است. به طور قابل توجهی، همه این مطالعات شواهد واضحی را براین مبنا ارائه می‌کند که ریسک اعتباری نقش حیاتی را برای شرایط ثبات کلی بانک‌ها بازی می‌کنند، اما عمدتآ از ریسک نقدینگی چشم پوشی می‌کنند. اگر چه این مطالعه، شامل معیار هایی برای نقدینگی است، اغلب برروی نقدینگی دارایی مبتنی بر CAMEL (برای مثال دارایی‌ها کوتاه مدت و بلند مدت) یا بودجه نقدینگی عمومی ( مانند نرخ سپرده کوتاه مدت و بلند مدت) تمرکز می‌کند. ریسک‌های تحولات بالغ، درست مانند روابط بین ریسک‌های نقدینگی و ریسک‌های اعتباری، به طور عمده چشم پوشی می‌شوند.
بینش عمیق‌تر در موضوع تنها توسط دو مقاله ارائه شده است. یک مطالعه تجربی از Acharya و Mora (در مطبوعات) نقش بانک‌ها را به عنوان ارائه دهنده نقدینگی در طول مدت بحران مالی تشریح کرد. در انجام این کار، آن‌ها شواهدی که درآن بانک‌های ورشکست شده در مدت بحران مالی قبلی از کمبود نقدینگی درست قبل از پیش فرض اصلی رنج می‌بردند ارائه دادند. ظاهرآ، بانک‌های تحت فشار با مسائل نقدینگی شدیدی رو برو هستند، به خصوص در مقایسه با بانک‌های سالم. آن‌ها این را با نشان دادن اینکه بانک‌های ورشکست شده یا نزدیک به ورشکستگی از (خرده فروشی) سپرده با ارائه نرخ CD بالا در کمپین بازاراهای تهاجمی می‌ترسند مستند کردند. به طور غیر مستقیم، نتایج آن‌ها به این حقیقت اشاره کرد که وقوع توام ریسک‌های نقدینگی و اعتباری ممکن است بانک‌ها را به سمت پیش فرض هل دهد. کانال مستقیم‌تر از اینکه چگونه نقدینگی و ریسک‌های اعتباری می‌توانند توام با هم منجر به پیش فرض شوند از لحاظ نظری توسط He و Xiong (2012) نشان داده شده است. آن‌ها رابطه بین ریسک‌های نقدینگی و اعتباری را از چشم انداز بودجه بندی شرکت‌های کلی فروش تحلیل کردند. کانالی که آن‌ها شناختند ریسک نقدینگی را به ریسک اعتباری متصل می‌کند و در نهایت ریسک پیش فرض یک ریسک بدهی وامی است. نتایج مقاله نشان می‌دهد که سرمایه گذاران خواستار اجرت نقدینگی بالاتر برای اوراق قرضه شرکت‌ها با توجه به ریسک نقدینگی در بازار برای اوراق قرضه شرکت هستند. بر بدهی وامی شرکت‌ها در بازارهای اوراق قرضه غیر نقدی و به منظور اجتناب از پیش فرض، ارائه دهندگان سهام شرکت‌های صادر کننده باید به تفاوت‌های بین اجرت کاهش نقدینگی در اوراق قرضه بالغ و اجرت نقدینگی بالاتر در یک اوراق قرضه جدیدآ ظاهر شده بپردازند. در نتیجه نیاز به جذب این ضرر و زیان‌ها برای نیمی از صاحبان دیون، ارائه دهندگان حقوق صاحبان سهام ممکن است به پیش فرض قبلی انتخاب شود. یک شوک نقدینگی در بازار بدهی شرکت می‌تواند به نرخ پیش فرض بالاتری منجر شود. اگرچه مدل نشان داده شده شامل کل بدهی شرکت باشد، آن‌ها به طور ویژه‌ای به نتایج خود برای موسسات مالی وابسته‌اند. یافته‌ها He و Xiong (2012) به طور ویژه‌ای به سایه‌ای از پژوهش‌های قبلی نشان دادند که شرکت‌ها، به خصوص نهادهای مالی، بسیار مستعد بدهی‌های کوتاه مدت هستند، که به افزایش تکرار بدهی وامی مرتبط است. جفت شدن این نتایج با یافته‌ها دیگر مطالعات پیش فرض بانکی نشان می‌دهد که ریسک اعتباری برای ثبات بانک‌ها در مدت بحران اخیر تهدید جدی را تحمیل کرده است، که به فرضیه‌های زیر منجر می‌شود.

H3. ریسک نقدینگی و ریسک اعتباری همراه با هم در احتمال پیش فرض بانک سهم دارند.
بر اساس شواهد تجربی و نظری نشان داده شده در بالا، باور داریم که شواهد تجربی برروی ورشکستگی بانک‌ها در مدت زمان بحران اخیر ممکن است پشتیبانی عینی بیشتری برای H3 فراهم کند. جدول 1 نشان می‌دهد که بیشتر تیمی از 254 بانک تجاربی ورشکست شده بین آگوست 2007 و سپتامبر 2010 تحت تاثیر وقوع توام عدم نقدینگی و خسارت وامی بوده‌اند. اگر چه این بااستفاده از منابع متفاوت متعدد، مانند گزارش‌های زیان مادی FDIC و OCC یا مقالات روزنامه‌ها تولید می‌شود، باور داریم که ممکن است نشانه‌ای از وقوع توام ریسک‌های نقدینگی و ریسک اعتباری باشند که ممکن است در ایجاد پیش فرض بانک در مدت زمان بحران مالی اخیر نقشی را بازی کند.

3. داده‌های و آمارهای تو صیفی
3.1 انتخاب نمونه و داده
برای همه ترازنامه‌های بانکی، سود و زیان حساب، و اقلام خارج از ترازنامه از داده گزارش تماس FFIEC به صورت سه ماهه استفاده می‌کنیم، که عموم از طریق بانک فدرال رزرو شیکاگو بدست می‌آید. بانک‌ها در مجموعه داده ما به تنهایی بانک‌های امریکایی یا بانک‌های مستقر در امریکا هستند. ما به طور آگاهانه همه شرکت‌های هلدینگ تبعه‌ بانک‌های بیگانه امریکا یا بانک‌های اجاره‌‌ای را، و یه همین ترتیب همه مراکز صرفه جویی و پولی را برای بدست آوردن نمونه بانکی همگن‌تر از نظر مالکیت و حکومت حذف می‌کنیم. همه بانک‌ها براساس منشور بانک تحلیل می‌شوند نه براساس سطح شرکت هلدینگ بانک . اطلاعات مورد نیاز برروی مالکیت و اجاره بانک از پایگاه داده نظارتی FDIC گرفته شده اند، که عمومآ از وب سایت FDIC قابل دسترسی است. تزار نامه، سود و زیان حساب، و اقلام خارج از تراز نامه برای نمونه‌های فرعی بانک‌های ورشکست شده نیز از داده‌های گزارش تماس سه ماهه به دست می‌آیند، که توسط بانک رزرو فدرال شیکاگو ارائه می‌شود. اطلاعات اضافی، مانند تاریخ ورشکستگی، از طریق لیست بانک‌های ورشکست شده FDIC بدست می‌آید. توجه داشته باشید که ادغام در طول دوره مشاهده شده مانند زمانی رفتار می‌کنند که بانک‌ها در آغاز دوره مشاهده ما ادغام شدند . اطلاعات بیشتر از سه مجموعه داده اضافی جمع‌آوری می‌شود. از پایگاه داده عمومی “FRED” رزرو فدرال سنت لوئیس رسمی برای همه اطلاعات اقتصاد خرد‌ مانند GDP، نرخ بهره و پس اندازه استفاده می‌کنیم. برای تحلیل منطقه‌ای براساس ناحیه FDIC از گزارش‌های بانکداری سه ماهه FDIC استفاده می‌کنیم. نتایج هر سه ماه منتشر می‌شوند و شامل گستره وسیعی از داده‌های مربوط به عملکرد همه بانک‌های بیمه شده FDIC است. جدول 2 تشریحات مختصری از متغیرهای استفاده شده در تحلیل ما را ارائه می‌دهد. همچنین از مجموعه داده در دسترس Allen N. Berger و Christa Bouwman از ارزش‌های نقدی برای بانک‌های تجاربی امریکا در دوره مشاهده استفاده کردیم، این مجموعه داده را می‌توانید از وب سایت شخصی Christa Bouwman دانلود کنید . ما از این داده برای محاسبه معیار ریسک نقدی ثانویه، معیار BB، استفاده می‌کنیم. ترکیبات و محاسبات مجموعه داده در Berger و Bouwman (2009) تشریح شده است. همه متغیرهای توضیحی به طور دقیق در جدول2 تشریح شدند.

3.2 متغیرهای معیار ریسک اعتباری و ریسک نقدینگی
ما از دو متغیر اصلی برای سنجش ریسک استفاده کردیم: یک معیار ریسک نقدی، و دیگری معیار ریسک اعتباری. در راستای اهداف این مطالعه، متغیر معیار نقدینگی ریسک نقدینگی (LR) را بیان کردیم، برای ریسک اعتباری متغییر ریسک اعتباری (CR) را مشاهده کردیم. توجه داشته باشید که در بررسی‌های قوی‌تر ما از معیار BB و نمره Z کلاسیک استفاده می‌کنیم که در جزییات بیشتر بعدها بحث می‌شوند. تشریح هر متغیر همراه با محاسباتش در جدول 3 آمده است.
متغیر ریسک نقدینگی (LR) با منها کردن حجم همه دارایی‌هایی محاسبه می‌شود که بانک می‌تواند سریعآ و در هزینه پایین برای پوشش برداشت کوتاه مدت احتمالی از حجم بدهی‌ها به پول نقد تبدیل کند. همچنین ریسک نقدی خارج از ترازنامه را از طریق تعهدات وامی استفاده نشده را در نظر گرفتیم. معیار LR علاوه براین برای مواجهت با ریسک بانک‌ها برای بازار وام دهی بین بانکی و دارایی کم استاندارد شده است. همه اقلام گنجانده شده در جدول 3 آورده شده‌اند. مقدار نهایی متغیر LR می‌تواند مثبت یا منفی باشد. یک مقدار منفی نشان می‌دهد که بانک نسبت به دارایی کوتاه مدت متعهد است، بانک می‌تواند برداشت‌های کوتاه احتمالی را در طرف بدهی از طریق دارایی‌های نقدی پوشش دهند. کاهش نرخ برابر کاهش در ریسک نقدینگی است. در مقابل، مقدار مثبت نشان می‌دهد که یک بانک برای پوشش برداشت از بدهی کوتاه مدت باید از منابع دیگری استفاده کند. این حاکی از این است که ریسک نقدینگی بسیار بالایی را در مواردی مانند هجوم به بانک نشان می‌دهد. بنابراین، از LR برای در نظرگرفتن ریسک “هجوم به بانک” کلاسیک استفاده می‌کنیم؛ برای مثال ریسک عدم توانایی در برآورده سازی همه تعهدات کوتاه مدت. با بررسی LR ریسک‌های بودجه بندی بلافصلی که یک بانک ممکن است در مورد برداشت نقدینگی ناگهانی یا تضعیف دارایی با آن مواجهه شود را ترکیب می‌کنیم.
متغیر ریسک اعتباری (CR) را با تقسیم میانگین زیان وام خالص (به حساب زیان منظور نمودن وام منهای بازیابی وام ) در سال جاری بر میانگین کمک هزینه زیان وام ثبت شده در سال قبلی محاسبه می‌شود. توجه داشته باشید که از داده‌های سه ماهه استفاده نمی‌کنیم؛ اما از داده‌های سالانه برای اشتقاق استفاده می‌کنیم همانطور که بانک‌ها در بیشتر موارد متغیرهایی را در مدت زمان منتهی به تاریخ ثبت ترازنامه تنظیم می‌کنند، یک الگو در داده ما قابل مشاهده است. معیار توانایی اقتصادی بانک را برای پوشش زیان وام‌های کوتاه مدت آینده شرح می‌دهد.

با در نظر گرفت صورت کسر، مانند مورد Angbazo (1997) است و ارتباط نزدیکی با Dick (2006) دارد کسی که از قلم‌زنی وام برای محاسبات استفاده کرد. نرمال سازی با کمک هزینه زیان وام در سال‌های قبلی باید در یک معیار مناسبتر برای تحلیل ما نتیجه دهد. معیار ما نه تنها ریسک‌های اعتباری کوتاه مدت را، به این دلیل که می‌توانند تغییر کند و یا تحت تاثیر مدیریت کوتاه مدت بانک‌ها قرار گیرد را نشان می‌دهد، بلکه معیار برای زیان غیرمنتظره وام‌ها است: اگر نسبت بالا 1 باشد بانک می‌تواند فرض کند که دارای زیان وام پیش بینی نشده‌ای است. بنابراین، نرخ بالاتر حاکی از ریسک اعتباری بالاتر است. ما این متغیر را به عنوان معیار ریسک اعتباری اصلی انتخاب می‌کنیم چرا که به ما اجازه می‌دهد که مدیریت ریسک وام بانکی را بدست آوریم. ما قادر به مشاهده دقیق اینکه کدام زیان وام پیش بینی می‌شود و اینکه یک بانک بلافاصله با ریسک‌ها(دارایی) با توجه به زیان وام پیش بینی نشده مواجهه می‌شود هستیم .

3.3 آماره‌های توصیفی
ما مجموعه داده از 4046 غیر پیش فرض بانک تجاربی امریکایی را در دوره از 1998:Q1 تا 2010:Q3 تحلیل کردیم. همچنین 254 بانک پیش فرض را در نمونه گنجاندیم اما در دوره 2006:Q1 تا 2010:Q3. در همه تحلیل هایی که ‌بانک‌های ضعیف را حذف می‌کند از دوره زمانی 1998:Q1 تا 2008:Q4 استفاده می‌کنیم، زمانی که شامل بانک پیش فرضی است که از داده از 2006:Q1 تا 2010:Q3 استفاده می‌کند. ما سه دلیل برای این کار داریم. ما دوره بعد از 2008:Q4 را از تحلیل عمومی خود حذف کردیم چرا که مداخلات دولتی مانند برنامه‌های کمک به دارایی‌های مشکل دار (TARP) در پایان سال 2008 معرفی شد و می‌توانست برروی نتایج رابطه بین ریسک نقدی و ریسک اعتباری تاثیر گذارد. ما تنها شامل داده بعد از 2008:Q4 هستیم که قادر به ترکیب تعداد کافی پیش فرض بانک در نمونه داده ما است. تنها چند پیش فرض بانک قبل از 2008 قابل بررسی هستند. بنابراین، ما دوره مشاهده را با تصدیق اینکه مداخله دولت ممکن است اثراتی را بر متغیر القا کنند؛ بسط می‌دهد. دلیل برای شروع در 2006:Q1 این است که زمانی است که شامل پیش‌فرض است که ما تنها 8/4 آخر را برای پیش فرض این بانک‌ها در تحلیل خود برای مشاهده الگوریتم خاص پیش فرض در نظر می‌گیریم. نتایج تشریحی در جدول 4 نشان داده شده‌اند.
جدول نتایجی را برای غیر پیش فرض بانک‌ها از 1998:Q1 تا 2008:Q4 برای مجموعه نمونه‌ها و به همین ترتیب تقسیم به بانک‌های کوچک، متوسط و بزرگ نشان می‌دهد. این طبقه بندی از 25 صدم تا 75 صدم مجموع دارایی این نمونه به عنوان آستانه‌ای در هر سال استفاده می‌کند . جدول 4 نیز آمارهای توصیفی برای ‌بانک‌های ضعیف از 2006:Q1 تا 2010:Q3 و برای ‌بانک‌های قوی برروی همان دوره مقایسه نشان می‌دهد. نتایج برای ‌بانک‌های قوی از 1998:Q1 تا 2008:Q4 میانگین LR را حدود 7.3% و میانگین CR را حدود 11.1% نشان می‌دهد. این حاکی از این است که فرضیه در شرایط مساوی ریسک نقدینگی را ثابت بالا نگه می‌دارد اما ریسک اعتبار را پایین نگه می‌دارد. مقدار LR با اندازه بانک افزایش می‌یابد که به معنی این است که بانک‌های بزرگتر تمایل دارند که در شرایط ریسک نقدینگی یک ساختار ترازنامه شکننده‌تر داشته باشند. مقادیر CR در سراسر همه زیر نمونه‌ها با اندازه‌های متفاوت قابل مقایسه است. در حالی که توزیع در میان بانک‌ها به شدت تحریف شده است، بانک‌های قوی در مجموعه داده ما دارای میانگین اندازه دارایی 1.09 میلیارد دلار امریکا هستند.
بانک‌های قوی در دوره 1998:Q1 تا 2008:Q4 دارای بازگشت.724%، برروی دارایی، یک انحراف معیار بازگشت 0.400% برروی سرمایه، یک بخش نسبتآ کوچک از دارایی مبادله‌ای (0.04%)، وام‌های خصوصی در تجارت استفاده می‌شود و حدودآ 10% مجموع پرتفوی وام برروی کشاورزی و بیش از 60% برروی وام‌های املاک و مستغلات سرمایه گذاری می‌شود. بازگشت بر سرمایه، نسبت دارایی‌های تجاری به کل دارایی ها، و نسبت املاک و مستغلات و وام‌های تجاری به مجموع وام‌ها که با اندازه بانک افزایش می‌یابد هستند. در مقابل، بانک‌های کوچکتر تناسب بزرگتری از وام‌های کشاورزی و خصوصی را به عنوان درصد مجموع پرتفوی وام اعطا می‌کند و نیز کمی کارآمدتر است. ما همچنین مشاهده کردیم که بانک با اندازه کوچک و متوسط هر فعالیت خارج ترازنامه قابل توجه را اجرا نمی‌کند. بانک‌های قوی را در 1998:Q1 تا 2008:Q4 با دوره 2006:Q1 تا 2010:Q3 مقایسه کردیم و مشاهده کردیم که LR به طور قابل توجهی کاهش می‌یابد که این ریسک نقدینگی کمتری را در دوره بعدی نشان می‌دهد. این بسط بزرگی است که با افزایش قابل توجه دارایی‌های نجاری که در معیار LR گنجانده شده است بدست می‌آید. از آنجایی که دارایی‌های تجاری بسیار نقدی هستند می‌توانند به سرعت و با هزینه کم دفع شوند، قدرت در نتایج اوراق بهادار در یک LR پایین‌تر افزایش می‌یابد. در مقابل، معیار CR افزایش در ریسک اعتباری را در طول زمان از 11.1% به 16.6% نشان می‌دهد.
مقایسه بین بانک‌های ضعیف و قوی در دوره 2006:Q1 تا 2010:Q3 تفاوت‌های قابل توجهی را نشان می‌دهد. هردو LR و CR برای بانک‌های ضعیف به طور قابل توجهی بالا هستند، که ریسک نقدینگی و ریسک اعتباری کلی بالاتری را نشان می‌دهد. این روند انتظار می‌رود و در راستای ادبیات موضوعی و یافته‌های روایتی ما در جدول 1 است. متغیرهای باقی مانده در راستای انتظارات عمومی است. ‌بانک‌های ضعیف دارای نرخ سرمایه پایین‌تر، یک بازگشت منفی برروی دارایی با یک انحراف معیار استاندارد به طور قابل توجه بالاتر، کمتر کارا هستند، و دارای رشد وام منفی هستند. علاوه براین، ‌بانک‌های ضعیف کوچکتر هستند و دارای بخش خصوصی، تجاری و کشاورزی کوچکتری هستند اما بخش بسیار بزرگتر وام‌های املاک و مستغلات در مقایسه با ‌بانک‌های قوی را دارا هستند. توجه داشته باشید که ‌بانک‌های ضعیف فعالیت‌های خارج از تراز نامه را اجرا می‌کنند.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1- مقدمه:
اخيرا موسسات مالي و بانك ها به بررسيِ ريسك اعتباريِ مشتريان خود پرداخته اند. آن ها جهت تفكيكِ خدمات اعتباري كه به مشتريانشان اعطا مي كنند نياز به سيستم هاي امتياز دهيِ اعتباري،دارند. اخيرا، استفاده از روش هاي غير پارامتري و داده كاوي به حوزهِ امتياز دهيِ اعتباريِ مشتريان ،راه يافته است.روش هاي آماري، غير پارامتري و هوش مصنوعيAI همگي به توسعهِ امتياز دهيِ اعتباري مشتريان مي پردازند. علاوه بر اين،روش هاي امتياز دهيِ اعتباريِ گروهي در بسياري از مطالعات استفاده گرديده اند.شايان ذكر است كه تعداد قابل توجهي از محققين نشان دادند روش هاي طبقه بندي يادگيريِ گروهي در حوزهِ امتياز دهيِ اعتباري در مقايسه با طبقه بندي كننده هاي مجزا از عملكرد بسيار بهتري برخوردار اند.بر اين اساس،9 رويكرد اصلي جهت مطالعه و بررسيِ معيارِ امتياز دهيِ اعتباري ارائه مي كنيم كه عبارتند از:
1. مدل هاي امتياز دهيِ اعتباريِ طبقه بندي كنندهِ مستقل
2. مدل هاي امتياز دهيِ اعتباريِ طبقه بندي كنندهِ چندگانه
3. مدل هاي امتياز دهيِ اعتباري مبتني بر مدل هاي آماري
4. مدل هاي امتياز دهيِ اعتباري مبتني بر روش هاي AI
5. مدل هاي امتياز دهيِ اعتباريِ خطي و غير خطي
6. مدل هاي امتياز دهيِ اعتباريِ پارامتري، شاملمدل احتمال خطي،؛مدل آناليز تشخيصي،مدل هاي لوجيت و غيره
7. مدل هاي امتياز دهيِ اعتباريِ غير پارامتري(داده كاوي) شامل درخت تصميم گيري،مدل نزديك ترين همسايهknn،سيستم هاي خبره،ANN،منطق فازي،GA
8. مدل هاي امتياز دهيِ اعتباريِ يادگيريِ گروهي
9. مدل هاي امتياز دهيِ اعتباريِ تركيبي يا هيبريدي
محققان بسياري به بررسيِ روش هاي ذكر شده پرداخته اند. هو و آنسل(2007)از الگوريتم هايي همچون رگرسيون لوجستيكLR،ANN و الگوریتم بهینه سازی حداقلی ترتیبیSMO در مطالعات خود،بهره بردند. مين و لي(2008) نيز به پيش بينيِ مدل امتياز دهيِ اعتباري بر اساس روش تحليل توسعه داده هاDEA پرداختند.در مطالعهِ ديگر،ﺍﻟﮕﻮﺭﯾﺘﻢﻫﺎﯼ ﺭﺗﺒﻪﺩﻫﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﺤﻠﯿﻞ ﭘﯿﻮﻧﺪ ﺻﻔﺤﺎت همراه با SVM جهت امتياز دهيِ اعتباري،استفاده شد . ستينو و همكاران(2009) از GA جهت بهينه سازي الگوريتمKNN در زمينهِ امتياز دهيِ اعتباري استفاده كردند. علاوه بر اين،ياه و لين(2009) به مقايسه تكنيك هاي داده كاوي نظير KNN,IR,ANN و درخت تصميم گيري پرداختند. ژو و همكاران(2009) از روشِ جستجوي مستقيم براي انتخاب پارامترها در الگوريتمSVM استفاده كردند. پينگ و يانگ ژن(2011) نيز از مجموعه پارامترهاي مجاور و طبقه بندي كنندهSVM جهت بررسيِ امتياز دهيِ اعتباري،استفاده به عمل آوردند. در مطالعه ديگر،كائو و همكاران(2012) از مدل بيزين همراه با درخت رگرسيونِ طبقه بندي كننده استفاده كردند. وكوويچ و همكاران(2012) نيز از توابع اولويت همراه با مدل استدلال مبتنی بر حالت(CBR) در زمينهِ امتياز دهيِ اعتباري،استفاده كردند. دانِناس و گارسوا(2015) از روشِ بهينه سازي ازدحام ذراتPSO جهت انتخاب بهترين طبقه بندي كننده خطيSVM در امتياز دهيِ اعتباري،استفاده نمودند.
همانطور كه گفتيم،مدل هاي امتياز دهيِ اعتباريِ گروهي در مطالعات فراواني استفاده شده اند. تِساي و وو(2008)از شبكه عصبي پرسپترون چندلایهMLP در زمينهِ امتياز دهيِ اعتباري و .ناني و لوميني(2009) از روش هايي نظير جنگل تصادفي،فضاي تصادفي و تغيير كلاس در امتياز دهيِ اعتباري، توالا (2010) از روش هايي همچون ANN،درخت تصميم گيري،KNN و تحليل تشخيص لجستيك،سيه و هانگ(2010) از طبقه بندي كننده هاي گروهيِ Bagging نظير ANN,SVM و شبكه بيزين،پالئولوگو و همكاران(2010) از طبقه بندي كننده هاي subagging همچون SVM,KNN،درخت تصميم گيري و آدابوست در امتياز دهيِ اعتباري و وانگ و ما(2012) نيز از روش يادگيريِ تركيبي با استفاده از SVM به عنوان يادگيرندهِ اصلي در ارزيابي ِ ريسك اعتباراتِ شركت ها،استفاده كردند.
مطالعات مختلفي به بررسي استفاده از روش FS در مدل هاي امتياز دهيِ اعتباري پرداخته اند. وانگ و هانگ(2009) از روش هاي پويا جهت جمع آوري داده هايي در زمينهِ امتياز دهيِ اعتباري استفاده كردند.تساي(2009) به مقايسهِ 5 روش FSدر پيش بينيِ ورشكستگيِ شركت ها (نظير آزمون تي،ماتريس همبستگي،رگرسيون گام به گام،PCA و تحليل عامل)و بررسيِ عملكرد آن ها با كمك شبكه هاي عصبيِMLP پرداختند. چن و لي(2010)،استراتژي هايِ تركيبي با روش هاي FS همچون آناليز تشخيص خطيLDA، نظريه مجموعه مبنا،درخت تصميم گيري و مدل طبقه بندي SVM در زمينهِ امتياز دهيِ اعتباري را مطرح كردند. چن(2012) ،بر اساس نظريه مجموعه مبنا، به تركيب FS با توزيع احتمال تجمعي در حوزهِ امتياز دهيِ اعتباري پرداخت.هاجك و ميشالاك(2013)،روشي را جهت تركيب روش هاي فردي و گروهيِ FS همراه با مدل هاي يادگيري ماشيني نظير MLP,RBS,SVM,LDA و طبقه بندي كنندهِ نزديك ترين ميانه در پيش بينيِ امتياز دهيِ اعتباريِ شركت ها ارائه نمودند. اورسكي (2014) نيز به تركيبِ GA با ANN را جهت تشخيص و شناسايي بهترين ويژگي ها و افزايش دقت طبقه بندي در ارزيابي ريسك اعتبارات،پرداخت. ليانگ و همكاران(2015) از 3 فيلتر با عنوان LDA,،آزمون تي و رگرسيون خطي همراه با روش هاي FS مبتني بر GA,PSO در تركيب با 6 مدل پيش بيني كننده متفاوت با عناوين SVM خطي،RBF,SVM,KNN,CART و بيز جهت گردآوري داده هاي مربوط به ورشكستگي و امتياز دهيِ اعتباريِ شركت ها،استفاده كردند.
مطالعات فوق همگي در سه ديدگاه اصليِ انجام شده اند:1)ارزيابيِ كليِ امتياز دهيِ اعتباري 2)ارزيابيِ امتياز دهيِ اعتباريِ گروهي و 3)ارزيابيِ امتياز دهيِ اعتباري مبتني بر FS.اين مقاله سعي كرده از اين سه ديدگاه فاصله بگيرد.البته بايد توجه داشت كه مطالعات پيشين تنها يكم يا دو ديدگاه از سه ديدگاه فوق را در اختيارداشته اند. علاوه بر اين،هدف اصليِ مقاله حاضر،استفاده از الگوريتمFS و طبقه بندي كننده هاي مبنا و گروهي و توجه به عواملي نظير دقت طبقه بندي،منحني ويژگي هاي عملياتي AUC و تعيين پارامترهاي در مدل هاي امتياز دهيِ اعتباري، مي باشد . همچنين بسياري از مطالعات،تاثير روش هاي مختلفFS و پارامترهاي تعيين شدهِ طبقه بندي كننده ها بر مشكلاتِ امتياز دهيِ اعتباري را ناديده گرفته اند. بنابراين به منظور ايجاد مدل تركيبيِ جديدFS و مدلِ گروهيِ امتياز دهيِ اعتباري،نه رويكرد مطرح شده اند. مدل پيشنهاديِ ما ،تركيبي از تكنيك هاي FS همراه با طبقه بندي كننده هاي مبنا(مستقل) و گروهي در روش هاي پارامتري و غير پارامتريِ امتياز دهيِ اعتباري،مي باشد . در تعيين پارامترها از 4 الگوريتم FS و دو الگوريتم طبقه بندي كننده،استفاده به عمل آمده است . عملكرد هرالگوريتمFS، بر اساس شاخص دقتِ طبقه بندي SVM سنجيده شده است. SVM،روش يادگيريِ موثري بوده كه در مسائل طبقه بندي،استفاده مي شود. SVM يكي از تكنيك هاي رايج استفاده شده در ادبيات محسوب مي شود.بنابراين مي توان از آن جهت ارزيابيِ عملكرد الگوريتم هاي fs استفاده نمود. همچنين،مطابق با دقت طبقه بندي و شاخص AUC،الگوريتم هاي طبقه بندي با يكديگر مقايسه شده اند.در اين مقاله،مجموعه داده هايي از بانك توسعه صادراتِ ايران به دست آمده اند. در مدل تركيبي، از 4 الگوريتم FS استفاده شده كه عبارتند از:1)PCA 2)GA 3) معیار ضریب بهره اطلاعات و 4)الگوريتم Relief .علاوه بر اين،دو الگوريتم طبقه بندي ِ رايج در مطالعات پيشين با عنوان 1) طبقه بندي كننده هاي مستقل نظير بيزين،درخت تصميم گيري CART،SVM و ANN و 2)الگوريتم هاي گروهي نظير bagging، آدابوست،درخت تصادفي و staking ،نيز مورد استفاده قرار گرفته اند. نتايج نشان مي دهند مدل تركيبيِ امتياز دهيِ اعتباري در مقايسه با ساير الگوريتم هاي ديگر،از عملكرد مطلوب تري برخوردار است .
ويژگي هايِ مهم اين مقاله كه از مدل ِ پيشنهادي به دست آمده عبارتند از:
1. انجام مطالعهِ جامع و كامل با مقايسهِ طبقه بندي كننده ها و روش هايFS متناسب با مسائلِ امتياز دهيِ اعتباري
2. استفاده تركيبي و همزمان از 3 روشِ امتياز دهيِ اعتباريِ گروهي،كلي وFS
3. استفاده از الگوريتم هاي FS و مقايسه عملكرد آن ها با هدف تشخيصِ كارآييِ اگوريتمSVM و سنجش دقت AUC
4. تعيين پارامترهاي الگوريتم هاي طبقه بندي وFS جهت بهبود عملكرد ِامتياز دهيِ اعتباري
5. استفاده همزمان و مقايسهِ الگوريتم هاي يادگيريِ مستقل و گروهي در مدلِ امتياز دهيِ اعتباري
6. استفاده و مقايسهِ 9 روشِ مدلبنديِ امتياز دهيِ اعتباري بر اساس چهارچوبِ تركيبي
7. اگرچه امتياز دهيِ اعتباري بر روي مشتريان واقعي بررسي شده اما مدل امتياز دهيِ اعتباريِ ما بر اساس مشتريان حقيقي، ساخته شده است.
ساير قسمت هاي ديگر اين مقاله عبارتند از:بخش2: شرح مختصري از روش ها .بخش3: ارائه طرح آزمايش نظير شرح مجموعه داده ها و پردازش آن ها،ارزيابي عملكرد و توسعهِ مدل امتياز دهيِ اعتباري.بخش 4:بيان نتايج و بخش 5: نتيجه گيري و ارائه پيشنهادات

بخشی از مقاله انگلیسی:

1. Introduction

Recently, banks and financial institutions have extensively started to consider the credit risk of their customers. In order to differentiate customers for offering credit services to them and managing their risks, banks have needed to apply credit scoring systems in their procedures (Gray and Fan, 2008). Lately, nonparametric approaches and data mining practices have been used in the area of customer credit scoring. The statistical methods, non-parametric methods, and artificial intelligence (AI) approaches have been suggested in order to provision the credit scoring developments. In addition, ensemble credit scoring methods have been used in many studies. It should be mentioned that a noticeable number of researches have shown that ensemble learning classification approaches in credit scoring have a better performance in comparison with single classifiers. With respect to the review of these studies, there are nine main approaches in credit scoring researches as provided in the following: 1. Single-classifier credit scoring models. 2. Multiple-classifier credit scoring models. 3. Credit scoring models based on statistical methods. 4. Credit scoring models based on AI methods. 5. Linear and non-linear credit scoring models. 6. Parametric credit scoring models, including linear probability model, discriminant analysis model, probit and logit models, etc. 7. Non-parametric (data mining) credit scoring models, including decision tree, K nearest-neighbor (KNN) model, expert system, ANN, fuzzy logic, GA, etc. 8. Ensemble learning credit scoring models. 9. Hybrid credit scoring models.  Many researchers have employed the above-mentioned approaches in their investigations. Hu and Ansell (2007) utilized some algorithms, including Naïve Bayes, logistic regression (LR), recursive partitioning, ANN, and sequential minimal optimization (SMO) in their study. In a study by Min and Lee (2008), they applied the credit scoring model based on data envelopment analysis (DEA). In another study, link analysis ranking method with the SVM was used for credit scoring (Xu et al., 2009). Setiono et al. (2009) used GA to optimize the KNN classification algorithm in credit scoring. Moreover, Yeh and Lien (2009) compared the data mining techniques, including KNN, LR, discriminant analysis, Naïve Bayes, ANN, and decision trees. Zhou et al. (2009) used direct search for parameters selection in the SVM classification algorithm. In a study by Ping and Yongheng (2011), neighborhood rough set and the SVM-based classifier were used for credit scoring. In another study (Kao et al., 2012), Bayesian latent variable model with classification regression tree was employed. Vukovic et al. (2012) used the preference theory functions in the casebased reasoning (CBR) model for credit scoring model. Danenas and Garsva (2015) applied particle swarm optimization (PSO) for the optimal linear SVM classifier selection in the domain of credit risk. As cited above, recently, the ensemble credit scoring models have been used in a number of researches. Tsai and Wu (2008) applied multilayer perceptron (MLP) neural network ensembles for the credit scoring problem. In an investigation by Nanni and Lumini (2009), an ensemble of classifiers, including bootstrap aggregating (Bagging), Random Subspace, Class Switching, and Random Forest, was involved in the credit scoring. In addition, the ensemble of classifiers, including ANN, decision tree, Naïve Bayes, KNN, and logistic discriminant analysis was applied by Twala (2010). Hsieh and Hung (2010) utilized bagging ensemble classi- fier, including ANN, SVM, and Bayesian network. In another study by Paleologo et al. (2010), the subagging ensemble classifier, including kernel SVM, KNN, decision trees, AdaBoost, and subagged classifiers, was used in the credit scoring. Wang and Ma (2012) proposed a hybrid ensemble learning approach using SVM as a base learner for enterprise credit risk assessment. Several studies have deployed the FS approach in their credit scoring models. Wang and Huang (2009) applied evolutionarybased FS approaches in a case study of credit approval data. Tsai (2009) compared five famous FS methods used in bankruptcy prediction, which were t-test, correlation matrix, stepwise regression, PCA, and factor analysis, in order to examine their performance by using MLP neural networks. Chen and Li (2010) proposed a combined strategy of FS approaches, including Linear Discriminant Analysis (LDA), rough set theory, decision tree, F-score and SVM classification model in credit scoring. In a research by Wang et al. (2012), the rough set and scatter search meta heuristic in FS were used for credit scoring. Chen (2012) developed an integrated FS and a cumulative probability distribution approach based on rough sets in credit rating classification. Hajek and Michalak (2013) suggested an approach to combine the mixed and individual FS methods with well-known machine learning models, such as MLP, radial basis function (RBF), SVM, Naive Bayes, random forest, LDA, and nearest mean classifier in corporate credit rating prediction. Oreski and Oreski (2014) presented a new hybrid GA with ANN to identify an optimum feature subset in order to increase the classification accuracy and scalability in credit risk assessments. Liang et al. (2015) deployed three filters including LDA, t-test, and linear regression, and two wrappers including GA and PSO based FS methods, combined with six different prediction models, namely linear SVM, RBF SVM, KNN, Naive Bayes, classification and regression tree (CART), and MLP under some experiments in bankruptcy and credit scoring datasets. The above-mentioned studies have been stated from three main viewpoints as follows: (1) General credit scoring studies (2) Ensemble credit scoring studies (3) FS based credit scoring studies. This article is differentiated from the rest of the papers due to the simultaneous consideration of these three viewpoints. It is worth mentioning that past studies have considered only one or two of these viewpoints. In addition, it should be stated that the main aim of this article is to propose a proper FS algorithm and an appropriate base and ensemble classifier via three types of evaluation approaches, i.e., the SVM classification accuracy (only for FS), classification accuracy, and the area under the receiver operating characteristic curve (AUC) for classifiers and parameters setting (for both) in the context of hybrid credit scoring model. Moreover, many studies have not examined the effect of several FS methods and classifier parameter setting on the credit scoring problem. As another distinguished aspect, on the basis of the aforementioned attentions, in the present paper, nine approaches are combined in order to build a new hybrid FS and ensemble learning credit scoring model. The proposed model is a combination of FS techniques and several base (single) classifiers and ensemble classifiers in the parametric (owing to the Naïve Bayes algorithm) and non-parametric approaches of credit scoring. The parameters setting of four FS algorithms and two types of classi- fication algorithms (base and ensemble) are used. For each FS algorithm, the performance is examined in terms of the SVM classification accuracy measure. The SVM is an influential learning method for classification problems. As cited by Brown and Mues (2012), “it is based on construction of maximum-margin separating hyper plane in some transformed feature space”. It should be indicated that SVM is one of the most popular techniques used in the literature. Then, SVM is utilized to evaluate the performance FS algorithms. Moreover, the classification algorithms are compared according to the classification accuracy and AUC measures. For experimental results, the dataset of the ‘Export Development Bank of Iran’ is used. In the hybrid model, four FS algorithms are used as follows: (1) PCA; (2) GA; (3) Information gain ratio; and (4) Relief algorithm. Furthermore, two types of classification algorithms prevalent in the previous studies are as follows: (1) Base classifi- cation algorithms: Naïve Bayes, CART decision tree, SVM, and ANN; (2) Ensemble classification algorithms: bagging, AdaBoost, random forest, and staking. The results can confirm that the hybrid model of credit scoring has a robust functioning in comparison with the other classification algorithms presented in this paper. As an abstract representation, the main contributions of this study reflected in the proposed model are as follows: 1. Providing a comprehensive study by comparing different FS methods and classifiers, with respect to the credit scoring problem. 2. Hybrid simultaneous use of three general, ensemble, and FS based credit scoring approaches. 3. Using FS algorithms and comparing their performance with the aid of the accuracy measure of the SVM classification algorithm and also the accuracy and AUC measures of the base and ensemble classifiers. 4. Employing the parameters setting procedures for FS and classification algorithms in order to improve the credit scoring performance with an iterative manner. 5. Simultaneous use and comparison of the base and ensemble learning classification algorithms in the proposed credit scoring model. 6. Using and comparing nine approaches of credit scoring models employed in the literature in an integrated framework. 7. Whereas credit scoring in the studies is mostly based on real customers, in the current study, the credit scoring model is built based on legal customers. This paper has been structured as follows. In Section 2, the related methods used in this paper are briefly described. In Section 3, the experimental design is presented, including the dataset description and pre-processing, performance evaluation, and development of the hybrid credit scoring model. By using a case study, the experimental results and discussions are elaborated in Section 4. Finally, Section 5 is devoted to the conclusions as well as the future recommendations of the paper.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. بعضی مثال ها از FAT مدرن
2.1. ESOs
شک و تردید بر روی حسابداری ESOs امروزه در حوزه های تکنولوژیکی درباره کاربردی بودن مدل بلک- چولز برای فراهم آوردن اطلاعات مرتبط درباره FV نقاط گسترش داده شده درجاییکه تلاش کردن مستحکم شده و در جاییکه ریسک می تواند بیشتر از تغلیظ شدن از یک پرتوفیلوی کاربردی بهینه شده که موارد خارجی شاید نگه دارد؛ برطرف شده است (راونسکرافت و ویلیامز 2009).
اما غالب ترین چیزیکه مورد توجه بوده بیشتر بوده در ذهن من این است که استاندارد (IFRS2 بین المللی- IASB 2004) در کل رفع شده است و در ابتدا بصورت مخالف در ایالات متحده و پس از آن در اروپا ادامه پیدا کرده اند (برای مثال زف، پیوست بروم ویچ، ماکو و ساندر 2010). بیش از این حسابداری ESO به نظر نمی رسد که مدل دارایی/ بدهی برای فیت کردن FASB/IASB متعلق به CF باشد و در ترم های ارتباط مقادیری برای شناسایی هزینه بدون شناسایی دارایی برای بهبود کارایی آینده که بازار مستحکم به دانش ظاهر می شود استفاده می شود. این تنها شناسایی نسبی جمع شدگی ESO می باشد (برای مثال گسترده شدن بدون مقادیر اندک برای سود دهی) به این معناست که ارزیابی هر انتخابی از حسابداری یا تغییر در استاندارد حسابداری در آن واحد مواجه با مشکلات اقتصادی از نوع بهترین دوم می باشد (لیپسی و لانکاستر 1956) برای مثال فیکس کردن تنها یک عنصر از مشکل می تواند ساخت مجموع شرایط بدتر را سبب شود (برای مثال لندسمن، پیسنل، پوپ و یه 2006).
بدین صورت متناقض است که در واقع هیچ تغییر کلی در خالص دارایی ها به رسمیت شناخته شده تحت سیستم IFRS2 / SFAS123R وجود ندارد که به عنوان هزینه بوده و به سادگی توسط افزایش در سرمایه پرداخت شده افست شده می باشد. بنابراین به نظر می رسد بعضی از مقادیر هرچه بیشتر ایده مرسوم مناسبی مطابق با ارائه مذکور می باشد. توجیهی برای این روش بوده و اسه وارم این موارد گفته شده است (ماکو 1998، کوکه و نوبز 1997).
اگر گزینه های موجود شکلی از جبران نمی باشند، پس چه هستند؟ اگر جبران خسارت یک هزینه نبوده باشد پس چه چیزیست؟ و اگر هزینه باید به محاسبه درآمد، جایی که در بازار بین المللی باشد باید آنها را به رفتن سوق داد؟
روشن است که تعاریف CF درآمد، دارایی ها و سایر عناصر اساسی می تواند به عنوان علائم راهنمایی باشد اما نمی تواندارائه پاسخ قطعی به پرسش های عملی مانند این باشد. این فرصت را برای IASB و FASB در نهایت به موفقیت در سال 2004 منجر شد و ساخت نیاز های توسعه یافته از گزینه های سهام احتمالا تا بحال بیشتر به کار تغییر در نگرش به شفافیت کسب و کار پس از شکست انرون می باشد (برای مثال ویلیام و جکسون 2008). به عنوان خلاصه ای از FASB’s SFAS 123R می توان به این نکات اشاره کرد:
در طول چند سال گذشته، حدود 750 شرکت دولتی به طور داوطلبانه به تصویب رسیده و یا قصد خود را برای اعلام اتخاذ روشی مبتنی بر ارزش عادلانه بیانیه 123 از حسابداری برای معاملات پرداخت مبتنی بر به اشتراک گذاری با کارکنان ارائه گردید.
هزینه (در سود گزارش شده کمتر) به شرکت با اتخاذ گزینه های درآمد در نتیجه می تواند به عنوان یک سند تفسیر شود که در آن ارقام حسابداری شرکت در حال حاضر معتبر می باشد. البته این موضوع نیز مشوق های جدید برای ایجاد انواع شرکت ها بصورت تحت گزارش که در آن هزینه یا به عنوان موارد آزاد و یا به دلیل بحران فوری اعتماد عمومی به زودی کاهش خواهد یافت (آبودی، باث و کاسزینک 2006).
درک نقاط تاریخی که تغییرات بوقوع پیوسته است در انتظارات اجتماعی وجود داشته و به نظر می رسد مشروعیت کسب و کار فراهم شده است. این موضوع که کنوانسیون جدید در حال حاضر می باشد که بیشتر مفید بوده و قابل قبول برای جامعه می باشد. تعارفات مفهومی نیروهای سیاسی که در نتیجه آن احتمالا برای حل و فصل مناقشه کافی بوده و در طول زمان مهم تر می باشند؛ برای دوره منتهی به این موضوع از نسخه های قبلی FASB از SFAS123 در سال 1998 استفاده کرده اند(به عنوان مثال، هیئت تدوین استانداردهای، 1997) و این است که می گویند که ملاحظات مفهومی بی ربط نیستند. وضوح ناهنجاری از به رسمیت شناختن نامتقارن هزینه ها و کمک هزینه در مقابل منافع آینده پیش بینی اضافه نشده و عامل دیگری (در کنار موارد دیگر مانند تحقیق و توسعه) که استحکام را تضعیف می کند، CF بوده که به عنوان “انجمن دارایی / مسئولیت اساسی می باشد و برای افزایش فرصت هایی برای مدیریت سود رسانی فعالیت می نماید (آتاناساکو، استرانگ و والکر 2011).

2.2. بدهی ها
راه های بسیاری هست که در آن بدهی دردسرساز برای حسابداری وجود دارد. در CF FASB در / IASB اساسا فقط تعریف شده که عنوان دارایی های منفی و FV خود به عنوان ‘قیمت خواهد بود که … پرداخت به انتقال مسئولیت منظم تعریف شده است. معامله بین شرکت کنندگان در بازار در تاریخ اندازه گیری مهم می باشد(IASB، 2011A). پژوهش حاضر تجدید نظر در IAS37 است. تصادفا بیش از آنچه که استفاده می شود به نام “بدهی های احتمالی مانند پرونده های حقوقی (قس مورلی، 2011) و در حال حاضر، متوقف می باشد. در اینجا من فقط به ذکر یک موضوع کلیدی می پردازم که دارایی / مسئولیت، رویکرد FASB / IASB به اندازه گیری تضعیف درآمد نمی باشد.

2.2.1. تغییرات ریسک اعتباری
چرا روشن نیست که حسابداری برای بدهی در FV استدلال در IASB برای پیش نویس قرار گرفتن در معرض (IASB، 2010a) نشان دادن می باشد. این موضوع همیشه مفید است. اگرچه مسئله ریسک اعتباری ناشی از هر زمینه ای بر اساس اندازه گیری، FV، که مفهومی به وضوح نیازمند تغییرات خطر اندازه گیری مجدد دارایی و بدهی می باشد اما باعث می شود موارد بیشتری سوال پیش آید. جنجال اصلی ناشی موضوع های مرتبط با گزارش مناسب از تغییر در ارزش درآمد واحد تجاری و یا سود با توجه به اندازه گیری محاسبه می شود. سه مشاهده در این جنبه مهم از استدلال مربوطه عبارتند از:
1) همانطور که توسط IASB اذعان شد، تغییرات در ریسک اعتباری عواقب ضد بصری برای درآمد خواهد داشت اگر این اندازه گیری به عنوان تغییر در FV باشد؛ مگر این که سقوط مکمل در ارزش دارایی نیز می تواند به رسمیت شناخته شود. تحقیقات تجربی اخیر توسط بارت، هادر، و استوبن (2008) ادعا می کند که در عمل، برای اکثریت «معمول» شرکت های آمریکایی، تجدید ارزیابی دارایی رو به پایین تاثیر بیشتر از اثر تغییر ارزش پول بدهی داشته و به یک اثر کلی مربوط به مقدار خالص رو به پایین در مقدار اکوئیتی 8 می باشد؛ اما حتی اگر اندازه گیری ها قبول گردد، این موضوع مهم ترین مسئله نیست. با این تعریف هر گزارش کاهش ارزش پول و دارایی(علاوه بر سقوط در تجدید ارزیابی دارایی به سمت بالا ناشناخته) ممکن است بزرگترین ضربه برای شرکت قبلا موفق باشد که به معنای کاهش ارزش حسن نیت داخلی ثبت نشده به عنوان افزایش ریسک اعتباری خود باشد (به عنوان مثال هورتون و ماکو 2000، ماکو 1984). پارادوکس منعکس شده این است که رتبه اعتباری را بهبود می بخشد. در حال حاضر FV افزایش می یابد بنابراین، با مقدار مازاد حسابداری، سود جامع کاهش یافته حتی اگر وضعیت مالی واحد تجاری در حال حاضر به طور کلی بهبود یافته باشد.
2) در مورد بدهی به نمایندگان قراردادی کسب و کار باید گفت، از جمله درآمد معوق برای قراردادهای بلند مدت این است که ناخرسندی گسترده با استفاده از FV وجود داشته و اغلب می تواند برای یک روز 1 سود وجود داشته باشد. آخرین FASB / IASB ED بر درآمد حاصل به رسمیت شناختن (IASB، 2011 بی) است و بنابراین نسبت به استفاده از FV در مورد این موضوع باعث ناراحتی اعضا گردیده (نگاه کنید به مثال، هورتون، ماکو، و سرافم، 2011؛ نوبز 9/0 (2011)) و بدیهی است که ناراحتی خود را باید حتی بیشتر در این ایده ابراز کنند که یک روز تعداد دو (یا بالاتر) سود می تواند به سادگی از طریق رتبه بندی اعتباری پیمانکار داشتن وجود داشته و پس از آن حالت بدتر بوجود آید (و در نتیجه FV مسئولیت آن کاهش یافته است).
3) مسائل حتی پیچیده تر با حقوق بازنشستگی و سایر مزایای پس از بازنشستگی و با بدهی بیمه عمر وجود دارد که باید حسابداری بر اساس انتقال فوری( (FV/CEVیا حل و فصل بیش از مدت (یعنی یک PV جریان نقدی اندازه گیری آینده) (به عنوان مثال هورتون، ماکو، و سرافیم10 (2007) باشد. در هر صورت، این موضوع از ریسک اعتباری، نیاز به توجه خاص دارد. از جانب نقطه نظر بازنشستگان و بیمه گذاران (و تنظیم کننده که عمل به این موارد برای محافظت و هدف برای اطمینان از آنها برای فولده جی، هارت و ماکو (1991) باید نهادهای این حمایت از ابتدا اجازه داده شود تا نشان دهند که بدهی های خود را کمتر می کنند؛ چرا که رتبه اعتباری خود را تا دادن بهبود در گزارش از موقعیت مالی فقط زمانی که آن را در واقع تبدیل به احتمال کمتری (در چشم انداز بازار) که آنها قادر به پرداخت آنها خواهند بود می باشد؟ این به احتمال زیاد بیشتر برای پنهان کردن واقعیت چیزی است که به بازنشستگان و یا بیمه گذاران امنیت بیشتری نسبت به آن نشان می دهند می باشد.
از طریق IASB انتقادات گسترده از DP اصلی بوده و اذعان شده است و در نهایت IFRS9 با نیاز به تجدید نظر که در آن گزینه ارزش منصفانه برای بدهی های مالی صورت گرفته است و تغییرات در ریسک اعتباری خود از P & L هستند؛ کنار گذاشته شود. حساب در دیگر سودهای جامع (OCI) شامل 11/0 می باشد؛ اما همین OCI است. در حال حاضر تمرکز بر موضوع بابت نگرانی بطور فزاینده وجود دارد و سبد که در آن تا به حال بیشتر از سود و زیان، خود دارایی بیش از حد دشوار ریخته می شود. هدف آن خطاب بطور مستقیم (به عنوان مثال هورتون و ماکو، 1996) می باشد؛ اما این پروژه مرتبط با FASB / IASB است در حال حاضر، سیستم متوقف بوده و در انتظار پیشرفت در مرحله تجدید نظر در کانادا می باشد (برای مثال IASB 2013، ماکو 2014).
به غیر از مشکل اصلی مشکل تغییر ریسک اعتباری (که در آن مشکل اساسی و مشکل دوم که در آن بهترین ناشی از این است که شکست در گزارش دارایی بسیار بیشتر بوده و ارزش نامشهود است که باید در جهت مخالف تغییر ایجاد کند) وجود دارد. مشکل مرتبط اما متفاوت ناشی از تغییرات در نرخ بهره که در آن بدهی با تخفیف به بازار در حال حاضر افزایش می باشد و ارزش دارایی که در این تغییرات، تغییرات در نرخ بهره بطور کلی صورت می پذیرد. در مورد مسئولیت هایی که ابزارهای مالی دارند، اگر آنها بر روی معامله FV کار کنند به خوبی مسائل مرتفع می شوند ( مسائل مربوط به هزینه های معامله). اگرچه این موضوع تا جایی که آنها معامله می شوند نیست، پارادوکس هیکس درآمد نداشتن من (تا مقدار تغییر؟) در مقابل، هیکس درآمد شماره دوم (تا درآمد نگهداری تغییر کرده است؟) را در تصمیم گیری چگونگی بسیاری مفیدی که به گزارش درآمد مفهومی مقاوم به درمان می باشد می رساند. به جای بحث بیشتر بر مفاهیم باید گفت، چیزی که مورد نیاز تمرکز بیشتر بر روی کنوانسیون مفید اجتماعی به اتخاذ / حفظ برای رسیدن به اهداف مالی چه می باشد گزارش نویسی (برای مثال بروم ویچ و همکارانش 2010، ریان 2012).

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
مقدمه
فرضیات تجربی
مشخصات مدل
مدل ها ی تجربی
روش شناسی اقتصاد سنجی
داده ها
نتایج تجربی
کنترل تجربی
پرتفولیوی وام با کیفیت، قیمت مسکن و خسارت وام
شاخص های قیمت مسکن جایگزین
روش ها و مشخصات جایگزین
نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1- مقدمه
بحر ان وام مسکن بی پشتوانه اخیر د ر ایالات متحده، نقش کلیدی ای که با زار مسکن د ر بی ثبات کردن سیستم مالی ایفا می کند، ر ا نشان داد. ا ز اواخر 1990 میلادی، افزایش ناگهانی د ر وام ها ی مسکن بی پشتوانه به دلیل نرخ بهره پایین و استاندارد ها ی ضعیف وام دهی بوده است. با ا ین حال، اگرچه کیفیت پرتفولیوی وام بانک ها با رشد ثابت وام ها ی مسکن بی پشتوانه تضعیف شده است، نرخ ها ی نکول به دلیل افزایش استهلاک قیمت مسکن، پایین بوده است. افزایش قیمت مسکن و نرخ نکول پایین موجب شده است تا بانک ها تشویق به سرمایه گذاری سنگین د ر با زار املاک شوند و ا ین د ر نها یت منجر به ایجاد یک حباب فرضی د ر املاک شده است.
فروپاشی حباب املاک و مستغلات موجب شده است تا فشار زیادی بر روی بانک ها ی د ر معرض با زار ها ی املاک و مستغلات قر ار گیرد. به طور اخص ، بسیاری ا ز موسسات بانک داری ا ز کمبود نقدینگی به دلیل افزایش ناگهانی د ر وام ها ی مسکن خنث رنج می برند. د ر حقیقت، افت قیمت مسکن منجر به تضعیف ارزش وثیقه ها ی املاک شده است و بسیاری ا ز وام دهندگان بی پشتوانه ر ا ر ا تشویق به نکول با زپرداخت ها ی وام کرده است. نرخ نکول بالاتر به نوبه خود منجر به انقباض اعتبار و تضعیف استاندارد ها ی وام دهی د ر بانک ها می شود. د ر نتیجه، تقاضای مسکن به طور قابل توجهی کاهش یافته است و ا ین د ر حالی است که عرضه مسکن به دلیل افزایش تعداد سلب حق مالکیت املاک، افزایش یافته است. عدم توا زن بین عرضه و تقاضا موجب کاهش قیمت ها ی مسکن شده و منجر به تشدید شر ایط با زار اعتباری می شود. ا ین مسئله به شدت بر اقتصاد واقعی اثر گذاشته و منجر به افزایش نرخ نکول د ر همه انواع وام ها شده است.
شکل 1 ر ابطه بین قیمت مسکن ر ا د ر ایالات متحده، وام ها ی بانکی و وام ها ی خنث نشان می دهد. بدیهی است که یک ر ابطه نزدیک بین قیمت ها ی مسکن، سطح وام انباشته و NPL انباشته د ر سیستم بانکدار ی امریکا وجود دارد. به عبارت دیگر، افزایش قیمت مسکن با افزایش وام و نرخ نکول پایین مرتبط بوده است، د ر حالی که NPL زمانی افزایش می یابد که قیمت مسکن و وام انباشته کاهش می یابد. به علاوه، شکل 1 نشان می دهد که پویایی NPL د ر میان انواع مختلف وام و انواع بانک ها متغیر بوده است. به طور اخص، بدیهی است که اثر نوسانات وام مسکن بر روی تسهیلات مستغلات و املاک د ر مقایسه با وام ها ی دیگر بیشتر است. ا ز ا ین روی بدیهی است که د ر مقایسه با موسسات پس اندا ز و قرض الحسنه، بانک ها ی تجاری ا ز خسارت و زیان وام زیاد د ر پاسخ به شر ایط با زاری نامطلوب رنج می برند.
د ر ا ین ر ابطه، بدیهی است که د رک شیوه تاثیر گذاری قیمت مسکن بر روی کیفیت پورتفولیوی وام ا ز اهمیت زیادی بر ای موسسات مالی و نهاد ها ی نظارتی علاقه مند به حفظ پایداری مالی برخوردار است. بر همین اساس، ا ین مطالعه ا ز مدل ها ی داده ها ی ترکیبی پویا بر ای بررسی تجربی اثر نوسانات وام مسکن بر روی تغییر ات NPL د ر بانک ها ی امریکا استفاده می کند. ا ین تحلیل با بررسی ا ین که آیا ا ین ر ابطه د ر انواع وام ها و بانک ها ی مختلف نیز تغییر می کند، بسط داده شده است.

ا ین مقاله، به شیوه ها ی مختلف به کامل تر شدن منابع و مطالعات موجود کمک می کند. اولا، ما به طور ویژه به بررسی اثر نوسانات قیمت مسکن بر روی کیفیت پورتفولیوی وام ها د ر سطح بانک می پردا زیم. کار ها ی تجربی موجود بر نقش قیمت ها ی مسکن د ر بی ثبات سا زی سیستم بانکداری به طور کلی متمرکز هستند( رینهارت و ر اکوف 2008، بارل و همکار ان 2010)، د ر حالی که اثر قیمت ها ی مسکن بر روی کیفیت پورتفولیوی وام د ر تک تک بانک ها کم تر بررسی شده است. پان و وانگ(2013) د ر ر ابطه با ا ین بعد خاص ا ز تحلیل، به بررسی اثر ات رشد د ر امد بر روی ر ابطه بین قیمت ها ی مسکن و NPL می پردا زد. با ا ین حال، پان و وانک(2013)، تنها اثر غیر متقارن قیمت ها ی مسکن ر ا بر روی وام ها ی خنث د ر نظر گرفته است، د ر حالی که سایر عوامل موثر بر ریسک خطا می تواند اثر ات نامتقارن بر روی نرخ نکول داشته باشد. د ر ا ین مطالعه تجربی، اثر ات نامتقارن بالقوه عوامل ریسک اعتباری بر روی نرخ نکول با بررسی پویایی NPL د ر طی دوره ها ی زمانی مختلف بررسی می شود.
دوما، تا آنجا که می دانیم، ا ین اولین مطالعه ای است که به بررسی ا ین می پردا زد که چگونه انواع وام ها ی مختلف تحت تاثیر نوسانات قیمت مسکن قر ار می گیرند. استفاده ا ز NPL ترکیبی بر ای بررسی ر ابطه بین قیمت مسکن و کیفیت پورتفولیوی وام ر ا می توان به صورت تغییر ترکیب پورتفولیو ها ی وام د ر موسسات مختلف به چالش کشاند( لوسیز و همکار ان 2012). به علاوه، شکل 1 نشان می دهد که پویایی NPL تفاوت معنی داری د ر انواع مختلف وام ها با نوسانات قیمت مسکن بر ای توسعه اطلاعات بر ای نهاد ها ی تنظیم کننده و نظارتی مالی بر ای ار ایه شیوه ها ی بهتر بر ای بانک ها با ترکیبات پرتفوی وام وجود دارد.
سوما، تفاوت ها ی بالقوه بین عوامل موثر بر وام ها ی خنث د ر انواع مختلف موسسات سپرده گذاری امریکا، علی رغم اهمیت ها ی نظارتی و قانونی آن ها ناشناخته باقی مانده است. استدلال بر ا ین است که سیاست ها ی وام دهی یک بانک بر نگرش خطر و ریسک آن اثر می گذارد و ا ین به نوبه خود بستگی به ساختار سا زمانی و ماموریت آن دارد. به علاوه، همان طور که د ر شکل 1 نشان داده شده است، تفاوت ها ی عمده ای بین پویایی وام ها ی خنث و SI با گذشت زمان وجود دارد. ا ز ا ین روی، ا ین مطالعه با بررسی ا ین که آیا اثر قیمت ها ی مسکن بر روی تکامل وام ها ی خنث د ر دو نوع موسسه سپرده گذاری CB-SI متغیر است یا خیر، به تقویت منابع و مطالعات فعلی د ر خصوص ریسک اعتباری کمک می کند.
د ر نها یت، ویژگی دیگر ا ین مقاله ا ین است که ما ریسک اعتبار- قیمت مسکن ر ا بر اساس داده ها ی سطح دولتی و د ر طی شر ایط اقتصاد کلان مختلف ارزیابی می کنیم. استدلال بر ا ین است که پویایی قیمت مسکن هم د ر مقیاس زمانی و هم د ر مقیاس مکانی متفاوت است. به طور ویژه، علی رغم افزایش قیمت مسکن د ر امریکا، الگو ها ی قیمت مسکن د ر میان ایالت ها ی مختلف غیر یکنواخت باقی مانده است. اگرچه برخی ایالات نظیر کالیفرنیا و فلوریدا، تغییر ات معنی داری ر ا د ر قیمت مسکن تجربه کرده اند، برخی ا ز ایالات نظیر ورمونت و مونتانا، تنها تحت استهلاک شدید قیمت مسکن قر ار گرفته اند و برخی دیگر، نظیر جرجیا و میشیگان، تنها با کاهش ها ی قابل توجه د ر طی دوره افزایش قیمت مواجه شده اند. ا ین تغییر ات معنی دار د ر قیمت ها ی مسکن منطقه ای منعکس کننده تفاوت ها د ر عرضه و تقاضای با زار مسکن است که به نوبه خود بر عوامل جمعیت شناختی و اجتماعی و فرهنگی شر ایط اقتصادی محلی، قوانین منطقه ای و سیستم ها ی مالی محلی اثر دارد. اگرچه ا ین عوامل نقش مهمی د ر تنوع خطر اعتباری د ر ایالات متحده دارند، اثر تغییر ات زمانی و مکانی د ر قیمت مسکن بر روی تغییر ات ریسک اعتباری به شدت د ر منابع و مطالعات نادیده گرفته شده است. ا ز ا ین روی ما به بررسی اثر نوسانات قیمت مسکن سطح ایالتی بر روی تکامل NPL د ر طی شر ایط اقتصاد کلان می پردا زیم.
اساسا، نتایج تجربی نشان می دهد که قیمت مسکن اثر معنی داری بر روی کیفیت پرتفوی وام بانک دارد. به طور ویژه، یک ر ابطه قوی منفی بین تغییر ات د ر قیمت مسکن و تکامل NPL د ر تک تک بانک ها وجود دارد و ا ین موید ا ین است که قیمت مسکن یک شاخص کلیدی است. بارل و همکار ان(2010). ما هم چنین به ا ین نتیجه رسیدیم که اثر قیمت مسکن بر روی وام خنث د ر طی شر ایط اقتصادی نامطلوب، عمیق تر است. د ر حقیقت، ما نشان می دهیم که عوامل سیستمی و خاص بانکی ، اثر غیر متقارنی بر روی زیان وام د ر طی شر ایط اقتصادی مختلف دارند. ا ین یافته مهم مکمل و غنی کننده مطالعات ریسک اعتباری است( پان و وانگ 2013.) به علاوه بر خلاف مطالعات قبلی د ر زمینه بانک داری، ما نشان می دهیم که اثر قیمت مسکن بر روی زیان وام تغییر ات معنی داری ر ا د ر انواع وام ها ی مختلف نشان می دهد. به طور ویژه، ما نشان می دهیم که افت قیمت مسکن منجر به زیان وام بیشتر د ر پرتفولیوی وام مستغلات می شود و ا ین به طور ضمنی بیانکر آن است که بانک ها ی با وام املاک بیشتر، با محدودیت ها ی مالی بیشتری د ر صورت افت قیمت مسکن مواجه می شوند. نتایج تجربی ما نشان می دهد که اثر قیمت ها ی مسکن د ر میان بانک ها ی مختلف متغیر است. به طور ویژه، ما نشان می دهیم که CB به افت قیمت مسکن به شدت حساس است، و ا ین د ر حالی است که SI بیشتر بر وام ها ی مسکن متمرکز می باشد. نتایج نشان می دهد که اثر قیمت مسکن بر روی زیان وام بسته به کیفیت پرتفوی وام متغیر است. به عبارت دیگر، پرتفوی وام با کیفیت پایین تر به نوسانات قیمت مسکن حساس تر است. ا ین یافته موید ا ین است که یک ر ابطه چرخه ای بین قیمت مسکن، رفتار وام دهی بانک ها و زیان وام وجود دارد. د ر نها یت ما نشان می دهیم که یافته ها ی کلیدی ما زمانی ثابت هستند که ما به ارزیابی استواری نتایج با استفاده ا ز شاخص ها ی مختلف مسکن روش ها ی اقتصاد سنجی مختلف و مشخصات مدل بپردا زیم.
ادامه ا ین مقاله به صورت زیر سا زمان دهی شده است. بخش دوم، یک پیش زمینه نظری ر ا ار ایه کرده و فرضیاتی که بایستی تحت ا زمون قر ار گیرد ر ا نشان می دهد. د ر بخش 3، مدل ها ی تجربه و روش ها ی بر اورد معرفی شده است. بخش 4، به توصیف داده ها می پردا زد و بخش 5 مربوط به بحث نتایج تجربی د ر خصوص هر فرضیه است. د ر بخش 6، ما یافته ها ی مربوط به ا زمایشات تجربی ر ا کزارش می کنیم. بخش 7 د ر بر گیرنده نتیجه گیری است.

بخشی از مقاله انگلیسی:

1. Introduction

The recent subprime mortgage crisis in the United States has demonstrated the key role that the housing market plays in destabilizing the financial system. From the late 1990s, there was a sharp increase in the subprime mortgages fuelled by low interest rates and lax lending standards. However, while the quality of banks’ loan portfolios was deteriorating by the constant growth of the subprime mortgages, the default rates remained artificially low due to the rapid house price appreciation. The booming house prices and low default rates encouraged banks to invest heavily in the real estate market, which eventually led to the creation of a speculative real estate bubble. The collapse of the real estate bubble exerted enormous pressure on the banks that were highly exposed to the real estate market. In particular, many banking institutions suffered from severe liquidity shortages due to a sharp increase in their nonperforming real estate loans. In fact, falling house prices undermined the value of real estate collaterals, which motivated many subprime mortgage borrowers to default on their loan repayments. Higher default rates, in turn, led to credit contraction and tightening of the lending standards in banks.

As a consequence, the housing demand substantially dropped, while the housing supply was increasing due to the rising number of real estate foreclosures. The imbalances between supply and demand further reduced house prices and exacerbated deteriorating credit market conditions, which severely affected the real economy and led to high default rates across all loan categories. Fig. 1 demonstrates the relationship between U.S. house prices, bank lending, and nonperforming loans (NPL). It appears that there is a close relationship between house prices, aggregate loan level, and aggregate NPL in the U.S. banking system. In other words, rising house prices are associated with increased lending and low default rates, while NPL increase substantially when house prices and real estate lending drop. In addition, Fig. 1 shows that NPL dynamics vary significantly across loan categories and bank types. More specifically, it appears that the impact of house price fluctuations is much higher on real estate loans, compared to other loan categories. It also emerges that, compared to savings institutions (SI), commercial banks (CB) suffer from higher loan losses in response to deteriorating market conditions. Against this background, it is clear that understanding how house prices affect the quality of loan portfolios is of crucial importance to financial institutions and regulators interested in maintaining financial stability. Accordingly, this study uses dynamic panel data models to empirically investigate the impact of house price fluctuations on the evolution of NPL across U.S. banks. The analysis is further extended by examining if this relationship varies across different loan categories and different types of banks.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2.1 کنترل کردن
تابع خزانه داری شرکت ها معمولا یک مرکز هزینه است که توسط خزانه دار اداره می شود که به مامور ارشد مالی (CFO) گزارش می دهد. کمیته مدیریت دارایی ALCO) ) یکی از اعضای اصلی نظارت بر اجرا است که نماینده امور مالی، ریسک، خزانه و خطوط کسب و کار (LoB) است. کمیته ریسک هیئت ،نظارت مستقل بر تمامی ریسک های مادی، از جمله ریسک بازار،ریسک بودجه و نقدینگی، و ریسک سرمایه گذاری را فراهم می کند. در بعضی از بانک ها، نقش ALCO به عنوان کمیته مدیریت ترازنامه BSCO) ) گسترش یافته است ، که مهمترین کمیته ارشد اجرایی برای اتخاذ تصمیم گیری های استراتژیک و تاکتیکی مربوط به سرمایه، اهرم، بودجه، نقدینگی، احاطه سازی و سرمایه گذاری است.

2.2 نظارت مستقل
پیش از GFC، ریسک و حسابرسی داخلی عمدتا بر روی خطرات 1 ستونی بازل متمرکز بود و نظارت محدودی بر خزانه شرکت داشت. مدیریت ریسک و حسابرسی داخلی دارای منابع محدود و همچنین عدم مهارت و دانش فنی مناسب، نظارت مؤثر بر خطرات در خزانه شرکت بود. ریسک بازار در کتاب بانکداری ، سرمایه گذاری و خطر نقدینگی، خطر سرمایه گذاری و خطرات نقدینگی روزانه، ریسک های اصلی برای اکثر بانک ها بشمار می روند و موسسات نیاز به افزایش چارچوب مدیریت ریسک و قابلیت های حسابرسی داخلی برای ایجاد محیط نظارت و کنترل موثر دارند.
پیشنهادات اصلاحات نظارتی به منظور بهبود چارچوب مدیریت ریسک، از جمله افزایش انتظارات کمیته مدیریت ریسک و نقش ماموراصلی ریسک (CRO) در نظارت بر مدیریت ریسک در کل شرکت، سیاست ها و چارچوب سازمان، مورد توجه قرار می گیرد. علاوه بر این، تمرکز فزاینده ای در مدیریت ریسک نمونه در خزانه شرکت و اطمینان از اینکه تمام مدل های کلیدی فهرست بندی شده و تحت استانداردهای توسعه و اعتبار مدل قراربگیرند وجود دارد.
به طور خاص برای ریسک نقدینگی، انتظار می رود عملکرد تابع مدیریت ریسک کفایت و اثربخشی فرایند مدیریت ریسک نقدینگی و تایید بیانیه ریسک اشتغال؛ تأیید مستقل تست فشار- سناریو، مفروضات، روش و نتایج؛ و تصویب طرح بودجه احتمالی را بررسی کند. علاوه بر این، هرگونه فرضیه درون خزانه داری که ممکن است به عنوان یک مدل طبقه بندی شود، باید برطبق استانداردهای توسعه مدل و اعتباربخشی مستقل در چارچوب حاکمیت مدل اعمال شود. برای تأمین بودجه و ریسک نقدینگی، بانک ها تلاش کرده اند تا به روشنی تعریف کنند که کدام پیش فرض ها به عنوان یک مدل طبقه بندی شده اند. به عنوان مثال، روش سپرده عملیاتی برای سپرده عمده فروشی به عنوان یک مدل برای محاسبه LCR (نسبت پوشش نقدینگی) طبقه بندی شده است، در حالی که محاسبه LCR به طور کلی به عنوان یک مدل طبقه بندی نشده است.

2.3 بانکداری جهانی، ملاحظات کلیدی
برای بانک های جهانی، مدل عملیاتی باید تعادل مناسب بین تمرکز و عدم تمرکز و نقش خزانه داری منطقه ای، ایالتی یا قانونی در مقابل خزانه شرکت های بزرگ را در نظر بگیرد . مدل عملیاتی باید نقش ها و مسئولیت های بین خزانه داری شرکت، LoB و اشخاص حقوقی LE) ) را تعریف کند. به طور معمول، بانک ها به وسیله LoB به عنوان لایه مدیریت اولیه ونیز منطقه یا کشور به عنوان لایه ثانویه سازماندهی می شوند. با این حال، با افزایش محدودیت های قانونی بر اساس نهاد قانونی و صلاحیت، خزانه ی شرکت مجاز به بازبینی دیدگاه متمرکز بر LoB آن است.

2.4 تاثیر اصلاحات ساختاری
دستورالعمل اصلاحات ساختاری که شامل جداسازی بانکداری خرده فروشی و تجاری از بانکداری سرمایه گذاری و صدور مجوز بانکداری (که به عنوان یک شرکت فرعی و نه یک شعبه عمل می کند)می باشد، تأثیر قابل توجهی بر مدل عملیاتی خزانه داری خواهد داشت. دستورالعمل اصلاحات ساختاری منجر به یک چشم انداز بانکداری جهانی متلاشی و خرد شده و منجر به سرمایه گذاری، تأمین مالی و نقدینگی می شود که در آن یک بانک جهانی به جای سطح گروه یکپارچه شده نیاز به نگهداری منابع “قفل شده” در یک سطح نهادی و صلاحیت قانونی دارد. بانک همچنین با انتظارات نظارتی و تنظیمی در مورد مدیریت ریسک و مدیریت در سطح LE و همچنین نظارت بیشتر و”سنگین تر” در کشور میزبان روبرو خواهد شد.

2.5 نقش خزانه داری نهاد / کشورقانونی
برای مقابله و سروکار داشتن با این محیط نظارتی جدید، بانک ها مجبور خواهند شد ظرفیت خزانه داری خود را در سطح LE برای هر حوزه قضایی، که توسط LE و یا خزانه دار کشور هدایت می شود ارزیابی کنند. خزانه دار LE به مسئول هیئت مدیره LE و تیم مدیریتی LE پاسخگو خواهد بود و باید قادر باشد به طور مستقل از عملکرد خزانه شرکت، به ویژه در یک سناریوی استرس، کار کند. به عنوان مثال، رگولاتوریا تنظیم کننده کشورمیزبان انتظار دارد که خزانه دار LE برروی دارایی های نقدی با کیفیت بالا (HQLAs) که در یک سطح LE حفظ می شود، کنترل داشته باشد و منافع LE (در برابر شرکت مادر) را در یک سناریوی استرس، اولویت بندی کند. علاوه بر این، تنظیم کننده کشور میزبان انتظار دارد که خزانه دار LE الزامات کفایت سرمایه گذاری LE را قبل از بازگشت درآمد به شرکت مادر در یک کشور و حوزه خارجی ارزیابی کند. علاوه بر برآورده شدن الزامات قانونی کشورمیزبان ، خزانه دار LE نیز مسئول اجرای خزانه داری شرکتی و چارچوب مدیریت ریسک و سیاست های موجود درونLE خواهد بود.

2.6 نقش خزانه داری LoB
خزانه داری LoB باید گزارش های دوگانه به خزانه داری شرکت و مدیریت LoB داشته باشد و مسئول شناسایی و اندازه گیری ریسک بازار در دفتر بانکداری و ریسک نقدینگی درون LoB و همچنین هماهنگی با خزانه شرکت در مدیریت و کاهش ریسک باشد.
علاوه بر این، خزانه داری LoB باید درک قوی از ویژگی های قراردادی و رفتاری مشتریان، محصولات و ابزارهای مالی داشته باشد و به خوبی ازمعیارهای ریسک اصلی خود یعنی منحنی پیش پرداخت در مورد وام یا ریسک بازپرداخت سپرده های دوره ای اگاهی داشته باشد. ایجاد واضح سازی و شفافیت در مورد مالکیت ریسک برای ریسک بازار در دفتربانکداری و ریسک نقدینگی بین خزانه شرکت و LoB ها، و هم تراز کردن چارچوب قیمت گذاری انتقال سرمایه (FTP) با مالکیت ریسک از اهمیت ویژه ای برخوردار است.

2.7 جهانی فکر کنید : یک خزانه داری
به رغم افزایش سرمایه گذاری بانکداری جهانی، هماهنگی جهانی فعالیت های خزانه داری برای تضمین استانداردها و شیوه های سازگار در سراسر عملیات جهانی و استفاده موثر از منابع مالی (سرمایه و نقدینگی) حیاتی خواهد بود. برای مثال، هدر دادن بودجه و ریسک نرخ بهره برای تمام ارزهای اصلی باید توسط خزانه شرکتی به منظور استفاده از شبکه داخلی، و حذف فرصت های داوری داخلی ، هماهنگ شود. به طور مشابه، یک چارچوب FTP جهانی برای تجربه مشتری پایدار و قیمت گذاری برای یک ترکیب جهانی که دارای نقاط مشترک ارتباطی و تعاملات با بانک است، بسیار مهم است.

3. ستون های عملکردی
مدیریت دارایی – بدهی ALM، تامین مالی و FTP و مدیریت نقدشوندگی، مدیریت سرمایه و مدیریت سرمایه گذاری، پایه های اصلی عملکرد خزانه شرکتی در یک بانک است. علاوه بر این، با افزایش تقاضا بطور موازی، خزانه داری شرکتی نقش مهمی در بهینه سازی وثیقه در سراسر بانک خواهد داشت.
قبل از GFC، اکثر بانک ها ستون های عملکردی را به صورت “silo” مدیریت می کردند و در از بین بردن وابستگی ها – به عنوان مثال، تأثیر ریسک اعتباری در مورد ریسک پیش پرداخت شکست خوردند. CCAR / ICAAP2 و الزامات تست های فشارسازمانی شروع به گرفتن برخی از وابستگی های متقابل به عملکرد در سراسر خزانه، مالی و ریسک می کنند. با این وجود، بانک ها یک سفر طولانی در پیش رو دارند، و خزانه داری “سیلو”، اطلاعات ریسک و مالی و معماری فناوری اطلاعات همچنان یک مانع اصلی برای مدیریت ترازنامه یکپارچه بشمار می روند.

چه عواملی باعث گسترش نرخ بهره بانک های تجاری می شوند؟ شواهد تجربی از کنیا

What factors drive interest rate spread of commercial banks? Empirical evidence from Kenya

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1955

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی:

درطي چند سال گذشته يك بحث گسترده بين افراد متخصص و دانشگاهيان راجع به اينكه آيا يك روش مديريت پورتفوليو مي تواند با بانكها در مديريت بهتر ريسك سرمايه كمك كند و اينكه چگونه روش مديريت پورتفوليو براي سهام داران ارزش ايجاد مي كند، وجود داشته است . در اين مقاله ، نويسندگان مي گويند كه چهار محرك وجود دارد كه بانكها را ملزم مي كنند كه به هنگام مديريت دارائي هاي اعتباري از حالت معاملاتي به يك روش كه بيشتر شبيه به مديريت پورتفوليو است حركت كنند.

اين چهار محرك عبارتند از

: تغييرات ساختاري در بازارهاي اعتباري ، ناكارآمدي انتقال ريسك به بازارهاي وام دهي ، افزايش سطح بدهي در ايالات متحده و تغييرات پيشنهاد شده براي كفايت سرمايه . نويسندگان در ادامه هيچ تغيير همزماني در قواعد مربوط به كفايت سرمايه مشاهده نكردند به عنوان اولين قدم آنها به سمت همگرايي بين ريسك سرمايه و ترتيب سرمايه براي ريسك سرمايه حركت كرده اند اين تغييرات مستلزم آن است كه بانكها به تلاشهاي خود براي ايجاد اولين كلاس از مهارتها و توانمنديهاي مديريت پورتفوليو شتاب دهند ، به كسب بهترين روش مديريت پورتفوليوي اعتباري از طريق فرصتهاي جذاب براي ايجاد ارزش سهامداران و قادر شدن بانكها در رقابت موفقيت آميز ، پاداش داده مي شود.
كلمات كليدي : قواعد سرمايه، مديريت پورتفوليو ، ريسك اعتباري
1- دلايل عمل : نياز به ايجاد توانمنديهاي مفهومي مديريت پورتفوليوي اعتباري
مديريت ريسك اعتبار در معرض تغييرات عمده قرار گرفته است . اين تغييرات باعث تحت تأثير قرار گرفتن روند رقابت در بازارهاي اعتباري ، ايجاد فرصتهايي براي بانكهايي كه اولين مزيت ها را حفظ مي كنند ، مي شود .
يكي از فرصتهاي ايجاد شده ، حوزه مديريت پورتفوليوي اعتباري است . در حالي كه بسياري از بانكها اولين تجربيات خود را با اين مفهوم جديد ايجاد كرده اند و مسئوليت هاي سازماني را براي اجراي آن تنظيم كرده اند ما تصور مي كنيم كه نياز زيادي براي شتاب دادن به اين تلاشها وجود دارد علي الخصوص ما چهار محرك كليدي را مشاهده مي كنيم كه باعث حركت سريع بانها به سوي يك موقعيت رقابتي تر ميشود.
2- محرك كليدي شماره 1 : تغييرات ساختاري در بازارهاي اعتباري
در طي چند سال گذشته بازارهاي جهاني اعتباري تغييرات شگرفي داشته اند آنها اصولاً مسير و رقابت را در بازارهاي اعتباري تغيير داده اند و استراتژي هاي جديدي رابراي حفظ رقابت الزامي كرده اند ما چهار تغيير ساختاري مهم را شناسايي كرده ايم:
افزايش رقابت مخصوصاً در بازارهاي اعتباري سطح پائين.
بطور كلي رقابت در بازارهاي اعتباري بقا را افزايش داده است. علي الخصوص اين مطلب براي وام دادن به همكاران سطح پايين صحيح مي باشد. ‹مثلاً تأمين مالي با بهره بالا› دو گرايش براي اين توسعه وجود دارد ، اول بانكها سرمايه گذاري متعددي براي تأمين مالي اهرمي و وام دهي بدون سرمايه گذاري وارد بازار شده اند ، دوم بسياري از بانكهاي تجاري در تلاش براي برآورده ساختن انتظارات ROE تحليل گران سرمايه و سهام داران ، فعاليت هاي وام دهي خود را به بخش پايين تري از مقدار مجاز گسترش داده اند.
ريسك معاملات اعتباري : در طي 5 سال گذشته ، بازار براي خريد و فروش ريسك اعتباري ، چه از طريق مشتقات اعتباري و چه از طريق تعهدات وثيقه اي وام / بدهي ‹CDOS/CLDS› رشد فزآينده اي داشته است . اين بازارهاي جديد ‹ › مديريت پورتفوليوي اعتباري را از يك روش اندازه گيري آكادميكي به يك ابزار مديريتي قوي كه بطور فعال پروفايل ريسك/ پاداش را شكل مي دهد ، تبديل كرده اند.
پيشرفت قابل ملاحظه در اندازه گيري ريسك اعتبار:
ظهور مقدماتي خريد و فروش ريسك اعتبار به صورت رشد سريع ابزارهاي جديد اندازه گيري ريسك اعتبار بود ‹همانند jpmorgan’screditmetrice credit sius se’s creditRiskPlus or mckinsey’s creditpoytfolio view›
اين ابزارهاي جديد اندازه گيري اعتبار را براي دوروش اجرايي متنوع مي كند . اول آنها به ايجاد شفافيت حول ريسك واقعي پورتفوليوهاي وام دهي كمك مي كند ، دوم آنها به كمي كردن ارزش روشهاي ديگر مديريت پورتفوليو همانند مبادله پورتفوليو يا بكار گيري مشتقات اعتباري كمك مي كند .
سرمايه گزاران تمايل بيشتري رابراي اعتبار نشان مي دهند.
در طي چند سال گذشته سرمايه گذاران مؤسسه اي اشتياق بيشتري را براي ريسك اعتبار نشان داده اند . امروزه ما طيف گسترده اي از خريداران ريسك اعتبار شامل صندوق بازنشستگي ، بيمه گران ، بيمه شوندگان وجوه انباشته و در برخي حالات بخشهاي خزانه شركت را مشاهده مي كنند . اين چهار تغييرات ساختاري تأثير مهمي بر روي شكل گيري مجدد بازار هاي وام دهي دارنده بهترين نمونه هاي عملي آنهايي هستند كه از اين تغييرات ساختاري براي تغيير از نمونه قديمي ‹ايجاد كردن و نگه داشتن› و تعويض آن با يك روش فعال تر مديريت پورتفوليو استفاده مي كنند . اين روش جديد تلاش مي كند كه بطور مثبت وضعيت ريسك/پاداش پورتفوليو هاي وام دهي را تحت تأثير قرارداده و همزمان با آن ناكارآمدي هاي پورتفوليو را حذف كند. به عبارتي فني تر هدف آن است كه پورتفوليو هاي وامدهي تا آنجايي كه ممكن است به مرز كارآمدي كه بوسيله دو بعد ‹ريسك› و ‹پاداش› ايجاد شده است نزديك شود.
3- محرك كليدي شماره 2 : فرصتهايي براي حذف ناكارآمديها در بازار وادهي .
پورتفوليو هاي وادهي بعلت استفاده آنها از ريسك سرمايه اغلب ناكارآمد هستند ، دلايل براي اين ناكارآمديها زماني روشن مي شود كه مقايسه اي بين ريسك انتقال در بازار وام دهي با صنعت وام دهي انجام گيرد.‹شكل 1 را ببينيد›
بازار بيمه داراي يك سيستم بسيار حرفه اي و چند لايه از ايجاد ريسك و انتقال آن مي باشد . درمجموع هدف آن اين است كه از ريسك ناخواسته به شكل يك رويداد مخاطره اي واحد يا انواع مخاطرات به هم پيوسته اجتناب شود.قلب اين سيستم متكي بر يك روش مديريت پورتفوليو است كه به صورت تلويحي به نتايج توزيع زيان توجه دارند بنابراين شركتهاي اوليه بيمه ريسك كليه پورتفوليو را مورد بررسي قرار داده و لايه ها يا بخشهايي از ريسك را كه مي بايست منتقل شوند را مشخص مي كنند. براي جذب اين بسته اي متمركز شده ريسك ، ما يك لايه اضافي از انتقال ريسك را به فرم شركتهايي كه مجدداً بيمه شده اند تعريف مي كنيم . ماهيت كلي و تنوع اين پورتفوليوها شركتهايي كه مجدداً بيمه شده اند را قادر مي سازند تا ريسكهاي متمركز شده يا فوق العاده را جذب كنند همانند يك زمين لرزه يا ساير پوشش هاي فاجعه اي ديگر . شركتهايي كه مجدداً بيمه شده اند مجدداً تلاش مي كنند تا ازطريق مبادله ريسك ها با يكديگر ‹يعني retrocessions › يا اخيراً انتقال ريسك به بازارهاي سرمايه ‹مثلاً اوراق CAT› كارايي پورتفوليوي خود را افزايش دهند .
در صنعت بانكداري، ريسك موضوعي كاملاً متفاوت است. عمدتاً بانكها ريسك اعتبار را ايجاد و آنرا بطور كامل جذب مي كنند . اين روش كه عموماً به آن يك روش ‹ايجاد نگهداري› مي گويند شامل لايه مختلف ريسك كه از صفت بيمه يافت مي شود ، نمي باشد . بنابراين پورتفوليوي وام دهي بانكها اغلب نشان دهنده تمركز بالايي از ريسك محلي / منطقه اي است . با اينحال ، تحليل هاي يك كنيزي نشان مي دهد كه ريسك محلي اعتبار اغلب داراي همبستگي بالايي است كه مزاياي كسي به علت تنوع گران را براي بانكها در بازارهاي محلي اعتبار ايجاد مي كند‹شكل 2› را مشاهده كنيد.
بعلاوه ، بانكها عموماً داراي روابط وامدهي قوي با يك تعداد از شركتهاي بزرگ هستند كه تراكم قابل توجهي از ريسك را به فرم نامهاي واحد ايجاد مي كند.
اين دو عامل باعث مي شود پورتفوليوهاي اعتباري ناكارآمد همراه با نياز به ريسك بالاي سرمايه براي بيمه در مقابل رويدادهاي آنها ايجاد گردد .
با اين حال تغييرات ساختاري در بازارهاي اعتباري – همان گونه كه قبلاً گفته شده است – بانكها را قادر مي سازد تا با موفقت اين ناكارآمديها را مشخص كنند.
علي الخصوص ورود بازارها به معامله ريسك اعتباري و تمايل ريسك اعتباري سرمايه گذاران ، فرصتهاي مناسبي را براي بانكها ايجاد كرده است كه يك روش مديريت پورتفوليو را انتخاب كنند . بانكهاي حرفه اي تر پيشرفتهاي قابل ملاحظه اي در كاهش مؤثر ناكارآمديهاي پورتفوليو كرده اند . براي بانكهايي داراي تأخير هستند چالشهاي استراتژيكي و رقابتي بيشماري وجود دارد.
4- محرك كليدي شماره3: افزايش سطح بدهي درآمريكاي شمالي ووضعيت پيچيده براي بانكداريCEO ها
مقادير مطلق و نسبي بدهي براي بخش خصوصي و بدهي شركتها به سطوح ثبت شده رسيده بوده اند و در حال افزايش يافتن است اشكال 3و4 را مشاهده كنيد . علي الخصوص بخش بدهي با نرخ كمتر ‹junk› در ايالات متحده افزايش يافته است . در واقع برخي از بخشها در بازار وامدهي با ريسك بالا به سطح بي سابقه اي افزايش يافته اند ‹مثلاً حسابهاي حاشيه اي ، بدهي شركتي با بازده بالا زيان اوليه توليد است اعتباري ايجادشده را تحت پوشش قرار مي دهد.›
با توجه به آنچه كه اقتصاد جديد را احاطه كرده است و اقتصاد پوياي قوي مشاهده كنندگان كسي از بازار در مورد شركاي بازار در بكارگيري اين بدهي نگران هستند.
در حالي كه اينجا جاي مطرح كردن اين پرسش كه اقتصاد جديد تا چه اندازه واقعيت پيدا كرده است و يا اينكه آيا ما مي توانيم نرخ رشد فعلي اقتصاد را حفظ كنيم نيست ولي يكي از مشاهدات در رابطه با واقعي بودن آن مي گويد كه اگر در طي دو سال آينده ما يك كاهش اقتصادي را تجربه كنيم – يا حتي يك بحران اقتصادي- ما نه تنها وارد اين دوره چالشي جديد با سطح ثبت شده بدهي مي شويم بلكه با بخشي بي سابقه اي از بدهي سطح پايين يا ‹junk› مواجه مي شويم .
با توجه به اينكه در آينده حساسيت خاصي به شرايط اقتصادي وجود دارد ، نتايج جدي مي تواند بعداز نرخهاي پيش فرضي و تلفات اعتباري ايجاد گردد .
تاريخ نشان مي دهد كه چنين اهرم بدهي همواره باعث عواقب وخيم بعدي مي گردد. مثلاً junk bond crisis1989,japans realestate و bubble-depression off 1992 آنچه كه موقعيت امروزي را پر مخاطره مي سازد اين است كه بين نيروهاي اقتصادي محلي و جهاني يك وابستگي داخلي وجود دارد . شرايط بازار در سال 1998 در نظر بگيريد در آن سال يك نمايش واضح از الگوهاي همبستگي پيش بيني شده و وابستگي داخلي متقابل در بازارهاي بين المللي سرمايه مشاهده شده . اين الگوها باعث واكنشهاي زنجيره اي مي شود كه بسياري از مؤسسات مالي و سرمايه گذاران را متعجب مي كند . ثابت شده است كه روشهاي مديريت ريسك مؤسسات مالي در اثر موارد قادر به مشخص كردن اين حالت همبستگي پيچيده و بغرنج نمي باشد.
براي روشن شدن وابستگي دروني نيروهاي محلي و بين المللي امروزي اجازه بدهيد از يك مثال ساده براي مشخص كردن احتمال ديناميكهاي تجارت استفاده كنيم . سناريو زير نمونه اي از چندين حالتي است كه باعث نتايج جدي براي بازارهاي اعتباري مي گردد.
هر واكنش بازار سهام ‹يعني يك دگرسيون جزئي براي ميانگين ارزشگذاري بلند مدت سهام › مي تواند باعث كاهش هزينه كردن مصرف كننده ‹به علت تعداد مصرف كننده هاي با سرمايه گذاري بزرگ › و براي شركتهايي با دارائيهاي عظيم مالي ، كاهش درآمدهاي شركت گردد. از آنجائيكه هزينه كردن مصرف كننده يك عامل كليدي و مهم براي رشد آتيGDP است ، افت اقتصادي اكثراً غير قابل اجتناب است . بنا براين درآمدهاي شركت ممكن است بطور مشخص كاهش پيدا كند كه باعث بالاتر شدن هزينه هاي تأمين مالي مي گردد . اينچنين نتيجه اي مي تواند جريانهاي پولي خارجي را معكوس كنند‹كه در حال حاضر بخش قابل توجهي از بدهي مالي محلي را تشكيل مي دهند› و در نتيجه مجدداً باعث كمتر شدن نرخ مبادله دلار ‹ايجاد فشار بيشتر و تورم ناشي از كسري تجاري ما› و افزايش نرخهاي بهره مي گردد اين زماني خواهد بود كه يك حركت ثانويه درمارپيچ به سمت پايين ايجاد گردد: افزايش نرخ بهره باعث ايجاد مجموعه اي از نكولها مي شود كه مي تواند بانكها را در مصرفي استانداردهاي سخت اعتباري ‹مصوبات كمتر و يا نرخهاي بهره بالاتر› قرار دهد. بنابراين ، تعداد افراد ورشكسته نكولهاي شركت افزايش پيدا كرده و اين حركت مارپيچي شدت پيدا خواهد كرد.

بخشی از مقاله انگلیسی:

Abstract Over the past several years, there has been an extensive discussion among practitioners and academics about whether and how a portfolio management approach could help banks to better manage risk capital and create shareholder value. In this article, the authors argue that there are four key drivers which require banks to move from a transactional to a more portfolio management like approach when managing credit assets. These are: structural changes in the credit markets, ineciencies of risk transfer in lending markets, ballooning debt levels in the US, and the proposed changes for capital adequacy. The authors see the latter not as a one-time change in capital adequacy rules, but more as a ®rst step towards full convergence between risk capital and regulatory capital for credit risk. These changes require banks to accelerate their e€orts to build ®rst class portfolio management skills and capabilities. Achieving best practice credit portfolio management is rewarded with attractive opportunities for shareholder value creation and enables bank to successfully compete going forward. Ó 2001 Elsevier Science B.V. All rights reserved. JEL classi®cation: G11; G20; G21 Keywords: Capital regulation; Portfolio management; Credit risk Journal of Banking & Finance 25 (2001) 97±114 www.elsevier.com/locate/econbase * Corresponding author. Present address: Merrill Lynch, Investment Banking Division, Ropemaker Place, 25 Ropemaker Street, London EC2Y 9LY, UK. E-mail address: wolfgang_hammes@ml.com (W. Hammes). 0378-4266/01/$ – see front matter Ó 2001 Elsevier Science B.V. All rights reserved. PII: S 0 3 7 8 – 4266(00)00118-7 1. Reasons to act: The need for building meaningful credit portfolio management capabilities Credit risk management is undergoing major changes. These changes are likely to in¯uence the competitive conduct in the credit markets, providing opportunities for banks that secure a ®rst mover advantage. One of the emerging opportunities is the area of credit portfolio management. While many banks have made ®rst experiences with this new concept and have set up organizational responsibilities for implementing it, we do think that there is a strong need for accelerating these e€orts. More speci®cally, we see four key drivers, which are likely to reward fast moving banks with a better competitive position. 2. Key driver No. 1: Structural changes in the credit markets Over the past several years, the global credit markets have seen dramatic changes. They fundamentally changed conduct and competitiveness in the credit markets and required new strategies for sustaining competitiveness. We have identi®ed four key structural changes: Increasing competitiveness, particularly in lower grade lending markets. Overall, competitiveness in the credit markets has increased substantially. This is particularly true for lending to lower grade counterparties (e.g., leveraged ®nancing, high yield debt). There are two trends responsible for this development. First, several investment banks entered the market for leveraged ®nancing and non-investment-grade lending. Second, many commercial banks, in an e€ort to meet ROE-expectations of equity analysts and shareholders, expanded their lending activities to the lower part of the rating scale. Trading credit risk. Over the past ®ve years, the market for trading credit risk, either through credit derivatives or collateralized loan/debt obligations (CLOs/CDOs) has shown explosive growth. These new markets enabled the transformation of credit portfolio management from a rather academic measurement exercise into a powerful management tool that actively shapes the risk/reward pro®le of the portfolio. Signi®cant advancements in measuring credit risk. Preceding the emergence of credit risk trading was the rapid development of new credit risk measurement tools, such as JP MorganÕs Creditmetrics, KMVÕs Creditmonitor, Credit SuisseÕs CreditRiskPlus or McKinseyÕs Credit Portfolio View. These new measurement tools deserve credit for two key accomplishments. First, they helped create transparency around the real risk of lending portfolios. Second, they helped quantify the value of alternative portfolio management approaches, such as portfolio swaps or the employment of credit derivatives. 98 W. Hammes, M. Shapiro / Journal of Banking & Finance 25 (2001) 97±114 Investors show increasing appetite for credit risk. Over the past several years, institutional investors have developed an increasing appetite for credit risk. Today, we ®nd a wide spectrum of credit risk buyers, including pension funds, insurers/reinsurers, hedge funds, and, in some cases, corporate treasury departments. They all help to add sucient liquidity to the new credit risk markets. These four structural changes had a signi®cant impact on reshaping the lending markets. Best practice examples have leveraged these structural changes to deviate from the old “originate and hold” paradigm and substitute it for a more proactive portfolio management approach. This new approach strives to positively in¯uence the risk/reward pro®le of the lending portfolio and, along the way, remove portfolio ineciencies. In more technical terms, the stated goal is to move the lending portfolio as close as possible to the ecient frontier formed by the two dimensions of “risk” and “reward”.