3 نتیجه برای علی پور
مرتضی چشتی، محمدرضا لطفعلی پور، مهدی بهنامه، تقی ابراهیمی سالاری،
دوره 10، شماره 37 - ( 7-1398 )
چکیده
تراز پرداختهای بین المللی یکی از رایجترین معیارهای سنجش و اندازه¬گیری جریان مبادلات تجاری و انتقال سرمایه در یک اقتصاد باز است. سه جزء اساسی این تراز عبارتند از: تراز تجاری، حساب جاری (یا تفاضل بین صادرات و واردات کالا و خدمات) و حساب سرمایه. در این مطالعه جهت ارزیابی اثرات شوک های تراز پرداخت ها بر متغیرهای کلان اقتصادی در اقتصاد ایران از مدل خودرگرسیون برداری عامل افزوده FAVAR در دوره زمانی 1396-1368 استفاده شده است، فاکتورهای مورد استفاده در این مطالعه شامل رشد اقتصادی، درآمدهای نفتی، رشد حجم پولی، تورم، نرخ ارز و نرخ بهره است. نتایج بدست آمده بیانگر این بود که شوک وارد شده از ناحیه حساب جاری و حساب سرمایه منجر به افزایش در تولید، مصرف و سرمایه گذاری در اقتصاد شده است. همچنین واکنش متغیرهای بخش اسمی اقتصاد از قبیل نرخ تورم و نرخ بهره به شوک وارد شده مثبت بوده است. مقایسه نتایج بدست آمده از این مطالعه بیانگر این است که وارد کردن متغیرهای پنهان و فاکتورها در مدل منجر به واکنش سریع تر متغیرهای کلان اقتصادی به شوک وارد شده از ناحیه اجزاء تراز پرداخت ها بوده است.
محمود محمودزاده، مسعود صوفی، مرتضی علی پور،
دوره 16، شماره 60 - ( 6-1405 )
چکیده
با وجود گسترش کاربرد یادگیری ماشین در اعتبارسنجی، بخش مهمی از مطالعات داخلی همچنان بر مدلهای آماری سنتی و متغیرهای ایستا تکیه داشتهاند و کمتر به نقش دادههای واقعی رفتاری، تراکنشی و عملکرد بازپرداخت در پایش ریسک اعتباری پس از اعطای تسهیلات پرداختهاند. این پژوهش برای پوشش این خلأ، با استفاده از دادههای 119,050 تسهیلات اعطایی به مشتریان حقیقی بانک قرضالحسنه رسالت طی دوره 06/01/1401 تا 28/12/1402، عملکرد چهار مدل رگرسیون لجستیک تدریجی و الگوریتم LightGBM را در پیشبینی نکول اعتباری مقایسه میکند. متغیر هدف بر اساس تأخیر بیش از ۹۰ روز در بازپرداخت اقساط تعریف شد و مدلها با معیارهای AUC، Accuracy، Recall، F1-Score و Balanced Accuracy ارزیابی شدند. سهم دانشی پژوهش در ارائه شواهد تجربی از کارایی دادههای واقعی بانکی، تمرکز بر متغیرهای رفتاری و تراکنشی، مقایسه مدل کلاسیک و یادگیری ماشین، و تحلیل توان مدلها در شناسایی کلاس اقلیت در دادههای نامتوازن اعتباری است. نتایج نشان داد متغیرهای مرتبط با رفتار بازپرداخت، بهویژه تعداد اقساط معوق و مانده بدهی، مهمترین پیشبینیکنندههای نکول هستند. اگرچه مدل چهارم رگرسیون لجستیک با AUC برابر 0.98 عملکرد کلی بالایی داشت، اما در شناسایی مشتریان پرریسک بسیار ضعیف عمل کرد؛ بهگونهای که مقدار Recall آن تنها 0.12 درصد بود. در مقابل، LightGBM توانست 92.2 درصد مشتریان پرریسک را شناسایی کند و در معیارهای حساس به عدمتوازن دادهها عملکرد برتری نشان دهد. این یافته نشان میدهد که در دادههای نامتوازن، اتکای صرف به شاخصهایی مانند AUC و Accuracy میتواند گمراهکننده باشد و معیارهایی مانند Recall، F1-Score و Balanced Accuracy برای ارزیابی توان مدل در شناسایی مشتریان پرریسک اهمیت بیشتری دارند. بنابراین، در سناریوی پایش پس از اعطای تسهیلات، استفاده از الگوریتمهای یادگیری ماشین مبتنی بر دادههای رفتاری و تراکنشی میتواند چارچوب دقیقتر و قابل اتکاتری برای مدیریت ریسک اعتباری در بانکهای ایرانی فراهم کند.
وحید رضایی، محمد رضا لطفعلی پور، سید سعید ملک الساداتی، نرگس صالح نیا،
دوره 16، شماره 60 - ( 6-1405 )
چکیده
هدف اصلی این پژوهش، واکاوی اثرات نامتقارن شوکهای درآمد نفتی و نقش متغیرهای کلان پنهان بر تورم ۱۲ گروه اصلی کالاها و خدمات مصرفی در اقتصاد ایران طی دوره فصلی ۱۳۸۸ تا ۱۴۰۰ است. برای این منظور، از مدل خودرگرسیون برداری عاملی تعمیمیافته (FAVAR) استفاده شد که امکان ترکیب حجم گستردهای از اطلاعات اقتصادی و استخراج مؤلفههای پنهان اسمی و حقیقی را فراهم میکند. یافتههای تحقیق حاکی از آن است که واکنش تورم گروههای کالایی به شوک های درآمد نفتی ماهیتی نامتقارن دارد؛ به طوری که شوکهای مثبت درآمد نفتی از طریق سازوکار بیماری هلندی، منجر به افزایش قیمت نسبی در بخش کالاها و خدمات غیرقابل مبادله (نظیر بهداشت، مسکن و رستوران) میشود، در حالی که در بخش کالاهای قابل مبادله، وفور ارز در کوتاهمدت نقشی بازدارنده در رشد قیمتها ایفا میکند.
