Using A Neural Network-Based Methodology for Credit–Risk Evaluation of A Tunisian Bank

Abstract Credit–risk evaluation is a very important and challenging problem for financial institutions. Many classification methods have been suggested in the literature to tackle this problem. Neural networks have especially received a lot of attention because of their universal approximation property. This study contributes to the credit risk evaluation literature in the MENA region. We use a multilayer neural network model to predict if a particular applicant can be classified as solvent or bankrupt. We use a database of 1100 files of loans granted to commercial and industrial Tunisian companies by a commercial bank in 2002 and 2003. Our main results are: a good capacity prediction of 97.1% in the training set and 71% in the validation set for the non cash-flow network. The introduction of cash-flow variables improves the prediction quality to 97.25% and 90% respectively both in the in-sample and out-of-sample sets. Introduction of collateral in the model substantially improves the prediction capacity to 99.5% in the training dataset and to 95.3% in the validation dataset.

ملخص

يمثل تقييم مخاطر الائتمان مشكلة هامة تنطوى على تحد كبير للمؤسسات المالية. وقد اقترحت الأدبيات أساليب تصنيف كثيرة للتعامل مع هذه المشكلة. وتحظى الشبكات الإقليمية على وجه الخصوص بقدر كبير من الاهتمام نظرًا لما تتميز به من خاصية التقريب الشامل. تساهم هذه الدراسة فى أدبيات تقييم مخاطر الائتمان فى منطقة الشرق الأوسط وشمال أفريقيا. نستخدم نموذج شبكة إقليمية متعددة المستويات للتنبؤ بما إن كان يمكن تصنيف طالب قرض معين على أن لديه سيولة أم أنه مفلس. ونستخدم قاعدة بيانات من 1100 ملف لقروض منحت لشركات تجارية وصناعية تونسية من بنك تجارى فى عامى 2002 2003. النتائج الأساسية التى توصلنا إليها هى: قدرة تنبؤ جيدة بنسبة 97.1 % فى مجموعة التدريب وبنسبة 71 % فى مجموعة التأكيد لشبكة التدفق غير النقدى. يحسن إدخال متغيرات التدفق النقدى جودة التنبؤ إلى 97.25 % و 90 % على التوالى فى المجموعتين داخل وخارج العينة. يؤدى إدخال الرهن إلى النموذج إلى تحسن كبير فى إمكانية التنبؤ إلى 99.5 % فى مجموعة بيانات التدريب وإلى 95.3 % فى مجموعة بيانات التأكيد