کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5100626 1478915 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
What do a million observations have to say about loan defaults? Opening the black box of relationships
ترجمه فارسی عنوان
در مورد وام های پیش فرض چه چیزی باید یک میلیون مشاهده کرد؟ باز کردن جعبه سیاه ارتباطات
ترجمه چکیده
با استفاده از یک مجموعه داده منحصر به فرد از بیش از 1 میلیون وام ساخته شده توسط 296 بانک آلمانی، ما تاثیر بسیاری از جنبه های روابط مشتری-بانک را با نرخ پیش فرض وام بررسی می کنیم. تحقیقات ما نشان می دهد راه حل عملی برای کاهش پیش فرض وام برای مشتریان جدید: آیا مشتری یک حساب معاملاتی ساده - پس انداز یا حساب کاربری را باز کند. برای مدتی مراقب باشید و سپس تصمیم بگیرید که آیا وام را بدهید. وام های تحت این مدل به طور پیش فرض پایین تر است، زیرا بانک ها می توانند از اطلاعات تاریخی در مورد وام گیرندگان خود برای ایجاد یک خط پایه در برابر اطلاعات مربوط به مشتری جدید استفاده کنند. بانک ها این اطلاعات تاریخی را از طریق روابط اشکال مختلف جمع آوری می کنند. ما روابط را با روش های مختلفی برای جذب روابط غیر حسابداری، حساب های معاملات و همچنین عمق و شدت روابط تعریف می کنیم و هر یک از این می تواند اطلاعاتی را فراهم کند که به کاهش پیش فرض کمک می کند - حتی ایجاد پس انداز ساده یا چک کردن حساب و مشاهده فعالیت قبل از اعطای وام می تواند به کاهش پیش فرض وام کمک کند. نتایج ما نشان می دهد که بانک ها با اطلاعات مربوط به رابطه، در مقایسه با بانک هایی که این اطلاعات را در غربالگری و وام گیرندگان نظارت بعدی ندارند، در مقایسه با پیش پرداخت های وام، متفاوت است.
موضوعات مرتبط
علوم انسانی و اجتماعی مدیریت، کسب و کار و حسابداری استراتژی و مدیریت استراتژیک
پیش نمایش مقاله
در مورد وام های پیش فرض چه چیزی باید یک میلیون مشاهده کرد؟ باز کردن جعبه سیاه ارتباطات
چکیده انگلیسی
Using a unique dataset of more than 1 million loans made by 296 German banks, we evaluate the impact of many aspects of customer-bank relationships on loan default rates. Our research suggests a practical solution to reducing loan defaults for new customers: Have the customer open a simple transactions account - savings or checking account. Observe for some time and then decide whether to make a loan. Loans made under this model have lower default, as banks can use historical data about their borrowers to establish a baseline against which new client-related information can be evaluated. Banks assemble this historical information through relationships of different forms. We define relationships in many different ways to capture non-credit relationships, transaction accounts, as well as the depth and intensity of relationships, and find each of these can provide information that helps reduce default - even establishing a simple savings or checking account and observing the activity prior to loan granting can help reduce loan defaults. Our results show that banks with relationship-specific information act differently compared with banks that do not have this information both in screening and subsequent monitoring borrowers which helps reduce loan defaults.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Financial Intermediation - Volume 31, July 2017, Pages 1-15
نویسندگان
, , ,