مدلسازی ریسک نقدینگی بانک های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه های عصبی مصنوعی و شبکه های بیزی (مطالعه موردی: بانک ملت) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در صورت مدیریت نادرست یا عدم کنترل ریسک نقدینگی در یک بانک، امکان بروز صدمه های مالی و اعتباری و حتی ورشکستگی بانک به وجود می آید. در این مقاله روشی را پیشنهاد کرده ایم که از روش های بروز در یادگیری ماشین استفاده می کند و برای مقابله با این مشکلات، مدلی را پیشنهاد می کنیم که از شبکه های عصبی مصنوعی و بیزی استفاده می کند. متغیرهای مدل نسبت های نقدینگی هستند و از طریق داده های ترازنامه استاندارد بانکی به راحتی در دسترس هستند. طراحی و اجرای این مدل پیشنهادی شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی مدل است. به عنوان تعریف ریسک نقدینگی بر روی مفهوم توانایی پرداخت تمرکز کرده ایم. همچنین یک مطالعه موردی در بانک ملت با استفاده از داده های صورت های مالی این بانک بین سال های 1390 تا 1396، برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف پذیری مدل اندازه گیری ریسک نقدینگی تحقیق، پیاده سازی کرده ایم. نتایج عددی به دست آ مده در مطالعه موردی نشان می دهد که روش هوشمند دو فازی پیشنهادی توانایی تأیید نتایج از طریق اجرای مستقل و موازی مجموعه داده های مشابه را دارا می باشد.Providing a comprehensive model to measure the liquidity risk of banks admitted to the Tehran Stock Exchange (case study: Bank Mellat)
Lack of liquidity management of banks is one of the most important risks for any bank and if less attention is paid to liquidity risk, it may lead to irreparable consequences; Preventing liquidity risk requires a comprehensive measurement method but liquidity risk is complicated issue, and this complexity makes it difficult to provide a proper definition. In addition, defining liquidity risk determinants and formulation of the related objective function to measurement its value is a difficult task. To address these problems, in this study we propose a model that uses artificial neural networks and Bayesian networks. Design and implementation of this model includes several algorithms and experiments to validate the proposed model. In this paper, we have used Lunberg-Marquardt and Genetic optimization algorithms to teach artificial neural networks. We have also implemented a case study in Bank Mellat to demonstrate the feasibility, efficiency, accuracy and flexibility of the research liquidity risk measurement model.
تبلیغات
