بکارگیری شبکۀ هوش مصنوعی و مدل شبکۀ بی زین برای پیش بینی ریسک نقدینگی در صنعت بانکداری (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
بانکهایی که در محیط اقتصادی کنونی فعالیت می نمایند باید با طیف وسیعی از ریسک هایی که در تعقیب آنها هستند مقابله نمایند. چنانچه نقدینگی را در دسترس بودن وجه نقد یا معادلهای نقد در نظر بگیریم، می توانیم ریسک نقدینگی را ریسک زیان ناشی از فقدان نقدینگی یا معادل نقد و یا بطور دقیق تر ریسک زیان ناشی از عدم توانایی در تأمین منابع مالی مورد نیاز در سطح معقول اقتصادی و یا اجبار به فروش دارایی یا توثیق آن به منظور پوشش تعهدات خواسته یا ناخواسته قلمداد کرد. در این پژوهش با بررسی عملکرد فصلی 10 ساله (1389 -1399) 23 بانکهای پذیرفته شده در بورس اوراق بهادار تهران و فرابورس ایران با استفاده از شبکه هوش مصنوعی مدلی برای پیش بینی ریسک نقدینگی بانکها ارایه شده است. در این پژوهش با استفاده از الگوریتم لونبرگ مارکوارت (LM) و الگوریتم ژنتیک بهترین روش آموزش انتخاب و سپس به منظور بهینه سازی متغیرهای مستقل ورودی مدل، الگوریتم تحلیل مولفه اصلی (PCA) بکار گرفته شده است. در نهایت پس از تعیین تعداد لایه های بهینه نهانی و بهره گیری از شبکه مدل بیزین (BN) شبکه عصبی طراحی و ریسک نقدینگی بانکهای پذیرفته شده در بازار سرمایه کشور مدل سازی و نتایج تحلیل یافته های حاصل از پیش بینی این مدل ارایه شده است.An Artificial Neural Network and Bayesian Network model for liquidity risk assessment in banking
Active Banks in the recent economic environment are obliged to encounter in a massive gamut of risks which are closely following them. If cash is regarded as cash at hand, then Liquidity risk is a kind of loss which arises of lack of fund or more specifically endured loss originating from inability of funding required capital in a reasonable way or selling off assets or being forced to have them pledged in order to cover solicited or unsolicited commitments. Hence Liquidity risk is comprised of economic loss incurred due to of providing cash and is deemed vital for operational activities of enterprises. Liquidity Mismatch in banks or maturity mismatch of sensitive assets to cash or debt may culminate in divergent of cash inflow or outflow during elapse of time which is actually stressed as Liquidity risk. Quarterly performance of 23 quoted banks in either Tehran Stock Exchange or Iran Farabourse are executed to model forecasted Banks’ Liquidity risk by means of implementing Artificial Neural Network algorithms. Applying genetic algorithm and Levenberg algorithm helped utilizing the best Training method and subsequently by facilitating Principal Component Analysis (PCA) method, we managed to optimize independent variables. Finally having hidden layers been determined and exercising calculations by Bayesian network model, the Artificial neural network is modeled and tested. All the mentioned process is performed by MATLAB software. Eventually fulfilling the asserted stages, a robust model for anticipating listed banks’ Liquidity risk is developed and findings of models for forcasted data is elaborated.
تبلیغات
