مدل سازی جهت پیش بینی ریسک نقدینگی بانک های دولتی ایران با استفاده از شبکه های عصبی مصنوعی و شاخص های حسابداری (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
یکی از مهمترین مخاطرات پیشروی بانکها ریسک نقدینگی است، بنابراین بانکها باید سیستمهای اطلاعاتی مناسبی برای اندازه گیری، پیشبینی و کنترل ریسک نقدینگی داشته باشند، هر بانکیا مؤسسه مالی و اعتباری با توجه به شرایط، ویژگیهاو نوع فعالیت، با استفاده از ابزارها و روشهای مختلفی ریسک نقدینگی خود رامدیریت میکند، با وجود تفاوتهای اساسی در اندازه، نوع فعالیت و ساختار بانکهای دولتی با یکدیگر، آیا با استفاده از شاخص های حسابداری وشبکه عصبی امکان مدل سازی و پیش بینی ریسک نقدینگی بانک های دولتی وجود دارد؟برای پاسخ به این سوال در این پژوهشابتدا با استفاده از اطلاعات حسابداری هشت بانک، که کل بانکهایدولتی ایران را تشکیل میدهند، به صورت جداگانه ،شاخص های حسابداری پژوهش محاسبه وریسک نقدینگی توسط شبکه عصبی پرسپترون چند لایه مدلسازی شد.سپس اختلاف نتایج حاصل از مدل با اطلاعات واقعی با استفاده از معیار میانگین مربعات خطا اندازه گیری شد. نتایج پژوهش نشان داد که از مدل طراحی شده، میتوان برای پیش بینی ریسک نقدینگی بانکهای دولتی ایران استفاده کرد.Modeling to Predict the Liquidity Risk of Iran's Government Banks Using Artificial Neural Networks and Accounting Indicators
One of the most important risks of bank is liquidity risk, so banks must have appropriate information systems to measure, predict and control liquidity risk. Banks manage their liquidity risk using different tools and methods, depending on the conditions and type of activity. Despite the fundamental differences in the size, type of activity and structure of Government owned banks,is it possible to model and forecast the liquidity risk of state banks? To answer this question in this study, using the accounting information of Government banks in Iran, and the research accounting indicators were calculated and liquidity risk was modeled by the multilayer perceptron neural network. Then, the difference between the results of the model and the real data was measured by MSE. The research results showed that the designed model can be used to predict the liquidity risk of Iran's Government owned banks.
تبلیغات
