مصطفی حبیبی

در این تحقیق با استفاده از معیار نسبت خالص تأمین مالی پایدار به بررسی عوامل مؤثر بر ثبات مالی بانک ها از جمله ریسک نقدینگی، ریسک اعتباری، رشد تسهیلات، اندازه بانک، سودآوری و تنوع درآمدی پرداخته شده است. بنابراین با در نظر گرفتن مشکل درون زایی بالقوه، برای رسیدن به اهداف تحقیق از روش حداقل مربعات دومرحله ای (2SLS) و داده های پانل 24 بانک خصوصی و دولتی ایران در دوره 1400-1390 استفاده شده است. نتایج نشان می دهد که افزایش ریسک نقدینگی و اعتباری تأثیر منفی و معناداری بر ثبات مالی دارند و اقدامات سیاست گذاران حوزه بانکی زمانی که به صورت هم زمان این دو ریسک افزایش می یابد اگرچه ثبات مالی را تا حدودی بهبود می بخشد اما کافی نیست؛ زیرا تأثیر منفی ریسک نقدینگی همواره غالب است. علاوه بر این نتایج نشان می دهد که افزایش اندازه بانک، سودآوری و رشد تسهیلات تأثیر مثبت و معناداری بر ثبات مالی بانک ها دارد، درحالی که افزایش نسبت درآمدهای غیر بهره ای به درآمد های بهره ای ثبات مالی بانک ها را کاهش می دهد. نتایج تحقیق از تقویت نظارت و مقررات بانکی با تأکید بر کاهش ریسک اعتباری و نقدینگی در بخش بانکداری حمایت می کند، زیرا ریسک های اعتباری و نقدینگی اثر نامطلوبی بر ثبات بانک دارند. این مطالعه به مدیران پیشنهاد می دهد تا ثبات مالی بانک ها را با، حداکثر کردن سود و به حداقل رساندن ریسک متعادل کنند.

پیش بینی نوسان های آینده شاخص سهام می تواند اطلاعاتی در مورد روند آینده بازار سرمایه فراهم نماید. در این پژوهش، به منظور افزایش دقت پیش بینی شاخص بورس اوراق بهادار تهران، ترکیبی از روش های آماری و هوش مصنوعی به کار رفته است. مدل اصلی پیش بینی در این پژوهش، رگرسیون بردار پشتیبان بهینه شده به وسیله الگوریتم حرکت تجمعی ذرات می باشد. در برازش مدل رگرسیون بردار پشتیبان، سه پارامتر توضیحی وجود دارد که باید ترکیبی از این سه پارامتر توسط کاربر و به صورت آزمایش و خطا انتخاب شود تا دقت مدل را به بیشترین حد خود برساند. با توجه به زمان بر بودن و کارایی پایین انتخاب پارامتر توسط کاربر، برای انتخاب ترکیب بهینه پارامترهای مدل رگرسیون بردار پشتیبان، از روش بهینه سازی حرکت تجمعی ذرات استفاده شده است که الگوریتمی قوی در حوزه بهینه سازی می باشد. با توجه به حجم زیاد داده های ورودی به مدل برای کاهش زمان یادگیری و افزایش دقت پیش بینی، با استفاده از روش آنالیز مولفه های اصلی، پیش پردازش روی متغیرهای ورودی صورت گرفته و به مولفه های اصلی تبدبل شده است. نتایج بدست آمده نشان داد که پیش پردازش روی دادها، خطای پیش بینی مدل را به طور قابل ملاحظه ای کاهش داده است.