محمدرضا اصغری اسکویی

از موضوع های کلیدی در مطالعات ثبات مالی و سیاست گذاری احتیاطی، ریسک نقدینگی سیستمیک، (ریسک مشکلات نقدینگی به صورت همزمان و در چندین مؤسسه مالی) است. این حقیقت که در شبکه پیچیده ارتباطات متقابل بازار بین بانکی، کمبود نقدینگی، با انتشار آن بین موسسات مالی، تأمین می شود، می تواند منجر به «سرایت سیستمیک» در شبکه بانکی شود. هدف این پژوهش بررسیِ وجود سرایت سیستمیک در شبکه بانکی ایران و تأثیر مقررات نظارتی احتیاطی کمیته بازل بر سرایت بینِ بانکی بر اساس داده های ترازنامه ای 25 بانک عضو بازار بین بانکی در سال های 1397-1385 است. برای این منظور، بر اساس رویکرد عامل بنیان، شبکه بانکی ایران الگوسازی و شبیه سازی شده است. در این الگو، بانک ها و بانک مرکزی، عواملی هوشمند هستند. بر اساس نتایج به دست آمده، الزامات نظارتی احتیاطی، استراتژی های تطبیقی بانک ها را تغییر می دهند و بانک ها افزایش نسبت کفایت سرمایه را در دستور کار خود قرار می دهند. علاوه بر این، این تحقیق نشان می دهد که اگر چه دستورالعمل های کمیته بازل در در بلندمدت در کاهش سرایت موفق بوده و باعث ثبات بیشتر شبکه بانکی می شوند، اما بانک ها عرضه وام به بخش واقعی را نیز کاهش می دهند که این امر می تواند منجر به تنگنای اعتباری در اقتصاد شود.

مدل سازی عامل بنیان تکنیک محاسباتی نوظهوری است که امکان شبیه سازی سیستم های پیچیده اقتصادی از جمله شبکه بانکی را با رویکرد پایین به بالا میسر می سازد. در مقاله پیش رو شبکه بانکی کشور با الگوی مدل سازی چند عاملی هوشمند شبیه سازی شده است که این عوامل بر اساس الگوی یادگیری تطبیقی رفتار می کنند. این مدل سازی با هدف بررسی و ارزیابی تأثیر سیاست های نظارتی بر بازار بین بانکی و بر اساس داده های ترازنامه ای 25 بانک عضو بازار بین بانکی در سال های 1397-1385 صورت گرفته است. برای ارزیابی تأثیر سیاست نظارتی سناریوی وجود مرکز پایش تسویه به منظور عامل کاهش عدم پرداخت ها در بازار بین بانکی توسط بانک ها بررسی شده است. با توجه به اینکه عوامل در این شبیه سازی یادگیرنده هستند، نتایج حاصل هم تأثیر مستقیم مقررات بر بازار بین بانکی و هم تأثیر غیرمستقیم آن ها از طریق تغییر استراتژی های تطبیقی عوامل را نشان می دهند. بر اساس نتایج این پژوهش نظارت بر بازار بین بانکی از طریق مرکز پایش تسویه موجب رفع مشکل عدم تقارن اطلاعات در بازار بین بانکی و در نتیجه کاهش سرایت مالی و افزایش ثبات و پایداری سیستم می شود.

هدف: طبقه بندی ریسک بیمه گذاران بر مبنای ویژگی های قابل مشاهده می تواند به شرکت های بیمه جهت کاهش زیان، شناخت دقیق تر مشتریان و جلوگیری از وقوع انتخاب نامساعد در بازار بیمه کمک شایانی کند. هدف این مقاله، بررسی خسارت های مالی ایجاد شده در بیمه شخص ثالث و پیش بینی ریسک بیمه گذاران در احتمال وقوع حادثه می باشد. روش شناسی: با استفاده از الگوریتم های درخت تصمیم، ماشین بردار پشتیبان، نایو بیز و شبکه عصبی؛ به کشف الگوهای پنهان داده ها، در راستای طبقه بندی بیمه گذاران بیمه شخص ثالث پرداخته شده است. همچنین توزیع نامتعادل داده ها در دو گروه خسارت دیده و خسارت ندیده سبب یک چالش مهم در کاربرد روش های یادگیری ماشین و داده کاوی است که در این مقاله مورد توجه قرار گرفته است. یافته ها: مجموعه داده متعلق به یکی از شرکت های بیمه و حاوی بیش از چهارصد هزار نمونه ثبت شده در پنج سال و شامل چهار متغیر مستقل نوع خودرو، گروه خودرو، نوع پلاک و سن خودرو و یک متغیر وابسته و دو ارزشی خسارت مالی است. با توجه به نتایج بدست آمده بهترین کارکرد و دقت پیش بینی (با دقت F1=) مربوط به مدل درخت تصمیم می باشد. نتیجه گیری: میزان تاثیرگذاری متغیرها در وقوع خسارت به ترتیب اولویت عبارتنداز: نوع خودرو، نوع پلاک، سن خودرو و گروه خودرو. نتایج ارزیابی نشان می دهد برای پیش بینی دقیق تر خسارت و مشتریان پر ریسک به داده های بیشتری مرتبط با ویژگی های راننده نیاز می باشد.   طبقه بندی موضوعی:G22, G17, F47

روابط بین المللی به خاطر ماهیت چندجانبه آن، پیچیدگی های زیادی دارد. با درک فرایند تصمیم گیری ونتایج احتمالی تصمیمات، هر یک از بازیکنان قادر خواهند بود از ظرفیت های خود برای تاثیرگذاری بر نتایج این تصمیمات راهبردی بهره گیرند. مصداق این ساختار تصمیم گیری، مشاجرات و منازعات بین المللی تحریم ها است. موضوع منافع جهموری اسلامی ایران درعرصه بین المللی نیز متاثر از منافع درحال تغییر کشورهای شرکت کننده دراین ائتلاف است. باتوجه به پیچیدگی های روابط بازیکنان درفضای بین المللی تحریم ها به منظور تحلیل مساله وپیش بینی تعادل امکان پذیر دراین روابط، روش سیستم های چندعاملی، نظریه بازی ها و هوش مصنوعی به عنوان ابزار جدیدی برای حل انواع تعاملات وفرایندهای متاثر از تصمیمات انسانی مورداستفاده قرار می گیرد. در این مطالعه، طیف سیاستی براساس راهبردهای ایران، آمریکا و سایر بازیکنان تعریف شده است. مدل سازی و شبیه سازی رفتار بازیکنان روی این طیف نشان می دهد در شرایط کنونی، راهبرد تعادلی ایران تاکید بر حفظ توافق فعلی است؛ هرچند که موقعیت تعادلی در دامنه پایینِ طیف ادامه توافق فعلی قرار دارد. براساس مطالعات و نتایج حاصله، برای پیشگیری از وقوع تراژدی دارایی های مشاع، راهبرد مسلط و غالب، بازی با فرض بازیکنان عقلایی در منطق نظریه بازی حفظ ثبات، امنیت و یکپارچگی ایران به عنوان یک قدرت منطقه ای است. برای تحققِ تعادلِ پایدار، بازیکنان در این بازی به دنبال حداکثر  کردن تابع رفاه جمعی به جای حداکثر  کردن منافع تک تک اعضای ائتلاف خواهند بود که در این صورت تداوم منافع کشورهای عضوائتلاف را نیز به دنبال خواهد داشت. برای این منظور، تداوم حضور ایران در برجام و عدم تضعیف آن، استقبال از حفظ وتقویت رابطه سیاسی با اروپا باحفظ منافع ایران، تقویت امنیت نظامی و امنیت اجتماعی ضروری خواهند بود.

شناسایی عوامل موثر بر تامین و عرضه برق در ادبیات اقتصادی اهمیت بسیاری دار.د در این مطالعه از یک مدل مبتنی بر عامل برای شبیه سازی بازار عمده فروشی رقابتی برق ایران و بررسی آثار سناریوهایی که در راستای رقابتی و کارا کردن بازار است، استفاده شده است. به طور مشخص، آثار اجرای دو سناریوی تغییر مکانیزم تسویه بازار و حذف یارانه سوخت بر قیمت های تعادلی برق، عایدی، سهم بازار و ظرفیت واقعی نیروگاه های با فناوری های متفاوت، برآورد شده است. نتایج شبیه سازی نشان می دهد قیمت های برق در ساعت اوج بار به دلیل ورود نیروگاه های با هزینه نهایی بیشتر به شبکه،بیشتر از سایر زمان ها است. قیمت ها در سناریوی تغییر مکانیزم تسویه کمتر و در سناریوی حذف یارانه سوخت بیشتر از قیمت های سناریوی پایه هستند که به ترتیب منجر به کاهش و افزایش عایدی نیروگاه ها در این دو سناریو می شود. نتایج همچنین نشان می دهد ظرفیت واقعی نیروگاه ها و سهم نیروگاه های کاراتر در هردو سناریو نسبت به سناریوی پایه افزایش می یابد.

مطالعات اخیر بازارهای عمده فروشی برق عموماً براساس مدل های چندعاملی است، که در آن ها تعادل بازار برپایه رقابت و تعامل عوامل متعدد با یک دیگر به دست می آید. از ویژگی های اصلی این نوع مدل ها، امکان یادگیری عوامل از نتایج رفتار خود و سایرین دریک محیط رقابتی است. در بازار عمده فروشی برق، هرعامل یک واحد تولیدکننده برق است که به صورت مستقل و هوشمند با سایر عامل ها برای عرضه برق با قیمت های پیشنهادی رقابت می کند. فرآیند قیمت گذاری را می توان یک بازی ایستا فرض نمود که هرروز تکرار می شود. در این بازی هر عامل قیمت پیشنهادی خود را مستقلا اعلام نموده و بهره بردار با توجه به تقاضای بار مصرفی و محدودیت ها، بهترین پیشنهادها را انتخاب می نماید. عامل به صورت عقلائی عمل نموده و با انتخاب استراتژی مناسب، به دنبال بیشینه نمودن سود بلندمدت خود است. در این راستا، عامل از قدرت یادگیری و بهبود استراتژی قیمت گذاری، که نقش بسیار تعیین کننده در موفقیت عامل دارد، استفاده می کند. یادگیری تقویتی یک روش کلاسیک است که در مدل های چندعاملی امکان یادگیری مبتنی بر سعی و خطا را فراهم می نماید. هدف این مقاله کاربرد و مطالعه روش های یادگیری تقویتی در مدل چندعاملی بازار برق ایران و مقایسه آن ها با دو استراتژی تصادفی و حریصانه است. در این مطالعه، میزان سود واحدها و زمان رسیدن به حالت تعادل به عنوان ملاک ارزیابی در نظر گرفته شده است. نتایج شبیه سازی نشان می دهد، استراتژی یادگیرنده سود عامل ها را به طور معناداری افزایش می دهد و سرعت همگرائی به حالت تعادل را بیشتر می کند.

با توجه به حجم عظیم اطلاعات در اینترنت، کاربران برای انتخاب کالا و خدمات موردپسند خود با گزینه های زیادی مواجه هستند. سیستم های توصیه گر با توجه به اطلاعات ثبت شده از انتخاب کاربران، افرادمرتبط یا مورداعتماد آن ها و نیز کالاهای انتخاب شده، مدلی را استخراج نموده و ضمن تخمین امتیاز کالاها، آنها را جهت توصیه به کاربر، اولویت بندی می نمایند. رویکرد مبتنی بر اعتماد، از شبکه اعتماد بین افراد برای تخمین امتیاز کالا استفاده می نماید. از آنجا که سطح اعتماد در زمینه های تخصصی متفاوت است، مقوله اعتماد در وجوه مختلف مورد توجه پژوهشگران قرارگرفته است. این مقاله مدل مبتنی بر اعتماد چندوجهی برای تخمین امتیاز کالا ارائه می دهد که در آن کاربران و کالاها با توجه به میزان تعلق به هر وجه و نیز سطح اعتماد در آن وجه در نظر گرفته می شوند. تحلیل مجموعه داده های Epinions نشان می دهد پراکندگی فاصله انتخاب افراد درون یک شبکه اعتماد چندوجهی به صورت معناداری کمتر از توزیع آنها در یک شبکه عام اعتماد است. درادامه عملکرد مدل پایه و مدل مبتنی بر تشابه نیز با  دو حالت عام و چندوجهی بررسی و مقایسه شده است. ارزیابی مدل ها بر اساس میانگین توان دو خطای تخمین و با تفکیک داده های Epinions به دو گروه آموزش و آزمون و همچنین روش تصدیق متقابل انجام گرفته است. نتایج نشان می دهد با در نظر گرفتن مولفه اعتماد به صورت چندوجهی، خطای تخمین به طور متوسط 20% کاهش یافته و عملکرد سیستم توصیه گر به صورت محسوسی ارتقاء می یابد

برای پیش بینی سری زمانی ابتدا باید مدل مناسبی از آن ساخته شود. تعیین ابعاد و تخمین پارامترهای مناسب برای مدل ARMA سری زمانی، چالشی است که علاوه بر روش های متداول آماری، از طریق محاسبات هوشمند نیز به آن توجه شده است. در این مقاله استفاده از الگوریتم ژنتیک برای تخمین پارامترهای مدل ARMA و قواعد کشفی برای تعیین ابعاد مدل ارائه می شود. قواعد کشفی بر اساس ویژگی های سری زمانی استخراج می شوند. داده ها به روش پنجره لغزان در پیش بینی به کار می روند. مدل بر اساس معیار اطلاعاتی بیزین و پیش بینی بر اساس دو معیار مجذور متوسط مربعات خطا و متوسط قدر مطلق درصد خطا ارزیابی می شود. روش ارائه شده روی هشت سری زمانی با ویژگی های مختلف به کار رفته و نتایج آن با نتایج روش آماری مقایسه شده است. نتایج نشان می دهد در تمام موارد، روش ارائه شده همسان یا بهتر از روش کلاسیک عمل می کند.

شبکه عصبی با تاخیر زمانی، یک ابزار مدل سازی برگرفته از محاسبات هوشمند است که در کنار روش های کلاسیک برای پیش بینی سری های زمانی مالی بکار گرفته می شود. این مدل اغلب در مواردی که از سری زمانی داده های فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده می شود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیش بینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیش بینی کننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه داده های پیشین و پسین و معیار کمّی مناسب برای ارزیابی عملکرد پیش بینی کننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان می دهد با روش پیشنهادی، می توان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش می یابد.

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده کرده ایم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار گرفته است. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و داده های اقتصادی کشور استفاده شده است.