کیومرث شهبازی

کیومرث شهبازی

مدرک تحصیلی: دانشیار دانشگاه ارومیه

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۶۱ تا ۶۲ مورد از کل ۶۲ مورد.
۶۱.

بررسی تقارن و عدم تقارن شاخص های بانکی بر رشد اقتصادی عراق: رویکرد رگرسیون چندکی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: ثبات بانکی رشد اقتصادی عراق تمرکز بانکی رگرسیون کوانتایل

حوزه‌های تخصصی:
تعداد بازدید : ۱۲۶ تعداد دانلود : ۱۳۹
تمرکز و ثبات مالی در نظام بانکداری یک کشور در سطوح مختلف رشد اقتصادی، می تواند تأثیر متفاوت و نامتقارن بر آن داشته باشند؛ بنابراین این پژوهش، از مدل رگرسیون کوانتایل (QR) برای بررسی تعاملات بین رقابت بانکی، ثبات بانکی و رشد اقتصادی در عراق طی دوره-ی2020:12 -2010:01 استفاده کرده است. نخست، شاخص های هرفیندال-هیرشمن، لرنر، تمرکز سه بنگاهی، تمرکز 5 بنگاهی و Z-SCORE محاسبه شد، سپس مدل رگرسیون کوانتایل برآورد شد. نتایج تجربی نشان می دهد که تمامی شاخص های تمرکز و ثبات بانکی دارای اثرات منفی و نامتقارن بر رشد اقتصادی در چارک های مختلف هستند و تمرکز بانکی در چارک های پایین تر رشد اقتصادی، تأثیر منفی بیشتری بر رشد اقتصادی دارد. همچنین، ضرایب شاخص ثبات بانکی نشان می دهد زمانی که رشد اقتصادی در سطح پایین تری قرار دارد یک محیط مالی با ثبات برای عملکرد اقتصادی مطلوب تر است. بعلاوه، نتایج به دست آمده از تمامی برآوردها حاکی از آن است که اثر منفی تمرکز، چندین برابر اثر مثبت ثبات بانکی بر رشد اقتصادی در همه ی چارک ها است؛ بنابراین پیشنهاد می شود در مرحله ی اول، به منظور افزایش رشد اقتصادی تمرکز بانکی را از طریق تشویق سرمایه گذاران به ایجاد بانک های کوچک و متوسط کاهش داد، سپس محدودیت هایی برای بانک های بزرگ به منظور کاهش ریسک بانکی و افزایش ثبات آن اعمال شود.
۶۲.

یک رویکرد مقایسه ای یادگیری ماشینی برای پیش بینی داده های ذخایر خسارت های واقع شده ولی گزارش نشده بیمه ای در حضور داده های سانسور شده و بریده شده(مقاله علمی وزارت علوم)

کلیدواژه‌ها: ذخایر خسارت های واقع شده ولی گزارش نشده جنگل تصادفی شبکه عصبی پرسپترون چندلایه شبکه عصبی با حافظه طولانی کوتاه مدت

حوزه‌های تخصصی:
تعداد بازدید : ۱۰ تعداد دانلود : ۱۶
این مطالعه با هدف پیش بینی ذخایر خسارت های واقع شده ولی گزارش نشده، در رشته های مختلف بیمه ای، از مدل های یادگیری ماشین پیشرفته و تحلیل داده های سانسورشده و بریده شده استفاده کرده است. داده ها شامل اطلاعات تاریخ های وقوع و گزارش حادثه در پنج رشته بیمه ای، شامل ثالث مالی، بدنه، ثالث جانی و حوادث راننده، آتش سوزی و مسئولیت بوده و روش ها شامل رگرسیون خطی چندگانه (MLR)، مدل خطی تعمیم یافته (GLM)، مدل افزایشی تعمیم یافته (GAM)، جنگل تصادفی (RF)، شبکه عصبی (MLP) و حافظه کوتاه مدت و بلندمدت (LSTM) در دوره زمانی 1400 تا 1401 در شرکت بیمه ایران می باشند. با سانسور کردن و برش داده ها در مقاطع مختلف، بر حسب روزهای تعطیل، روزهای شلوغ سال و دوره های رونق ساخت و ساز، ویژگی های اثرگذار داده ها، براساس نوع رشته بیمه ای مدل سازی شد. نتایج نشان داد که مدل های LSTM و RF در پیش بینی تاخیرها عملکرد بسیار بهتری نسبت به مدل های خطی داشتند؛ به طور خاص، مدل RF در رشته های بدنه و ثالث مالی با خطا به ترتیب 64/10 و 02/11 و مدل LSTM با خطا به ترتیب 83/9 و 72/10، دقت بالاتری نسبت به سایر مدل ها داشته اند. این مدل ها در شناسایی الگوهای پیچیده موجود در داده ها توانمند بوده و نشان دادند که با توجه به تأثیرگذاری عواملی مانند تعطیلات آخر هفته ها و نوع ترکیب داده ها می توانند الگوهای پیچیده تری را در داده های بیمه ای شناسایی کنند. این نتایج تأکید دارد که مدل های LSTM و جنگل تصادفی به طور چشمگیری قابلیت بهبود دقت پیش بینی را دارا بوده و ابزار مناسبی برای ارزیابی ریسک و تخصیص بهینه ذخایر مالی در صنعت بیمه محسوب می شوند.

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان