سعید فلاح پور

هدف: این پژوهش بر آن است که با اضافه کردن متغیرهای مربوط به شبکه مالی، عملکرد الگوی درخت تصمیم تقویت گرادیان را که شاخص هایش با الگوریتم بهبودیافته گرگ خاکستری بهینه شده است، با الگو های منتخب در حوزه پیش بینی درماندگی مالی ارزیابی کند.روش: الگوی پیشنهادی این پژوهش روی داده های 123 شرکت تولیدی پذیرفته شده در بورس و فرابورس ایران در بازه زمانی 2015 تا 2021 اجرا شد. ابتدا شبکه مالی تشکیل شد و سپس با ترکیب متغیرهای مبتنی بر شبکه با برخی نسبت های مالی و با استفاده از الگوی درخت تصمیم تقویت گرادیان که شاخص های آن با الگوریتم بهبودیافته گرگ خاکستری بهینه شده است، درماندگی مالی شرکت ها پیش بینی شد.نتایج: الگوی درخت تصمیم تقویت گرادیان با اضافه شدن متغیرهای مربوط به شبکه مالی هم ازنظر دقت و هم ازنظر خطای نوع یک عملکرد بهتری در مقایسه با دو الگوی k نزدیک ترین همسایه و رگرسیون لجستیک از خود نشان داد. شرکت های با مرکزیت بینابینی و مرکزیت درجه زیاد، کمتر مستعد قرارگرفتن در شرایط درماندگی مالی هستند و برعکس. در شرایطی که نسبت فراوانی نمونه های هر طبقه از طبقات دیگر بسیار متفاوت باشد، استفاده از روش درخت تصمیم تقویت گرادیان بسیار کارآمد خواهد بود.نوآوری: برای نخستین بار متغیرهای مربوط به شبکه مالی با نسبت های مالی، ترکیب شد و ازطریق روش نوین درخت تصمیم تقویت گرادیان که شاخص هایش با الگوریتم گرگ خاکستری بهبودیافته بهینه شده، درماندگی مالی پیش بینی شد.

آلفای صندوق سرمایه گذاری مشترک که معیاری از عملکرد آن می باشد نه تنها نتیجه انتخاب اوراق بهادار می باشد، بلکه ارتباط مستقیم با اوزان تخصیصی به هریک از اوراق بهادار موجود در پرتفوی صندوق دارد. در این پژوهش آلفای صندوق سرمایه گذاری مشترک که نمادی از مهارت مدیران آن است به دو بخش تقسیم می شود: آلفای ناشی از انتخاب سهام و آلفای ناشی از وزن دهی به سهام. برای سنجش مهارت های مذکور،60 صندوق سرمایه گذاری مشترک در سهام به عنوان نمونه تحقیق در نظر گرفته شده و مهارت های انتخاب سهام و وزن دهی سهام طی دوره زمانی فروردین 1400 تا شهریور 1401 مورد بررسی قرار گرفته است.با توجه به نتایج حاصل از برآورد مدل، آلفای کل عدد 0.0025و آلفای انتخاب سهام صندوقها، عدد0.0149در سطح پنج درصد معنادار و مثبت هستند. با توجه به اینکه آلفای وزنی را می توان تفاوت بین آلفای کلی و آلفای انتخابی در نظر گرفت، می توان ادعا نمود آلفای وزنی عددی منفی است و مدیران صندوق های سرمایه گذاری کشور فاقد مهارت وزن دهی به سهام هستند.

هدف: تخصیص وجوه به بخش های مختلف اقتصادی و اعطای تسهیلات، یکی از فعالیت های مهم بانک هاست. بانک ها ضمن توجه به سیاست های پولی و مالی تعیین شده توسط دولت ها و بانک مرکزی، این منابع را به بخش های سودآور و مناسب تخصیص می دهند. کاهش و کنترل ریسک اعتباری، یکی از عوامل مؤثر در بهبود فرایند اعطای اعتبار و در نتیجه در عملکرد بانک هاست. حداقل سازی ریسک به همراه حداکثرسازی سود هدفی است که همواره بانک ها به دنبال تحقق آن هستند. کم توجهی به موضوع بازده و ریسک تسهیلات، به تمرکز تسهیلات در بخش های خاصی از اقتصاد منجر شده که خود مشکلات عمده ای را برای بانک ها به همراه داشته است. با توجه به ضرورت تعیین سهم بهینه اعتبارات و ضرورت سیاست گذاری مناسب در این زمینه، پژوهش حاضر در پی ارائه یک الگوی مناسب برای تخصیص بهینه اعتبارات اعطایی به بخش های مختلف اقتصادی است؛ به گونه ای که با مدل سازی و بهینه سازی ریسک اعتباری با استفاده از ترکیب دو رویکرد اکچوئری و شبکه عصبی مصنوعی و با توجه به محدودیت های موجود در سیاست های بانک، پرتفوی اعتباری بهینه به گونه ای تعیین شود که ریسک اعتباری حداقل شود.روش: روش اکچوئری با محاسبه احتمال نکول وام ها و ارزیابی دقیق ریسک های مالی، به عنوان ابزار اصلی در مدیریت ریسک بانک ها شناخته می شود. با این حال، این روش ها اغلب نمی توانند پیچیدگی های موجود در تعاملات اعتباری را به طور کامل مدل سازی کنند. برای غلبه بر این محدودیت ها، از شبکه عصبی مصنوعی استفاده می شود که توانایی پیش بینی دقیق تر و تطبیق با داده های غیرخطی را دارد. بدین منظور در پژوهش حاضر، ابتدا به بررسی ریسک اعتباری پرتفوی تسهیلات بانکی با استفاده از رویکرد اکچوئری پرداخته می شود؛ سپس با استفاده از شبکه عصبی پرسپترون و با توجه به محدودیت های بانک در ارائه تسهیلات، ترکیب بهینه پرتفوی اعتباری تعیین می شود. نمونه مورد استفاده شامل تسهیلات اعطایی بانک به ۲۸۰ مشتری کلان خود در ۴ بخش صنعتی، خدماتی و بازرگانی، کشاورزی و ساختمان، در سال ۱۳۹۲ است.یافته ها: نتایج به دست آمده نشان می دهد که پرتفوی بهینه شده با تمرکز بیشتر بر بخش کشاورزی، در مقایسه با پرتفوی فعلی بانک که عمدتاً بر بخش صنعت تمرکز دارد، می تواند بازدهی تعدیل شده بر اساس ریسک بهتری را ارائه دهد. در ترکیب پرتفوی بهینه به دست آمده، بیشترین سهم، به بخش کشاورزی مربوط است و بخش های خدماتی و بازرگانی، ساختمانی و صنعتی، به ترتیب در رده های بعدی قرار دارند. در حالی که در پرتفوی فعلی بانک، بیشترین سهم تسهیلات به بخش صنعتی مربوط است و بعد از آن، به ترتیب بخش های خدماتی و بازرگانی، کشاورزی و ساختمان قرار می گیرند. با بررسی پرتفوی تسهیلات نظام بانکی، مشاهده شد که در سال ۱۳۹۲ شواهد تجربی نیز نتایج مدل را تأیید می کند.نتیجه گیری: براساس یافته ها و تأیید فرضیه های پژوهش، می توان نتیجه گرفت که استفاده از مدل اکچوئری برای تعیین ریسک اعتباری و سپس بهینه سازی با استفاده از شبکه عصبی مصنوعی، به بهبود فرایند بهینه سازی پرتفوی اعتباری بانک ها منجر می شود؛ از این رو بانک ها می توانند با بهبود ساختار پرتفوی خود از این طریق، ریسک های بالقوه را کاهش دهند و بازده مطمئن تری به دست آورند.