محمدعلی رستگار سرخه

این پژوهش با هدف پیش بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین انجام شده است. پژوهش حاضر با تحلیل داده های ریسک عملیاتی و ارزیابی عملکرد الگوریتم های یادگیری ماشین به منظور ارائه الگوریتم هایی مؤثر برای پیش بینی دقیق تر احتمال وقوع ریسک عملیاتی و مدیریت بهتر آن در صنعت بانکداری صورت گرفته است. در این پژوهش، داده های مرتبط با ریسک عملیاتی از سال 1395 تا 1402 جمع آوری و پیش پردازش شد و سپس با استفاده از مدل های یادگیری ماشین مانند RF، DT، SVM، LR، NB و KNN پیش بینی انجام شد. عملکرد مدل ها با معیارهایی همچون دقت، صحت، بازخوانی، F1-score و AUC ارزیابی شد تا بهترین مدل برای پیش بینی احتمال وقوع ریسک انتخاب شود. نتایج نشان می دهند که الگوریتم های RF و SVM در پیش بینی احتمال وقوع ریسک عملیاتی در تمامی حالت ها عملکرد بسیار خوبی دارند؛ به علاوه که الگوریتم های یادگیری ماشین توانایی بالایی در پیش بینی وقوع ریسک عملیاتی دارند و می توانند ابزار مؤثری برای تصمیم گیری های مدیریتی در صنعت بانکداری فراهم کنند.

نقش صندوق های ثروت ملی در توسعه اقتصادی و رشد همه جانبه کشورها به گونه ای است که امروزه موفق ترین کشورها ازنظر توسعه و رشد، بزرگ ترین صندوق های ثروت ملی را دارند. این مطالعه با هدف سنجش و بهبود ریسک پذیری صندوق توسعه ملی در حوزه سرمایه گذاری (مشارکت غیر مداخله ای) در ابعاد: سلامت مالی (ریسک اهرمی و ریسک پرتفوی)، کیفیت تسهیلات دهی (ریسک اعتباری)، و عملکرد نسبی ریسک-بازده صندوق با استفاده از معیارهای: Z-Score، NPL، نسبت شارپ و یک معیار ترکیبی سنجش ریسک پذیری (RT) سنجش و بهبود داده شده است. یافته ها با داده های صورت های مالی سالانه صندوق (از ۱۳۹۰ تا ۱۴۰۱) و پردازش آن در کتابخانه cvxpy و scipy در پایتون نشان می دهد مقدار Z-Score از 40/1 در سال 1390 به 39/1 در سال 1401 کاهش یافته که حاکی از کاهش ثبات مالی صندوق است، درحالی که NPL در دوره مشابه از 29% به 20% بهبودیافته است. عملکرد نسبی بازده-ریسک صندوق از 77/1 در سال ۱۳۹۰ به 69/1- در سال ۱۴۰۱ رسیده، که نشان دهنده ضرورت بازنگری در تخصیص منابع به پروژه های پرریسک است. VaR از 3/2 در سال 1390 به 16/2 در سال 1401 کاهش یافته است. میزان RT صندوق از 62/0 در سال 1390 به 76/0 در سال 1400 افزایش داشته و در سال 1401 تا 49/0 کاهش یافته است. همچنین، پیش بینی بهبود ریسک پذیری صندوق توسط مدل ARIMA در افق زمانی کوتاه مدت تا بلندمدت (تا سال 1410) انجام شد.

روش پژوهش علم طراحی یا DSR یک رویکرد برای ارائه راه حل کاربردی بر پایه اصول علمی به منظور تولید نتایج و فرآورده های مستدل و استنتاج شده و در عین حال قابل ارزیابی علمی نتایج در قالب مصنوعات اولیه و استفاده عملی در چهار مرحله اصلی است که نهایتا منتج به کارایی و اثربخشی کاربردی آن ها در دنیای بیرون می گردد. DSR با طراحی و ایجاد یک الگوی نظری در مرحله نمونه سازی، سناریوهای واقعی را ارزیابی و سپس راه حل را در موارد عملی مورد بررسی قرار می دهد. از این حیث در این پژوهش سعی شده است تا با استفاده از روش پژوهش علم طراحی راه حلی نوآورانه برای پیش بینی ریسک نقدینگی بانک و سناریوهای پیش رو ارائه شود. این مطالعه از رویکرد تحلیل تمایل و روش های یادگیری عمیق همچون شبکه عمیق کانولوشنی در پیش بینی ریسک نقدینگی بهره گرفته و روشی ساده و موثر برای شناسایی متغیرهای کیفی پویا از اخبار اخیر پیرامون یک بانک داخلی کشور ارائه می نماید. سناریوهای پیش بینی شده در اختیار صاحب نظران بانکی در دنیای واقعی جهت تسهیل تصمیم سازی در اقدامات ریسک قرار می گیرد. بر اساس دستورالعمل کمیته بازل و سایر محدوده های نظارتی بانکی اروپا، مقایسه این سناریوها با سناریوهای رخ داده در بانک حاکی از دقت نسبتاً بالا روش پیشنهادی است. در سناریوهای مستخرج از کمیته بازل و برگرفته از مرجع بانکی اروپا ، دقت پیش بینی به ترتیب حدود 91% و82% است.