الگوریتم لونبرگ مارکوارت

بانکهایی که در محیط اقتصادی کنونی فعالیت می نمایند باید با طیف وسیعی از ریسک هایی که در تعقیب آنها هستند مقابله نمایند. چنانچه نقدینگی را در دسترس بودن وجه نقد یا معادلهای نقد در نظر بگیریم، می توانیم ریسک نقدینگی را ریسک زیان ناشی از فقدان نقدینگی یا معادل نقد و یا بطور دقیق تر ریسک زیان ناشی از عدم توانایی در تأمین منابع مالی مورد نیاز در سطح معقول اقتصادی و یا اجبار به فروش دارایی یا توثیق آن به منظور پوشش تعهدات خواسته یا ناخواسته قلمداد کرد. در این پژوهش با بررسی عملکرد فصلی 10 ساله (1389 -1399) 23 بانکهای پذیرفته شده در بورس اوراق بهادار تهران و فرابورس ایران با استفاده از شبکه هوش مصنوعی مدلی برای پیش بینی ریسک نقدینگی بانکها ارایه شده است. در این پژوهش با استفاده از الگوریتم لونبرگ مارکوارت (LM) و الگوریتم ژنتیک بهترین روش آموزش انتخاب و سپس به منظور بهینه سازی متغیرهای مستقل ورودی مدل، الگوریتم تحلیل مولفه اصلی (PCA) بکار گرفته شده است. در نهایت پس از تعیین تعداد لایه های بهینه نهانی و بهره گیری از شبکه مدل بیزین (BN) شبکه عصبی طراحی و ریسک نقدینگی بانکهای پذیرفته شده در بازار سرمایه کشور مدل سازی و نتایج تحلیل یافته های حاصل از پیش بینی این مدل ارایه شده است.