رویکرد پژوهش علم طراحی برای پیش‌بینی ریسک نقدینگی با استفاده از شبکه یادگیری کانولوشنی و تحلیل تمایل

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 راه‌حلی نوآورانه برای پیش‌بینی 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 رخ‌داده در بانک حاکی از دقت نسبتاً بالا روش پیشنهادی است. در سناریوهای مستخرج از کمیته بازل و برگرفته‌ از مرجع بانکی اروپا ، دقت پیش‌بینی به ترتیب حدود 91% و82% است.

a dsr approach to predict liquidity risk using cnn and sentiment analysis

the design science research method (dsr) is an approach to provide practical solutions based on scientific principles in order to produce substantiated and inferred results and products, and at the same time, the results can be scientifically evaluated in the form of primary artifacts and practical use in four main stages which ultimately results in their practical efficiency and effectiveness in the outside world. by designing and creating an archetype in the prototyping stage, dsr evaluates real scenarios and then examines the solution in practical cases. from this point of view, in this research, it has been tried to use the dsr method to provide an innovative solution for predicting bank liquidity risk and upcoming scenarios. this study uses semtiment analysis and deep learning algorithm such as deep convolutional network in predicting liquidity risk and presents a simple and effective method to identify dynamic qualitative variables from recent news about a domestic bank in the country. predicted scenarios are available to banking experts in the real world to facilitate decision-making in risk measures. according to the guidelines of the basel committee and other european banking regulatory frameworks, comparing these scenarios with the scenarios occurring in the bank indicates a relatively high accuracy of the proposed method. in the scenarios derived from the basel committee and derived from the european banking authority, the forecasting accuracy is about 91% and 82%, respectively