مدلسازی ریسک نقدینگی بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی و شبکه‌های بیزی (مطالعه موردی: بانک ملت)

در صورت مدیریت نادرست یا عدم کنترل ریسک نقدینگی در یک بانک، امکان بروز صدمه‌های مالی و اعتباری و حتی ورشکستگی بانک به‌وجود می‌آید. در این مقاله روشی را پیشنهاد کرده‌ایم که از روش‌های بروز در یادگیری ماشین استفاده ‌می‌کند و برای مقابله با این مشکلات، مدلی را پیشنهاد می‌کنیم که از شبکه‌های عصبی مصنوعی و بیزی استفاده ‌می‌کند. متغیرهای مدل نسبت‌های نقدینگی هستند و از طریق داده‌های ترازنامه استاندارد بانکی به‌راحتی در دسترس هستند. طراحی و اجرای این مدل پیشنهادی شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی مدل است. به‌عنوان تعریف ریسک نقدینگی بر روی مفهوم توانایی پرداخت تمرکز کرده‌ایم. همچنین یک مطالعه موردی در بانک ملت با استفاده از داده‌های صورت‌های مالی این بانک بین سال‌های 1390 تا 1396، برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف‌پذیری مدل اندازه‌گیری ریسک نقدینگی تحقیق، پیاده‌سازی کرده‌ایم. نتایج عددی به‌دست‌آ‌مده در مطالعه موردی نشان ‌می‌دهد که روش هوشمند دو فازی پیشنهادی توانایی تایید نتایج از طریق اجرای مستقل و موازی مجموعه داده‌های مشابه را دارا می‌باشد.

providing a comprehensive model to measure the liquidity risk of banks admitted to the tehran stock exchange (case study: bank mellat)

lack of liquidity management of banks is one of the most important risks for any bank and if less attention is paid to liquidity risk, it may lead to irreparable consequences; preventing liquidity risk requires a comprehensive measurement method but liquidity risk is complicated issue, and this complexity makes it difficult to provide a proper definition. in addition, defining liquidity risk determinants and formulation of the related objective function to measurement its value is a difficult task. to address these problems, in this study we propose a model that uses artificial neural networks and bayesian networks. design and implementation of this model includes several algorithms and experiments to validate the proposed model. in this paper, we have used lunberg-marquardt and genetic optimization algorithms to teach artificial neural networks. we have also implemented a case study in bank mellat to demonstrate the feasibility, efficiency, accuracy and flexibility of the research liquidity risk measurement model.