مروری بر روش‌های مدیریت ریسک نقدینگی به منظور بهینه‌سازی پرتفوی چند متغیره

پیش‌بینی ریسک‌های مالی می‌تواند اثر مهمی بر تصمیمات مربوط به اعطای تسهیلات و سودآوری بنگاه‌های مالی داشته باشد. به همین دلیل، محققین به طور مستمر نسبت به توسعه مدل‌های پیش‌بینی ریسک ورشکستگی مالی اقدام می‌کنند که بررسی سیر تکاملی این مدل‌ها خود گویای اهمیت این موضوع است. از این جهت، تاکنون مدل‌های متنوعی که هرکدام از نظر متغیرهای پیش‌بینی کننده و تکنیک‌ها متفاوت‌اند، ارائه شده‌اند و در پژوهش حاضر با توجه به این مورد به بررسی روش‌های مدیریت ریسک نقدینگی به منظور بهینه‌سازی پرتفوی چند متغیره پرداخته می‌شود. در بازار سرمایه ایران مانند سایر بازارهای سرمایه جهان، شرکت‌های متعددی در حال فعالیت هستند که قاعدتا عملکرد بعضی شرکت‌ها قوی و عملکرد بعضی از آنها ضعیف است. پیش‌بینی ریسک‌های مالی می‌تواند اثر مهمی بر تصمیمات مربوط به اعطای تسهیلات و سودآوری بنگاه‌های مالی داشته باشد. بررسی نشان داده است که کاربرد یادگیری ماشین در مدیریت ریسک نقدینگی به منظور بهینه‌سازی پرتفوی مورد بررسی قرار گرفته است. با این حال، به نظر نمی رسد با سطح فعلی صنعت تمرکز بر مدیریت ریسک و یادگیری ماشین متناسب باشد. تعداد زیادی از حوزه ها در مدیریت ریسک نقدینگی باقی مانده است که می تواند به طور قابل توجهی از مطالعه نحوه استفاده از یادگیری ماشین برای رسیدگی به مشکلات خاص بهره مند شود.

a review of liquidity risk management methods in order to optimize the multivariate portfolio

forecasting financial risks can have an important effect on decisions related to granting facilities and the profitability of financial companies. for this reason, researchers continuously develop financial bankruptcy risk prediction models, and the evolution of these models shows the importance of this issue. from this point of view, so far, various models have been presented, each of which is different in terms of predictive variables and techniques, and in this research, according to this case, liquidity risk management methods are investigated in order to optimize the multi-variable portfolio. in the capital market of iran, like other capital markets of the world, many companies are operating, and as a rule, the performance of some companies is strong and the performance of some is weak. forecasting financial risks can affect decisions related to granting facilities and the profitability of financial companies. the survey has shown that the application of machine learning in liquidity risk management has been investigated in order to optimize the portfolio. however, it doesn t seem to fit with the industry s current focus on risk management and machine learning. there remain a number of areas in liquidity risk management that could benefit significantly from studying how machine learning can be used to address specific problems.