ارائه مدل جامع جهت اندازه‌گيري ريسك نقدينگي بانك‌هاي پذيرفته‌شده در بورس اوراق بهادار تهران(مطالعه موردي: بانك ملت)

Presenting a Comprehensive Model for Measuring the Liquidity Risk of Banks Listed on the Tehran Stock Exchange (Case Study: Mellat Bank)

عدم مديريت نقدينگي بانك‌ها يكي از مهم‌ترين ريسك‌هاي هر بانك مي‌باشد و كم‌توجهي به ريسك نقدينگي منجر به عواقب جبران‌ناپذير مي‌شود. جلوگيري از وقوع ريسك نقدينگي نيازمند يك روش اندازه‌گيري جامع مي‌باشد؛ اما ريسك نقدينگي موضوعي پيچيده است و اين پيچيدگي ارائه يك تعريف مناسب را دشوار مي‌سازد. علاوه بر اين، تعريف فاكتورهاي تعيين‌كننده ريسك نقدينگي و فرمول‌بندي تابع هدف مرتبط براي تقريب و پيش‌بيني مقدار آن پيچيده‌ است. در اين تحقيق براي مقابله با اين مشكلات و ارزيابي ريسك نقدينگي و فاكتورهاي كليدي آن، مدلي را پيشنهاد مي‌كنيم كه از شبكه‌هاي عصبي مصنوعي و بيزي استفاده ‌مي‌كند. طراحي و اجراي اين مدل شامل چندين الگوريتم و آزمايش جهت اعتبارسنجي است. در اين مقاله از الگوريتم‌هاي بهينه‌سازي لونبرگ-ماركوارت و ژنتيك جهت آموزش شبكه‌ عصبي مصنوعي استفاده كرده‌ايم. همچنين يك مطالعه موردي در بانك ملت براي نشان دادن قابليت اجرا، كارايي، دقت و انعطاف‌پذيري مدل اندازه‌گيري ريسك نقدينگي تحقيق، پياده‌سازي كرده‌ايم.

Lack of liquidity management of banks is one of the most important risks for any bank and lack of attention to liquidity risk leads 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 and assess liquidity risk and its key factors, 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 model. In this paper, we have used Levenberg-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.