بكارگيري شبكۀ هوش مصنوعي و مدل شبكۀ بيـزين براي پيش بيني ريسك نقدينگي در صنعت بانكـداري

بانكهايي كه در محيط اقتصادي كنوني فعاليت مي نمايند بايد با طيف وسيعي از ريسك هايي كه در تعقيب آنها هستند مقابله نمايند. چنانچه نقدينگي را در دسترس بودن وجه نقد يا معادلهاي نقد در نظر بگيريم، مي‌توانيم ريسك نقدينگي را ريسك زيان ناشي از فقدان نقدينگي يا معادل نقد و يا بطور دقيق‌تر ريسك زيان ناشي از عدم توانايي در تأمين منابع مالي مورد نياز در سطح معقول اقتصادي و يا اجبار به فروش دارايي يا توثيق آن به منظور پوشش تعهدات خواسته يا ناخواسته قلمداد كرد. در اين پژوهش با بررسي عملكرد فصلي 10 ساله (1389 -1399) 23 بانكهاي پذيرفته شده در بورس اوراق بهادار تهران و فرابورس ايران با استفاده از شبكه هوش مصنوعي مدلي براي پيش بيني ريسك نقدينگي بانكها ارايه شده است. در اين پژوهش با استفاده از الگوريتم لونبرگ ماركوارت (LM) و الگوريتم ژنتيك بهترين روش آموزش انتخاب و سپس به منظور بهينه سازي متغيرهاي مستقل ورودي مدل، الگوريتم تحليل مولفه اصلي (PCA) بكار گرفته شده است. در نهايت پس از تعيين تعداد لايه‌هاي بهينه نهاني و بهره گيري از شبكه مدل بيزين (BN) شبكه عصبي طراحي و ريسك نقدينگي بانكهاي پذيرفته شده در بازار سرمايه كشور مدل‌سازي و نتايج تحليل يافته هاي حاصل از پيش بيني اين مدل ارايه شده است.