مروري بر روش‌هاي مديريت ريسك نقدينگي به منظور بهينه‌سازي پرتفوي چند متغيره

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

پيش‌بيني ريسك‌هاي مالي مي‌تواند اثر مهمي بر تصميمات مربوط به اعطاي تسهيلات و سودآوري بنگاه‌هاي مالي داشته باشد. به همين دليل، محققين به طور مستمر نسبت به توسعه مدل‌هاي پيش‌بيني ريسك ورشكستگي مالي اقدام مي‌كنند كه بررسي سير تكاملي اين مدل‌ها خود گوياي اهميت اين موضوع است. از اين جهت، تاكنون مدل‌هاي متنوعي كه هركدام از نظر متغيرهاي پيش‌بيني كننده و تكنيك‌ها متفاوت‌اند، ارائه شده‌اند و در پژوهش حاضر با توجه به اين مورد به بررسي روش‌هاي مديريت ريسك نقدينگي به منظور بهينه‌سازي پرتفوي چند متغيره پرداخته مي‌شود. در بازار سرمايه ايران مانند ساير بازارهاي سرمايه جهان، شركت‌هاي متعددي در حال فعاليت هستند كه قاعدتا عملكرد بعضي شركت‌ها قوي و عملكرد بعضي از آنها ضعيف است. پيش‌بيني ريسك‌هاي مالي مي‌تواند اثر مهمي بر تصميمات مربوط به اعطاي تسهيلات و سودآوري بنگاه‌هاي مالي داشته باشد. بررسي نشان داده است كه كاربرد يادگيري ماشين در مديريت ريسك نقدينگي به منظور بهينه‌سازي پرتفوي مورد بررسي قرار گرفته است. با اين حال، به نظر نمي رسد با سطح فعلي صنعت تمركز بر مديريت ريسك و يادگيري ماشين متناسب باشد. تعداد زيادي از حوزه ها در مديريت ريسك نقدينگي باقي مانده است كه مي تواند به طور قابل توجهي از مطالعه نحوه استفاده از يادگيري ماشين براي رسيدگي به مشكلات خاص بهره مند شود.

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.