• Home
  • Liquidity Risk Prediction Using News Sentiment Analysis

Share To

Article Url


Manuscript ID : 1402061443915 Visit : 4785 Page: 258 - 273

20.1001.1.27170411.1402.15.55.14.5

Article Type: Original Research

Liquidity Risk Prediction Using News Sentiment Analysis

Subject Areas : ICT

hamed mirashk 1 , albadvi albadvi 2 * , mehrdad kargari 3 , Mohammad Ali Rastegar 4 , Mohammad Talebi 5

1 - ُStudent
2 - Tarbiat Modares University
3 -
4 - Assistant Professor
5 - Imam Sadiq University

Received: 2022-08-13 Accepted : 2022-11-30 Published : 2023-09-05

Keywords: Liquidity risk prediction, machine learning, sentiment analysis, scenario analysis, design science rese,

Abstract :

One of the main problems of Iranian banks is the lack of risk management process with a forward-looking approach, and one of the most important risks in banks is liquidity risk. Therefore, predicting liquidity risk has become an important issue for banks. Conventional methods of measuring liquidity risk are complex, time-consuming and expensive, which makes its prediction far from possible. Predicting liquidity risk at the right time can prevent serious problems or crises in the bank. In this study, it has been tried to provide an innovative solution for predicting bank liquidity risk and leading scenarios by using the approach of news sentiment analysis. The news sentiment analysis approach about one of the Iranian banks has been used in order to identify dynamic and effective qualitative factors in liquidity risk to provide a simpler and more efficient method for predicting the liquidity risk trend. The proposed method provides practical scenarios for real-world banking risk decision makers. The obtained liquidity risk scenarios are evaluated in comparison with the scenarios occurring in the bank according to the guidelines of the Basel Committee and the opinion of banking experts to ensure the correctness of the predictions and its alignment. The result of periodically evaluating the studied scenarios indicates a relatively high accuracy. The accuracy of prediction in possible scenarios derived from the Basel Committee is 95.5% and in scenarios derived from experts' opinions, 75%.

References:

] اصغر ب. استادی, پ. ت. پژو و ه. اشعری, “ارزيابي و ارايه الگوي مناسب براي شناسايي، اندازه گيري و كنترل ريسكهاي مالي در مؤسسات مالي و اعتباري با استفاده از روش ضریب تغییرات (CV),” تیر 95.

[2] F. T. Musakwa, "On measuring bank funding liquidity risk," Actuarial Society of South Africa’s 2013 Convention, pp. 227-247, 2013.
[3] P. G. G.A. Vento, "Bank Liquidity Risk Management and Supervision: Which Lessons from Recent Market Turmoil?," Journal of Money, Investment and Banking, no. 10, pp. 78-125, 2009.
[4] A. A. D. D. C. M. P. M. Tavanaa, "An Artificial Neural Network and Bayesian Network model for liquidity risk assessment in banking," Neurocomputing, vol. 275, pp. 2525-2554, 2018.
[5] L. Matz, "Scenario analysis and stress testing," in Liquidity Risk Measurement and Management, New Jersey, John Wiley & Sons. Inc, 2007, pp. 37-64.
[6] P. G. R. Calabrese, "Estimating bank default with generalised extreme value regression models," The Journal of the Operational Research Society, vol. 66, no. 11, pp. 1783-1792, 2015.
[7] J. M. H. &. Z. X. Bollen, "The Review of Financial Studies," Horizon effects in average returns: The role of slow information diffusion, vol. 29, pp. 2241-2281, 2016.
[8] R. S. J.Y. Campbell, "Cointegration and tests of present value models," Journal of Political Economy, vol. 95, pp. 1062-1088, 1987.
[9] M. L. M. &. N. D. Hagenau, "Automated news reading: Stock price prediction based on financial news using context-capturing features.," Decision Support Systems, vol. 55, pp. 685-697, 2013.
[10] H. C. R.P. Schumaker, "Textual analysis of stock market prediction using breaking financial news: the AZFin text system," ACM Transactions on Information Systems, vol. 27, no. 2, 2009.
[11] K. &. S. N. Nam, "Financial news-based stock movement prediction using causality analysis of influence in the Korean stock market," Decision Support Systems, vol. 117, pp. 100-112, 2019.
[12] T. H. S. K. &. V. J. Nguyen, "Sentiment analysis on social media for stock movement," Expert Systems with Applications, vol. 42, pp. 9603-9611, 2015.
[13] M. &. F. S. Kraus, "Decision support from financial disclosures with deep neural networks and transfer learning," Decision Support Systems, vol. 104, pp. 38-48, 2017.
[14] M.-A. Mittermayr, "Forecasting intraday stock price trends with text mining techniques," Proceedings of the 37th Annual Hawaii International Conference on System Sciences, 2004.
[15] H. C. R.P. Schumaker, "Textual analysis of stock market prediction using breaking: the AZFin text system," ACM Transactions on Information Systems, vol. 2, p. 27, 2009.
[16] D. R. D. Robert A.Jarrowab, "The arbitrage-free valuation and hedging of demand deposits and credit card loans," Journal of Banking and Finance, vol. 22, no. 3, pp. 249-272, 1998.
[17] M. Kumar and G. C. Yadav, "Liquidity Risk Management in Bank ,A Conceptual Framework," AIMA Journal of Management & Research, 2013.
[18] B. C. o. B. Supervision, "Basel III: International framework for liquidity risk measurement, standards and monitoring," BIS.org, Switzerland, 2014.
[19] F. Musakwa, "Measuring Bank Funding Liquidity Risk," 2013. [Online]. Available: https://www.actuaries.org/lyon2013/papers/AFIR_Musakwa.pdf.
[20] B. C. O. B. Supervision, "Principles for Sound Liquidity Risk Management and Supervision," Bank for International Settlements, 2008.
[21] Neurocomputing, "Neural networks: An overview of early research, current frameworks and new challenges," Alberto Prieto,Beatriz Prieto, Eva Martinez, Ortigosa Eduardo, Ros Francisco, Pelayo Julio,OrtegaIgnacio Rojas, vol. 214, pp. 242-268, 2016.
[22] L. H. Z. G. Lian Duan, "Global robust dissipativity of interval recurrent neural networks with time-varying delay and discontinuous activations," Chaos: An Interdisciplinary Journal of Nonlinear Science, vol. 26, no. 7, pp. 073101-12, 2016.
[23] J. C. X. A. A. T. H. Chengdai Huang, "Bifurcations in a delayed fractional complex-valued neural network," Applied Mathematics and Computation, vol. 292, pp. 210-227, 2017.
[24] Z. W. X. L. N. Z. Y. L. F. E. Weibo Liu, "A survey of deep neural network architectures and their applications," Neurocomputing, vol. 234, pp. 11-26, 2017.
[25] K. Akyol, "Comparing of deep neural networks and extreme learning machines based on growing and pruning approach," Expert Systems with Applications, vol. 140, p. 112875, 2020.
[26] X. L. Yihao Zhang, "Learning attention embeddings based on memory networks for neural collaborative recommendation," Expert Systems with Applications , vol. 183, 2021.
[27] I. S. Sara Kavian, "Application of complex systems topologies in artificial neural networks optimization: An overview," Expert Systems with Applications, vol. 180, p. 115073, 2021.
[28] K. C. Ankit Thakkar, "A comprehensive survey on deep neural networks for stock market: The need, challenges, and future directions," Expert Systems With Applications , vol. 177, no. 114800, 2021.
[29] D. V. Shayanfar Nima, "An Intelligent News Based Decision Support System for Trading Stocks in Tehran Stock Exchange," Journal of Soft Computing and Information Technology, vol. 4, no. 3, pp. 55-61, 2014.
[30] A. H. Clemens Nopp, "Detecting Risks in the Banking System by Sentiment Analysis," in Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, Association for Computational Linguistics, 2015.
[31] P. P. A. M. A. A. Hai Ha Do, "DEEP LEARNING FOR ASPECT-BASED SENTIMENT ANALYSIS: A COMPARATIVE REVIEW," Expert Systems With Applications, vol. 118, pp. 272-299, 2019.
[32] A. Paraboni, M. RighX, K. Vieira and V. da Silveira, "The Relationship between Sentiment and Risk in Financial Markets," BAR- Brazilian Administration Review, 2018.
[33] D. Chong, L. Li, H. Wu, J. Park, H. Shi and G. Yan, "Social Media Sentiment and Bank Loan," Journal of Industrial Integration and Management, 2018.
[34] W. He, S. Zha and L. Li, "Social media competitive analysis and text mining: A case study," International Journal of Information Management, p. 464–472, 2013.
[35] E. Altman, "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy," The journal of finance, p. 589–609, 1968.
[36] R. Nyman, "Measuring Financial Sentiment to Predict Financial Instability: A New Approach based on Text Analysis," Centre for the Study of Decision Making Uncertainty, University College, London, 2015.
[37] C. E.-S. Yu, "Sentiment Analysis for Credit Risk and Portfolio Construction," 2020.
[38] M. &. Y. G. C. Kumar, "Liquidity Risk Management in Bank,A Conceptual Framework," AIMA Journal of Management & Research, 2013.
[39] C. Erlwein-Sayer, "Macroeconomic News Sentiment: Enhanced Risk Assessment for Sovereign Bonds," MDPI RISK, p. 141, 2018.
[40] A. H. A. M. Jan vom Brocke, "Introduction to Design Science Research," Springer International Publishing, pp. 1-13, 2020.
[41] A. M. S. P. J. &. R. S. Hevner, " Design Science in Information Systems," MIS Quarterly, vol. 28, no. 1, pp. 75-105, 2004.
Full-Text:
الگوي تهيه مقالات

 

دو فصلنامه علمي

فناوري اطلاعات و ارتباطات ایران

سال  پانزدهم، شماره ‌55 و56 ، بهار و تابستان 1402

صفحات: 258 الی273

E:\E Drive\logo\iicta Logo0.JPG 

 

 

 

Liquidity Risk Prediction Using News Sentiment Analysis

Hamed Mirashk*, Amir Albadvi**, Mehrdad Kargari***, Mohammad Ali Rastegar****, Mohammad Talebi*****

* PhD student, Faculty of Industrial and Systems Engineering, Information Technology Engineering Department, Tarbiat Modares University, Tehran, Iran

** Professor, Faculty of Industrial and Systems Engineering, Information Technology Engineering Department, Tarbiat Modares University, Tehran, Iran

*** Associate Professor, Faculty of Industrial and Systems Engineering, Information Technology Engineering Department, Tarbiat Modares University, Tehran, Iran

**** Assistant Professor, Faculty of Industrial and Systems Engineering, Information Technology Engineering Department, Tarbiat Modares University, Tehran, Iran

*****Professor, Faculty of Management, Imam Sadegh University, Tehran, Iran

Abstract

One of the main problems of Iranian banks is the lack of risk management process with a forward-looking approach, and one of the most important risks in banks is liquidity risk. Therefore, predicting liquidity risk has become an important issue for banks. Conventional methods of measuring liquidity risk are complex, time-consuming and expensive, which makes its prediction far from possible. Predicting liquidity risk at the right time can prevent serious problems or crises in the bank.

In this study, it has been tried to provide an innovative solution for predicting bank liquidity risk and leading scenarios by using the approach of news sentiment analysis. The news sentiment analysis approach about one of the Iranian banks has been used in order to identify dynamic and effective qualitative factors in liquidity risk to provide a simpler and more efficient method for predicting the liquidity risk trend. The proposed method provides practical scenarios for real-world banking risk decision makers. The obtained liquidity risk scenarios are evaluated in comparison with the scenarios occurring in the bank according to the guidelines of the Basel Committee and the opinion of banking experts to ensure the correctness of the predictions and its alignment. The result of periodically evaluating the studied scenarios indicates a relatively high accuracy. The accuracy of prediction in possible scenarios derived from the Basel Committee is 95.5% and in scenarios derived from experts' opinions, 75%.

Keywords: Liquidity risk prediction, machine learning, sentiment analysis, scenario analysis, design science rese

 

 

 

پیش‌بینی ریسک نقدینگی با استفاده از تحلیل تمایلات خبری

حامد میرشک*،  امیر البدوی**1، مهرداد کارگری***، محمد علی رستگار****،  محمد طالبی*****

*دانشجوی دکترا، دانشکده مهندسی صنایع و سیستمها، گروه مهندسی فناوری اطلاعات، دانشگاه تربیت مدرس، تهران، ایران

**استاد، دانشکده مهندسی صنایع و سیستمها، گروه مهندسی فناوری اطلاعات، دانشگاه تربیت مدرس،تهران، ایران

***دانشیار، دانشکده مهندسی صنایع و سیستمها، گروه مهندسی فناوری اطلاعات، دانشگاه تربیت مدرس،تهران، ایران

****استادیار، دانشکده مهندسی صنایع و سیستمها، گروه مهندسی فناوری اطلاعات، دانشگاه تربیت مدرس،تهران، ایران

***** استاد، دانشکده مدیریت، دانشگاه امام صادق، تهران، ایران

تاریخ دریافت: 22/05/1401 تاریخ پذیرش: 09/09/1401

نوع مقاله: پژوهشی

چكیده

یکی از مشکلات اساسی بانک‌های ایرانی نبود فرآیند مدیریت ریسک با رویکردی آینده‌نگر است. از مهم‌ترین این ریسک­ها در بانک، میتوان به ریسک نقدینگی اشاره کرد؛ بنابراین پیش­بینی ریسک نقدینگی به موضوعی مهم برای بانک‌ها تبدیل‌شده است. روش‌های مرسوم اندازه‌گیری ریسک نقدینگی پیچیده، زمان‌بر و پرهزینه هستند که پیش­بینی آن را نیز غیر قابل دسترس نموده ­است. پیش­بینی ریسک نقدینگی در زمان مناسب می‌تواند از بروز مشکلات یا بحران‌های جدی در بانک جلوگیری نماید.

در این مطالعه سعی شده است تا راه‌حلی نوآورانه برای پیش‌بینی ریسک نقدینگی بانک و سناریوهای پیشرو با استفاده از رویکرد تحلیل تمایلات خبری ارائه شود. از رویکرد تحلیل تمایل اخبار پیرامون یکی از بانک­های ایرانی در راستای شناسایی متغیرهای کیفی پویا و مؤثر در ریسک نقدینگی بهره­ برده ­شده تا روشی ساده‌تر و با کارایی بالاتر برای پیش­بینی روند ریسک نقدینگی ارائه نماید. روش پیشنهادی سناریوهای عملی را برای تصمیم‌گیرندگان ریسک بانکی در دنیای واقعی فراهم می­کند. سناریوهای ریسک نقدینگی به‌دست‌آمده در مقایسه با سناریوهای رخ داده در بانک طبق دستورالعمل کمیته بازل و نظر کارشناسان بانکی ارزیابی می‌شوند تا از صحت پیش‌بینی‌ها و همسویی آن اطمینان حاصل شود. نتیجه ارزیابی سناریوهای موردمطالعه به‌صورت دوره­ای حاکی از دقت نسبتاً بالا است. معیار دقت1 پیش‌بینی در سناریوهای محتمل استخراج شده از کمیته بازل، 95.5% و در سناریوهای برگرفته از نظرات خبرگان، 75% است.

[1]  نویسنده مسئول:امیرالبدوی albadvi@modares.ac.ir 

واژگان کلیدی: پیش­بینی ریسک نقدینگی، یادگیری ماشین، تحلیل تمایل، تحلیل سناریو، روش­شناسی علم طراحی


 

 

1.       مقدمه

بانک‌ها و مؤسسات مالی بدون پذیرش ریسک قادر به بقا، رشد و سودآوری نیستند. پذیرش ریسک در فعالیت‌های اقتصادی یکی از الزامات غیرقابل‌انکار است و با سودآوری رابطه مستقیمی دارد. نظام بانکی با ریسک­های مختلفی مانند ریسک نقدینگی، ریسک اعتباری، ریسک بازار، ریسک عملیاتی، ریسک نرخ بهره، ریسک سودآوری و انواع دیگر ریسک مواجه است. لذا امروزه شناسایی، اندازه‌گیری، کنترل و کاهش انواع ریسک‌ها و تهدیدات برای بانک‌ها اهمیت ویژه‌ای دارد و این مؤسسات باید ریسک‌هایی را که می‌پذیرند، مدیریت کنند. ]1[

یکی از ریسک­های مهم در حوزه بانکی ریسک نقدینگی است. درواقع اجماع نظر در خصوص تعریف ریسک نقدینگی به دلیل ماهیت مبهم و غیرقطعی آن وجود ندارد. ماهیت غیرقطعی آن از تعاریف گوناگون بر اساس زمینه استفاده نشأت می­گیرد و به دلیل کاربرد اصطلاح ریسک نقدینگی در حوزه­های مختلف ابهام­برانگیز است مثلاً ریسک

نقدینگی بازار یا ریسک نقدینگی سیستماتیک.]2[ به‌عنوان‌مثال ریسک نقدینگی می­تواند مرتبط با توانایی نقد‌شوندگی دارایی­ها بدون زیان در سرمایه و در کمترین زمان ممکن و یا در بازارهای مالی عمده‌فروشی مرتبط با ناتوانی در افزایش تأمین مالی موردنیاز تعریف نمود ]3[

ریسک نقدینگی دارای یک تناقض ذاتی در ایفای تعهدات به سهام‌‌داران و سرمایه­گذاران (سپرده­گذاران) بانک است. این مشکل درواقع بانک‌ها را در ایجاد موازنه بین سودآوری (سهام­داران) در سرمایه­گذاری­های بلندمدت و ریسک ناشی از تعهدات کوتاه‌مدت (سرمایه­گذاران) دچار مشکل می­کند. درواقع مدیریت فعالیت­های بانک­ها زمانی که برداشت یا بستن سپرده­ها زودتر از موعد صورت­ می­پذیرد، پراهمیت و پیچیده می­شود. ]4[

به­صورت کلی وام‌هایی که بانک‌ها پرداخت می­کنند، دارایی­هایی با نقد شوندگی کم محسوب می­شوند. از طرفی بیشتر منابع بانک­ها را، سپرده­های کوتاه‌مدت شامل می­شوند. از­این­رو ریسک نقدینگی در بانک­ها پدیده­ایست که غالباً اتفاق می­افتد. نقدینگی زیاد، موجب استفاده غیر مؤثر از منابع بانک و نقدینگی کم نیز سبب کاهش نرخ سود سپرده‌ها، از دست دادن مشتریان، خدشه به اعتبار بانک و بالا رفتن بدهی­ها و نهایتاً ورشکستگی بانک می­شود. به‌عبارت‌دیگر؛ نقدینگی کم به‌یک‌باره و نقدینگی زیاد به‌آرامی سبب ورشکستگی بانک می­شود.]5[

ریسک نقدینگی با عوامل متعددی مانند ریسک عملیاتی، کیفیت اعتبارات، تکیه بیش‌ازحد به وام­های کوتاه­مدت، تکیه بیش‌ازحد به سپرده­گذاران حساس به شهرت بانک، ریسک بازار و موارد دیگر در ارتباط است.]6[ ازآنجاکه وضعیت نقدینگی آینده یک بانک عموماً تحت تأثیر عواملی قرار می­گیرد که همیشه نمی­توان آن­ را به‌طور دقیق پیش­بینی کرد، می­بایست از روش­هایی برای تخمین این عوامل و تأثیر آن بر ریسک نقدینگی استفاده نمود.

به­علاوه، بازارهای مالی غالباً توسط اطلاعات ناهمگن و مسائل رفتاری مانند احساسات بازار و رفتارهای سوداگرانه/غیرمنطقی و نه عوامل اساسی هدایت می‌شوند. ازاین‌رو با توجه به تأثیر ریسک بازار و تغییرات آن، بررسی و تحلیل تغییرات، احساسات و رفتارهای مالی در بازارهای مالی می­تواند در پیش­بینی ریسک نقدینگی نقش بسزایی داشته باشد. تحلیل این اطلاعات از رسانه­های ارتباطی متنوع مانند اخبار و داده­های سری زمانی از منابع رسمی، نقش بسزایی در پیش­بینی دارد.]7[ اگر اخبار مالی اطلاعاتی جدید ارائه دهد که منجر به تعدیل انتظارات در مورد جریان­های نقدی بانک یا نرخ تنزیل سرمایه‌گذاران شود، بر بازده سهام تأثیر می­گذارد]8[. نمودارهای مالی و ویژگی­های کیفی مستخرج از اخبار تأثیر بر قیمت بازار دارد. ]9[

تحلیل روزانه اخبار برای پیش­بینی روند به­صورت دستی، کاری طاقت­فرسا است، به­ همین ­دلیل از روش­های متن­کاوی می­توان جهت تحلیل خبر استفاده نمود. روش­های متن­کاوی جهت تحلیل و پیش‌بینی سهام از اخبار یکی از مؤثرترین روش­های موجود است.

یکی از مسائل مهم در متن­کاوی، مسئله بازنمایی ویژگی2 است. این مسئله کماکان جز موضوعات تحقیقاتی باز است. بازنمایی ویژگی­های متنی مرتبط با نحوه مواجه و استفاده از متون می‌باشد.]10[ به‌عنوان‌مثال روش کوله کلمات3]11[، انگرام4]9[، مدل­سازی موضوع5]12[ و تعبیه­سازی کلمات6]13[ کاربردهای زیادی در این حوزه دارند. یکی از تکنیک­های مورداستفاده در بازنمایی متون، روش کوله کلمات است که متن را مجموعه‌ای از کلمات تکی بدون ترتیب می­داند. هر کلمه به‌عنوان یک ویژگی، بازنمایی متن را تشکیل می‌دهد. دو روش دیگر در بازنمایی متن، TFIDF ]14[ و تکرار یا فرکانس کلمات7]15[ است که در پیش­بینی قیمت سهام بکار گرفته‌شده‌اند.

تأثیر عوامل داخلی در بسیاری از مطالعات قبلی بررسی‌شده است. ولی در این مطالعه، هدف بررسی تأثیر عوامل کیفی پویا در مدل یادگیری به‌منظور پیش­بینی روند ریسک نقدینگی است. منشأ عوامل پویا می­تواند از تغییرات سیاسی، قوانین، تغییرات بازار من­جمله بازار سهام، کالا یا سایر بازارها باشد. مهم‌ترین منبع در بررسی این دسته از عوامل محیطی، اخبار یا تمایلات جامعه است. همچنین تأثیر اخبار به‌عنوان یک عامل مهم در ریسک نقدینگی نیز مشهود است به آن معنی که شرایط سیاسی، اقتصادی بر تمایلات افراد بر سپرده­گذاری سرمایه­گذاران، نکول یا عدم نکول وام­گیرندگان تأثیر بسزایی دارد. لذا با توجه به اهمیت این موضوع و عدم بررسی تأثیر عوامل کیفی در مطالعات قبلی، خلأ تحقیقاتی این حوزه شناسایی‌شده و در این مقاله سعی شده است تا روشی برای تأثیر عوامل کیفی (اخبار) بر مدل کمی ریسک نقدینگی پیشنهاد شود.

مسئله اصلی این مطالعه پیش­بینی ریسک نقدینگی بانک، با به‌کارگیری روشی نوآورانه به جهت تخمین و تحلیل سناریوهای ریسک نقدینگی بانک و انجام اقدامات متناسب با وضعیت ریسک بانک است. پیش­بینی سناریوهای احتمالی ریسک نقدینگی در بانک‌ها به یک امر حیاتی مبدل شده است، به­طوری­که کمیته بال به‌عنوان کمیته پیشرو در حوزه تبیین رهنمودها و الزامات ریسک‌های مالی در بانک‌ها، تحلیل سناریوها و برنامه­ریزی برای اقدامات مناسب را راهکاری الزامی برای بانک‌ها دانسته است. همچنین روش­های مرسوم جهت پیش­بینی ریسک نقدینگی امکان ارائه نتایج را در زمان قابل‌قبول ندارند، ازاین‌رو به‌کارگیری روش نوآورانه برای حل مسئله حائز اهمیت است.

در ادامه در بخش دوم به‌مرور پیشینه پژوهش و مطالعات قبلی در حوزه پیش­بینی ریسک پرداخته می­شود. سپس در بخش سوم روش پیشنهادی برای پیش­بینی ریسک نقدینگی مبتنی بر DSR8 تشریح می­گردد. در بخش بعد نتایج مطالعه ارائه‌شده و نهایتاً جمع‌بندی می­گردد.

2.       پیشینه پژوهش

2.       1 پیش­بینی ریسک نقدینگی با رویکرد تحلیل تمایل و یادگیری ماشین

در این مطالعه، از روش­های یادگیری ماشین یا روش­های پردازش متن جهت بررسی تأثیر عوامل کیفی بر ریسک نقدینگی و پیش­بینی ریسک نقدینگی استفاده شده است. در ادامه به‌مرور ادبیات و مطالعات انجام­شده در این خصوص می­پردازیم.

تحلیل تمایل به‌عنوان یک رویکرد در حوزه پردازش زبان طبیعی به بررسی احساسات و شناسایی تمایلات از داده‌های متنی و بصری (عکس) می­پردازد. هدف نظر‌کاوی (تحلیل تمایل) اين است که حجم انبوهي از نظرات پيرامون يک موضوع توسط ماشين بررسی و گزارش خلاصه‌ای از احساسات بیان‌شده، به کاربر ارائه گردد. براي دستيابي به اين هدف تکنیک‌های آماري، داده‌کاوی و پردازش زبان طبيعي مورداستفاده قرار می‌گیرند.

در مطالعه مروری که توسط هالها و همکاران صورت پذیرفت، روش‌های مختلف استخراج اطلاعات و تحلیل تمایل مبتنی بر ویژگی9 بررسی‌شده است. هدف از این مطالعه، شناسایی ویژگی­ها یا موضوعات و قطبیت یا تمایل حول ویژگی یا موضوع در متن است. نمونه این موضوعات می­تواند محصول، خدمت، مسئله، اشکال، فرد، سازمان و وقایع باشد. این مطالعه به بررسی الگوریتم­های متنوعی همچون DNN، RNN، CNN ،RecNN پرداخته­است.]31 [در مطالعه انجام شده توسط تاکان و همکاران  از 9 الگوریتم شبکه یادگیری عمیق برای پیش­بینی سهام در بازار استفاده شد.]28[ همچنین در مطالعه‌ای توسط شایان فر و همکاران تأثیر خبر بر پیش­بینی سهام توسط الگوریتم SVM بررسی شد.]29[

در مطالعه صورت گرفته توسط پارابونی و همکاران برای محاسبه تمایلات بازار از پروکسی مبتنی بر فعالیت سرمایه­گذار در شبکه­های اجتماعی استفاده شده است. در این پروکسی از فناوری سایک سیگنال10 با لحاظ کردن داده­ی­ پیام­ها در شبکه­های اجتماعی، استفاده شد. این شاخص درواقع احساسات افراد را منعکس می­کند.]32[

چونگ و همکاران به تحلیل چگونگی تأثیر شبکه­های اجتماعی بر انعقاد قرارداد وام بانکی می‌پردازد. بدین منظور با استفاده از 642 نمونه قرارداد وام بانکی در ایالات‌متحده فرض می‌کند که شبکه­های اجتماعی می‌توانند انتشار اطلاعات را تقویت کرده و نابرابری اطلاعات بین وام‌گیرندگان و وام‌دهندگان را کاهش دهند.]33[ شبکه­های اجتماعی به‌عنوان یک فناوری جدید به بنگاه‌ها اجازه می‌دهند تا اطلاعات به‌صورت دوسوبه بین کاربران و بنگاه‌های مالی از طریق ارسال نامه‌ها، پیام مستقیم و غیره به سرمایه‌گذاران یا مشتریان جریان یابد].34[

در مطالعه دیگری که در حوزه بررسی سلامت و مشکلات مالی بانک‌ها انجام‌شده است، با استفاده از رویکرد تحلیل تمایل و کاربرد شبکه یادگیری عمیق، روشی برای ارزیابی مشکلات مالی شرکت ارائه‌شده است. در این مطالعه پتانسیل استخراج تمایلات از بخش‌های متنی گزارش‌های مدیریتی موردبررسی قرارگرفته و شناسایی سیگنال‌های مشکلات مالی صورت گرفته است. ]35[

سی شی و همکاران به بررسی روش­های مختلفی برای ارزیابی ریسک اعتباری با استفاده از الگوریتم‌های یادگیری ماشین پرداخته­اند. این بررسی نشان می­دهد که الگوریتم­های یادگیری عمیق از سایر الگوریتم­های یادگیری ماشین یا روش­های آماری بهتر عمل می­کنند.]44 [در مطالعه دیگری، اریک گایسلز و همکاران از مدل­های بهینه­سازی ریاضی و تفاوت عرضه و تقاضا استفاده و مدلی برای ایجاد توازن بین ریسک نقدینگی و بازدهی در بازار سهام ارائه نمودند.]46[

در ادامه در جدول 1 به دسته­بندی مقالات مروری این مطالعه پرداخته می­شود. موضوع مقالات و شرح روش هرکدام به تفکیک حوزه یا طبقه‌بندی مقالات اشاره‌شده است. به‌صورت کلی مقالات در 6 حوزه کلی طبقه‌بندی شده‌اند که شامل تحلیل ریسک نقدینگی، تحلیل تمایل در مدیریت ریسک، تحلیل تمایل در ریسک اعتباری و بازار، تحلیل تمایل در مدیریت ریسک شرکت و روش­های تحلیل تمایل مبتنی بر یادگیری عمیق است. بررسی مقالات و روش­های استفاده شده حاکی از آن است که روش­های مرسوم برای پیش­بینی ریسک نقدینگی پیچیده و زمان­بر است و همچنین استفاده از تحلیل تمایل در ارزیابی انواع ریسک­های بانکی با روش­های متنوع اگرچه قدیمی ولی مؤثر است. در مطالعه مروری توسط سوانکی در حوزه کاربرد هوش مصنوعی در مدیریت ریسک، خلأ تحقیقاتی در استفاده از هوش مصنوعی برای پیش­بینی سطح ریسک نقدینگی شناسایی شده­است.]42[ تأثیر پارامترهای مؤثر کیفی از اخبار در پیش­بینی ریسک نقدینگی با توجه به پیچیدگی محاسباتی آن مشهود است که در این مطالعه تلاش شده است از این منظر ریسک نقدینگی بانک بررسی شود.

 

 

جدول 1: دسته‌بندی مقالات مروری پژوهش

حوزه

موضوع مقاله

روش

سال

تحلیل ریسک نقدینگی

 

مدل شبکه عصبی مصنوعی و شبکه بیزی برای ارزیابی ریسک نقدینگی در بانک

پیش بینی ریسک نقدینگی مبتنی بر عوام مؤثر خرد و کلان در بانک]4[

2018

مطالعه برآورد مدل پیش بینی ریسک نقدینگی مالی با استفاده از تحلیل مالی

بررسی نسبت های مالی مؤثر در پیش بینی ریسک نقدینگی با استفاده از ANOVA و تحلیل رگرسیون]21[

2017

یادگیری ماشین برای مدل‌سازی ریسک نقدینگی: دیدگاه نظارتی

ارائه مدلی برای ارزیابی ریسک نقدینگی بانک با استفاده از روش­های یادگیری ماشین در سناریوهای بحرانی]43[

2022

شاخص هشدار اولیه ریسک نقدینگی برای بانک های ایتالیایی: رویکرد یادگیری ماشینی

سیستم هشدار اولیه برای شناسایی ریسک نقدینگی قبل از بحران با استفاده از الگوریتم های مختلف پیش بینی LASSO، جنگل تصادفی، XGBOOST و ترکیب آن­ها]45[

2021

تحلیل تمایل در مدیریت ریسک

 

شناسایی ریسک ها در بانک با استفاده از تحلیل تمایل

استفاده از رویکرد تحلیل احساسات برای شناسایی ریسک در بانک]30[

2015

متن کاوی و گزارش کیفت در بانک های آلمان: یک تحلیل همزمان و تمایل

بررسی کیفیت گزارش های مالی با استفاده از تحلیل احساسات در بانک های آلمانی]22[

2018

گزارش ریسک بانک های آلمانی: بررسی استاندارد صنعت

بررسی گزارش های مالی توسط بانک های مالی: با استفاده از روش های استاندارد]23[

2014

شناسایی عوامل ریسک بانکی از صورت های مالی 

شناسایی عوامل ریسک از صورت های مالی با استفاده از روش های متن کاوی]24[

2019

تحلیل تمایل در ریسک اعتباری

و مدیریت وام

تحلیل تمایل برای ریسک اعتباری و ساخت پرتفوی

طراحی سیستم پشتیبان تصمیم­گیری جهت ارزیابی ریسک اعتباری با استفاده از تحلیل تمایل گزارشات، شبکه اجتماعی و عوامل کمی]37[

2020

تصمیم گیری مبتنی بر داده در مدیریت ریسک اعتباری: ارزش اطلاعاتی گزارش­های تحلیلی

استفاده از تحلیل تمایل جهت بررسی گزارش های تحلیلی مالی و شناسایی ارتباط معنا دار بین شاخص ریسک اعتباری، اخبار و گزارش های تحلیلی]26[

2020

تمایلات در شبکه­های اجتماعی و قرارداد وام بانکی

کاهش نابرابری اطلاعاتی بین وام دهنده و وام گیرنده با ایجاد شفافیت و انتشار اطلاعات با استفاده تحلیل امتیاز افراد در شبکه های اجتماعی]33[

2018

تحلیل تمایل در مدیریت ریسک بازار

 

رابطه بین تمایلات و ریسک در بازارهای مالی

ارتباط بین معیارهای تمایل بازار و ریسک را با استفاده از فناوری Psych Signal که مبتنی بر رفتار سرمایه گذاران در شبکه های اجتماعی است، برآورد می کند.]32[

2018

سامانه پشتیبانی تصمیم گیری مبتنی بر اخبار برای معاملات سهام در بورس تهران

استفاده از متن کاوی برای استخراج ویژگی از اخبار و انتخاب موثرترین ویژگی­ها و طبقه بندی با استفاده از ماشین بردار پشتیبان (SVM) به‌عنوان روند مثبت یا منفی]29[

2015

تحلیل تمایل در مدیریت ریسک شرکت

تأثیر تمایلات رسانه­ای بر ریسک شرکت، سرمایه گذاری شرکتی و سیاست­های مالی

ارتباط بین تمایلات رسانه‌ای و اقدامات تصمیم‌گیری شرکتی را بررسی می‌کند که ریسک شرکت، سرمایه‌گذاری شرکتی و سیاست مالی را در بر می‌گیرد.]27[

2018

روش های تحلیل تمایل مبتنی بر یادگیری عمیق

یادگیری عمیق برای تحلیل تمایل: بررسی مقایسه ای

تحلیل تمایلات، بهبود جزئیات در سطح جنبه است، که دو هدف متمایز را نشان می دهد: استخراج جنبه و طبقه بندی احساسات بررسی های محصول و طبقه بندی احساسات توییت ها.]31[

2019

 

 

 

2.       3 شناسایی پارامترهای پیش­بینی ریسک نقدینگی با استفاده از تحلیل تمایل

در ادامه به بررسی پارامترهایی که برای تحلیل ریسک‌ نقدینگی بانک‌ها با رویکرد تحلیل تمایل استفاده شده است، اشاره می­گردد.

·       نیمان و همکاران متغیر بحران مالی11 را بررسی کردند. بحران‌های مالی تا حد زیادی از طریق اخبار و شبکه‌های اجتماعی قابل تخمین هستند، پس می‌توان تأثیر نظرات افراد در شبکه‌های اجتماعی را بر بحران مالی و پیش‌بینی آن با رویکرد تحلیل تمایلات افراد پیش برد.]36[

·       یکی از کاربردهای تحلیل تمایل در ریسک اعتباری است. یور و همکاران تمایلات اخبار اقتصادی کلان و شبکه­های اجتماعی را با ساخت سری زمانی تاریخی برای ایجاد یک ابزار ارزیابی ریسک اعتباری ترکیب نمودند. ]37[

·       در مطالعه صورت گرفته توسط کومار و همکاران از تحلیل تمایل برای پیش‌بینی نرخ سود بانکی با استفاده از پارامترهای غیر بانکی استفاده شده است. این رویکرد متکی به طراحی و توسعه یک سیستم بازیابی اطلاعات است که قادر به استخراج دایرکتوری اخبار آنلاین و محاسبه امتیاز تمایلات رویدادهای خبری است. ]38[

·       بر اساس نتایج به‌دست‌آمده از مطالعه الروین و همکاران احساسات خبری کلان، بر نوسانات سهام، بر نوسانات انتشار اوراق قرضه به‌ویژه در اقتصادهای باثبات تأثیر می‌گذارد. تصمیمات سیاسی، اقتصادی و رویدادهای خبری تأثیر فوری بر اوراق قرضه حاکمیتی دارند.]39[

·       از منظر دیگر ریسک بازار یکی دیگر از انواع ریسک است که به‌صورت غیرمستقیم بر ریسک نقدینگی تأثیرگذار است. مطالعه انجام‌شده توسط پارابونی و همکاران نشان داد که یکی از روش‌های شناسایی ریسک بازار استفاده از رویکرد تحلیل تمایل از طریق رصد اخبار و رویدادهای تأثیرگذار در بازار است.]32[

3.       روش­شناسی

این مطالعه از روش­شناسی پژوهشی علم طراحی یا به­اختصار DSR استفاده نموده است. (DSR) یک پارادایم حل مسئله است که به دنبال ارتقای دانش بشر از طریق ایجاد مصنوعات نوآورانه است. به بیان ساده، DSR به دنبال تقویت پایگاه­های دانش فناوری و علم از طریق ایجاد مصنوعات بدیع است که مشکلات را حل نماید و محیطی را که در آن نمونه­سازی شده است را بهبود ­بخشد. نتایج DSR هم شامل مصنوعات جدید طراحی‌شده و هم دانش طراحی (DK12) می‌شود.]40[

شکل 1 یک چارچوب مفهومی را برای درک، اجرا و ارزیابی روش­شناسی پژوهش علم طراحی نشان می­دهد.]41[

 

img0 

شکل 1: چارچوب روش­شناسی پژوهش علم طراحی ]41[

img0 

شکل 2: شمای کلی مطالعه در مرحله طراحی

 

3.       1 شمای کلی پژوهش مبتنی بر DSR در فاز طراحی

همان‌طور که در شکل 2 شمای کلی پژوهش در فاز طراحی DSR نمایش داده‌شده است، منابع یا داده‌های ورودی شامل اخبار و داده­های تاریخی نسبت شاخص پوشش نقدینگی بانکی است. سپس ویژگی‌های کیفی از داده‌های خبری متنی با استفاده از روش­های استخراج ویژگی در متن­کاوی13 استخراج‌شده و این ویژگی‌ها برای استفاده در مرحله بعدی موردبررسی قرار می­گیرد.

در بخش بعدی داده‌های ورودی پالایش و پاک­سازی شده، ویژگی‌های استخراج‌شده بررسی و در صورت نیاز با استفاده از روش­های مهندسی ویژگی14، ویژگی­ها یا ابعاد آن برای ورود به مدل تغییر می­کند. همچنین داده­های کمی نسبت پوشش نقدینگی بانک موردمطالعه که به‌صورت سری زمانی است، جهت به‌کارگیری در مدل پیش­بینی روند نیازمند تغییراتی است. قطبیت یا تمایلات اخبار از داده­های کمی سری زمانی که به‌نوعی برچسب اخبار ماهانه محسوب می­شود، شناسایی می­گردد.

پس از استخراج ویژگی­ها و شناسایی قطبیت اخبار، جهت تحلیل تمایل داد­ه­های خبری، با استفاده از الگوریتم شبکه عصبی طبقه‌بندی چند کلاسه15 جهت یادگیری روند تغییرات شاخص ریسک نقدینگی با توجه به اخبار ماه­قبل، روند شاخص در ماه پیش­رو پیش­بینی شود. در این مرحله با استفاده از تنظیم و انتخاب هایپرپارامترها در مدل بهترین خروجی یا پیش­بینی ارائه می­گردد.

همان‌طور که در شکل 2 دیده ­می­شود، ویژگی‌های انتخاب‌شده در الگوریتم‌ یادگیری عمیق برای تولید خروجی مورد انتظار یا پیش‌بینی شاخص ریسک نقدینگی مورداستفاده قرار می­گیرد. این مطالعه در فاز طراحی و نمونه­سازی اولیه DSR به­صورت کلی در 7 مرحله بیان می­شود. در ادامه به چگونگی یا نحوه جمع‌آوری، آماده‌سازی (پیش­پردازش) و ساخت مدل پرداخته می­شود. در انتها با ارائه نتایج به‌دست‌آمده ارزیابی مدل موردبررسی قرار می­گیرد.

مراحل کلی روش انجام مطالعه:

1.       جمع‌آوری متون خبری

2.       پردازش اولیه و پاکسازی متن

3.       دسته‌بندی کلی موضوعی اخبار

4.       استخراج کلیدواژه‌های متن

5.       تشخیص قطبیت یا برچسب­گذاری

6.       تحلیل تمایل مبتنی بر ویژگی­های استخراجی با استفاده از شبکه عصبی و یادگیری عمیق

7.       ارزیابی نتایج

این مطالعه از اخبار خبرگزاری کثیرالانتشار الکترونیکی فارس نیور استفاده می‌نماید. داده­های خبری از نوع متن دیجیتال و به زبان فارسی می‌باشند. داده‌ها از خبرگزاری‌ آنلاین با استفاده از روش خراشیدن وب16 جمع‌آوری‌شده است. برای این کار از کتابخانه requests و BS4 در پایتون استفاده شد. به شکلی که با استفاده از تابع requests.get() و ارسال URL مربوط به سایت موردنظر، محتوای پیج دریافت شده و سپس با استفاده از کتابخانه BS4 و با استفاده از Beautiful Soap، الگوهای موردنظر برای استخراج عنوان، خلاصه و شرح خبر به همراه زمان خبر استفاده شد. برای خزیدن سایت موردنظر از امکانات سرورهای ابری استفاده شد.

3.       2 متغیرهای پژوهش

در این تحقیق از شاخص نسبت پوشش نقدینگی برای محاسبه ریسک نقدینگی استفاده شده است که کمیته نظارت بانکی بال دو برای محاسبه ریسک نقدینگی آن را معرفی کرده است.

نسبت پوشش نقدینگی: یکی از دو روش استاندارد کمیته نظارتی بال است.]20[ این نسبت نشان می­دهد بانک توان پوشش خالص جریان‌های خود طی 30 روز آتی را از محل دارائی‌های نقد باکیفیت خود دارا است یا خیر و به­صورت ذیل تعریف می‌شود:

 

 

(1)

img0 

خالص جریان‌های خروجی طی 30 روز آتی = جریان‌های ورودی طی 30 روز آتی – جریان‌های خروجی طی 30 روز آتی

شکل 3: تأثیر متغیرهای کیفی به‌عنوان عامل تأثیر گزار پویا در پیش­بینی ریسک نقدینگی

 

سه عامل در محاسبه نسبت پوشش نقدینگی نقش مهمی­ دارد. 1) ارزش دارایی­های نقد (دارایی‌هایی که نقد شوندگی بالا دارند) که صورت کسر را تشکیل می­دهد. 2) نرخ مازاد که بین طبقه بدهی­ها و دارایی­ها شناسایی می­شود 3) تقسیم سپرده­های درخواستی به بخش اصلی یا فرار و اعمال ضرائب هر بخش]2[ پیچیدگی محاسبات و برآورد پارامترهای این نسبت استفاده از آن را دشوار کرده است.

همان­طور که در خالص جریان‌های خروجی طی 30 روز آتی = جریان‌های ورودی طی 30 روز آتی – جریان‌های خروجی طی 30 روز آتی

شکل 3 نشان داده‌شده است، برای پیش­بینی ریسک نقدینگی عوامل یا پارامترهای داخلی بانک، تحت عنوان عوامل خُرد اقتصادی یا تحت کنترل به عنوان متغیرهای ایستا و عوامل بیرونی، پارامترهای ضمنی یا متأثر از زمان با عنوان متغیرهای پویا در نظر گرفته­ می­شود. این مطالعه با بررسی متغیرهای کیفی، تأثیر این نوع متغیرها به‌عنوان یک متغیر پویا و مهم در ریسک نقدینگی که در تحقیقات قبلی بررسی­ نشده است، لحاظ می­کند.

داده­های این مطالعه به دودسته متغیرهای وابسته و مستقل تقسیم‌شده‌اند. متغیر وابسته همان ویژگی­های کیفی اخبار و متغیر مستقل همان شاخص ریسک نقدینگی است؛ در این خصوص ابتدا به نحوه جمع­آوری داده­های کیفی و سپس متغیر وابسته یا شاخص ریسک نقدینگی پرداخته­ می­شود. در جدول 2 منابع داده‌های تحقیق آورده شده است.

در خصوص داده­های کمی همان­طور که در جدول بالا نیز اشاره‌شده­ است، شاخص نسبت پوشش نقدینگی به­صورت ماهانه مدنظر است. شاخص ریسک بانکی یک شاخص تاریخی و رو به عقب است به این معنی که وضعیت فعلی یا گذشته بانک را نمایش می­دهد.]30[

جدول 2: متغیرها و  داده­های مطالعه.

ردیف

عنوان متغیر

نوع متغیر

نوع داده

زمان داده

منبع داده

1

نسبت پوشش نقدینگی

متغیر کمی

داده­های ریسک نقدینگی بانک

فروردین 1388 – اسفند 1399

بانک بخش نیمه خصوصی ایران

2

شاخص کیفی اخبار

متغیر کیفی

اخبار

فروردین 1388- اسفند 1399

سایت­ خبرگزاری­های معتبر فارس نیوز

 

 

 

 

 

 

داده­های نسبت پوشش نقدینگی برای یکی از بانک‌های نیمه‌خصوصی کشور ایران است. این داده­ها از بازه فروردین 1388 تا اسفند 1399 به­صورت ماهانه در اختیار قرارگرفته است.

در مطالعات قبلی در حوزه تحلیل تمایل ریسک بانکی، جهت محاسبه امتیاز تمایل17 یا شناسایی قطبیت داده­های متنی از سه کلاس مثبت، منفی و عدم‌تغییر استفاده شد.]30[ به همین منوال در این تحقیق به جهت شناسایی قطبیت یا برچسب‌گذاری داده‌های متنی از سه‌طبقه مثبت، منفی و خنثی استفاده شد. برای محاسبه قطبیت (برچسب) از تحلیل روند شاخص نقدینگی ریسک نسبت به ماه گذشته استفاده شد که در آن کلاس مثبت مرتبط با افزایش این شاخص نسبت به ماه قبل، منفی به معنای کاهش نسبت به ماه قبل و عدم قطعیت (صفر) به معنای عدم‌تغییر محسوس نسبت به ماه قبل لحاظ شده است.

متغیر وابسته یا شاخص ریسک نقدینگی جهت ایجاد برچسب­ها در ماشین یادگیری مورداستفاده قرار می­گیرد. برچسب­ها در دوحالت محاسبه‌شده است: یک‌بار به‌صورت سه کلاس (1 به معنای افزایش شاخص، 0 به معنی ثابت بودن شاخص و 1- به معنی کاهش شاخص) و یک‌بار نیز در قالب پنج کلاس (2 به معنای افزایش زیاد شاخص، 1 به معنای افزایش کم شاخص، 0 به معنی ثابت بودن شاخص، 1- به معنی کاهش کم شاخص و 2- به معنای کاهش زیاد شاخص).

داده مهم کیفی در این تحقیق شامل اخبار و وقایع سیاسی، اقتصادی و اجتماعی است. این نوع داده‌ها پس از جمع­آوری می‌بایست به‌صورت یک متغیر کیفی جهت بررسی تأثیر آن بر ریسک نقدینگی مورداستفاده قرار گیرد. ازاین‌رو در این مطالعه داده­های اخبار از وب‌سایت معتبر خبرگزاری فارس خزیده18 و جمع­آوری شد.

به دلیل اینکه داده­های خبری روبه‌جلو هستند و تأثیرات آن­ها را در آینده می­توان مشاهده نمود ]30[ می­بایست در دوره­های زمانی یکسان با شاخص ریسک نقدینگی جمع­آوری شوند. ازاین­رو، داده‌های خبری به­صورت ماهانه از فروردین‌ماه 1388 تا اسفند 1399 جمع­آوری شد و در پایگاه­ داده­ای شامل شرح، عنوان، نوع، زمان و خلاصه خبر ذخیره شد.

3.       4 پیش­پردازش داده­های جمع‌آوری ‌شده

پیش­پردازش بر داده‌های کمی و کیفی انجام شد. داده­های کمی همان­طور که در بخش قبل توضیح داده شد به سه کلاس و پنج کلاس کمی­سازی19 شد. پس از طبقه­بندی متون خبری هرماه و برچسب ریسک نقدینگی آن ماه، غالب دسته­ها متوازن20 شده­اند. در شکل 4: نمودار توازن درصد برچسب‌ها در حالت 3 کلاس درصد برچسب­ها در هر دو حالت نمایش داده ­شده ­است که نشان­دهنده توازن در سهم برچسب­ها است. پس از پیش‌پردازش داده­ها تعداد نمونه­ها به حدود 494650 رسید.

در مرحله پیش­پردازش داده­ها، مراحل زیر به‌صورت کلی انجام‌شده است:

1.       پاک­کردن اعداد از داده‌های متنی یا تبدیل اعداد انگلیسی به فارسی

2.       پاک­کردن علائم نقطه­گذاری21 از داده‌های متنی

3.       پاک­کردن فضاهای خالی22 از داده‌های متنی

4.       جداسازی واژگان

5.       حذف کردن کلمات بی‌اثر23 از داده‌های متنی

6.       حذف کردن واژگان اضافه24 و کلمات خاص25

7.       ریشه‌یابی کلمات با استفاده از عملیات ریشه­یابی

8.       استخراج واژگان کلیدی متن و حذف کلمات پرتکرار

img0 img0

شکل 4: نمودار توازن درصد برچسب‌ها در حالت 3 کلاس و 5 کلاس

3.       5 استخراج و ادغام ویژگی­ها (کلیدواژه‌ها)

در طبقه‌بندی با نظارت26، انتخاب ویژگی گام مهمی برای مرحله یادگیری است. در حقیقت، تعداد زیاد ویژگی­ها در مقایسه با تعداد مشاهدات نشان‌دهنده یک مشکل عمده برای مدل­های طبقه‌بندی است (ازدیاد ابعاد27). به‌ویژه هنگامی‌که ویژگی­ها زائد، ضایع یا غیرقابل استفاده هستند. علاوه بر این، انتخاب ویژگی باعث افزایش کارآیی فرایند آموزش و بهبود قابلیت تعمیم­پذیری نتایج می­شود.

این مطالعه از یک رویکرد جدید برای ترکیب ویژگی­ها یا کلیدواژه­های استخراج‌شده از داده­های متنی بهره می­برد. ابتدا برای هر خبر، سه بخش عنوان28، خلاصه29 و متن30 خبر باهم ترکیب می‌شوند. سپس داده‌ها به سه بخش داده‌های آموزشی (70%)، داده‌های اعتبارسنجی (15%) و داده‌های تست (15%) تقسیم می‌شود. هایپرپارامترهای توابع به‌گونه‌ای تنظیم می‌شوند که ویژگی‌های استخراج‌شده نه بسیار عام و پرتکرار باشد و نه بسیار بی‌ربط و نادر. با ترکیب m خبر در یک ماه و ادغام ویژگی­های آن، به­این جهت که اخبار یک ماه نمی­تواند ویژگی­های خوبی برای یادگیری باشد، می­تواند ویژگی­های مناسب­تری ایجاد نمود. در شکل 5: استخراج، ادغام ویژگی‌ها در ماتریس ویژگی‌ها ترسیم‌شده است. اخبار هرماه ابتدا برچسب یکسان می­گیرند. سپس با انتخاب عدد m که می­تواند بین 1 تا تعداد کل اخبار(n  آن ماه باشد، m خبر باهم ادغام می­شوند. در ادامه الگوریتم TF-IDF و N-Gram بر روی اخبار ادغام‌شده اجراشده ویژگی­های مهم از متون ادغام­شده انتخاب می­شود. در TF-IDF از فرا پارامتر min_df برابر 0.04 و df برابر 0.25 استفاده‌شد. همچنین فراپارمتر ngram_range برابر (1,2) در نظر گرفته شد.

  )

 

img0 

شکل 5: استخراج، ادغام ویژگی‌ها در ماتریس ویژگی‌ها

 

با استفاده از TF-IDF و N-Gram استخراج کلمات کلیدی پرتکرار و با اهمیت انجام‌شده­ و ضرایب حاصل­شده، جهت ایجاد ماتریس ورودی ویژگی­ها در مدل یادگیری ماشین استفاده می­شود. اگرچه این دو روش برای استخراج ویژگی‌ها، نسبتاً قدیمی است ولی با توجه به تحقیقات مشابه توسط باتلر و همکاران یا شومیکر برای استخراج واژگان کلیدی و پرتکرار نتایج نسبتاً خوبی ارائه می­نماید. البته از روش­های دیگری همچون کوله­کلمات31 نیز می­توان استفاده نمود.]10,11,15[

بر این اساس تعداد ویژگی­ها به   ونه کاهش پیدا می­کند و همچنین می­توان پارامتر m را به‌عنوان فراپارامتر32 در نظر گرفت که می­توان با تنظیم این پارامتر در مدل یادگیری ماشین، نتایج نهایی را ارزیابی نمود. در این مطالعه بهترین پارامترهای تنظیم‌شده اعداد 300 و 500 انتخاب‌شده است که در ادامه از آن استفاده می­کنیم.

در این مطالعه از روش پوشه برای انتخاب و ارزیابی ویژگی­ها استفاده می­شود. به این معنی که مراحل انتخاب ویژگی و پیش‌بینی مدل را تنها در فرآیند ساخت مدل­ انجام می­دهد.

به‌این‌ترتیب که با تنظیم پارامتر  که در بخش قبلی توضیح داده شد و انتخاب ویژگی­ها، به بهترین انتخاب حاصل شد.]42[

3.       6 الگوریتم تحلیل تمایل مبتنی بر یادگیری عمیق

پس از آماده­سازی داده، از رویکرد تحلیل تمایل با استفاده از روش­های یادگیری عمیق چندلایه بر اساس برچسب­ها یا همان تمایلات مثبت، منفی و بی­اثر در ماتریس ویژگی­ به پیش­بینی سناریوهای قریب الوقوع ریسک نقدینگی با توجه به تاریخچه روند ریسک نقدینگی می­پردازیم.

همان­طور که در شکل 6 نشان داده ­شده ­است، شبکه­های عمیق چندلایه دارای ساختار لایه­ای هستند و ماتریس ویژگی‌ها جهت پیش­بینی برچسب‌ها به این شبکه داده وارد می­شود.

img0 

شکل 6: مدل طبقه بند یادگیری عمیق چندلایه

معماری شبکه یادگیری عمیق در اشکل 7 وشکل 8 نمایش ­داده­ شده است. لایه ورودی شامل 563 ویژگی یا کلیدواژه (ماتریس ویژگی­) می­باشد. این شبکه دارای 5 لایه بوده و لایه آخر همان طبقه‌بندی نهایی به برچسب­های مدنظر است. همچنین از دیگر پارامترهای در نظر گرفته شده تعداد ادغام یا پارامتر   بوده که در دو حالت 300 و500 تنظیم گردید . این بدین معناست که 4 مدل یادگیری عمیق برای مدل ادغام 300 و 500 و همچنین 3 کلاسه و 5 کلاسه در نظر گرفته‌شده است.

برچسب سه کلاسه شامل روند مثبت، منفی و بی‌اثر است؛ درحالی‌که برچسب پنج کلاسه شامل روند خیلی مثبت، مثبت، منفی، خیلی منفی و بی‌اثر است.

مراحل مرسوم DSR 4 نوع ارزیابی را شامل می­شوند: شکل 9: مراحل ارزیابی در فرآیند DSR یک فرآیند متناوب DSR را نشان می­دهد که شامل فعالیت­های شناسایی مسئله، طراحی، ساخت و به‌کارگیری است. مراحل ارزیابی به شرح زیر است:

ارزیابی مرحله اول: ارزیابی شناسایی مسئله؛ معیارها شامل اهمیت، تازگی و امکان­سنجی است. در این مطالعه ارزیابی مسئله تحقیق شامل ضرورت و نوآوری مطالعه است که پیش­تر به آن پرداخته شد. همچنین امکان­سنجی مطالعه با تکیه‌بر تجارب قبلی و تحقیقات گذشته پایه­گذاری شده است.

 

img0 

شکل 7: معماری لایه­های شبکه عصبی در حالت قطبیت 3 کلاسه

 

img0 

شکل 8: معماری لایه­های شبکه عصبی در حالت قطبیت 5 کلاسه

ارزیابی مرحله دوم: ارزیابی طراحی راه‌حل؛ معیارها شامل سادگی، وضوح و ثبات است. در این مطالعه ارزیابی مرحله دوم با توجه به‌وضوح و سادگی مدل پیش­بینی بررسی‌شده است. همچنین تجربیات و روش­های مشابه حاکی از پایداری روش­ پیشنهادی است.

ارزیابی مرحله سوم: ارزیابی نمونه راه‌حل. معیارها عبارتند از سهولت استفاده، وفاداری به پدیده­های دنیای واقعی و استحکام است. ارزیابی مرحله سوم در مطالعه انجام­شده مبتنی بر سهولت کاربری مدل و نتایج به پیش‌بینی داده­های نمونه دال بر استحکام مدل است. در این راستا نتایج حاصل از پیش‌بینی‌ها با داده­های واقعی ماه­های مختلف انطباق داده ­می­شود تا صحت مدل را بررسی نماید.

img0 

شکل 9: مراحل ارزیابی در فرآیند DSR ]41[

 

در این مرحله در مطالعه از روش­های تصادفی برای انتخاب داد‌های آموزش، تست و ارزیابی استفاده شده است. داده­های تحقیق جهت ارزیابی نتایج به سه دسته، داده­های آموزش، اعتبارسنجی و تست تقسیم می­شوند. 70% داده­ها جهت آموزش اولیه، 15% جهت تنظیم پارامترها در اعتبارسنجی و نهایتاً 15% جهت تست استفاده گردید. مدل طبقه­بندی آموزش­دیده برای پیش­بینی برچسب­های واقعی 3 کلاس یا 5 با داده­های اعتبارسنجی ارزیابی‌شده و نهایتاً توسط داده­های تست تحلیل می­شود. برای ارزیابی نتایج پیش‌بینی الگوریتم مورداستفاده نیز از معیارهای مرسوم و استاندارد ارزیابی طبقه بندها استفاده شد، ازجمله: (i) ماتریس درهم­ریختگی33، (ii) Precision، Recall،Accuracy، F-Score. محاسبه این نسبت‌ها در زیر ارائه‌شده است.]45[

                               (3)

                                (4)

                                (5)

درواقع معیار دقت اثربخشی طبقه­بندی را به‌صورت کلی نمایش­ می­دهد. معیار صحت بر برچسب­های مثبت ارائه‌شده توسط طبقه‌بندی کننده تمرکز می­کند و فراخوان براثر بخشی طبقه­بندی کننده در شناسایی برچسب‌های مثبت تمرکز می‌کند. علاوه بر معیارهای نامبرده شده، معیار F1-Score نیز می­تواند شاخص خوبی برای ارزیابی نتایج باشد. این معیار از ترکیب دو معیار صحت و فراخوان حاصل می­شود. فرمول محاسبه این معیار نیز به شرح ذیل است.

                                (6)

ارزیابی مرحله چهارم: شامل ارزیابی راهکار کاربردی در مرحله کاربردپذیری است. معیارها شامل اثربخشی، کارایی و سازگاری خارجی است. این بخش از ارزیابی در مطالعه با تکیه‌بر سناریوهای متنوع موجود در بانک بررسی می­شود. بدین ترتیب که سناریوهای کاربردی استخراج‌شده از منابع موثق (کمیته بال و خبرگان بانکی) با نتایج سناریوهای حاصل از پیش­بینی­­های انجام­شده در مدل مقایسه می­شوند. معیار یا سنجه ارزیابی این بخش دقت سناریوهای­ پیش‌بینی‌شده است که هرچه روند پیش­بینی با سناریوهای اتفاق افتاده همسانی بیشتری داشته باشد، مدل کارایی و اثربخشی بیشتری در دنیای واقع دارد.

4.       ارزیابی نتایج

در این بخش نتایج مطالعه انجام‌شده ارائه‌شده که جهت ارزیابی مرحله سوم و چهارم روش­شناسی پژوهش DSR مدنظر خواهد بود. در این راستا، ابتدا نتایج جهت ارزیابی مرحله سوم یا نمونه راهکار اولیه ارائه‌شده و سپس نتایج توسعه‌یافته جهت ارزیابی در مرحله کاربردپذیری بررسی می­گردد.

4.       1 نتایج و ارزیابی مرحله ایجاد نمونه اولیه

در این بخش به بررسی نتایج مطالعه صورت گرفته بر روی‌داده‌های ریسک نقدینگی بانک و اخبار جمع‌آوری‌شده از وب‌سایت خبرگزاری فارس نیوز می­پردازیم. داده­های خبری همان­طور که در بخش­های قبلی نیز توضیح داده شد با دو مدل 300 تایی و 500 تایی ادغام‌شده و مدل نهایی ماتریس ویژگی­ها دارای برچسب که روند ریسک نقدینگی بانک را نشان می­دهد، ایجاد شد. برچسب­های مورداستفاده به­صورت 3 کلاسه و 5 کلاسه ایجادشده است. از­این­رو الگوریتم شبکه یادگیری عمیق دارای 4 حالت است و نتایج آن در این بخش ارزیابی می­شود. جدول 3 شامل حالات مختلف با استفاده از روش یادگیری شبکه عمیق جهت تحلیل تمایل است.

در مرحله بعدی با توجه به شرایط مختلف برای الگوریتم یادگیری ماشین، حالت‌های متنوعی جهت تنظیم و انتخاب فرا پارامترها با استفاده از داده ارزیابی (15% داده) قابل‌بررسی است که در جدول پایین پارامترهای موردبررسی برای روش یادگیری عمیق اشاره‌شده است. نهایتاً پس از بررسی فرا پارامترهای زیادی، دقت داده ارزیابی34 ملاک اصلی برای انتخاب این پارامترها در الگوریتم قرار گرفت.

جدول 3: حالات مختلف در تحلیل شبکه عمیق – تحلیل تمایل.

 

 

 

 

 

 

ردیف

تعداد نمونه­ها

نوع ادغام

تعداد کلاس­ها

1

1657

 

 

2

1000

 

 

3

1657

 

 

4

1000

 

 

جدول 4: جدول مقایسه و تنظیم پارامترهای مرتبط با الگوریتم شبکه یادگیری عمیق چندلایه.

 

 

 

 

 

 

ردیف

تعداد ادغام

تعداد برچسب

Dense units

Activation

Optimizer

val_acc

1

 

3

512-56-128-64

relu

adam

83.11

2

 

5

1024-512-256-128

relu

rms

84.85

3

 

3

512-256-256

relu

rms

89.7

4

 

5

512-256-128

relu

rms

87.35

در جدول 4 پارامترهای متنوعی در شبکه یادگیری عمیق مورداستفاده قرارگرفته است. در حالت سه کلاسه و با نوع ادغام  و سایر پارامترهای انتخاب‌شده شبکه مصنوعی توانسته با دقت حدود 83% دقت مناسبی را ارائه دهد و در نوع ادغام  این دقت به حدود 89% ارتقا پیداکرده است. در حالت 5 کلاسه برای نوع ادغام  دقت حدود 85% و در  حدود 87% با انتخاب بهترین پارامترها حاصل‌شده است. بهترین دقت به‌دست‌آمده حدود 87% درصد برای داده­های ارزیابی با استفاده از الگوریتم یادگیری عمیق حاصل شد.

درجدول 5 ارزیابی نتایج کلی روش پیشنهادی با استفاده از معیارهایی شامل دقت ارزیابی35، دقت تست36، صحت37، فراخوانی38 وF1-Score برای هر یک از معیارها بیان‌شده ­است.

بهترین نتایج روش یادگیری عمیق در حالت سه کلاسه و مدل ادغام 500 تایی به حدود 88.6% دقت تست و در حالت 5 کلاسه و 300 تایی حدود 88.2% دقت تست است. همچنین معیار F1-Score این حالت از سایر حالت‌ها بهتر است. آخرین معیار موردبررسی همان شاخص ROC-AUC است که مجددا این معیار نیز برای حالت 300 با 5 کلاس بهترین نتایج را به دنبال داشته است. این شاخص برای مدل ادغام 300 و 5 کلاسه، حدود 98.53% تخمین شده است.

img0 

شکل 10: پیش­بینی وضعیت یا تمایل ریسک نقدینگی ماهانه با استفاده از روش رأی‌گیری

 

همچنین در این مطالعه طی جلسات مصاحبه با خبرگان بانکی بانک موردمطالعه، محدوده­های موردنیاز جهت شناسایی سناریوهای موردبررسی استخراج شد. در ادامه در جدول پایین محدوده LCR در حالت‌های مختلف بر اساس چارچوب کمیته بال و همچنین نظر خبرگان آورده شده است. همچنین محدوده در نظر گرفته­شده با اداره ریسک بانک موردنظر بررسی شد و کارایی و اثرپذیری محدوده­ها از منظر کاربردی در بانک نیز مورد تائید قرار گرفت.

جدول 5: نتایج معیارهای ارزیابی حاصل­شده از روش شبکه یادگیری عمیق.

 

 

 

 

تعداد ادغام

تعداد برچسب

دقت تست

Precision

Recall

F1-Score

ROC-AUC

 

3 

84.1

83.5

84.07

84.1

95.44

 

5 

88.29

88.23

88.5

88.29

98.53

 

3 

88.6

88.5

88.63

88.6

97.56

 

5 

82.51

82.19

83.42

82.51

97.22

 

نهایتاً با در نظر گرفتن خروجی تمامی معیارها، می‌توان روش مدل ادغام 500 تایی با 3 برچسب را به‌عنوان بهترین روش برای پیش­بینی ریسک نقدینگی بانک بر اساس داده­های کیفی خبری این مطالعه معرفی نمود. البته حالت مدل ادغام 300 تایی با 5 برچسب بعدازآن در رتبه دوم فاصله نزدیکی دارد.

4.       2 نتایج مرحله کاربردپذیری - ارزیابی کارایی و اثربخشی نمونه کاربردی

مطابق با روش DSR، در این بخش به بررسی مرحله کاربردی نمودن مطالعه می­پردازیم. ابتدا نتایج به‌دست‌آمده از مرحله قبل جهت استفاده آماده می­شود. در ادامه سناریوهای ممکن بر اساس محدوده­های تعریف‌شده و مستخرج از وضعیت ریسک نقدینگی بانک‌ها تشریح می­گردند.

در انتها سناریوهای رخ­داده با نتایج تغییریافته از مرحله نمونه‌سازی که شامل پیش­بینی سناریوهای پیش­رو می­گردد، مقایسه می­شوند تا دقت سناریوهای پیش­بینی­شده مشخص گردد.

همان‌طور که در شکل 10 نمایش داده­شده است، داده­های تست در مرحله قبلی به‌صورت اخبار ماهانه دسته‌بندی­ شده­اند. با توجه به روش ادغام 300 تایی یا 500 تایی (تشریح شده در مرحله نمونه‌سازی) اخبار هرماه به چند نمونه (هر نمونه دربرگیرنده m خبر) تقسیم‌شده است. از­این­رو با واردکردن هر نمونه به مدل یک پیش­بینی مشخص از روند ماه بعد تخمین زده­ می­شود. در راستای یکی نمودن برچسب هرماه پس از تخمین روند ریسک هر نمونه، بین نمونه­ها از روش رأی‌گیری یا فرکانس تکرار استفاده شده تا نتیجه ماهانه یا روند ماهانه ریسک برآورد شود. در یک مثال اگر ماه اول دارای 20 نمونه باشد و به ترتیب برچسب اول 10 بار، برچسب دوم 7 بار و برچسب سوم 3 بار پیش‌بینی ‌شده باشد، روش رأی‌گیری بیشترین تکرار برچسب اول را به‌عنوان برچسب منتخب برای آن ماه در نظر می­گیرد. به همین ترتیب می­توان برچسب (روند ریسک) ماه­های دیگر را نیز پیش­بینی نمود. در ادامه سناریوهای محتمل بر اساس چارچوب بازل در ریسک نقدینگی نیز تشریح می­گردد.

سناریو­های محتمل در خصوص ریسک نقدینگی، برگرفته از محدوده ریسک تعریف‌شده در بازل است.]46[ به‌طور خاص، LCR به‌عنوان شاخص سنجش ریسک نقدینگی همان­طور که برنامه­ریزی شده بود در 1 ژانویه 2015 معرفی شد، اما با حداقل نیاز 60٪ در آن زمان تعیین شد و با افزایش سالانه 10% تعیین شد تا در 1 ژانویه 2019 به 100٪ برسد. این رویکرد افزایش تدریجی، برای اطمینان از اینکه LCR می­تواند بدون اختلال اساسی در تقویت منظم سیستم‌های بانکی یا تأمین مالی مداوم فعالیت‌های اقتصادی استفاده شود، طراحی‌شده است.

بر اساس رویکرد مطرح‌شده) جدول 6( در بازل دو محدوده برای آن می­توان در نظر گرفت:

(1) محدوده امن: محدوده­ای است که بالای حد مجاز LCR باشد (2) محدوده ناامن: محدوده­ است که پایین‌تر از حد مجاز LCR باشد.

 

جدول 6: محدوده مشتق شده از LCR در بانک‌ها بر اساس دستورالعمل کمیته بال و اداره ریسک بانک.

محدوده ریسک

سال 2016 به قبل

سال 2016 تا 2017

2017 تا 2018

سال 2018 تا 2019

سال 2019 به بعد

کاملا امن

60<

70<

80<

90<

100<

امن

60

70

80

90

100

احتیاطی

20-60

30-70

40-80

50-90

60-100

بحرانی

20>

30>

40>

50>

60>

 

 

 

 

 

 

در همین راستا، سناریوهای محتمل LCR در بانک­ها بر اساس نظر خبرگان حوزه ریسک بانکی در 12 سناریو بیان می­شود که هرکدام از این سناریوها اهمیت خاصی برای بانک داشته و متناسب با هر سناریو اقدامات مناسبی در بانک صورت می­پذیرد. لذا از این حیث شناسایی و پیش­بینی سناریوهای محتمل بر اساس وضعیت فعلی بانک در ماه بعد دارای اهمیت به­سزایی است، به این دلیل که بانک می­تواند با پیش­بینی سناریوهای محتمل و پیش­رو اقدامات مناسبی در جهت کاهش ریسک یا پوشش ریسک قبل از وقوع آن صورت دهد.

در جدول 7 سناریوهای محتمل مستخرج از جدول محدوده­ها که به تائید خبرگان بانک در حوزه مدیریت ریسک نقدینگی رسیده است، تشریح شده است. همچنین اقدامات مناسب در خصوص هرکدام از سناریوها بر اساس نظر خبره و همچنین استناد به گزارش مالی اتحادیه اروپا در خصوص اقدامات یا برنامه بهبود39]47[ تنظیم شده است.

جهت ارزیابی سناریوهای رخ­داده و تطبیق آن­ها با پیش‌بینی‌های ماهانه، ابتدا سناریوهای به وقوع پیوسته در بانک بر اساس نتایج موجود شناسایی می­گردد.

این سناریوها با پیش­بینی­های انجام­شده مقایسه می­گردد و ارتباط بین روند ریسک پیش­بینی­شده 3 کلاسه و 5 کلاسه که به‌صورت ماهانه در مرحله قبل محاسبه شد، بررسی می­شود. شکل 11: سناریوهای رخ­داده در سال 2019و 2020 در محدوده­های ریسک نقدینگی سناریو رخ­داده در سال 2019 و2020 را نمایش­ می­دهد. ریسک نقدینگی در محدوده کاملاً امن، احتیاطی و بحرانی قرار دارد. درمجموع سناریوهای رخ­داده 6،7،8،9،11،12 است.

 

شکل 11: سناریوهای رخ­داده در سال  2019و 2020 در محدوده­های ریسک نقدینگی

 

شکل 12: پیش­بینی تمایل با روش یادگیری عمیق، ادغام 300 و سه لیبل در ماه­های سال 2019 و 2020 و روند تغییرات (+ افزایش، 0 عدم‌تغییر و – کاهش به نسبت ماه قبل)

شکل 12: پیش­بینی تمایل با روش یادگیری عمیق، ادغام 300 و سه لیبل در ماه­های سال 2019 و 2020 و روند تغییرات (+ افزایش، 0 عدم‌تغییر و – کاهش به نسبت ماه قبل) نیز روند ریسک نقدینگی و پیش­بینی ریسک نقدینگی بارنگ‌های سبز (افزایش)، قرمز (کاهش) و خاکستری (عدم‌تغییر) نمایش داده‌شده است. روند تمایلات ­پیش­بینی­شده در ماه­های مختلف با تغییرات مقدار LCR کاملاً انطباق دارد.

شکل 13 نیز نمایش­دهنده برچسب 5 کلاس با استفاده از روش یادگیری عمیق است. روند افزایش و کاهش در این نمودار نیز به‌درستی با تغییرات LCR هماهنگی دارد. حالت­های پیش­بینی دیگر مبتنی بر الگوریتم یادگیری عمیق برای پارامترهای ذکرشده در مراحل قبل نیز نتایج مشابه با همین نمودار است. همچنین نمودارهای فوق به­درستی تغییرات بین محدوده امن و ناامن را که دستورالعمل کمیته بال به آن اشاره دارد را در موارد زیادی پوشش می­دهد.

 

شکل 13: پیش­بینی تمایل با روش یادگیری عمیق، ادغام 300 و پنج برچسب در ماه­های سال 2019و 2020 و روند تغییرات (++ افزایش زیاد، + افزایش، 0 عدم‌تغییر و - کاهش کم و - کاهش زیاد به نسبت ماه قبل)

جدول 8 به مقایسه بین نتایج حاصل از وضعیت ریسک نقدینگی بر اساس سناریوهای رخ­داده و تمایلات پیش­بینی­شده ناشی از روش­های 3 کلاسه و 5 کلاسه می­پردازد. در سال 2019 حدود 64% روند سناریوها به­درستی پیش­بینی شده است. مشابه سال 2019 در سال 2020 نیز برای حالت 3 کلاسه حدود 83% و در حالت 5 کلاسه حدود 92% روند سناریوها به­درستی تشخیص داده ­شده­ است.

 

جدول 7: جدول سناریوهای مستخرج از محدوده کمیته بال.

شماره سناریو

محدوده مبدا سناریو

محدوده مقصد سناریو

نوع تغییر سناریو

جذابیت از منظر نهاد ناظر/ نوع اقدام

جذابیت از منظر سهام­داران بانک

1

محدوده امن

محدوده کاملا امن

کاهش ریسک

اهمیت ندارد – اقدامی انجام نمی شود

جذابیت دارد- اقدام : سرمایه گذاری در مواردی با نقدشوندگی کمتر و سود بیشتر

2

محدوده کاملا امن

محدوده امن

افزایش ریسک

جذابیت ندارد – اقدامی انجام نمی شود

جذابیت ندارد – اقدامی انجام نمی شود

3

محدوده امن

محدوده امن

عدم‌تغییر

جذابیت ندارد – اقدامی انجام نمی شود

جذابیت ندارد – اقدامی انجام نمی شود

4

محدوده امن

محدوده احتیاطی

افزایش ریسک

جذابیت دارد– اقدام : سرمایه گذاری در مواردی با نقدشوندگی بیشتر

جذابیت دارد- اقدام : سرمایه گذاری در مواردی با نقدشوندگی بیشتر

5

محدوده احتیاطی

محدوده امن

کاهش ریسک

جذابیت دارد – اقدامی انجام نمی شود

جذابیت دارد – اقدامی انجام نمی شود

6

محدوده احتیاطی

محدوده احتیاطی

عدم‌تغییر

جذابیت دارد– اقدام : سرمایه گذاری در مواردی با نقدشوندگی بیشتر

جذابیت دارد- اقدام : سرمایه گذاری در مواردی با نقدشوندگی بیشتر

7

محدوده احتیاطی

محدوده بحرانی

افزایش ریسک

جذابیت دارد– اقدام : دارائی های نقد شوندگی پایین فروخته شود

جذابیت دارد- اقدام : دارائی های نقد شوندگی پایین فروخته شود

8

محدوده بحرانی

محدوده احتیاطی

کاهش ریسک

جذابیت دارد – سرمایه گذاری در مواردی با نقدشوندگی بیشتر

جذابیت دارد – سرمایه گذاری در مواردی با نقدشوندگی بیشتر

9

محدوده بحرانی

محدوده بحرانی

عدم‌تغییر

جذابیت دارد– اقدام : دارائی های نقد شوندگی پایین فروخته شود

جذابیت دارد- اقدام : دارائی های نقد شوندگی پایین فروخته شود

10

محدوده بحرانی

محدوده امن

یا محدوده کاملا امن

کاهش ریسک

جذابیت دارد– اقدامی انجام نمی شود

جذابیت دارد- اقدام : سرمایه گذاری در مواردی با نقدشوندگی کمتر و سود بیشتر

11

محدوده امن یا کاملا امن

محدوده بحرانی

افزایش زیاد ریسک

جذابیت دارد– اقدام : دارائی های نقد شوندگی پایین فروخته شود

جذابیت دارد- اقدام : دارائی های نقد شوندگی پایین فروخته شود

12

محدوده کاملا امن

محدوده کاملا امن

عدم‌تغییر

اهمیت ندارد–

جذابیت دارد- سرمایه گذاری در مواردی با نقدشوندگی کمتر و سود بیشتر

 

 

جدول 8: مقایسه بین روند ریسک در سناریوهای رخ­داده و پیش­بینی تمایل ریسک هر ماه در سال 2019

پیش بینی تمایل ریسک (5 کلاس)

پیش بینی تمایل ریسک (3 کلاس)

روند ریسک بر اساس سناریوی رخ­داده

نوع سناریو

تاریخ (ماه)

افزایش ریسک(زیاد)-عدم‌تغییر

کاهش ریسک -عدم‌تغییر ریسک

عدم‌تغییر ریسک

سناریوی 12

2

افزایش ریسک(زیاد)

افزایش ریسک

افزایش ریسک (زیاد)

سناریوی 11

3

افزایش ریسک(زیاد)-عدم‌تغییر ریسک

افزایش ریسک-عدم‌تغییر ریسک

عدم‌تغییر ریسک

سناریوی 9

4

کاهش ریسک(زیاد)

کاهش ریسک

عدم‌تغییر ریسک

سناریوی 9

5

افزایش ریسک(زیاد)-عدم‌تغییر ریسک

افزایش ریسک – عدم‌تغییر ریسک

عدم‌تغییر ریسک

سناریوی 9

6

کاهش ریسک(کم) – عدم‌تغییر

عدم‌تغییر ریسک

عدم‌تغییر ریسک

سناریوی 9

7

کاهش زیاد ریسک

کاهش ریسک

عدم‌تغییر ریسک

سناریوی 9

8

کاهش زیاد ریسک

کاهش ریسک

عدم‌تغییر ریسک

سناریوی 9

9

افزایش زیاد ریسک-عدم‌تغییر

افزایش ریسک – عدم‌تغییر ریسک

عدم‌تغییر ریسک

سناریوی 9

10

کاهش زیاد ریسک

کاهش ریسک

عدم‌تغییر ریسک

سناریوی 9

11

افزایش کم ریسک – عدم‌تغییر

افزایش ریسک – عدم‌تغییر ریسک

عدم‌تغییر ریسک

سناریوی 9

12

 

4.       3 ارزیابی کلی نتایج مرحله کاربردپذیری در DSR

در این بخش به ارزیابی نتایج به‌دست‌آمده از مرحله کاربردپذیری پژوهش پرداخته‌شده است. این ارزیابی به‌صورت کلی سناریوهای مختلف رخ­داده در سال­های متفاوت را از سال 2019 تا سال 2020 موردبررسی قرارداده و نتایج تغییریافته حاصل از پیش‌بینی­های مرحله نمونه‌سازی را با سناریوهای پیش­آمده مقایسه و نهایتاً صحت یا دقت پیش‌بینی‌های کلی را لحاظ می­کند.

جدول 9 به‌صورت کلی صحت پیش­بینی مدل را بر اساس سناریوهای وقوع یافته در سال­های مختلف و در کل هم از منظر روند آن بر اساس محدوده دوگانه کمیته بال و همچنین بر اساس محدوده­های 4 گانه خبرگان بانکی بررسی و ارزیابی می­نماید.

همان­طور که نتایج ارزیابی در جدول 9 نشان می­دهد، دقت پیش­بینی­های سه­کلاسه و پنج­کلاسه در محدوده مورد انتظار بازل به­ترتیب 95.5% و 87% و در محدوده 4گانه موردنظر خبرگان بانکی در حالت 3 کلاسه حدود 73% و در پنج کلاسه حدود 75% است که در محدوده 4گانه بهترین دقت مرتبط باحالت 5 کلاسه و در محدوده 2 گانه بازل دقت 3 کلاسه بالاتر است.

5.       مباحثه

روش علم طراحی با در نظر گرفتن کاربردپذیری مطالعه به بررسی نتایج در دنیای واقع می­پردازد، لذا نتایج حاصل از ارزیابی با این روش، صحه بر اعتبار آن می­گذارد. نتایج ابتدا با نمونه­ای اولیه مورد ارزیابی قرار گرفت و سپس در سناریوهای واقعی نتایج مرحله نمونه­سازی در ورطه عمل نیز آزمایش شد و کاربردی بودن آن موردبررسی قرار گرفت. نتایج حاکی از دقت روش جدید در پیش­بینی سناریوهای اتفاق افتاده است. دقت پیش­بینی سناریوهای به ­وقوع ­پیوسته حدود 75% در سناریوهای 4 گانه و 95.5% در سناریوهای 2گانه بازل است.

با در نظر گرفتن دقت پیش­بینی سناریوهای رخ­داده و همچنین با استناد به معیارهای ارزیابی در روش پژوهش علم طراحی در 4 مرحله شامل شناسایی، طراحی، ساخت نمونه اولیه و نهایتاً کاربردپذیری در دنیای واقع، مطالعه انجام­شده نشان می­دهد که روش پیشنهادی در دوره­های مشابه آتی در مرحله ساخت نمونه و کاربردپذیری آن در سناریوهای واقعی دارای اعتبار و تعمیم­پذیر است.

جدول 9: نتایج در رویکردهای مختلف شبکه عمیق – تحلیل تمایل.

روش تحلیل سناریو

نوع کلاس

2019

2020

میانگین دقت کلی

دقت پیش-بینی های محدوده امن و غیر امن

سه کلاسه

91%

100%

%95.5

پنج کلاسه

91%

83%

%87

دقت پیش­بینی­های محدوده 4 گانه (خبرگان)

 

سه کلاسه

64%

83%

%73

پنج کلاسه

64%

92%

%75

 

 

 

 

 

 

در خصوص بررسی تاثیر عوامل کیفی در مدل پیش­بینی ریسک نقدینگی مطالعه­ای صورت نگرفته است و سایر مطالعات مشابه تاثیر متغیرهای کمی را در مدل بررسی نموده­اند به همین دلیل مقایسه با روش­های مشابه در مطالعات پیشین صرف قیاس صورت گرفته­است و از منظر میزان دقت پیش­بینی روش پیشنهادی با نتایج دو روش کمی مقایسه شده­است.در مطالعه‌ای با روش ANOVA و مدل لاجیت و پروبیت با در نظر گرفتن تأثیر متغیرهای کمی دقت مدل پیش‌بینی 88.8% برآورد شده است.]21[ همچنین میزان دقت نتایج حاصل از مطالعه توانا و همکاران جهت پیش­بینی ریسک نقدینگی با استفاده از شبکه عصبی حدود 70% است. در حالی که روش پیشنهادی این مطالعه با استفاده از یادگیری عمیق دقتی حدود 88.6% دارد. در ادامه مقایسه­­ای بین روش پیشنهادی(DNN) و روش­های مطالعات دیگر Logit/Probit و ANN انجام شده­است. روش پیشنهادی(DNN) با Logit/Probit نتایج یکسانی(88.6%) داشته و از روش ANN بهتر عمل ­کرده­است. روش پیشنهادی متغیرهای کیفی را برای پیش­بینی ریسک نقدینگی در نظر می­گیرد که در سایر مطالعات فقط از متغیرهای کمی استفاده شده­است و تا به امروز تاثیر متغیرهای کیفی در مدل ریسک نقدینگی بررسی نشده­اند. این مطالعه از این منظر حوزه مطالعات جدیدی را آغاز کرده­است و می­تواند با مطالعات قبلی مقایسه شود.  البته این صرفا جهت قیاس است و رویکرد جدید روش پیشنهادی به دلیل ماهیت داده­های استفاده شده و همچنین نوع متغیر پیش­بینی(گسسته)) از منظر اعتبار سنجی با سایر روش­ها مقایسه نشده­است. اعتبارسنجی نتایج و تعمیم­پذیری آن به دلیل بدیع بودن روش پیشنهادی و عدم بررسی آن در مطالعات قبلی، با تکیه بر داده­های آموزش و آزمون انجام شده­است. همچنین با استفاده از داده­های مطالعه، مقایسه­ای بین نتایج الگوریتم استفاده­ شده(DNN) با الگوریتم کلاسیک LRC(Logestic Regression Classifier) و الگوریتم  CNN(Convlutional Nueral Netwrok) که در ادبیات یادگیری عمیق اخیر مطرح شده­است، صورت پذیرفت. شرایط آزمایش در این مقایسه برای تمامی روش­­ها با داده­های کاملا یکسان، محدودیت­ها و مفروضات مشابه در نظر گرفته شد        . نتایج حاکی از دقت بالاتر روش DNN نسبت به هر دو روش دیگر است. دقت مدل CNN حدود 80% و دقت مدل LRC حدود 70% است.

 

شکل 14: مقایسه نتایج حاصل از روش­های مطالعات دیگر با روش­های استفاده شده در این مطالعه

6.       نتيجه‌گيري

به‌طور مختصر، با توجه به نوآوری پژوهش، تاکنون مطالعه مشابهی در خصوص پیش­بینی ریسک نقدینگی با رویکرد تحلیل تمایل جهت بررسی عوامل مؤثر کیفی صورت نگرفته است، لذا این مطالعه تاثیر عوامل کیفی را در مدل پیش­بینی ریسک نقدینگی بررسی کرده­است.

رویکرد پیشنهادی می­تواند بدون نیاز به محاسبات پیچیده و زمان­بر به پیش­بینی روند یا سناریوی محتمل ریسک نقدینگی بپردازد و قبل از وقوع بحران­های مالی و یا مواجه با کمبود نقدینگی و یا تضعیع حقوق صاحبان سهام، اقدامات مناسب را در جهت بهبود وضعیت اتخاذ نماید.

همچنین می­توان تحقیقات مشابه در پیش­بینی انواع دیگر ریسک مانند ریسک اعتباری، عملیاتی و بازار یا سایر پیش­بینی بانکی یا مالی مبتنی بر راهکار پیشنهادی و روش­شناسی علم طراحی صورت پذیرد تا نتایج هم در ورطه آزمایش و هم عمل ارزیابی و کاربردی شوند و نهایتاً طی یک فرآیند پژوهشی علمی دستاوردها و نتایج ارائه شود. همچنین حوزه‌های کاربردی دیگری با استفاده از روش پیشنهادی از منظر روش­شناسی علم طراحی مانند پیش‌بینی قیمت سهام، قیمت رمزارزها یا نرخ بهره را می­توان در تحقیقات آتی بررسی نمود.

مراجع

[1]       اصغر ب. استادی, پ. ت. پژو و ه. اشعری, “ارزيابي و ارايه الگوي مناسب براي شناسايي، اندازه گيري و كنترل ريسكهاي مالي در مؤسسات مالي و اعتباري با استفاده از روش ضریب تغییرات (CV),” تیر 95.

 

[2]

F. T. Musakwa, "On measuring bank funding liquidity risk," Actuarial Society of South Africa’s 2013 Convention, pp. 227-247, 2013.

[3]

P. G. G.A. Vento, "Bank Liquidity Risk Management and Supervision: Which Lessons from Recent Market Turmoil?," Journal of Money, Investment and Banking, no. 10, pp. 78-125, 2009.

[4]

A. A. D. D. C. M. P. M. Tavanaa, "An Artificial Neural Network and Bayesian Network model for liquidity risk assessment in banking," Neurocomputing, vol. 275, pp. 2525-2554, 2018.

[5]

L. Matz, "Scenario analysis and stress testing," in Liquidity Risk Measurement and Management, New Jersey, John Wiley & Sons. Inc, 2007, pp. 37-64.

[6]

P. G. R. Calabrese, "Estimating bank default with generalised extreme value regression models," The Journal of the Operational Research Society, vol. 66, no. 11, pp. 1783-1792, 2015.

[7]

J. M. H. &. Z. X. Bollen, "The Review of Financial Studies," Horizon effects in average returns: The role of slow information diffusion, vol. 29, pp. 2241-2281, 2016.

[8]

R. S. J.Y. Campbell, "Cointegration and tests of present value models," Journal of Political Economy, vol. 95, pp. 1062-1088, 1987.

[9]

M. L. M. &. N. D. Hagenau, "Automated news reading: Stock price prediction based on financial news using context-capturing features.," Decision Support Systems, vol. 55, pp. 685-697, 2013.

[10]

M. Butler & V. Kešelj, "Financial Forecasting Using Character N-Gram Analysis and Readability Scores of Annual Reports" Canadian Conference on Artificial Intelligence,  39-51, 2009.

[11]

K. &. S. N. Nam, "Financial news-based stock movement prediction using causality analysis of influence in the Korean stock market," Decision Support Systems, vol. 117, pp. 100-112, 2019.

[12]

T. H. S. K. &. V. J. Nguyen, "Sentiment analysis on social media for stock movement," Expert Systems with Applications, vol. 42, pp. 9603-9611, 2015.

[13]

M. &. F. S. Kraus, "Decision support from financial disclosures with deep neural networks and transfer learning," Decision Support Systems, vol. 104, pp. 38-48, 2017.

[14]

M.-A. Mittermayr, "Forecasting intraday stock price trends with text mining techniques," Proceedings of the 37th Annual Hawaii International Conference on System Sciences, 2004.

[15]

H. C. R.P. Schumaker, "Textual analysis of stock market prediction using breaking: the AZFin text system," ACM Transactions on Information Systems, vol. 2, p. 27, 2009.

[16]

D. R. D. Robert A.Jarrowab, "The arbitrage-free valuation and hedging of demand deposits and credit card loans," Journal of Banking and Finance, vol. 22, no. 3, pp. 249-272, 1998.

[17]

M. Kumar and G. C. Yadav, "Liquidity Risk Management in Bank ,A Conceptual Framework," AIMA Journal of Management & Research, 2013.

[18]

B. C. o. B. Supervision, "Basel III: International framework for liquidity risk measurement, standards and monitoring," BIS.org, Switzerland, 2014.

[19]

F. Musakwa, "Measuring Bank Funding Liquidity Risk," 2013. [Online]. Available: https://www.actuaries.org/lyon2013/papers/AFIR_Musakwa.pdf.

[20]

B. C. O. B. Supervision, "Principles for Sound Liquidity Risk Management and Supervision," Bank for International Settlements, 2008.

[21]

C.-H. An, "A Study on Estimation of Financial Liquidity Risk Prediction Model Using," International Journal of Applied Engineering Research, vol. 12, no. 20, pp. 9919-9923, 2017

[22]

E. T. D. Fritz, "Text Mining and Reporting Quality in German Banks: A Cooccurrence and Sentiment Analysis," Universal Journal of Accounting and Finance, pp. 54-81, 2018.

[23]

T. Schlueter, T. Hartmann-Wendels, T. Weber and M. Zander, "Die Risikoberichterstattung deutscher Banken: Erhebung des Branchenstandards," zfbf – Schmalenbachs Zeitschrift fuer betriebswirtschaftliche Forschung, p. 386–427, 2014..

[24]

L. Wei et al., "Discovering bank risk factors from financial statements based on a new semi-supervised text mining algorithm," Accounting and Finance Association of Australia and New Zealand, 2019.

[25]

G. Kretzschmar, A. McNeil and A. Kirchner, "Integrated models of capital adequacy – why banks are undercapitalized," Journal of Banking and Finance, p. 2838–2850, 2010.

[26]

M. P. J. M. J. Roedera, "Data-driven decision-making in credit risk management: The information value of analyst reports," Decision Support Systems, vol. 158, p. 113770, 2022.

[27]

J. Huang, H. Roberts and E. K. Tan, "The impact of Media Sentiment on Firm Risk," Corporate Investment and Financial Policies , 2018.

[28]

K. C. Ankit Thakkar, "A comprehensive survey on deep neural networks for stock market: The need, challenges, and future directions," Expert Systems With Applications , vol. 177, no. 114800, 2021.

[29]

D. V. Shayanfar Nima, "An Intelligent News Based Decision Support System for Trading Stocks in Tehran Stock Exchange," Journal of Soft Computing and Information Technology, vol. 4, no. 3, pp. 55-61, 2014.

[30]

A. H. Clemens Nopp, "Detecting Risks in the Banking System by Sentiment Analysis," in Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, Association for Computational Linguistics, 2015.

[31]

P. P. A. M. A. A. Hai Ha Do, "DEEP LEARNING FOR ASPECT-BASED SENTIMENT ANALYSIS: A COMPARATIVE REVIEW," Expert Systems With Applications, vol. 118, pp. 272-299, 2019.

[32]

A. Paraboni, M. RighX, K. Vieira and V. da Silveira, "The Relationship between Sentiment and Risk in Financial Markets," BAR- Brazilian Administration Review, 2018.

[33]

D. Chong, L. Li, H. Wu, J. Park, H. Shi and G. Yan, "Social Media Sentiment and Bank Loan," Journal of Industrial Integration and Management, 2018.

[34]

W. He, S. Zha and L. Li, "Social media competitive analysis and text mining: A case study," International Journal of Information Management, p. 464–472, 2013.

[35]

E. Altman, "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy," The journal of finance, p. 589–609, 1968.

[36]

R. Nyman, "Measuring Financial Sentiment to Predict Financial Instability: A New Approach based on Text Analysis," Centre for the Study of Decision Making Uncertainty, University College, London, 2015.

[37]

C. E.-S. Yu, "Sentiment Analysis for Credit Risk and Portfolio Construction," 2020.

[38]

M. &. Y. G. C. Kumar, "Liquidity Risk Management in Bank,A Conceptual Framework," AIMA Journal of Management & Research, 2013.

[39]

C. Erlwein-Sayer, "Macroeconomic News Sentiment: Enhanced Risk Assessment for Sovereign Bonds," MDPI RISK, p. 141, 2018.

[40]

A. H. A. M. Jan vom Brocke, "Introduction to Design Science Research," Springer International Publishing, pp. 1-13, 2020.

[41]

A. M. S. P. J. &. R. S. Hevner, " Design Science in Information Systems," MIS Quarterly, vol. 28, no. 1, pp. 75-105, 2004.

[42]

D. B. George Daniel Brown Swankie, "Examining the Impact of Artificial Intelligence on the Evaluation of Banking Risk," Center For Financial Regulation and Innovation, 2019.

[43]

M. C. N. C.-R. Pedro Guerra, "Machine learning for liquidity risk modelling: A supervisory perspective," Economic Analysis and Policy, vol. 74, pp. 175-187, 2022

[44]

R. T. W. L. S. d. G. P. Si Shi, "Machine learning-driven credit risk: a systemic review," Neural Comput. Appl., vol. 34, pp. 14327-14339, 2022.

[45]

M. L. D. Stefano Nobili, "A Liquidity Risk Early Warning Indicator for Italian Banks: A Machine Learning Approach," ERN: Banking & Monetary Policy , vol. 1337, 2021.

[46]

R. G. C. Z. Eric Ghysels, "Improving Portfolio Selection by Balancing Liquidity-Risk-Return: Evidence from Stock Markets," Econometrics: Econometric & Statistical Methods - General eJournal, 2020.

 

 

 

 

 

 

 

 

 

 

پاورقی

258

 

[1]  Accuracy

[2]  Text Representation

[3]  Bag of Words

[4]  N-Grams

[5]  Topic Modeling

[6]   Word Embedding

[7]  Word Frequency

[8]  Design Science Research

[9]  Aspect Based Sentiment Analysis

[10]  Psych Signal

[11]  Crisis

[12]  Design Knowledge

[13]  Text Mining

[14]  Feature Engineering

[15]  Multi-label Classification

[16]  Web Scraping

[17]  Sentiment Score

[18]  Crawl

[19]  Quantize

[20]  Imbalance

[21]  Punctuations

[22]  Whitespaces

[23]  Stop Words

[24]  Sparse Words

[25]  Particular Words

[26]  Suppervised Classification

[27]  Curse of Dimensionality

[28]  Title

[29]  Lead

[30]  Body

[31]  Bag Of Words

[32]  Hyper Parameter

[33]  Confusion Matrix

[34]  Validation Accuracy

[35]  Validation accuracy

[36]  Test accuracy

[37]  Precision

[38]  Recall

[39]  Recovery Plan


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]