ارزیابی شکنندگی مالی بانک ها با بکارگیری روش شبکه عصبی

سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 353

فایل این مقاله در 30 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_EDP-3-2_002

تاریخ نمایه سازی: 26 خرداد 1398

چکیده مقاله:

پیش بینی تداوم فعالیت یک بانک در دوره های آتی، یکی از عناصر مهم در تصمیم گیری ناظران بانکی بوده و در این میان، انتخاب متغیر پیش بینی کننده و روش مناسب، به عنوان یکی از مسائل چالش برانگیز در ادبیات پیش بینی شکنندگی مالی مطرح بوده است. یکی از پیشرفته ترین مدل های پیش بینی کننده شکنندگی مالی، مدل شبکه عصبی است. در نمونه مورد بررسی در این مقاله، ابتدا با بهره گیری از ادبیات نظری و تجربی، شاخص شکنندگی مالی متناسب با ساختار شبکه بانکی کشور تعریف شده و سپس با به کارگیری آزمون t معنی داری نسبت های مالی مورد نظر و بر اساس آماره لوین میانگین دو نمونه در سطح  اطمینان 95 درصد، مورد آزمون قرار گرفته و سپس با انتخاب نسبت های مالی معنی دار که قدرت توضیح دهی در مدل داشته باشند، مدل شبکه عصبی طراحی گردید. برای آزمون دقت و صحت مدل از جدول طبقه بندی و منحنی ROC استفاده شد. نتایج بررسی بیانگر قدرت پیش بینی 96 درصدی مدل طراحی شده است. همچنین بر اساس یافته های این مقاله، ریسک اعتباری و ریسک نقدینگی، از مهمترین عوامل توضیح دهنده شکنندگی مالی هستند.

نویسندگان

اعظم احمدیان

دکتری اقتصاد، پژوهشگر گروه بانکداری پژوهشکده پولی و بانکی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • کاظمی، ابوالفضل؛ قاسمی، جواد و زندیه، وحید. (1390). رتبه بندی ...
  • کیا، مصطفی. (1389). شبکه های عصبی در MATLAB. انتشارات کیان ...
  • صورت مالی بانک های کشور (93-1385)، موسسه عالی بانکداری ایران. ...
  • رتبه بندی اعتباری مشتریان بانک با استفاده از شبکه عصبی با اتصالات جانبی [مقاله ژورنالی]
  • محرابیان، سعید؛ ساعتی مهتدی، صابر و هادی، علی. (1390). ارزیابی ...
  • نماگرهای اقتصادی، 93-1385، بانک مرکزی ایران. ...
  • Andrianova, S., Baltagi, B., Lensik, R., Rewilak, J., & Rousseau, ...
  • Caprio, G., & Klingebiel, D.C. (2002). Episodes of systemic and ...
  • Degryse, H., & Elahi, M. A. (2012). Determinants of banking ...
  • Demirguc-Kunt, A., & Detragiache, E. (1998). The Determinants of Banking ...
  • Ecer, F. (2013). Comparing the bank failure prediction performance of ...
  • Erdal, H. I., & Ekinci, A. (2013). A comparison of ...
  • Fielding, D., & Rewilak, J. (2015). Credit booms, financial fragility ...
  • Geluk, J., de Haan, L., & de Vries, C. (2007). ...
  • Ghosh, S. (2011). A simple index of banking fragility: application ...
  • Hashemi, R. R., Le Blanc, L. A., Rucks, C. T., ...
  • Hawkins, J., & M. Klau. (2000). Measuring potential vulnerabilities in ...
  • Khemakhem, S., & Boujelbene, Y. (2015). Credit risk prediction: A ...
  • Kibritcioglu, A. (2002). Excessive risk-taking, banking sector fragility, and banking ...
  • Lindgren, C. J., Garcia, G. G., & Saal, M. I. ...
  • Messai, A. S., & Gallali, M. I. (2015). Financial Leading ...
  • Odom, M. D., & Sharda, R. (1990). A neural network ...
  • Penas, M. F., & Tümer-Alkan, G. (2010). Bank disclosure and ...
  • Pesola, J. O. (2007). Financial fragility, macroeconomic shocks and bank’s ...
  • Tadesse, S. (2005). Banking fragility and disclosure: international evidence. University ...
  • Wanke, P., Azad, M. A. K., & Barros, C. P. ...
  • Zaghdoudi, T. (2013). Bank failure prediction with logistic regression. International ...
  • Zhang, W., Cao, Q., & Schniederjans, M. J. (2004). Neural ...
  • Zwet, A. V., & Swank, J. (2000). Financial Fragility and ...
  • نمایش کامل مراجع