ارائه مدل پیش‌بینی بحران‌های مالی مبتنی بر یادگیری عمیق، شاخص‌های کلان اقتصادی و داده‌های بازار سرمایه
کلمات کلیدی:
بحران مالی, یادگیری عمیق, شاخص‌های کلان اقتصادی, بازار سرمایه, سامانه هشدار زودهنگام, تحلیل مضمون, پیش‌بینی ریسکچکیده
هدف این پژوهش، طراحی یک مدل مفهومی برای پیش‌بینی بحران‌های مالی با اتکا بر یادگیری عمیق، شاخص‌های کلان اقتصادی، داده‌های بازار سرمایه و دیدگاه خبرگان مالی، اقتصادی و فناوری داده بود. پژوهش حاضر با رویکرد کیفی و با استفاده از روش تحلیل مضمون انجام شد. مشارکت‌کنندگان شامل ۱۸ نفر از خبرگان مالی، اقتصاددانان، تحلیلگران بازار سرمایه، مدیران ریسک بانکی، متخصصان علم داده و سیاست‌گذاران مالی در شهر تهران بودند که به‌صورت هدفمند و گلوله‌برفی انتخاب شدند. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد و فرایند مصاحبه تا دستیابی به اشباع نظری ادامه یافت؛ به‌گونه‌ای که اشباع اولیه در مصاحبه شانزدهم حاصل شد و دو مصاحبه تکمیلی برای اطمینان انجام گرفت. داده‌ها با استفاده از نرم‌افزار NVivo و طی مراحل کدگذاری باز، محوری و انتخابی تحلیل شدند. برای افزایش اعتبار یافته‌ها از بازبینی مشارکت‌کنندگان، بازبینی همتایان، ثبت مسیر تحلیل و مقایسه مستمر کدها استفاده شد. تحلیل داده‌ها به استخراج پنج مقوله اصلی منجر شد: یکپارچه‌سازی داده‌های کلان اقتصادی و بازار سرمایه، طراحی معماری یادگیری عمیق برای آشکارسازی الگوهای پیشابحران، تبیین‌پذیری و اعتبارسنجی مدل، حکمرانی داده و مدیریت ریسک مدل، و کاربست نهادی سامانه هشدار زودهنگام. مشارکت‌کنندگان تأکید داشتند که پیش‌بینی بحران مالی صرفاً مسئله‌ای محاسباتی نیست، بلکه مستلزم ترکیب داده‌های چندمنبعی، مدل‌های توالی‌محور مانند LSTM، شاخص‌های قابل تفسیر، سازوکارهای هشدار سطح‌بندی‌شده و ظرفیت نهادی برای واکنش سریع است. مدل پیشنهادی نشان می‌دهد که سامانه پیش‌بینی بحران مالی باید از سطح پیش‌بینی عددی فراتر رود و به چارچوبی تصمیم‌یار برای تنظیم‌گران، بانک‌ها، نهادهای مالی و فعالان بازار سرمایه تبدیل شود. ترکیب یادگیری عمیق با شاخص‌های کلان اقتصادی، داده‌های معاملاتی و لایه‌های تبیین‌پذیری می‌تواند امکان شناسایی زودهنگام آسیب‌پذیری‌های مالی، کاهش غافلگیری سیاستی و ارتقای تاب‌آوری بازار را فراهم سازد.
دانلودها
مراجع
Berg, A., & Pattillo, C. (1999). Are currency crises predictable? A test. IMF Staff Papers, 46(2), 107–138.
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.
Demirgüç-Kunt, A., & Detragiache, E. (1998). The determinants of banking crises in developing and developed countries. IMF Staff Papers, 45(1), 81–109.
Fethi, M. D., & Pasiouras, F. (2010). Assessing bank efficiency and performance with operational research and artificial intelligence techniques: A survey. European Journal of Operational Research, 204(2), 189–198.
Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669. https://doi.org/10.1016/j.ejor.2017.11.054
Hennink, M. M., Kaiser, B. N., & Marconi, V. C. (2017). Code saturation versus meaning saturation: How many interviews are enough? Qualitative Health Research, 27(4), 591–608. https://doi.org/10.1177/1049732316665344
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Kaminsky, G. L., Lizondo, S., & Reinhart, C. M. (1998). Leading indicators of currency crises. IMF Staff Papers, 45(1), 1–48. https://doi.org/10.2307/3867328
Laeven, L., & Valencia, F. (2018). Systemic banking crises revisited (IMF Working Paper No. 18/206). International Monetary Fund. https://doi.org/10.5089/9781484376379.001
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE Publications.
Lo Duca, M., & Peltonen, T. A. (2013). Assessing systemic risks and predicting systemic events. Journal of Banking & Finance, 37(7), 2183–2195.
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems.
Nabipour, M., Nayyeri, P., Jabani, H., Shahab, S., & Mosavi, A. (2020). Predicting stock market trends using machine learning and deep learning algorithms via continuous and binary data: A comparative analysis. IEEE Access, 8, 150199–150212. https://doi.org/10.1109/ACCESS.2020.3015966
Sevim, C., Oztekin, A., Bali, O., Gumus, S., & Guresen, E. (2014). Developing an early warning system to predict currency crises. European Journal of Operational Research, 237(3), 1095–1104.
