اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 5 1404 10 01 Developing a Deep Learning-Based Model for Predicting Financial Crises Using Macroeconomic Indicators and Capital Market Data ارائه مدل پیش‌بینی بحران‌های مالی مبتنی بر یادگیری عمیق، شاخص‌های کلان اقتصادی و داده‌های بازار سرمایه 29 41 FA مریم رضوی گروه حسابداری، دانشگاه یزد، یزد، ایران محمد رضا احمدی تبار گروه حسابداری، دانشگاه یزد، یزد، ایران Journal Article <p>This study aimed to develop a conceptual model for predicting financial crises by integrating deep learning techniques, macroeconomic indicators, capital market data, and expert perspectives in finance, economics, and data science. This qualitative study employed thematic analysis. The participants consisted of 18 experts from Tehran, including finance specialists, economists, capital market analysts, bank risk managers, data science professionals, and financial policy experts. Participants were selected through purposive and snowball sampling. Data were collected using semi-structured interviews and continued until theoretical saturation was achieved; initial saturation occurred at the sixteenth interview, and two additional interviews were conducted to confirm saturation. The interview data were analyzed using NVivo software through open, axial, and selective coding. Credibility and trustworthiness were enhanced through member checking, peer review, audit trail documentation, and constant comparison of codes and themes. The analysis resulted in five main categories: integration of macroeconomic and capital market data, deep learning architecture for detecting pre-crisis patterns, model interpretability and validation, data governance and model risk management, and institutional application of early warning systems. Participants emphasized that financial crisis prediction is not merely a computational problem; rather, it requires multi-source data integration, sequence-based models such as LSTM, interpretable risk indicators, tiered warning mechanisms, and institutional capacity for timely intervention. The proposed model suggests that a financial crisis prediction system should move beyond numerical forecasting and operate as a decision-support framework for regulators, banks, financial institutions, and capital market actors. Integrating deep learning with macroeconomic indicators, trading data, and explainability layers may facilitate early identification of financial vulnerabilities, reduce policy surprise, and improve market resilience.</p> <p>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.</p> https://jsaefm.com/index.php/jsaefm/article/download/29/27