ارائه مدل پیشبینی ورشکستگی بانکها و مؤسسات مالی با استفاده از شبکههای عصبی بازگشتی و شاخصهای سلامت مالی
کلمات کلیدی:
ورشکستگی بانک, شبکه عصبی بازگشتی, شاخصهای سلامت مالی, مدل هشدار زودهنگام, مدیریت ریسک بانکی, تحلیل مضمونچکیده
هدف این پژوهش ارائه یک مدل مفهومی-تحلیلی برای پیشبینی ورشکستگی بانکها و مؤسسات مالی بر پایه شبکههای عصبی بازگشتی و شاخصهای سلامت مالی از دیدگاه خبرگان بانکی، مالی و فناوری مالی بود. این مطالعه با رویکرد کیفی و طرح اکتشافی انجام شد. مشارکتکنندگان شامل 22 نفر از خبرگان بانکی، مدیران ریسک، تحلیلگران مالی، متخصصان فناوری مالی، اعضای هیئت علمی و کارشناسان نظارتی در شهر تهران بودند که به روش نمونهگیری هدفمند و گلولهبرفی انتخاب شدند. دادهها از طریق مصاحبههای نیمهساختاریافته گردآوری شد و فرایند مصاحبه تا دستیابی به اشباع نظری ادامه یافت. تحلیل دادهها با روش تحلیل مضمون و با استفاده از نرمافزار NVivo انجام شد. برای افزایش اعتبار یافتهها از بازبینی مشارکتکنندگان، کدگذاری همزمان توسط دو پژوهشگر، مقایسه مستمر دادهها و ثبت مسیر تصمیمگیری تحلیلی استفاده شد. تحلیل دادهها به استخراج پنج مقوله اصلی منجر شد: شاخصهای بنیادین سلامت مالی، کیفیت و یکپارچگی دادههای بانکی، قابلیت شبکههای عصبی بازگشتی در شناسایی روندهای پنهان، حکمرانی و توضیحپذیری مدل پیشبینی، و الزامات پیادهسازی مدل هشدار زودهنگام در نظام بانکی. مشارکتکنندگان تأکید داشتند که نسبت کفایت سرمایه، کیفیت داراییها، نقدینگی، سودآوری، شکاف سررسید، مطالبات غیرجاری، تمرکز تسهیلات و نوسان جریانهای نقدی باید بهصورت سری زمانی تحلیل شوند. همچنین، مدلهای LSTM و GRU به دلیل توانایی در یادگیری وابستگیهای زمانی، برای پیشبینی زودهنگام ناتوانی مالی بانکها مناسب ارزیابی شدند. نتایج نشان داد که پیشبینی ورشکستگی بانکها صرفاً با اتکا بر نسبتهای مالی ایستا امکانپذیر نیست و نیازمند تلفیق شاخصهای سلامت مالی، دادههای زمانی، الگوریتمهای یادگیری عمیق، نظارت انسانی و چارچوب حکمرانی مدل است. مدل پیشنهادی میتواند مبنایی برای طراحی سامانه هشدار زودهنگام، ارتقای مدیریت ریسک و تقویت ثبات مالی در بانکها و مؤسسات مالی باشد.
دانلودها
مراجع
Allsop, D. B., Chelladurai, J. M., Kimball, E. R., Marks, L. D., & Hendricks, J. J. (2022). Qualitative methods with NVivo software: A practical guide for analyzing qualitative data. Psych, 4(2), 142–159. https://doi.org/10.3390/psych4020013
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
Arena, M. (2008). Bank failures and bank fundamentals: A comparative analysis of Latin America and East Asia during the nineties using bank-level data. Journal of Banking & Finance, 32(2), 299–310. https://doi.org/10.1016/j.jbankfin.2007.03.011
Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, 83, 405–417. https://doi.org/10.1016/j.eswa.2017.04.006
Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71–111. https://doi.org/10.2307/2490171
Betz, F., Oprică, S., Peltonen, T. A., & Sarlin, P. (2014). Predicting distress in European banks. Journal of Banking & Finance, 45, 225–241. https://doi.org/10.1016/j.jbankfin.2013.11.041
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
DeJonckheere, M., & Vaughn, L. M. (2019). Semistructured interviewing in primary care research: A balance of relationship and rigour. Family Medicine and Community Health, 7(2), e000057. https://doi.org/10.1136/fmch-2018-000057
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
Hosaka, T. (2019). Bankruptcy prediction using imaged financial ratios and convolutional neural networks. Expert Systems with Applications, 117, 287–299. https://doi.org/10.1016/j.eswa.2018.09.039
International Monetary Fund. (2019). Financial soundness indicators compilation guide. International Monetary Fund.
Kallio, H., Pietilä, A. M., Johnson, M., & Kangasniemi, M. (2016). Systematic methodological review: Developing a framework for a qualitative semi-structured interview guide. Journal of Advanced Nursing, 72(12), 2954–2965. https://doi.org/10.1111/jan.13031
Martin, D. (1977). Early warning of bank failure: A logit regression approach. Journal of Banking & Finance, 1(3), 249–276. https://doi.org/10.1016/0378-4266(77)90022-X
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18(1), 109–131. https://doi.org/10.2307/2490395
Saunders, B., Sim, J., Kingstone, T., Baker, S., Waterfield, J., Bartlam, B., Burroughs, H., & Jinks, C. (2018). Saturation in qualitative research: Exploring its conceptualization and operationalization. Quality & Quantity, 52, 1893–1907. https://doi.org/10.1007/s11135-017-0574-8
Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model. The Journal of Business, 74(1), 101–124. https://doi.org/10.1086/209665
Sinkey, J. F. (1975). A multivariate statistical analysis of the characteristics of problem banks. The Journal of Finance, 30(1), 21–36. https://doi.org/10.1111/j.1540-6261.1975.tb03158.x
Tam, K. Y., & Kiang, M. Y. (1992). Managerial applications of neural networks: The case of bank failure predictions. Management Science, 38(7), 926–947. https://doi.org/10.1287/mnsc.38.7.926
Tölö, E. (2020). Predicting systemic financial crises with recurrent neural networks. Journal of Financial Stability, 49, 100746. https://doi.org/10.1016/j.jfs.2020.100746