استفاده از شبکه های عصبی کانولوشنالی جهت مدلسازی رابطه افق سرمایه گذار نهادی با ریسک پذیری بانکی

هدف: ریسک پذیری بانکی یکی از مولفه های بنیادین در سنجش پایداری مالی نظام های اقتصادی به شمار می رود و تحت تاثیر عوامل متعددی از جمله ساختار مالکیت، نوع سهامداران و رفتار سرمایه گذاران قرار دارد. در این میان، افق سرمایه گذاری نهادی—اعم از کوتاه مدت یا بلندمدت—می تواند نقش تعیین کننده ای در نحوه مواجهه بانک ها با انواع ریسک های بازار ایفا کند. سرمایه گذاران نهادی با افق های متفاوت، رویکردهای گوناگونی در نظارت، تخصیص منابع و واکنش به نوسانات بازار اتخاذ می کنند که این تفاوت ها می تواند پیامدهای مستقیم بر سطح ریسک پذیری بانک ها داشته باشد. با توجه به پیچیدگی، چندبعدی بودن و غیرخطی بودن رابطه میان افق سرمایه گذاری و ریسک پذیری، استفاده از مدل های سنتی تحلیل مالی نظیر رگرسیون خطی یا شبکه های عصبی پیش خور با محدودیت هایی مواجه است. این مدل ها غالبا در شناسایی الگوهای پنهان، روابط غیرخطی و ویژگی های محلی داده های مالی ناکارآمد هستند. از این رو، هدف اصلی پژوهش حاضر، بهره گیری از شبکه های عصبی کانولوشنالی (CNN) برای مدل سازی دقیق تر رابطه افق سرمایه گذار نهادی با ریسک پذیری بانکی در داده های ساختاریافته بانک های پذیرفته شده در بورس اوراق بهادار تهران است.روش: این مطالعه از نوع کاربردی بوده و با رویکرد توصیفی-همبستگی انجام شده است. جامعه آماری شامل کلیه بانک های فعال در بورس تهران طی سال های ۱۳۹۳ تا ۱۳۹۹ بود. داده های مربوط به افق سرمایه گذاری نهادی (کوتاه مدت و بلندمدت) و شاخص های ریسک پذیری بانکی استخراج گردید و به منظور پردازش توسط شبکه های کانولوشنالی، به ماتریس های ۴×۴ تبدیل شدند. سه مدل CNN با تعداد فیلترهای ۶۴، ۱۲۸ و ۲۵۶ طراحی و آموزش داده شدند تا عملکرد آن ها در شناسایی الگوهای پیچیده و پیش بینی دقیق تر رابطه مورد نظر ارزیابی شود. برای سنجش کیفیت مدل ها از معیارهای دقت (Accuracy)، امتیاز F۱ و سطح زیر منحنی ROC (AUC) استفاده شد.یافته ها: نتایج حاصل از مدل سازی نشان داد که همبستگی میان افق سرمایه گذاری کوتاه مدت و ریسک پذیری بانکی برابر با ۰.۸۶ بوده که به مراتب قوی تر از همبستگی افق بلندمدت با ریسک پذیری (۰.۷۲) است. این یافته حاکی از آن است که سرمایه گذاران نهادی با افق کوتاه مدت، به دلیل واکنش پذیری سریع تر نسبت به تغییرات بازار، نقش موثرتری در کاهش ریسک های بانکی ایفا می کنند. از میان سه مدل طراحی شده، شبکه ۶۴ فیلتری (CNN۶۴) با دقت ۰.۸۲۹، امتیاز F۱ برابر با ۰.۸۱۵ و AUC برابر با ۰.۸۴۲، بالاترین عملکرد را در مدل سازی رابطه مورد نظر داشت. این مدل توانست با استخراج ویژگی های محلی و شناسایی الگوهای پیچیده در داده های مالی، عملکردی به مراتب بهتر از مدل های سنتی ارائه دهد و اثربخشی شبکه های کانولوشنالی در تحلیل های مالی را به اثبات رساند.نتیجه گیری: پژوهش حاضر نشان داد که شبکه های عصبی کانولوشنالی، به ویژه در ساختارهای سبک تر مانند CNN۶۴، ابزار قدرتمندی برای تحلیل روابط پیچیده و غیرخطی در داده های مالی هستند. استفاده از این مدل ها در تحلیل افق سرمایه گذاری نهادی و ریسک پذیری بانکی، نه تنها دقت پیش بینی را افزایش می دهد، بلکه امکان تفسیر بهتر رفتار بازار، شناسایی الگوهای پنهان و اتخاذ تصمیمات سرمایه گذاری آگاهانه تر را فراهم می سازد. تمرکز بر افق کوتاه مدت به عنوان عامل موثر در کاهش ریسک های بانکی، می تواند راهگشای تدوین سیاست های نظارتی، طراحی ابزارهای کنترلی و توسعه راهبردهای سرمایه گذاری هوشمندانه تر در صنعت بانکداری باشد. پیشنهاد می شود در مطالعات آتی، از مدل های یادگیری ماشین متنوع تری مانند درخت های تصمیم گیری، مدل های تصادفی و شبکه های عمیق تر استفاده شود و تاثیر عوامل کلان اقتصادی نظیر نرخ بهره، تورم و سیاست های پولی نیز در تحلیل ها لحاظ گردد. همچنین، گسترش دامنه تحقیق به سایر بازارهای مالی، نمونه های بین المللی و بازه های زمانی بلندمدت می تواند به تعمیم پذیری نتایج، افزایش اعتبار بیرونی و توسعه نظری در حوزه مدیریت ریسک بانکی کمک شایانی نماید.

کلیدواژه ها:

افق سرمایه گذار نهادی ، ریسک پذیری بانکی ، شبکه یادگیری عمیق ، شبکه های عصبی کانولوشنالی