پیش بینی ورشکستگی بانک ها با استفاده از رویکرد یادگیری ماشینی

بانکداری به عنوان نبض اقتصاد در تمامی کشورها نقش اساسی در حفظ ثبات پولی ناشی از سیاست گذاری در زمینه پس انداز عمومی و توسعه اقتصادی ایفا می کند. هدف این پژوهش، بررسی و پیش بینی ورشکستگی بانک های پذیرفته شده در بورس اوراق بهادار تهران است. پژوهش حاضر از نوع توصیفی–همبستگی بوده و داده های مربوط به ۱۸ بانک پذیرفته شده در بورس و اوراق بهادار تهران طی سال های ۱۳۹۵ تا ۱۴۰۰ تحلیل شده است. برای آزمون فرضیه ها از الگوریتم های یادگیری ماشین شامل درخت تصمیم، بیز ساده، قوانین انجمنی و شبکه عصبی استفاده شد. یافته ها نشان داد مدل های یادگیری ماشین توانایی قابل توجهی در پیش بینی ورشکستگی بانک ها دارند و الگوریتم درخت تصمیم عملکرد برتری نسبت به سایر مدل ها ارائه کرده است. نتایج درخت تصمیم نشان داد که سپرده های بانکی و ریسک اعتباری مهم ترین مولفه های تاثیرگذار بر وضعیت ورشکستگی هستند؛ به گونه ای که بانک هایی با سطح سپرده کمتر یا مساوی ۳۹۷/۲۲ و ریسک اعتباری بالاتر از ۵۷۳/۰ بیشترین احتمال قرارگیری در وضعیت ورشکستگی را دارند. ریسک اعتباری در این پژوهش زمانی مشاهده می شود که بخش قابل توجهی از وام های اعطایی غیرقابل بازگشت باشد. همچنین، کاهش سپرده های بانکی نشانه ای از بی اعتمادی و بروز مشکلات ساختاری در نظام بانکی تلقی می شود. نتیجه گیری پژوهش نشان داد که شاخص های ریسک و سپرده، نقش بنیادین در تبیین ورشکستگی بانک ها دارند و بهره گیری از الگوریتم های یادگیری ماشین می تواند ابزار موثری برای پایش و پیش بینی سلامت مالی بانک ها باشد.

کلیدواژه ها:

الگوریتم های یادگیری ماشین ، بیز ساده ، درخت تصمیم گیری ، شبکه عصبی ، ورشکستگی بانک ها