ورشکستگی بانک های بورسی: یک مدل ترکیبی مبتنی بر الگوریتم های یادگیری ماشینی

ورشکستگی به عنوان یکی از مهم ترین چالش های نظام مالی، همواره مورد توجه پژوهشگران و سیاست گذاران بوده است؛ زیرا بروز آن در صنایع مختلف به ویژه در نظام بانکی، می تواند باعث بی ثباتی گسترده در اقتصاد شود. از آنجا که بانک ها نقش محوری در تخصیص منابع و حفظ ثبات پولی دارند، ورشکستگی آن ها پیامدهایی فراتر از یک بنگاه اقتصادی به همراه خواهد داشت. ورشکستگی معمولا ناکامی شرکت در ایجاد سود و اجرای عملیات به شکل کارا تعریف شده است. با وجود کاربرد گسترده روش های سنتی مانند تحلیل صورت های مالی و مدل های آماری، محدودیت هایی همچون فرض های ساده سازی شده، وابستگی به انتخاب دقیق متغیرها و ناتوانی در شناسایی روابط غیرخطی عملکرد این مدل ها را کاهش می دهد. ظهور روش های یادگیری ماشینی چشم انداز نوینی در پیش بینی ورشکستگی ایجاد کرده است. این روش ها به دلیل توانایی در شناسایی الگوهای پنهان، تحلیل روابط غیرخطی و استخراج ساختارهای پیچیده داده، به عنوان جایگزینی قدرتمند برای مدل های آماری کلاسیک مطرح شده اند. پژوهش های متعددی از این رویکرد برای پیش بینی ورشکستگی استفاده کرده اند و نشان داده اند که الگوریتم های یادگیری ماشینی می توانند عملکرد بهتری نسبت به مدل های سنتی ارائه دهند. نتایج چنین پژوهش هایی بر لزوم توسعه مدل های دقیق تر و پایدارتر در محیط های مالی پیچیده تاکید می کند. از سوی دیگر، رفتار مدیران و نقش مدیریت سود نیز بر وضعیت مالی و احتمال ورشکستگی شرکت ها اثرگذار است. مدیریت سود می تواند از طریق اقلام تعهدی اختیاری یا دستکاری فعالیت های واقعی انجام شود و در نتیجه تحلیل اطلاعات مالی را با چالش مواجه کند. بنابراین، برخی پژوهش ها پیشنهاد داده اند که در نظر گرفتن مدیریت سود می تواند عملکرد مدل های پیش بینی ورشکستگی، از جمله مدل آلتمن، را بهبود بخشد. در محیط رقابتی امروز، عوامل دیگری همچون مدیریت ناکارا، ساختار ضعیف حاکمیت شرکتی و تصمیم گیری های نادرست نیز می توانند شرکت ها را به سمت درماندگی مالی و ورشکستگی سوق دهند. با پیچیده تر شدن نظام بانکی و افزایش مخاطرات مالی، پیش بینی دقیق ورشکستگی اهمیت راهبردی یافته است. از این رو، پژوهش حاضر در تلاش است با بهره گیری از یک مدل ترکیبی مبتنی بر الگوریتم های یادگیری ماشینی، چارچوبی دقیق و کارآمد برای پیش بینی ورشکستگی بانک های بورسی ارائه دهد. نوآوری این پژوهش در تلفیق الگوریتم های پیشرفته، تحلیل مجموعه داده های جامع و ارائه راهکارهای کاربردی برای ارتقای سیستم های نظارتی و تصمیم گیری مالی نهفته است.

کلیدواژه ها:

ورشکستگی ، الگوریتم های یادگیری ماشینی ، بانک های بورسی ، مدل ترکیبی ، پیش بینی