شناسایی شاخصهای مالی با استفاده از یادگیری ماشین و تحلیل آن در بازیهای مهاجم - مدافع با در نظر گرفتن شاخصهای منتخب مالی: مطالعه موردی بانکهای صادرات و ملت اصفهان

در چشم اندازی پویای نظام بانکی شناسایی و تحلیل شاخصهای مالی نقشی حیاتی در ارزیابی عملکرد و ثبات نهادهای پولی ایفا می کند. پژوهش پیش رو با هدف شناسایی این شاخص های کلیدی از قابلیت های پیشرفته یادگیری ماشین بهره می گیرد و چارچوبی نوین مبتنی بر نظریه بازی های مهاجم - مدافع ارائه می دهد. این رویکرد تعامل پویا میان عوامل تهدید کننده (مهاجم) و سیستم های دفاعی بانک (مدافع) را شبیه سازی کرده و امکان تحلیل عمیق تر آسیب پذیری ها و نقاط قوت را فراهم می آورد. بر اساس آخرین پژوهش ها، مدل سازی تعاملات راهبردی در محیط های مالی با استفاده از مفاهیم نظریه بازی ها می تواند به طور قابل توجهی کارایی سیستم های تشخیص و مقابله با تهدیدات را افزایش دهد. به عنوان مطالعه موردی، دو بانک مهم و تاثیرگذار صادرات و ملت اصفهان انتخاب شده اند. در مطالعه حاضر بر روی ۹ بانک صادرات و ۹ بانک ملت اصفهان (مجموعا ۱۸ بانک خصوصی) که پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی ۱۳۹۲ الی ۱۴۰۳، از ۴۳ نسبت مالی در ۶ گروه اصلی (کفایت سرمایه، سودآوری، نقدینگی، کیفیت دارایی، ساختار ترازنامه و ساختار درآمد - هزینه) استفاده گردیده است. علاوه بر این، تحلیلی جامع با استفاده از تمام ۴۳ نسبت مالی انجام شد که برای محاسبه نسبت های مالی از اطلاعیه ها و گزارش های مالی منتشر شده و صورت های مالی میان دوره ای و پایان دوره ای موجود در سامانه کدال برای ۱۸ بانک مذکور در مدت ۱۲ سال استفاده شده است. نتایج حاصل از این پژوهش می تواند نه تنها به درک بهتر اثرات متقابل راهبردهای تهاجمی و تدافعی بر سلامت مالی بینجامد، بلکه ابزاری کارآمد برای مدیران و سیاست گذاران جهت تقویت تاب آوری نظام بانکی در برابر شوک های احتمالی فراهم آورد.

کلیدواژه ها:

الگوریتم یادگیری ماشین ، کدال ، مدل مهاجم - مدافع ، شاخصهای مالی ، محدودیت بودجه ، تعادل نش