مطالعهای بر کاربردهای هوش مصنوعی و یادگیری ماشین در مدلسازی ریسک نقدشوندگی از چشم انداز نظارتی

هدف ارزیابی موثر ریسک نقدشوندگی سیاست، اطمینان حاصل کردن از این است که هر موسسه اعتباری خاصی قادر باشد تعهدات نقدیخود را حفظ کند، حتی در مواجهه با عدم قطعیتی که ممکن است به دلیل عوامل خارجی رخ دهد. بانک مرکزی اروپا (ECB)، به عنوانبخشی از "فرآیند بازبینی و ارزیابی نظارتی" (SREP)، اشاره کرده است که این ارزیابی باید توانایی موسسه در تامین تعهدات بلندمدت واستراتژی تامین مالی بلندمدت خود را نیز مورد بررسی قرار دهد. با توجه به تغییرات سریع در بازارهای مالی و تشدید مقررات، نیاز به یکرویکرد دقیق و قابل قبول برای ارزیابی ریسک نقدشوندگی بیش از پیش مهم شده است. علاوه بر این، توانایی پیش بینی سناریوهای مختلفبا تاکید بر شاخص های کلیدی ریسک بسیار حیاتی است. این مقاله ارزیابی میکند که آیا روشهای یادگیری ماشینی قادر به موفقیت درمدلسازی ریسک نقدشوندگی هستند یا خیر، و آیا میتوانند به منظور ایجاد سناریوهای تست تنش مورد استفاده قرار گیرند. ما از روش"سیستم ارزیابی ریسک" (RAS) برای دسته بندی موسسات اعتباری در بخش بانکداری پرتغال بر اساس ریسک نقدشوندگی آنها با استفادهاز داده های نظارتی واقعی (از سال ۲۰۱۴ تا مارس ۲۰۲۱) استفاده کردیم. سپس، با مقایسه یک سری از الگوریتم های معروف یادگیریماشینی با یک مدل آماری سنتی به منظور ارزیابی مقایسه ای، توانایی مدلسازی این دسته بندی ریسک را بررسی کردیم. نتایج نشانمیدهند که الگوریتم "تقویت گرادیان پیشرفته" (XGBoost) در این مسئله عملکرد بهتری نسبت به روشهای دیگر دارد. میتوان از مدلحاصل به عنوان یک ابزار برای تشخیص و آزمون تنش ها یا به عنوان یک "سیستم هشدار زودهنگام" (EWS) استفاده کرد و بنابراین اجرایSREP را بهبود بخشید.

Keywords:

نظارت بر بانکداری , ارزیابی ریسک , یادگیری ماشینی , EWS , نقد شوندگی , تحلیل سناریو , سیستم ارزیابی ریسک ECB