دانلود ترجمه مقاله یادگیری ماشین برای مدل سازی ریسک نقدشوندگی

1. مقدمه 2. روش تحقیق 3. نتایج و بحث و بررسی 4. نتیجه گیری

چکیده – هدف سیاست ارزیابی موثر ریسک نقدشوندگی، حصول اطمینان از این است که هر موسسه اعتباری معینی بتواند به تعهدات جریان نقدی خود پایبند باشد، حتی اگر عدم قطعیت ناشی از عوامل بیرونی را فاکتور بگیریم. بانک مرکزی اروپا (ECB)، به عنوان قسمتی از «فرآیند بازبینی و ارزیابی نظارتی» (SREP)، بیان کرده است که این ارزیابی باید توانایی موسسه برای برآورده کردن تعهدات بلندمدت و همچنین استراتژی تامین مالی بلندمدت خود را مورد ملاحظه قرار دهد. بخاطر حرکت سریع بازارهای مالی و مقررات سختگیرانه تر، نیاز ساختاری به یک روش ارزیابی ریسک دقیق و مورد پذیرش همگان، بوجود آمده است. علاوه بر آن، توانایی پیش بینی سناریوهای دیگر با تاکید بر شاخص های ریسک کلیدی دخیل از اهمیت بسزایی برخوردار است. این مقاله بررسی می کند که آیا روش های یادگیری ماشین می توانند با موفقیت ریسک نقدشوندگی را مدل سازی کنند یا خیر و بنابراین بیشن هایی برای سناریوهای تست تنش فراهم گردد. ما از روش «سیستم ارزیابی ریسک» (RAS) برای دسته بندی موسسات اعتباری از بخش بانکداری پرتغال را طبق ریسک نقدشوندگی شان، با استفاده از داده های نظارتی واقعی (از 2014 تا مارس 2021) ، استفاده کردیم. سپس، توانایی مدل سازی این دسته بندی ریسک را با مقایسه یک سری از الگوریتم های یادگیری ماشین مشهور با یک مدل آماری سنتی برای ارزیابی مقایسه ای، مدل سازی کردیم. نتایج نشان می دهند که «تقویت گرادیان پیشرفته» (XGBoost)، در این مسئله دسته بندی عملکرد بهتری نسبت به روش های دیگر دارد. مدل حاصله را می توان برای یک محیط تولید راه اندازی کرد و سناریوهایی برای آزمون تنش یا به عنوان یک «سیستم هشدار زودهنگام» (EWS)، راه اندازی کرد و بنابراین از اجرای کلی SREP حمایت می شود. مقدمه: از دهه 1990، بخش مالی، توسعه سیستم های پشتیبانی از تصمیم را دنبال می کرد (زوپونیدیس و همکاران، 1997). روش های آماری کلاسیک، مانند رگرسیون های خطی یا لجستیک، به بخش مهمی از آن سیستم ها و بطور کل مدل های تحلیلی مالی تبدیل شده اند. اخیراً، یادگیری ماشین (ML) به عنوان ابزار ترجیحی توجه ها را به خود جلب کرده است که این بخاطر مقدار عظیم داده های گردآوری شده و افزایش توان محاسباتی سیستم های فعلی می باشد. ML ثابت کرده است که الگوهای داده پیچیده قبلاً شناسایی نشده که مدل سازی آنها تقریباً غیرممکن بود را آشکار می سازد. علاوه بر آن، مطالعه اخیراً انجام شده توسط «بانک انگلستان» (هرتیگ، 2021)، بر یادگیری ماشین به عنوان یک فنآوری رو به رشد برای فرآیندهای نظارتی تاکید می کند که این عمدتاً برای شناسایی شیوه های بازاری غیرقانونی می باشد. این یافته ها از گسترش استفاده از ML برای امور نظارتی دیگر، یعنی فرآیندهای ارزیابی ریسک، پشتیبانی می کنند. یافته های مقاله گوئرو و کاستلی (2021) نیز تلاقی این دو زمینه دانش به عنوان روشی برای آینده، را تایید می کنند.

The purpose of an effective liquidity risk assessment policy is to ensure that any given credit institution can meet its cash flow obligations, even factoring in the uncertainty caused by external factors. As part of the Supervisory Review and Evaluation Process (SREP), the European Central Bank (ECB) has determined this assessment should take into consideration both the institution’s ability to meet its short-term obligations and its long-term funding strategy. Due to the fast pace of financial markets and more demanding regulations, there is a structural need for a precise and widely accepted risk assessment methodology. Furthermore, the ability to foresee alternative scenarios by stressing the involved key risk indicators is of the utmost importance. This work investigates whether machine learning techniques can successfully model liquidity risk, thus providing insights for stress-testing scenarios. We have applied the Risk Assessment System (RAS) methodology to classify credit institutions from the Portuguese banking sector according to their liquidity risk, using real supervisory data (from 2014 until March 2021). We then studied the ability to model this risk classification, by comparing a series of well-established machine learning algorithms to a traditional statistical model for benchmarking. The results show that extreme gradient boosting (XGBoost) outperforms other methods for this classification problem. The resulting model can be set up for a production environment and provide scenarios for stress-testing, or as an early warning system (EWS), thus supporting the overall SREP exercise. Introduction: Ever since the 1990s, the financial sector has stimulated the development of decision support systems (Zopounidis et al., 1997). Classic statistical methods, like linear or logistic regressions, have been a pillar of those systems and financial analytical models in general. More recently, machine learning (ML) has been gaining thrust as the preferable tool, mainly due to the vast amount of data collected and the increasing computational power available. ML has been proven to unveil previously undetected complex data patterns, which are almost impossible to model. Furthermore, a recent study from the Bank of England (Hertig, 2021) emphasises machine learning as a growing technology for supervisory processes, mainly for detecting illegal market practices. These findings support expanding the use of ML for other supervisory tasks, namely, risk assessment processes. The findings in Guerra and Castelli (2021) also settle the intersection of this two knowledge areas as the way forward.

ترجمه این مقاله در 25 صفحه آماده شده و در ادامه نیز صفحه 18 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.