مدلسازی ریسک همبستگی نکول در شبکه مالی بر مبنای مدل تقلیل یافته

الموضوعات : دانش سرمایه‌گذاری

ناصر حقی سیف الدین ¹ , رسول عبدی ² , نادر رضایی ³ , یعقوب اقدم مزرعه ⁴

1 - دانشجوی دکتری حسابداری، واحد بناب، دانشگاه آزاد اسلامی، بناب ، ایران
2 - استادیار گروه حسابداری، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
3 - استادیار گروه حسابداری، واحد بناب، دانشگاه ازاد اسلامی، بناب ، ایران
4 - استادیار گروه حسابداری ، واحد صوفیان، دانشگاه آزاد اسلامی .صوفیان، ایران

تاريخ الإرسال : 21 الخميس , صفر, 1442 تاريخ التأكيد : 14 الثلاثاء , جمادى الأولى, 1442 تاريخ الإصدار : 10 الأربعاء , رمضان, 1445

الکلمات المفتاحية: سیاستهای مداخله ای, شبکه مالی, ریسک همبستگی نکول, مدل تقلیل یافته,

ملخص المقالة :

هدف پژوهش حاضر مدل‌سازی ریسک همبستگی نکول در شبکه مالی بر مبنای مدل تقلیل یافته می‌باشد. در این پژوهش، روی گسترش نکول در شبکه مالی تمرکز کرده و تاثیر ناهمگنی نظام مالی بر ثبات سیستم مالی را بررسی می‌کنیم و در نهایت با اجرای سیاست‌های مداخله‌ای پیشنهادهایی را برای تقلیل مخاطرات و بازسازی مجدد شبکه ارائه می‌نماییم. این پژوهش در زمره پژوهش‌های کاربردی قرار می‌گیرد، نمونه آماری بررسی شده اطلاعات، ۴۰۷ شرکت پذیرفته شده در بورس اوراق بهادار تهران در قلمرو زمانی سال‌های ۱۳۹۸-۱۳۹۳ می‌باشد. به منظور آزمون وجود رابطه بین متغیرها و معنادار بودن مدل، از تحلیل رگرسیون و برای مدلسازی از نرم‌افزار متلب استفاده شده است. یافته‌های پژوهش نشان می‌دهد شرکت‌هایی که بیشترین ارتباط با اعضای شبکه را دارند در بی‌ثباتی شبکه بیشترین تاثیر را خواهند داشت. نتایج نشان داد افزایش در پراکندگی وابستگی‌های متقابل مطالبات و تعهدات، تا عمق ۵ ارتباط در شرکت ها، تأثیر منفی روی ثبات سیستم مالی دارد و واریانس زیاد موقعیت‌ها و درجه‌ی میزان همه‌گیری مالی را از طریق افزایش هر دوی گستره همه گیری (سرایت) و احتمال همه‌گیری (نکول) تشدید می‌کند. همچنین نتایج نشان داد هر چه منابع درآمدی شرکت‌ها متنوع‌تر باشد ناهمگنی نظام مالی افزایش یافته و این امر منجر به کاهش ثبات مالی خواهد شد.

المصادر:

1. پویان فر، احمد، فلاح پور، سعید، عزیزی، محمدرضا، 1392، رویکرد حداقل مربعات ماشین بردار بر الگوریتم ژنتیک جهت تخمین رتبه اعتباری مشتریان بانک ها، مهندسی مالی و مدیریت اوراق بهادار، شماره 17، 158-133.


2. خدائی وله زاقرد، محمد، قلمی باویل علیایی، سمیرا، 1392، بررسی عوامل کلیدی موثر بر ریسک نکول بانک های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه بورس اوراق بهادار، شماره 21، سال ششم، 113-93.


3. داداشی، حسن، نورعلی دخت، سمیرا، 1395، محاسبه احتمال سرایت نکول در شبکه های مالی، چهارمین همایش ریاضیات و علوم انسانی.


4. دستخوان، حسین و شمس قارنه، ناصر، (1396)، مقایسه شاخص‌های ارزیابی ریسک سیستمی در شبکه‌های مالی: شناسایی شرکت‌های مهم از نظر سیستمی در بازار بورس تهران. فصلنامه مدلسازی ریسک و مهندسی مالی، 2(1)، 1 -21.


5. فلاح پور، سعید، طادی، مسعود، 1395، پیش بینی ریسک نکول با استفاده از مدل ساختاری توسعه یافته در بورس اوراق بهادار تهران، مهندسی مالی و مدیریت اوراق بهادار، دوره 7، شماره 28، ص 1-21.


6. فلاح شمس، میرفیض، احمدودند، میثم، خواجه زاده دزفولی، هادی، 1396، اندازه گیری ریسک نکول با استفاده از مدل بلک- شولز- مرتون و آزمون رابطه آن با عوامل حاکمیت شرکتی، مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، دوره 8، شماره 30، ص 147-168.


7. نوروزی پور، کریم، داداشی، حسن، محمدی، مهدی، 1391، تخمین و شبیه سازی همبستگی ریسک نکول شرکت ها با استفاده از مدل های شدت، دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، دوره 5، شماره 13، ص 35-47.


8. افشار، منیژه، 1386، کاربرد کی ام وی در پیش بینی ورشکستگی بانک ها و شرکتها اعتباری، پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران.


9. Anagnostou, I., Sourabh, S., & Kandhai, D. (2018). Incorporating contagion in portfolio credit risk models using network theory. Complexity, 2018.


10. Basel Committee on Banking Supervision (2001), The New Basel Capital Accord, January.


11. Benbachir, S., El Haddad, M., & Benbachir, Y. (2018). Modeling Contagion Financial Risk using Entropy Algorithm and Round by Round Model. International Journal of Applied Engineering Research, 13(13), 11140-11150.


12. Cheng, X., & Zhao, H. (2019). Modeling, analysis and mitigation of contagion in financial systems. Economic Modelling, 76, 281-292.


13. Chong, C., & Kluppelberg, C. (2018). Contagion in financial systems: A Bayesian network approach. SIAM Journal on Financial Mathematics, 9(1), 28-53.


14. Crosbie, P. & Bohn, J., (2003). MODELING DEFAULT RISK, ModelingMethodology, Moody`sKMV Company.


15. De Marco, G., Donnini, C., Gioia, F., & Perla, F. (2018). On the measure of contagion in fuzzy financial networks. Applied Soft Computing, 67, 584-595.


16. Cnr and University of Bergamo.


17. Jarrow R. (2001), Default Parameter Estimation Using Market Prices, Financial Analysts Journal, 57(5), 75-92.


18. Jarrow R. and Protter P. (2004), Structural versus Reduced Form Models: A New Information Based Perspective, Journal of Investment Management 2, 1-10.


19. Jarrow R. and S. Turnbull (1992), Credit Risk: Drawing the Analogy, Risk Magazine 5(9), 63-70.


20. Lando D. (1998), Cox Processes and Credit-Risky Securities, Review of Derivatives Research 2, 99-120.


21. Leventides, J., Loukaki, K., & Papavassiliou, V. G. (2019). Simulating financial contagion dynamics in random interbank networks. Journal of Economic Behavior & Organization, 158, 500-525.


22. McKinney, A. P., Carlson, K. D. (2002, April).Incremental contribution of trait goal orientation in explaining performance variability. Paper presented at the annual meeting.


23. Saunders, A., & Millon Cornett, (2009). Financial Markets and Institutions. McGraw-Hill Irwin.


24. Yu, F. (2002). Correlated defaults in reduced-form models. Journal of Investment Management, 3(4), 33-42.