Modeling to Predict the Liquidity Risk of Iran's Government Banks Using Artificial Neural Networks and Accounting Indicators

Subject Areas :

Mahdi Khosroyani ¹ ( Department of Accounting, Central Tehran Branch, Islamic Azad University, Tehran, Iran )
Farzaneh Heydarpoor ² ( Department of Accounting, Central Tehran Branch, Islamic Azad University, Tehran, Iran. Corresponding Author. )

Received: 2022-07-15 Accepted : 2022-09-17 Published : 2022-11-11

Keywords: Modeling, Artificial Neural Networks, Keywords: Liquidity Risk, Accounting Indicators, and Iranian Government owned Banks,

Abstract :

AbstractOne of the most important risks of bank is liquidity risk, so banks must have appropriate information systems to measure, predict and control liquidity risk. Banks manage their liquidity risk using different tools and methods, depending on the conditions and type of activity. Despite the fundamental differences in the size, type of activity and structure of Government owned banks,is it possible to model and forecast the liquidity risk of state banks? To answer this question in this study, using the accounting information of Government banks in Iran, and the research accounting indicators were calculated and liquidity risk was modeled by the multilayer perceptron neural network. Then, the difference between the results of the model and the real data was measured by MSE. The research results showed that the designed model can be used to predict the liquidity risk of Iran's Government owned banks.

References:

فهرست منابع
 
ابراهیمی، مرضیه وعبداله دریابر، (1391)، "مدیریت ریسک اعتباری در نظام بانکی- رویکرد تحلیل پوششی داده‌ها و رگرسیون لجستیک و شبکه عصبی"، فصلنامه دانش سرمایه‌گذاری، سال اول، شماره دوم، صص35-62.
اصغری اسکویی، محمدرضا، (1381)،"کاربرد شبکه‌های عصبی در پیش‌بینی سری‌های زمانی"،فصلنامه پژوهش‌های اقتصادی ایران، شماره 12، صص  71 – 97.
انصار، محمود، محمد خدایی وله زاقرد، مهدی تقوی و زهرا امیرحسینی، (1400)، "مدلسازی قوت مالی مبتنی بر ریسک و عملکردبا استفاده از اقلام حسابداری بانک‌ها"، نشریه پژوهشهای حسابداری مالی و حسابرسی، دوره 13 شماره 4، پیاپی 52، صص 185 – 209.
بانک مرکزی ج.ا.ا، بخشنامه شماره ۹۶/۲۵۱۰۸۱ مورخ 09/08/1396، "ابلاغ حداقل الزامات مدیریت ریسک نقدینگی مؤسسات  اعتباری".
ثقفی، علی وولی اله سیف،  (1384)، "شناسایی و اندازه‌گیری  نسبت‌های مالی و متغیر های اقتصادی مؤثر بر سلامت و ثبات نظام بانکی در ایران"، پژوهشنامه اقتصادی،دوره  5، شماره 17، شماره پیاپی 2، صص 65ا-111.
جعفریان، مریم،(1391)، "اندازه‌گیری ریسک نقدینگی بر اساس مدل POT"،پایان‌نامه مقطع کارشناسی ارشد، تهران، مؤسسه عالی بانکداری ایران.
دسینه، مهدی، (1398)، "تأثیر معیارهای مبتنی بر حسابداری ویژگیهای سود بر ریسک نامطلوب سود"،پژوهشهای حسابداری مالی و حسابرسی، سال یازدهم، شماره 41، صص 153 - 176 .
رستمیان، فروغ و حاجی بابایی، (1388)، "اندازه‌گیری ریسک نقدینگی بانک با استفاده از مدل ارزش در معرض خطر ( مطالعه موردی: بانک سامان )"، پژوهشهای حسابداری مالی و حسابرسی، شماره 3، صص 174-199.
سینایی، حسنعلی، سعیداله مرتضویو یاسر تیموری اصل، (1384)، "پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی" ، بررسی‌های حسابداری و حسابرسی، دوره 12، شماره 41، صص  59 - 83.
صادقی، حسین، حسین سهرابی وفا و یونس سلمانی، (1393)، "هوش مصنوعی در اقتصاد"، چاپ اول، تهران ، نشر نور علم.
طالبی، محمد و نازنین شیرزادی، (1390)، "ریسک اعتباری: اندازه‌گیری و مدیریت"، تهران، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه ها (سمت).
عرب مازاریزدی، محمد، رافیک باغومیان و فرزانه کاکه خوانی،(1392)، "بررسی رابطه میان ترکیب دارایی-بدهی و ریسک نقدینگی بانک‌ها در ایران"، فصلنامه دانش حسابرسی، سال سیزدهم شماره ۱۴،  پیاپی ۵۲، صص 33-55.
عیسیزاده، سعید و حامد منصوری گرگری، (1392)، "مقایسه کارایی مدل‌های کلاسیک و شبکه‌های عصبی در برآورد ریسک و ظرفیت اعتباری مشتریان شواهدی از بانک تجارت"، نشریه اقتصاد پولی،مالی (دانش و توسعه)، دوره 20، شماره 5، صص  87 – 114.
کفایی، سید محمد علی و محبوبه راهزانی، (1396)، "بررسی تأثیر متغیرهای کلان اقتصادی بر ریسک نقدینگی"، نشریه پژوهشها و سیاست‌های اقتصادی، سال بیست و پنجم، شماره 81، صص 261 – 310.
گروه مطالعات و مدیریت ریسک بانک اقتصاد نوین، (1387)، "مدیریت دارایی – بدهی در مؤسسات  مالی"، چاپ اول، تهران، انتشارات فراسخن.
لیلی دوست، مریم،(1386)، "اندازه‌گیری ریسک نقدینگی و ارتباط آن با سودآوری"، پایان‌نامه مقطع کارشناسی ارشد، تهران، مؤسسه عالی بانکداری ایران.
مدرس، احمد و سیدمرتضی ذکاوت، (1382)، "مدل‌های ریسک اعتباری مشتریان بانک"، حسابرس، شماره 19، صص 54-58.
مهدوی، غلامحسین و کاظم گودرزی، (1390)، "ارائه یک شبکه عصبی مصنوعی جهت پیش‌بینی ریسک سیستماتیک با استفاده از متغیر های کلان اقتصادی"، پژوهشنامه اقتصادی،دوره 11، شماره 4، پیاپی 43، صص  219 – 237.
نادری، سعید، فرزانه حیدرپور و احمد یعقوب نژاد، (1397)، "رابطه بین کیفیت اطلاعات حسابداری و همبستگی نرخ رشد شرکت با صنعت"، پژوهش‌های حسابداری مالی و حسابرسی، سال دهم، شماره 39،  صص 191 – 218.     

Abu Bakar, Nor Mazlina, Tahir, Mohd Izah, (2009), “Applying Multiple Linear Regression and Neural Network to Predict Bank Performance”, International Business Research, Vol. 2, No. 4, PP. 176-183 
Basel Committee on Banking Supervision, (2010),“Basel III: A Global Regulatory Framework for more Resilient Banks and Banking Systems”, Basel, Switzerland, Bank for International Settlements
Greuning, Hennie van, Bratanovic, Sonja Brajovic, (2003), “Analyzing and Managing Banking Risk”, Second Edition, WASHINGTON, D.C., The World Bank
Joel, Bessis, (2002), “Risk Management in Banking”, New York, John Wiley&son.
Jose A. Lopez, (2008),“What Is Liquidity Risk?" FRBSF Economic Letter, Issue Oct24, Federal Reserve Bank of San Francisco.
M. Kareem Al_Duhaidahawi,Hayder, Sebai, Jing Z S. Abdulreza, Meriem,Abdullah Harjan, Sinan, “An Efficient Model for Financial Risks Assessment Based on Artificial Neural Networks”, Journal of Southwest Jiaotong University,vol 55, No 33, PP. 1-10,
Mishraz,Nandita, Ashok,Shruti, Tandon,Deepak, (2021),“Predicting Financial Distress in the Indian Banking Sector: A Comparative Study between the Logistic Regression, LDA and ANN Models”, Global Business Review, New Delhi.
Tavana, madjid, Abtahi, Amir-Reza, Di Caprio, Poortarigh, Maryam, (2018), “An Artificial Neural Network and Bayesian Network Model for Liquidity Risk Assessment in Banking”, Neurocomputing 275, PP. 2525-2554.
Yan, Wei, Song, Yinghua, (2022), “Intelligent Evaluation and Early Warning of Liquidity Risk of Commercial Banks Based on RNN”, Hinhawi, PP. 1-12.