فهرست نشریات علمی دسترسی آزاد ایران

هدف: ریسک‌پذیری بانکی یکی از مؤلفه‌های بنیادین در سنجش پایداری مالی نظام‌های اقتصادی به‌شمار می‌رود و تحت تأثیر عوامل متعددی از جمله ساختار مالکیت، نوع سهامداران و رفتار سرمایه‌گذاران قرار دارد. در این میان، افق سرمایه‌گذاری نهادی—اعم از کوتاه‌مدت یا بلندمدت—می‌تواند نقش تعیین‌کننده‌ای در نحوه مواجهه بانک‌ها با انواع ریسک‌های بازار ایفا کند. سرمایه‌گذاران نهادی با افق‌های متفاوت، رویکردهای گوناگونی در نظارت، تخصیص منابع و واکنش به نوسانات بازار اتخاذ می‌کنند که این تفاوت‌ها می‌تواند پیامدهای مستقیم بر سطح ریسک‌پذیری بانک‌ها داشته باشد. با توجه به پیچیدگی، چندبعدی بودن و غیرخطی بودن رابطه میان افق سرمایه‌گذاری و ریسک‌پذیری، استفاده از مدل‌های سنتی تحلیل مالی نظیر رگرسیون خطی یا شبکه‌های عصبی پیش‌خور با محدودیت‌هایی مواجه است. این مدل‌ها غالباً در شناسایی الگوهای پنهان، روابط غیرخطی و ویژگی‌های محلی داده‌های مالی ناکارآمد هستند. از این‌رو، هدف اصلی پژوهش حاضر، بهره‌گیری از شبکه‌های عصبی کانولوشنالی (CNN) برای مدل‌سازی دقیق‌تر رابطه افق سرمایه‌گذار نهادی با ریسک‌پذیری بانکی در داده‌های ساختاریافته بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران است.روش: این مطالعه از نوع کاربردی بوده و با رویکرد توصیفی-همبستگی انجام شده است. جامعه آماری شامل کلیه بانک‌های فعال در بورس تهران طی سال‌های ۱۳۹۳ تا ۱۳۹۹ بود. داده‌های مربوط به افق سرمایه‌گذاری نهادی (کوتاه‌مدت و بلندمدت) و شاخص‌های ریسک‌پذیری بانکی استخراج گردید و به‌منظور پردازش توسط شبکه‌های کانولوشنالی، به ماتریس‌های ۴×۴ تبدیل شدند. سه مدل CNN با تعداد فیلترهای 64، 128 و 256 طراحی و آموزش داده شدند تا عملکرد آن‌ها در شناسایی الگوهای پیچیده و پیش‌بینی دقیق‌تر رابطه مورد نظر ارزیابی شود. برای سنجش کیفیت مدل‌ها از معیارهای دقت (Accuracy)، امتیاز F1 و سطح زیر منحنی ROC (AUC) استفاده شد.یافته‌ها: نتایج حاصل از مدل‌سازی نشان داد که همبستگی میان افق سرمایه‌گذاری کوتاه‌مدت و ریسک‌پذیری بانکی برابر با 0.86 بوده که به‌مراتب قوی‌تر از همبستگی افق بلندمدت با ریسک‌پذیری (0.72) است. این یافته حاکی از آن است که سرمایه‌گذاران نهادی با افق کوتاه‌مدت، به دلیل واکنش‌پذیری سریع‌تر نسبت به تغییرات بازار، نقش مؤثرتری در کاهش ریسک‌های بانکی ایفا می‌کنند. از میان سه مدل طراحی‌شده، شبکه 64 فیلتری (CNN64) با دقت 0.829، امتیاز F1 برابر با 0.815 و AUC برابر با 0.842، بالاترین عملکرد را در مدل‌سازی رابطه مورد نظر داشت. این مدل توانست با استخراج ویژگی‌های محلی و شناسایی الگوهای پیچیده در داده‌های مالی، عملکردی به‌مراتب بهتر از مدل‌های سنتی ارائه دهد و اثربخشی شبکه‌های کانولوشنالی در تحلیل‌های مالی را به اثبات رساند.نتیجه‌گیری: پژوهش حاضر نشان داد که شبکه‌های عصبی کانولوشنالی، به‌ویژه در ساختارهای سبک‌تر مانند CNN64، ابزار قدرتمندی برای تحلیل روابط پیچیده و غیرخطی در داده‌های مالی هستند. استفاده از این مدل‌ها در تحلیل افق سرمایه‌گذاری نهادی و ریسک‌پذیری بانکی، نه‌تنها دقت پیش‌بینی را افزایش می‌دهد، بلکه امکان تفسیر بهتر رفتار بازار، شناسایی الگوهای پنهان و اتخاذ تصمیمات سرمایه‌گذاری آگاهانه‌تر را فراهم می‌سازد. تمرکز بر افق کوتاه‌مدت به‌عنوان عامل مؤثر در کاهش ریسک‌های بانکی، می‌تواند راهگشای تدوین سیاست‌های نظارتی، طراحی ابزارهای کنترلی و توسعه راهبردهای سرمایه‌گذاری هوشمندانه‌تر در صنعت بانکداری باشد. پیشنهاد می‌شود در مطالعات آتی، از مدل‌های یادگیری ماشین متنوع‌تری مانند درخت‌های تصمیم‌گیری، مدل‌های تصادفی و شبکه‌های عمیق‌تر استفاده شود و تأثیر عوامل کلان اقتصادی نظیر نرخ بهره، تورم و سیاست‌های پولی نیز در تحلیل‌ها لحاظ گردد. همچنین، گسترش دامنه تحقیق به سایر بازارهای مالی، نمونه‌های بین‌المللی و بازه‌های زمانی بلندمدت می‌تواند به تعمیم‌پذیری نتایج، افزایش اعتبار بیرونی و توسعه نظری در حوزه مدیریت ریسک بانکی کمک شایانی نماید.