مدیریت‌ریسک‌نقدینگی در عملیات بازار باز بین‌بانکی با معیار GlueVaR

مهندسی مالی و مدیریت اوراق بهادار

مقاله 9، دوره 11، شماره 45، دی 1399، صفحه 199-222   

نوع مقاله: مقاله پژوهشی

نویسندگان

رسول خوش بین¹؛ فرزین رضایی^{* 2}؛ محمد علی رستگارسرخه³

¹گروه حسابداری، واحد قزوین، دانشگاه آزاد اسلامی ، قزوین، ایران

²گروه حسابداری ، واحد قزوین، دانشگاه آزاد اسلامی ، قزوین، ایران

³گروه مدیریت سیستم و بهره وری، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران.

چکیده

با توجه به رایج شدن اعطای اعتبار بین‌ بانکی در قبال اخذ وثیقه در راستای شروع عملیات بازار باز (OMO) در ایران و ضرورت هرچه بیشتر مدیریت ریسک نقدینگی در بانک‌ها، در این تحقیق برای مدیریت ریسک نقدینگی در سامانه‌های پرداخت بین‌ بانکی، از جامعه آماری داده‌های روزانه سامانه‌های نوین پرداخت در صنعت بانکداری و نمونه آماری سری زمانی مجموع مانده‌های داده‌های روزانه سامانه‌های پرداخت یک بانک ایرانی از تاریخ 01/01/94 تا تاریخ 31/05/1398 استفاده‌شده است و مانایی سری زمانی با آزمون‌های دیکی فولر و فیلیپس پرون بررسی‌شده است. سپس با توجه به ساختار داده‌ها و اینکه سری زمانی مجموع مانده‌های سامانه‌های پرداخت نرمال نبودند از معیار GlueVaR که برای رفع نواقص دو معیار CVaR و VaR معرفی‌شده و ترکیب خطی از آن‌هاست، استفاده‌شده است. بر این اساس، جدول اشتهای ریسک نقدینگی با شش سناریو مختلف گزارش‌شده است تا بانک‌ها بر مبنای آن بتوانند سپری از دارایی‌های نقد شونده را متناسب با نگرش خود، ذخیره نمایند. نتایج نشان می‌دهد به‌کارگیری معیار GlueVaR برای مدیریت ریسک نقدینگی، به دلیل به‌کارگیری دو سطح اطمینان مختلف و دو معیار ارزش در معرض خطر و ریزش مورد انتظار، از انعطاف لازم برای نگرش‌های متفاوت در مقابله با ریسک نقدینگی برخوردار است.

کلیدواژه‌ها

مدیریت‌ریسک‌نقدینگی؛ معیارGlueVaR؛ سامانه‌های نوین‌پرداخت بین‌بانکی؛ اشتهای ریسک؛ سپر نقدینگی و عملیات بازار باز (OMO)

مراجع

 [1]. درگاهی حسین،انصاری رضا،بهبود مدل­سازی شبکه­های عصبی در پیش­بینی نرخ ارز با بکارگیری شاخص­های تلاطم،تحقیقات اقتصادی، 1384 ،تابستان،شماره 69، صفحات 181-216

[2] سمنانی خطیب، هادی­نژاد، خشوعی رکسانا،مقایسه قدرت شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش­بینی نرخ ارز:کاربردی از تبدیل موجک، فصل­نامه آینده پژوهی مدیریت، 1393،شماره 100،صفحه 35-49

[3] سینایی حسن­علی، مرتضوی سعیدالله،تیموری اصل یاسر، ،پیش­بینی شاخص بورس اوراق بهادار با استفاده از شبکه­های عصبی مصنوعی،بررسی­های حسابداری و حسابرسی،1384،شماره 41،صفحه 83-59

[4] . شریف مقدم، شفق ، هاشمی، سید ذبیح­اله، پیش­بینی نرخ ارز یورو به دلار با تکنیک شبکه عصبی مصنوعی، فصلنامه مهندسی مالی و مدیریت اوراق بهادار،1397، زمستان ،شماره سی و هفتم، صفحات 413-399

[5].حاجی غیاثی­فر محمد حسین،نیکومرام هاشم، آسیب­شناسی مکانیزم انجام معاملات در یازار ارز جهانی و ارائه مدل پیشنهادی بازار متشکل ارزی مبتنی بر واقعیت اقتصاد، مجله مهندسی مالی و مدیریت اوراق بهادار،1398،تابستان،شماره سی و نهم، صفحات 135-169

[6] طیبی، سید کمیل،معینی،شهرام،زمانی،زهرا،مدلسازی اجتناب ناپذیری زیان اکثر معاملا­گران در بازار فارکس با استفاده از فرایند تصادفی، تحقیقات مدل­سازی اقتصادی،1392،بهار، شماره 11،صفحات100-121

[7]. غفاری، مهدی و یوسفی، راحله، مدلسازی پیش­بینی قیمت ارز با استفاده از شبکه­های عصبی، مجله مهندسی مالی و مدیریت اوراق بهادار،1390 ، شماره هشتم، پاییز، صفحات 119-99

[8] مورفی، جان، تحلیل تکنیکال در بازار سرمایه، چاپ پانزدهم،تهران، نشر چالش، 1398

[9] .مهدی پور، علیرضا، الگوها و نمودارهای اسرار آمیز در بازارهای مالی، چاپ اول ،تهران، نشر آراد، 1398

[10]. Available data on https://www.investing.com

[11]Achchab, Said, Bencharef Omar (B), and Ouaarab Aziz , A Combination of Regression,Techniques and Cuckoo Search Algorithm for FOREX Speculation, Springer International Publishing AG 2017 ,Advances in Intelligent Systems and Computing ,p.225-237

[12]. Bank for International Settlements(BIS),Foreign exchange turnover in April 2019, Issue: 16.Sep.2019

[13] Bernardo J. de A., Rui Ferreira N., Nuno Horta, Combining Support Vector Machine with Genetic Algorithms to optimize investments in Forex markets with high leverage, Applied Soft Computing ,2018,64, pp. 596–613

[14]Brito ,R.F.B. de, Oliveira, A.L.I., Comparative study of forex trading systems built with SVR+GHSOM and genetic algorithms optimization of technical indicators, in: Proceedings of the 2012 24th IEEE International Conference on Tools with Artificial Intelligence, IEEE, 2012, pp. 351–358.

[15]Galeshchuk s, Mukherjee s,FOREX Trading Strategy Optimization,14th International Conference Computing and Artificial Intelligence,2018, pp 69-76

[16]Hirabayashi,. Aranha C,. Iba H, Optimization of the trading rule in foreign exchange using genetic algorithm, in: Proceedings of the 11th Annual Conference on Genetic and Evolutionary Computation (GECCO ’09), Montreal, Canada, New York USA : ACM, 2009, pp. 1529–1536.

[17]Kamruzzaman j,sarker r,ahmad e,SVM based models for predicting foreign currency exchange rates, Third IEEE International Conference,2003

 [. [18] Macedo, Lobato ,Luís, Godinho, Pedro  ·Alves, Maria João, A Comparative Study of Technical Trading Strategies Using a Genetic Algorithm, Springer Science+Business,2016,

[19]Lam Thu. B., Van Truong Vua,⁎, Thi Thu Huong Dinh, A novel evolutionary multi-objective ensemble learning approach for forecasting currency exchange rates, Data & Knowledge Engineering,2017

 [20]. Sermpinis G.,. Stasinakis, C Theofilatos K., Karathanasopoulos A., Modeling, forecasting and trading the EUR exchange rates with hybrid rolling genetic algorithms – support vector regression forecast combinations, Eur. J. 2015, 247 (3) , pp.831–846.

[21] Shin, K.S., Lee, T.S., Kim, H.J. An application of support vector machinesin bankruptcy prediction model., Expert Systems with Applications, 2005,28(1),127-135.