ارائه مدل جامع جهت اندازه‌گیری ریسک نقدینگی بانکهای پذیرفته‌شده در بورس اوراق بهادار تهران(مطالعه موردی: بانک ملت)
تاریخ دریافت: 15/01/1401 تاریخ پذیرش: 19/03/1401 تورج آذری
مجتبی دستوری
رضا تهرانی
چکیده
عدم مدیریت نقدینگی بانک‌ها یکی از مهمترین ریسک‌های هر بانک می‌باشد و کم‌توجهی به ریسک نقدینگی منجر به عواقب جبران‌ناپذیر می‌شود. جلوگیری از وقوع ریسک نقدینگی نیازمند یک روش اندازه‌گیری جامع می‌باشد؛ اما ریسک نقدینگی موضوعی پیچیده است و این پیچیدگی ارائه یک تعریف مناسب را دشوار می‌سازد. علاوه بر این، تعریف فاکتورهای تعیین‌کننده ریسک نقدینگی و فرمول‌بندی تابع هدف مرتبط برای تقریب و پیشبینی مقدار آن پیچیده است. در این تحقیق برای مقابله با این مشکلات و ارزیابی ریسک نقدینگی و فاکتورهای کلیدی آن، مدلی را پیشنهاد می‌کنیم که از شبکه‌های عصبی مصنوعی و بیزی استفاده می‌کند. طراحی و اجرای این مدل شامل چندین الگوریتم و آزمایش جهت اعتبارسنجی است. در این مقاله از الگوریتم‌های بهینه‌سازی لونبرگ-مارکوارت و ژنتیک جهت آموزش شبکه عصبی مصنوعی استفاده کرده‌ایم. همچنین یک مطالعه موردی در بانک ملت برای نشان دادن قابلیت اجرا، کارایی، دقت و انعطاف‌پذیری مدل اندازه‌گیری ریسک نقدینگی تحقیق، پیاده‌سازی کرده‌ایم.
واژه‌های کلیدی: ریسک نقدینگی، صنعت بانکداری، یادگیری ماشین، شبکه عصبی مصنوعی، شبکه بیزی.
طبقه بندی JEL : G32 ،G24 ،D83 ،C45 ، C11
1- مقدمه
صنعت بانکداری یکی از مهمترین بخش‌های اقتصادی کشورها است که در فعالیت‌های خود با ریسک‌های مختلفی مواجه هستند. از جمله مهمترین ریسک‌های تهدیدکننده بانک‌ها، ریسک نقدینگی است که در صورت عدم مدیریت موجب ورشکستگی بانک‌ها می‌گردد (موساکوا،2013).
در فعالیت‌های بانکی معمولاً سررسید تعهدات اعطایی بلندمدت‌تر از سررسید سپردهها یا بدهی‌ها می‌باشد که این عدم هماهنگی در سررسید پرداخت‌ها و دریافت‌ها احتمال عدم توان پرداخت‌های بانک در سررسیدهای مختلف را بوجود می‌آورد و می‌تواند موجب از دست‌رفتن حسن شهرت بانک‌ها و ورشکستگی آنها گردد. از سوی دیگر مازاد نقدینگی منجر به عدم استفاده بانک از دارایی‌های مولد و فرصت‌های موجود برای سرمایه‌گذاری می‌شود که موجب تضییع حقوق سپرده‌گذاران و سهامداران خواهد شد. بنابراین مدیریت نقدینگی و نظارت بر عدم تطابق سررسید سپردهها و وام‌ها اصلی‌ترین نگرانی مدیران بانک‌ها می‌باشد. وظیفه مدیریت هنگامی که بانک با برداشت‌های زودهنگام روبرو می‌شود، مهم‌تر است، چراکه سپرده‌های کوتاه‌مدت اصلی‌ترین منابع مالی بانک‌ها هستند و وام‌ها نیز معمولاً برای بانک با ریسک نقدشوندگی همراه می‌باشد (ونتو و گانگا، 2009). نقدینگی بیش از حد باعث تخصیص ناکارآمد منابع می‌شود، درحالیکه نقدینگی کم می‌تواند منجر به کاهش نرخ سود سپردهها، از دست دادن بازار و اعتبار، افزایش بدهی‌ها و در نهایت شکست بانک شود. بنابراین مدیریت و ارزیابی ریسک نقدینگی بسیار مهم است. ریسک نقدینگی به مجموعه پیچیده‌ای از فاکتورها از جمله خسارت قابل توجه ریسک عملیاتی، کاهش کیفیت اعتبار، تکیه بیش از حد به استقراض کوتاه‌مدت، ریسک بازار و غیره مربوط می‌شود (مارز و نئو، 2007). هدف اصلی این مقاله طراحی یک سیستم عملی براساس داده‌های خام ترازنامه بانکی برای هشدار ریسک نقدینگی می‌باشد. امروزه روش‌های یادگیری ماشین در پایگاه داده‌های بزرگ می‌توانند به نتایج دقیق منجر شوند و می‌توانیم از این روش‌ها برای اندازه‌گیری ریسک نقدینگی بانک و تحلیل فاکتورهای اصلی آن استفاده کنیم. این روش‌ها علی‌رغم قابلیت‌های گسترده در مدل‌سازی شرایط واقعی و پیشبینی نتایج آتی به کمک داده‌های دقیق یا ناقص، در ادبیات موضوع برای اندازه‌گیری ریسک نقدینگی بانک بسیار معدود به‌کار رفته‌اند. در این مقاله، به تعریف ریسک نقدینگی با تمرکز بر مفهوم قدرت پرداخت برای طراحی مدلی جهت پیشبینی ریسک نقدینگی مبتنی بر وام می‌پردازیم. این مدل از شبکه‌های عصبی مصنوعیو شبکه‌های بیزی برای ارزیابی ریسک نقدینگی و فاکتورهای کلیدی آن استفاده می‌کند. روش ارزیابی حاصل شامل استفاده از الگوریتم ژنتیک و آزمایش‌های متعدد برای آموزش شبکه‌های مذکور جهت تجزیه و تحلیل داده‌هاست. برای اعتبارسنجی روش ارزیابی ریسک پیشنهادی، یک مطالعه موردی براساس داده‌های واقعی "بانک ملت" ارائه شده است.
2- مطالعات نظری و ادبیات موضوع
ریسک نقدینگی عبارت است از ریسک ناشی از نبود نقدینگی لازم جهت پوشش تعهدات کوتاه‌مدت و خروجی‌های غیرمنتظره وجوه. به عبارت دیگر، ریسک نقدینگی عدم توانایی بانک در تامین وجوه برای اعطای تسهیلات یا پرداخت به موقع دیون خود نظیر سپردهها است (ترایپ، 1999). این ریسک عمدتا از ساختار دارایی‌ها و بدهی‌های بانک‌ها ناشی می‌شود و منشا اصلی آن، عدم تطابق زمانی بین جریان‌های ورودی و خروجی به بانک است؛ از این رو ریسک نقدینگی را می‌توان به دو دسته ریسک نقدینگی دارایی‌ها و منابع تقسیم نمود. ریسک نقدینگی دارایی‌ها به عدم توانایی بانک در فروش دارایی‌های خود جهت برآوردن نیازهای نقدی غیرمنتظره اشاره دارد. ریسک نقدینگی منابع نیز به عدم جذب منابع توسط بانک به طریق عادی باز می‌گردد (کروهی و همکاران، 2000). کمیته نظارت بر بانکداری بازل با هدف ارتقا توانمندی بانک‌ها در تأمین نقدینگی خود در سال 2010 استانداردی جهت مدیریت ریسک نقدینگی تحت عنوان "نسبت پوشش نقدینگی" منتشر کرد. این نسبت برای بررسی اینکه آیا بانک دارایی‌های نقدشونده با کیفیت بالای کافی جهت پوشش نیازهای کوتاه‌مدت خود را داراست یا خیر، استفاده می‌شود و در عبارت 1 نمایش داده شده است (پاپادامو و همکاران، 2021):
LCR= (1)
دومین استاندارد معرفی‌شده توسط کمیته بازل، "نسبت تأمین مالی پایدار خالص" است. این نسبت بیانگر میزان موفقیت در نحوه تامین مالی عملیات بانکی با منابعی باثبات‌تر است و هدف آن، ترویج تامین مالی میان‌مدت و بلندمدت برای بانک‌ها و و در عبارت 2 نشان داده شده است (پاپادامو و همکاران، 2021):
NSFR= (2)
یکی از روش‌های تعریف و اندازه‌گیری ریسک نقدینگی استفاده از مدل نقدینگی تعدیل‌شده توسط ریسک سیستمی است. این مدل تئوری قیمت‌گذاری انتخابی را با اطلاعات بازار و داده‌های ترازنامه ترکیب می‌کند تا اندازه‌گیری احتمالی ریسک نقدینگی سیستماتیک را ایجاد کند (جابست، 2014). یک روش جایگزین برای شناسایی و تحلیل ریسک نقدینگی، تخمین تابع توزیع احتمال آن است. رویکردی دیگر براساس مفهوم جریان‌های ورودی و خروجی مطابق با محدودیت جریان 3 است و بیانگر آن است که بانکی که دارای نقدشوندگی است یعنی توانایی تأمین تقاضای پول را دارد، به‌شرطی که در هر برهه از زمان خروجی آن از مجموع ورودی و موجودی مالی آن کمتر یا برابر باشد (درهمان و نیکولا، 2009):
Outflow st ≤Inflow st + Stock of money (3)
متأسفانه تعداد مقالاتی که فاکتورهای ایجادکننده ریسک نقدینگی را تحلیل می‌کنند، اندک است. اندکی از محققان از شاخص‌های ترازنامه به عنوان فاکتورهای تعیین‌کننده ریسک نقدینگی استفاده کرده‌اند.
سلیمانی و همکاران (1399)، به بررسی عملکرد بانکهای خصوصی پذیرفته شده در بورس اوراق بهادار تهران پرداختند. در این پژوهش از داده‌های چهار بانک تجاری صادرات، پست بانک، تجارت و ملت استفاده شده است و به تجزیه و تحلیل آماری داده‌ها از طریق روش آزمون تی- استیودنت و تجزیه و تحلیل واریانس بااستفاده از شاخص‌های کلیدی عملکرد بانک‌ها بر اساس مدل کمل پرداخته شده است.
دهقانی احمدآباد و سعیدی کوشا (1399)، با تعریف شاخص نیاز نقدینگی به کمی‌سازی زیان ریسک نقدینگی با مدل‌های فرآیند تصادفی پرداختند. هدف اصلی آنها، برآورد ارزش در معرض خطر و ارزش در معرض خطر شرطی زیان ناشی از ریسک نقدینگی در یکی از بانکهای تجاری منتخب بوده است.
بزرگ اصل و همکاران (1397)، به بررسی رابطه توأم ریسک اعتباری و ریسک نقدینگی بانک‌ها و تأثیر آنها بر پایداری مالی در صنعت بانکداری ایران به روش پانل دیتا پرداخته و برای بررسی تأثیر ریسک‌های نقدینگی و اعتباری بر پایداری مالی از روش رگرسیون چندک استفاده شده است. نتایج تحقیق بیان می‌کند که بانک‌هایی که در دهک‌های بالایی توزیع پایداری قرار دارند، تأثیرپذیری کمتری از ریسک‌های اعتباری و نقدینگی دارند.
اسماعیل‌زاده و جوانمردی (1396) بیان داشتند که چالش اصلی مدیریت ریسک نقدینگی، تامین وجوه در زمان بروز بحران در سازمان‌ها و نهادهای مالی در عرصه فعالیت‌های اقتصادی است و موضوع مدیریت ریسک نقدینگی در بانک صادرات ایران را بر اساس الگوی آریما ارزیابی کردند. بر اساس نتایج بدست آمده بر اساس مدل آرچ و گارچ ضرایب مربوط به معادله واریانس شرطی جمله اختلال منفی و معنی‌دار می باشد. بنابراین از مدل برآوردی برای پیشبینی ریسک نقدینگی می‌توان استفاده کرد.
احمدی شالی و وصفی (1396) به پیشبینی نقدینگی بر اساس روش آریما و مقایسه آن با روش هموارسازی نمایی دوگانه پرداختند. در این تحقیق در کنار برآورد نقطه‌ای که ممکن است با تغییراتی که صورت می‌پذیرد تفاوت معنی‌داری داشته باشد، از برآورد بازه‌ای نیز استفاده شده است. نتایج حاصل از این تحقیق نشان می‌دهد که مدل آریمای پیشنهاد شده در مقایسه با روش هموارسازی نمایی دوگانه توانایی بالایی برای مدل‌سازی و پیشبینی میزان نقدینگی کشور را داراست.
کدائی و راهزانی (1395) به بررسی تأثیر عدم اطمینان کلان اقتصادی بر ریسک نقدینگی با استفاده از مدل‌سازی واریانس ناهمسان شرطی تعمیم‌یافته و مدل نامتقارن واریانس ناهمسان شرطی و روش داده‌های تابلویی مبتنی بر داده‌های فصلی تعدادی بانک فعال در ایران پرداختند. یافتههای تحقیق حاکی از آن است نوسانات متغیرهای تولید ناخالص داخلی، نرخ تورم، نرخ ارز و شاخص قیمت سهام به عنوان مهمترین متغیرهای کلان اقتصادی، تأثیر مثبت و معناداری بر ریسک نقدینگی بانک‌ها دارند.
صبری و همکاران (2020)، به بررسی ریسک نقدینگی در بانکهای اسلامی و مقایسه آن با بانکهای متداول تجاری با استفاده از یک مدل رگرسیون داده پانل با روش اثر تصادفی پرداختند. یافتههای مربوط به بانک های نمونه نشان می‌دهد که بانکهای اسلامی بیشتر از بانکهای متداول و ترکیبی در معرض ریسک نقدینگی هستند. علاوه بر این، نتایج نشان می‌دهد که دارایی‌های نقدی و بدهی‌های بلند مدت با قرار گرفتن در معرض ریسک نقدینگی ارتباط مثبت دارند. در حالی که نتایج تجربی نشان می‌دهد بدهی بلندمدت به طور قابل توجهی بر ریسک نقدینگی تأثیر می‌گذارد.
چن و همکاران (2018)، برای بررسی فاکتورهای ریسک نقدینگی بانک با استفاده از یک مجموعه داده پانل نامتعادل از بانکهای تجاری در تعدادی از کشورهای پیشرفته، از یک روش اندازه‌گیری ریسک نقدینگی استفاده کردند.
باتوجه به مقاله اسکانلا (2016) ریسک نقدینگی نیازی به پوشش حقوق صاحبان سهام ندارد بلکه نیاز به حجم کافی از دارایی نقدینگی و اوارق بهادار نقد دارد. به همین دلیل تنظیم ریسک نقدینگی در بانکداری بر نقدینگی مبتنی بر محدودیت‌های مالی تمرکز دارد.
رحمان و بنا (2016)، صنعت بانکداری بنگلادش را با تمرکز بر مدیریت ریسک نقدینگی بانک‌ها بررسی کردند. آنها به مقایسه فاکتورهای موثر بر ریسک نقدینگی در بانکهای متعارف و بانکهای اسلامی فعال در بنگلادش پرداختند. نتایج پژوهش بیانگر آن است که اندازه بانک و خالص سرمایه در گردش تاثیر مثبت و بی معنا بر ریسک نقدینگی در بانکهای اسلامی دارند.
باسی و موسیس (2015)، نشان دادند که رابطه‌ای معنادار بین نسبت مقدار نقدینگی به جریان آن، در بانک، نسبت نقدینگی، نسبت وجوه نقد، نسبت وام به سپرده، نسبت وام به دارایی و بازده حقوق صاحبان سهام وجود دارد.
کنوولووا و زارمبو (2015) به بررسی مدیریت ریسک نقدینگی نامتوازن در بانکهای بازرگانی لتونی و لیتوانی پرداخته و دریافتند که بانک قادر به جمع‌آوری منابع خود از طریق جذب سپرده اضافی در نرخ بهره بالاتر و یا با استفاده از فروش دارایی‌های دیگر می‌باشد و منبع دیگری از ریسک نقدینگی، حساسیت بانک به نوسانات در نرخ بهره است.
علی‌رغم قابلیت‌های فراوان ANN و BN، در مسائل اندازه‌گیری ریسک نقدینگی به‌ندرت از تکنیک‌های یادگیری ماشین یا ترکیبی از آنها استفاده شده است. بنابراین نوآوری مقاله حاضر در راستای تکمیل خلأ موجود در ادبیات موضوع یعنی استفاده از سیستم‌های هوشمند در مسائل غیرقطعی می‌باشد.
3- بیان مساله
3-1- متغیرهای ورودی مدل
با توجه به مدل مبتنی بر وام، باید از فاکتورهای مرتبط با وام از جمله مجموع وام، مجموع سپرده، سپرده فرار، دارایی نقدشونده، اعتبار در بانک مرکزی استفاده شود. این موارد با آستانه‌های مشخصی که توسط متخصصان تعیین می‌شود می‌توانند به نسبت تبدیل شوند. این نسبت‌ها می‌توانند به عنوان شاخص‌های ریسک نقدینگی و متغیرهای ورودی مدل استفاده شوند. متغیرهای ورودی مدل این مقاله مطابق زیر (عبارات 4) می‌باشد که در آن B برای نمایش "بانک ملت" و O برای نمایش "سایر بانک‌ها" می‌باشد:
X1 = , X2 = , X4 = (4)
X5 = , X6 =, X7 = , X8 =
X9 =
3-2- متغیر خروجی
متغیر خروجی باید معیار ریسک نقدینگی را برای بانک فراهم کند. بهترین گزینه برای این اندازه‌گیری، جریان خالص وجه نقد B می‌باشد. با این‌حال، برای محاسبه این مقدار باید تمام ورودی‌ها و خروجی‌ها را مشخص کنیم و عدم تطابق سررسید را در نظر بگیریم. متاسفانه، به دلیل حساب‌های متعدد و متنوع و حجم گسترده مبادلات، دستیابی به این داده‌ها در مدت زمان کوتاه غیرممکن است، بنابراین در این مقاله، ریسک نقدینگی بانک به عنوان عدم توانایی B در پرداخت بدهی‌های موجود تعریف شده است و با استفاده از نسبت جاری (عبارت 5) اندازه‌گیری می‌شود:
X10 = نسبت جاری = (5)
3-3- تابع ریسک نقدینگی
نسبت جاری مقدار نرمال حداقل یک را به خود اختصاص می‌دهد و هنگامیکه نسبت کنونی از این مقدار شروع به کاهش می‌کند، ریسک آشکار می‌شود. لذا، ریسک نقدینگی با استفاده از تابع رابطه 6 به شرح زیر فرموله می‌شود:
L(X10) = (6)
نسبت کل دارایی‌ها و کل بدهی‌ها در مقایسه با سایر رویکردهای ارزیابی ریسک نقدینگی در ادبیات موضوع، از معدود نسبت‌های مبتنی بر وام است که در حال حاضر به عنوان شاخص‌هایی برای اندازه‌گیری ریسک نقدینگی استفاده می‌شود. سایر نسبت‌هایی مانند LCR و NSFR که در بخش‌های مقدماتی ذکر شد، بسیار پیچیده‌اند و اجرای آنها در سیستم بانکی عملی نیست. چراکه این نسبت‌ها شامل برخی از اوزان مربوط به جریان ورودی و خروجی است که به راحتی قابل محاسبه نیست. بنابراین در واقع هیچ مدل قابل اجرا دیگری برای مقایسه مدل حاضر وجود ندارد.
4- مدل پیشنهادی
4-1- معرفی رویکرد دوفازی شبکه‌های عصبی مصنوعی و بیزی
در این مقاله رویکرد پیشنهادی شبکه عصبی مصنوعی و بیزی دو فاز مکمل را تشکیل می‌دهند: در حالی که ANN برای تقریب روند کلی ریسک و یافتن دو مورد از تأثیرگذارترین فاکتورها به روشی غیرکارآمد استفاده می‌شود، BN تاثیرگذارترین فاکتور را پیدا می‌کند و احتمال وقوع ریسک نقدینگی را تعیین می‌کند. نتایج ریسک نقدینگی حاصل از ANN با نتایج حاصل از BN تکمیل می‌شود. پیاده‌سازی ANN مستقل از BN است و استفاده از خروجی یک شبکه به عنوان ورودی برای شبکه دیگر امکان‌پذیر نیست.
4-2- پارامترهای کلیدی و نقش آنها در فرآیند یادگیری
در این مقاله دو مجموعه پارامتر داریم: (1) مجموعه‌ای از اوزان در ANN و (2) مجموعه‌ای از پارامترهای تابع توزیع دوجمله‌ای در BN. الگوریتم‌های مورد استفاده برای یادگیری، گرادیان کاهشی در فاز اول و حداکثر کردن برآورد احتمال در فاز دوم می‌باشد. در فاز اول، ANN تابعی از متغیرهای ورودی را تعریف می‌کند و بهترین وزن‌ها را برای متغیرها پیدا می‌کند. پس از آموزش دیدن کافی شبکه، مقادیر هدف را تقریب زده و از این طریق روند ریسک نقدینگی را پیشبینی می‌کند. در فاز دوم، فرآیند یادگیری از طریق قانون بیز می‌باشد. فرض می‌شود که گره‌ها توزیع پیشین دارند. این توزیع‌های پیشین برای تعریف توزیع پیشین جهانی استفاده می‌شود که پس از دریافت داده‌های آموزش، بهبود می‌یابد و به تدریج توزیع واقعی مجموعه داده را می‌آموزد.
4-3- فاز 1: اندازه‌گیری ریسک نقدینگی
4-3-1- شبکه عصبی مصنوعی پیشنهادی
شبکه عصبی پیشنهادی، یک پرسپترون چندلایهدارای ساختار پیشخور (FF) است. در این مقاله از دو الگوریتم بهینه‌سازی محبوب در ادبیات موضوع برای آموزش یعنی الگوریتم لونبرگ-مارکوارت (LMA) و الگوریتم فراابتکاری ژنتیک (GA) استفاده کرده‌ایم. ژنتیک از قدرتمندترین تکنیک جستجو است که برای حل مشکلات بهینه‌سازی استفاده می‌شود. LMAاز ژنتیک قوی‌تر است اما مانند بسیاری از الگوریتم‌های برازش منحنی، فقط مقدار حداقل محلی را پیدا می‌کند. برای جبران این نقص، به طور موازی از الگوریتم ژنتیک برای جستجوی فضای جواب‌های شدنی استفاده می‌کنیم.
4-4- فاز 2: آنالیز شاخص‌های ریسک و رویکرد شبکه بیز پیشنهادی
در این مقاله از یک شبکه بیزی برای شناسایی مهمترین شاخص‌های ریسک در میان متغیرهای مدل و آنالیز نحوه تأثیر آنها برهم و اندازه‌گیری ریسک نقدینگی، استفاده می‌کنیم.
آموزش BN در این مقاله شامل سه مرحله به شرح زیر است:
• مرحله 1- یادگیری ساختار: فضای گرافهای بدون‌دور جهت‌دار باید کاهش یابد تا شامل ساختاری باشد که یال‌هایش شدنی است. لذا گراف بدون‌دور جهت‌دار بهینه باید شناسایی شود.
کاهش فضای گرافهای بدون‌دور جهت‌دار: حل مساله یادگیری ساختار شبکه‌های بیزی، پیچیده و نمایی است و اگر گره‌ها زیاد باشد نمی‌توان جستجوی کامل را در زمان معقول انجام داد. لذا از روش‌های ابتکاری برای یافتن بهترین ساختار شبکه در بازه زمانی معقول استفاده می‌شود. کاهش فضای گرافهای بدون دور جهت‌دار با استفاده از آزمون استقلال شرطی شامل الگوریتم‌های مبتنی بر امتیاز و محدودیت و الگوریتم‌های ترکیبی انجام می‌شود.
یافتن گرافهای بدون دور جهت‌دار بهینه: با توجه به تابع توزیع احتمال جهانی پیشین مجموعه رأس‌ها و با در نظر گرفتن ساختار شبکه، گراف بدون دور جهت‌دار بهینه گرافی است که حداکثر احتمال پسین را ارائه دهد.
• مرحله 2- یادگیری پارامتر: پس از تعیین روابط مناسب بین رأس‌ها، فرآیند یادگیری پارامترها آغاز می‌شود. قبل از استفاده از مجموعه داده‌ها، توزیع پیشین بر روی پارامترهای تابع توزیع احتمال‌های محلی رأس‌ها در نظر گرفته می‌شود.
• مرحله 3-استنتاج : مرحله محاسبه یک کمیت مفید از روی یک توزیع احتمال توأم.
5- مطالعه موردی: اجرای روش پیشنهادی
در این بخش نتایج بدست آمده بااستفاده از روش پیشنهادی اندازه‌گیری ریسک نقدینگی را بر روی مجموعه‌ای از داده‌های واقعی ارائه شده توسط بانک ملت در بورس اوراق بهادار نشان می‌دهیم. مجموعه داده‌های جمع‌آوری شده مربوط به سال‌های 1390 تا 1396 است. همه نسبت‌ها نرمالیزه شده‌اند اما باید از طریق روش میانگین‌گیری استاندارد تعداد آنها افزایش یابد.
5-1- فاز 1: اجرا توسط ANN
در این فاز هدف تخمین تابع ریسک نقدینگی است، بدین منظور داده‌ها را به سه گروه آموزش (60٪)، اعتبارسنجی (20٪) و آزمایش (20٪) تقسیم کردیم.
5-1-1- ساختار شبکه
ساختار انتخابی برای شبکه MLP سه لایه با یک لایه مخفی و یک لایه خروجی می‌باشد. لایه ورودی شامل 9 رأس مربوط به 9 ورودی است که با آزمون و خطا انتخاب شد (شکل 1). ارزیابی شبکه با استفاده از روش خطای میانگین مربعات (MSE) انجام شده است. توجه داشته باشید که شبکه تقریباً با تمام ساختارها به درستی کار می‌کند. جدول 1 نتایج ارزیابی حاصل از یادگیری شبکه LMA را گزارش می‌کند.
شکل 1- ساختار شبکه
منبع: یافته های پژوهشگر
مطابق جدول 1، ساختار1–7–9 در بین ساختارهای آنالیزشده ساده‌ترین ساختار سه‌لایه است و عملکرد بهتری از نظر زمان و کیفیت نسبت به ساختارهای سه‌لایه دارد.
جدول 1- مقایسه چند ساختار شبکه شدنی
ساختار شبکه خطای میانگین مربعات خطای استاندارد نسبی همبستگی خروجی و هدف
9-1-1 2.1e-2 1.1e-2 0.94
9-2-1 6.8e3- 6.2e3- 0.096
9-3-1 1.2e4- 1.2e4- 0.98
9-4-1 8.3e4- 3.9e3- 0.98
9-5-1 3.5e5- 1.9e5- 0.98
9-6-1 3.3e6- 5.3e6- 0.99
9-7-1 5.2e8- 7.8e6- 1
9-8-1 7.1e7- 4.1e5- 1
منبع: یافته های پژوهشگر
5-1-2- یادگیری ANN
فرآیند یادگیری توسط الگوریتم‌های LMA و ژنتیک اجرا شد. شکل‌های 2 تا 4 عملکرد LMA را در سه گروه داده شامل داده‌های آموزش، اعتبارسنجی و آزمایش نشان می‌دهد. نتایج ارزیابی شبکه توسط ژنتیک در نمودارهای شکل‌های 5 و 6 مشخص است. نمودارهای شکل‌های 2 تا 6 مربوط به کیفیت یادگیری توسط الگوریتم‌های ژنتیک و LMA است. هر نمودار ۴ زیرنمودار دارد. زیرنمودار بالا سمت چپ، خروجی‌ها و اهداف را برای مقایسه الگوی آموخته شده با واقعیت نشان می‌دهد، زیرنمودار بالا سمت راست، همبستگی بین خروجی‌ها و اهداف، زیرنمودار پایین سمت چپ، خطای میانگین مربعات خروجی‌ها و اهداف، و زیرنمودار پایین سمت راست، بررسی نرمال بودن توزیع باقی‌مانده‌ها را نشان می‌دهند.
شکل 2- ارزیابی فرآیند یادگیری بر روی داده‌های آموزش اجرا شده توسط LMA
منبع: یافته های پژوهشگر
یادگیری توسط ژنتیک منجر به عملکرد ضعیف‌تر و انحراف استاندارد بیشتر می‌شود. به همین دلیل اختلاف مقیاس بین ارقام در نمودارهای نتایج مرتبط با یادگیری توسط LMA و ژنتیک وجود دارد. لذا ریسک نقدینگی در پایان توسط LMA مدل‌سازی خواهد شد. نمودارهای شکل‌های 7 تا 9 با نمایش روند خطاهای یادگیری، آنالیز عملکرد LMA و ژنتیک را تکمیل می‌کند. شکل ۷ نمایش گرافیکی از روند نزولی خطای یادگیری را هنگام آموزش شبکه توسط ژنتیک ارائه می‌دهد. شکل 8 روند خطاهای یادگیری داده‌های آموزش، اعتبارسنجی و آزمایش هنگام یادگیری شبکه از طریق LMA را مقایسه می‌کند.
شکل 3- ارزیابی فرآیند یادگیری بر روی داده‌های اعتبارسنجی اجرا شده توسط LMA
منبع: یافته های پژوهشگر
شکل 9 مقایسه بین مقادیر هدف و مقادیر ریسک نقدینگی آموخته شده توسط LMA را نشان می‌دهد. باتوجه به زمان اجرای الگوریتم‌ها، LMA امکان پیاده‌سازی مطمئن را در مدت نسبتاً کوتاه فراهم می‌کند.
شکل 4- ارزیابی فرآیند یادگیری بر روی داده‌های آزمایش اجرا شده توسط LMA
منبع: یافته های پژوهشگر
شکل 5- ارزیابی فرآیند یادگیری داده‌های اعتبارسنجی اجرا شده توسط ژنتیک
منبع: یافته های پژوهشگر
شکل 6- ارزیابی فرآیند یادگیری داده‌های آزمایش اجرا شده توسط ژنتیک
منبع: یافته های پژوهشگر
شکل 7- روند نزولی خطای یادگیری توسط ژنتیک
منبع: یافته های پژوهشگر
شکل 8- روند نزولی خطای یادگیری توسط LMA
منبع: یافته های پژوهشگر
شکل 9- مقایسه مقادیر هدف و تابع ریسک نقدینگی آموخته شده توسط LMA
منبع: یافته های پژوهشگر
از طرف دیگر زمان همگرایی ژنتیک در شرایط واقعی از چندین دقیقه تا چند ساعت متغیر است. زمان اجرای ژنتیک و LMA در جدول 2 گزارش شده است.
جدول 2- مقایسه LMA با ژنتیک
معیار مقایسه LMA ژنتیک
زمان اجرا 9 ثانیه 188 ثانیه
خطای میانگین مربعات داده آموزش 1.1e-10 8.6e-3
خطای میانگین مربعات داده اعتبارسنجی 3.1e10- 1.1e2-
خطای میانگین مربعات داده آزمایش 1.4e10- 7.5e3-
منبع: یافته های پژوهشگر
5-1-3- پیشبینی ریسک نقدینگی
به منظور پیشبینی ریسک نقدینگی، خروجی شبکه آموزش‌دیده بر اساس ماهیت این نوع ریسک در بانک‌ها به یک سری زمانی اتورگرسیون تبدیل شد. شکل 10 توانایی شبکه آموزش‌دیده در پیشبینی ریسک نقدینگی بانک ملت را نشان می‌دهد. برای ارزیابی توانایی مدل پیشبینی ریسک و دقت آن، عملکرد ریسک نقدینگی تقریبی با داده‌های واقعی برای دوره زمانی مشابه مقایسه شد. نرخ خطای پیشبینی برای داده‌های گروه آزمایش 0.000253 و برای داده‌های اعتبارسنجی 0.000738 بود. در نتیجه با اجرای ANN پیشنهادی، پیشبینی ریسک با تلرانس پایین امکان‌پذیر شد.
شکل 10- دقت پیشبینی در شبکه ANN
منبع: یافته های پژوهشگر
5-2- فاز 2: اجرا توسط BN
در این فاز، موثرترین شاخص‌های ایجادکننده ریسک نقدینگی شناسایی شد. به عنوان یک نتیجه اولیه، می‌توان یکی از تولیدات ANN در فاز 1 را در نظر گرفت. مقادیر جدول 3 با استفاده از داده‌های گروه آزمایش بدست آمده و دو متغیر مرتبط را ارائه می‌دهند، یعنی جفت متغیری که بیشترین همبستگی را با تابع عملکرد ریسک دارند. براساس نتایج جدول 2، تأثیرگذارترین شاخص‌های ریسک باید x1 و x5 باشد. با این وجود برای یافتن دو فاکتور مهم در میان 9 متغیر ورودی، باید شبکه را به تعداد بار اجرا کنیم که از نظر محاسباتی کارا نیست. این نقص با اجرای BN رفع می‌شود. برای اجرای BN، باید داده‌ها را گسسته کنیم. لذا هر شاخص ریسکxi به عنوان یک متغیر باینری به شرح رابطه 7 تعریف می‌شود:
= (7)
که در آن نشانگر بازه نرمال متغیر است. جدول 4 نمایانگر مقدار نرمال شاخص‌هاست.
جدول 3- همبستگی شاخص‌های ریسک مطالعه موردی از طریق اجرای شبکه ANN
متغیرهای ورودی R خطای جذر
میانگین مربعات µ σ عملکرد آموزش عملکرد اعتبارسنجی عملکرد آزمایش
X1,X2 0.9938 0.0065 0.0018 0.003 0.0187 0.0164 0.0185
X1,X3 0.9832 0.0423 0.0018- 0.078 0.0019 0.0016 0.0016
x1, x4 0.9912 0.0212 0.0003 0.0155 0.0053 0.0066 0.0073
x1, x5 0.9428 0.0176 0.0003- 0.0111 0.0456 0.0483 0.0827
x1, x6 0.9402 0.0377 0.0014 0.0289 0.1891 0.1847 0.1638
x1, x7 0.8927 0.0512 0.0048 0.0525 0.0101 0.0109 0.0118
x1, x8 0.9372 0.0289 0.0074 0.019 0.0259 0.0228 0.0304
x1, x9 0.8892 0.0101 0.004 0.0148 0.0621 0.0623 0.0582
X2, x3 0.9915 0.1971 0.0839- 0.1739 0.0159 0.0176 0.0212
X2, x4 0.9111 0.1632 0.0382- 0.1525 0.0193 0.0128 0.0157
X2, x5 0.9658 0.0512 0.0142- 0.0498 0.0053 0.0061 0.0170
X2, x6 0.7294 0.1529 0.0927- 0.1476 0.0298 0.0298 0.0227
X2, x7 0.9163 0.1189 0.0028 0.0746 0.0276 0.0273 0.0238
X2, x8 0.9274 0.1199 0.0159- 0.0959 0.0034 0.0031 0.0029
X2, x9 0.9992 0.0501 0.0192 0.0572 0.0004 0.0010 0.0008
X3, x4 0.8421 0.1488 0.0012- 0.1983 0.0252 0.0263 0.0263
X3, x5 0.9252 0.0524 0.0280 0.0438 0.0045 0.0041 0.0019
X3, x6 0.9880 0.1043 0.0219 0.1893 0.0115 0.0119 0.0148
X3, x7 0.9932 0.0427 0.0029- 0.0483 0.0062 0.0060 0.0064
X3, x8 0.9920 0.0310 0.0038 0.0286 0.0835 0.0861 0.0735
X3, x9 0.9578 0.0381 0.0048- 0.0387 0.0385 0.0333 0.0295
X4, x5 0.9184 0.0418 0.0031 0.0277 0.0018 0.0017 0.0019
X4, x6 0.9689 0.1866 0.0382- 0.1954 0.0572 0.0518 0.0545
X4, x7 0.9395 0.0612 0.0019- 0.0585 0.0192 0.0202 0.0274
X4, x8 0.9127 0.0106 0.0001 0.0227 0.0586 0.0594 0.0606
X4, x9 0.9692 0.0428 0.0082- 0.0441 0.0288 0.0303 0.0318
X5, x6 0.9739 0.0417 0.0031- 0.0497 0.0584 0.0588 0.0515
X5, x7 0.8039 0.0391 0.0018- 0.0589 0.0057 0.0053 0.0052
X5, x8 0.9930 0.0100 0.0012 0.0287 0.0375 0.0359 0.0398
X5, x9 0.9184 0.0403 0.0002- 0.0285 0.1584 0.1584 0.1305
X6, x7 0.7292 0.0499 0.0069 0.0523 0.0363 0.0315 0.0293
X6, x8 0.9938 0.0310 0.0016 0.0311 0.2374 0.2273 0.1836
X6, x9 0.9758 0.0555 0.0018 0.0483 0.0587 0.0386 0.0327
X7, x8 0.9138 0.0629 0.0169 0.0592 0.0047 0.0049 0.0043
X7, x9 0.9133 0.0519 0.0149 0.0822 0.0064 0.0068 0.0067
X8, x9 0.9893 0.0285 0.0001- 0.0264 0.0625 0.0593 0.0537
منبع: یافته های پژوهشگر
جدول 4- بازه‌ها/مقادیر نرمال برای شاخص‌های ریسک مطالعه موردی
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
9-5 % 1 بیش از یک
در شرایط تورم 1 85-75 % 15 % 15 % 21 % 10 % 1
منبع: یافته های پژوهشگر
5-2-1- یادگیری ساختار BN
برای کاهش فضای گرافهای بدون دور جهت‌دار شدنی، از چهار الگوریتم یادگیری ساختار مطابق جدول 5 استفاده شد. در جدول 5، ستون "قدرت یالها" قدرت روابط احتمالی بیان شده توسط یال‌های BN را نشان می‌دهد. هنگامیکه آن شاخص یک آزمون استقلال شرطی باشد، قدرت یک یال یک p-valueاست. امتیازات شبکه، آمارهای برازش نیکویی برای اندازه‌گیری چگونگی ساختار وابستگی داده‌ها توسط گراف بدون دور جهت‌دار می‌باشد و معیار امتیازدهی AIC استفاده شده است. مقادیر اعتبارسنجی متقابل نشان‌دهنده از بین رفتن احتمال ورود به سیستم است که این احتمال ورود به سیستم مورد انتظار منفی برای مجموعه آزمایش برای BN برازش شده در آزمایش یادگیری می‌باشد. "قدرت بوت"، قدرت و جهت یالها را بیان می‌کند. براساس مقایسه‌های فوق، گراف بدون دور جهت‌دار تولید شده توسط الگوریتم "تابو" انتخاب شد. این گراف در شکل 11 مشاهده می‌شود. برای ارزیابی اینکه آیا وابستگی احتمالی گراف بدون دور جهت‌دار انتخاب شده توسط داده‌ها پشتیبانی می‌شود یا خیر، آزمون استقلال شرطی را نیز اجرا می‌کنیم. با توجه به یک زنجیره علی از سه رأس، A، B و C، فرض‌های آزمون عبارت است از:
H0= A C│B H1= A C│B
معیار استقلال اطلاعات متقابل (mi) با α = 0.05است. بنابراین اگر p-value<α باشد، فرض صفر رد شده و می‌توان یال را برای درج در گراف بدون دور جهت‌دار در نظر گرفت. جدول 6 نتایج آزمون استقلال شرطی بر روی همه یال‌های گراف شکل 11 را به منظور بررسی اعتبار یالها نشان می‌دهد. این آزمون وابستگی بین کمان‌های بدست آمده توسط تابو را تأیید می‌کند.
جدول 5- الگوریتم‌های یادگیری ساختار مورد استفاده در مطالعه موردی برای رویکرد BN
الگوریتم یادگیری
(تعداد آزمایش) قدرت یالها امتیازها اعتبارسنجی متقابل قدرت بوت
Gs (175) X1 به X2 0.0001 X5 به X4 0.0019 1165.67- 3.3215 X2 به X5 0.525 0.5493
X2 به X10 1.000 0.9854
X4 بهX1 0.510 0.4552
X5 به X4 0.176 0.7895
X10 به X10.500 0.6385
X1 به X4 0.00003 X6 به X4 0.0028
X3 به X1 0.6086 X9 به X8 1.401e-15
X3 به X5 0.0708 X10 به X1 0.4998
X5 به X2 0.0081 X10 به X2 0.00007
Iamb (245) X4 به X2 0.0009 X5 به X4 0.0014 1100.57- 3.1098 X3 به X5 0.543 0.6490
X4 بهX1 0.520 0.6400
X4 بهX2 1.000 0.7824
X4 به X5 0.890 0.5454
X7 به X6 0.545 0.6243
X9 به X8 0.520 0.6200
X10 به X1 0.515 0.9803
X10 به X2 0.510 0.5452
X2 به X10 0.0001 X7 به X6 0.0034
X3 به X5 0.0710 X8 به X7 0.00007
X4 به X1 0.00004 X9 به X8 0.00001
X4 به X9 0.0085 X10 به X1 0.00005
Fast.iamb
(176) X1 به X3 0.4280 X5 به X4 0.0019 1146.57- 3.1655 X2 به X10 1.000 0.9700
X3 به X5 0.565 0.6800
X4 به X1 0.520 0.7500
X4 به X5 0.990 0.7587
X8 به X9 1.000 0.6433
X10 به X1 0.540 0.7054
X2 به X4 0.00008 X7 به X9 3.3143
X2 به X10 0.00001 X8 به X9 0.0176
X4 به X1 0.00001 X10 به X1 0.00004
X5 به X3 0.0585 X10 به X3 0.1530
Tabu(320) X1 به X4 95.2345- X6 به X7 5.8647- 1048.24- 2.8632 X1 به X4 1.000 0.7547
X1 به X10 0.750 0.8997
X2 به X10 1.000 0.7203
X4 به X2 0.940 0.8890
X4 به X5 0.955 0.9120
X5 به X3 0.820 0.75381
X7 به X6 0.850 0.7200
X8 به X5 0.555 0.7465
X8 به X7 0.970 0.8256
X9 به X4 0.920 0.6554
X9 به X8 0.920 0.7600
X10 به X4 0.820 0.5938
X4 به X2 26.2094- X8 به X5 3.3601-
X8 به X9 25.4865- X1 به X10 18.2203-
X7 به X8 20.3826- X4 به X10 6.2014-
X2 به X10 18.2896- X5 به X3 2.0013-
X4 به X5 21.1544- X9 به X1 1.8596-
منبع: یافته های پژوهشگر
جدول 6- آزمون استقلال شرطی در شبکه بیز آموخته شده در مطالعه موردی
یالها ci.test
x9 → x1 mi = 10.439, df = 1, p -value = 0.00389
x1 → x4 mi =142.89, df = 1, p -value < 0.0004
x4 → x2 mi =43.390, df = 1, p -value = 0.0002
x8 → x9 mi = 59.543, df = 1, p -value = 0.0064
x7 → x8 mi =61.142, df = 1, p -value = 0.005
x2 → x10 mi =51.512, df = 1, p -value = 0.0042
x4 → x5 mi = 65.561, df = 1, p -value = 0.0054
x9 → x4 mi = 23.902, df = 1, p -value = 0.0032
x6 → .x7 mi =28.463, df = 1, p -value = 0.0046
x8 → x5 mi =11.453, df = 1, p -value = 0.0002
x1 → x10 mi =4.903, df = 1, p -value = 0.0245
x4 → x10 mi =3.535, df = 1, p -value = 0.0363
x5 → x3 mi =12.746, df = 1, p -value = 0.0007
x1, x9 | x4 mi =33.165, df = 2, p -value = 0.0010
x4, x8 | x5 mi =27.456, df = 2, p -value = 0.0105
x1, x2 | x10 mi =273.219, df = 2, p -value < 0.0000002
x1, x4| x10 mi =68.345, df = 2, p -value = 0.0003
x2, x4 | x10 mi =69.834, df = 2, p -value = 0.0004
منبع: یافته های پژوهشگر
شکل 11- شبکه بیزی آموزش داده شده برای تعیین تأثیرگذارترین شاخص‌های ریسک
منبع: یافته های پژوهشگر
5-2-2- یادگیری پارامتر
فرایند یادگیری پارامترها توسط تابعی انجام می‌شود که متناسب با پارامترهای BN انتخاب شده با توجه به ساختار آن و مجموعه داده موجود می‌باشد. تابع عملکرد ریسک که پیش از این توسط ANN ساخته شده بود، اکنون توسط BN ساخته و نتایج مقایسه شده است. از دو معیار ارزیابی برای امتیازدهی BN برازش شده استفاده شده است که برای آنها مقدار احتمال ورود به سیستم از رابطه 8 بدست می‌آید:
−2 × log –likelihood + k × npar, (8)
که در آن npar تعداد پارامترهای مدل برازش شده می باشد، k=2 برای AIC معمول و k = log (n)، با تعداد n مشاهده، برای BIC یا SBC (معیار‌بیزی‌شوارتز) می‌باشد. ما در این مقاله مقادیر زیر را بدست آوردیم (شایان ذکر است که هرچه مقدار حاصل بیشتر باشد بهتر است):
AIC= −1030.223, BIC= −1086.245
5-2-3- استنتاج
پس از برآورد پارامتر، دریافتیم که عوامل موثر در ریسک نقدینگی چیست و طبقه‌بندی فاکتورها از بیشترین به کمترین تأثیر چگونه است. فرض کنید همه شاخص‌های ریسک نقدینگی به جز نمایه 1، مقادیر نرمال را نشان می‌دهند. بنابراین با استفاده از این شواهد احتمال حاشیه‌ای ریسک نقدینگی را اندازه‌گیری کنید. این کار را با کمی تغییر در شواهد تکرار کنید، یعنی فرض کنید که همه شاخص‌ها مقادیر نرمال را به جز نمایه 2 نشان دهند، برای هر شاخص تا آخرین شاخص تکرار کنید. مقادیر گزارش شده در جدول 7 بیان می‌کند که x1 و x5 مهمترین فاکتورها هستند. توجه کنید که پس از محاسبه پارامتر، در واقع می‌توانیم با توابع احتمال مشترک، شرطی و حاشیه‌ای به هر سوالی در مورد ریسک نقدینگی و فاکتورهای آن پاسخ دهیم.
جدول 7- تاثیر هر شاخص ریسک بر ریسک نقدینگی
شاخص تاثیر شاخص بر ریسک نقدینگی
(وقتی شاخص‌های دیگر وضعیت نرمال را نشان می‌دهند)
شاخص اول 0.758321
شاخص دوم 0.462350
شاخص سوم 0.421060
شاخص چهارم 0.389646
شاخص پنجم 0.654500
شاخص ششم 0.429881
شاخص هفتم 0.435485
شاخص هشتم 0.052638
شاخص نهم 0.442908
منبع: یافته های پژوهشگر
5-3- نکاتی در مورد تست و اعتبارسنجی
برای اعتبارسنجی روش‌های اعمال شده، هنگام تقریب یک تابع توسط ANN، از معیارهایی مانند انحراف (بایاس)، واریانس و خطای میانگین مربعات استفاده می‌شود تا نشان دهد که شبکه به درستی آموزش داده شده است. بهترین راه برای اعتبارسنجی یک مدل یادگیری ماشین، تجزیه و تحلیل کیفیت یادگیری آن است: تمام ابزارهای مورد نیاز برای چنین تجزیه و تحلیل در حال حاضر در تک‌تک تکنیک‌های استفاده شده توسط خود مدل موجود است. برای بهتر نشان دادن این واقعیت، ما یک شبیه‌سازی ارائه می‌دهیم که کیفیت یادگیری پارامتر را در BN پیشنهادی نشان می‌دهد. با استفاده از شبکه آموزش دیده، برای متغیرهای X1 تا X10، 30 نمونه از تابع توزیع احتمال آموخته شده تولید کرده‌ایم. توابع توزیع احتمال حاصل از شبیه‌سازی در شکل 12 نشان داده شده است. متغیرها فقط می توانند دو مقدار TRUE یا FALSE بگیرند که با اعداد 0 و 1 در امتداد محور عمودی مطابقت دارند. شکل 12 داده‌های واقعی را در مقابل نمونه تابع توزیع احتمال تولید شده توسط شبکه آموزش دیده نشان می‌دهد. همانطور که مشاهده می‌شود شبکه توانست تابع توزیع احتمال را به درستی تخمین بزند. تورفتگی و دندانه‌های شکل بیانگر اشتباهات شبکه هنگام انجام تخمین می‌باشد.
شکل 12- توزیع احتمال داده‌های واقعی در مقابل توزیع احتمال نمونه‌های آموخته شده
منبع: یافته های پژوهشگر
6- نتیجه‌گیری
در این مقاله روشی را پیشنهاد کرده‌ایم که از روش‌های بروز در یادگیری ماشین استفاده می‌کند. متغیرهای مدل نسبت‌های نقدینگی هستند و از طریق داده‌های ترازنامه استاندارد بانکی به راحتی در دسترس هستند. علی‌رغم قابلیت‌های فراوان این شبکه‌ها، به ندرت به مسائل اندازه‌گیری ریسک نقدینگی با استفاده از این تکنیک‌های جدید یادگیری ماشین یا ترکیبی از آنها پرداخته شده است. بنابراین مطالعه حاضر به پرکردن یک شکاف تحقیقاتی قابل‌توجه کمک می‌کند و سیستم‌های هوشمند را از مسائل مدل‌سازی داده‌های بانکی دارای عدم قطعیت جدا می‌کند. در این تحقیق به عنوان تعریف ریسک نقدینگی بر روی مفهوم توانایی پرداخت تمرکز کرده‌ایم. همچنین یک مطالعه موردی بر اساس داده‌های بانک ملت ارائه شده است. پیاده‌سازی‌های شبکه‌های ANN و BN قادر به شناسایی مهمترین فاکتورهای ریسک و اندازه‌گیری ریسک از طریق توابع عملکردی تخمین و برآورد توزیعی هستند. هر دو مدل از طریق فرآیندهای آموزش و یادگیری خاص خود مورد ارزیابی قرار گرفتند و نتایج بسیار سازگای حاصل شد. نتایج عددی به دست آمده در مطالعه موردی نشان می‌دهد که روش هوشمند دو فازی پیشنهادی توانایی تأیید نتایج از طریق اجرای مستقل و موازی مجموعه داده‌های مشابه را دارا می‌باشد که دلیل اصلی دیگر استفاده از این مدل است. به عنوان پیشنهادهایی برای تحقیقات آتی، توسعه مدل پیشنهادی در محیط پویا به‌کمک BNهای پویا و استفاده از تکنیک‌های یادگیری ماشین بدون نظارت می‌یاشد
