پیش بینی شکاف دارایی- بدهی پویا در صنعت بانکداری ایران کاربرد الگوی عصبی- فازی تطبیقی و الگوی حافظه بلندمدت (مطالعه موردی: یک بانک خصوصی)

نوع مقاله: علمی پژوهشی

نویسندگان

1 دانشیار اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبایی، تهران، تهران.ایران.

2 دانشیار اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبایی، تهران، ایران

3 دانشجوی دکتری اقتصاد دانشگاه علامه طباطبائی تهران، تهران.ایران.

چکیده

مدیریت صحیح نقدینگی در قالب توانایی افزایش وجوه و انجام به موقع تعهدات، لازمه ادامه حیات بانک­ها است؛ مدیریت مناسب نقدینگی می­تواند از احتمال وقوع مشکلات جدی بانک بکاهد. در واقع با توجه به اینکه کمبود نقدینگی در یک بانک می­تواند پیامدهای گسترده سیستمی در برداشته باشد، اهمیت نقدینگی برای هر بانک ورای هر موضوع دیگری اهمیت مضاعفی دارد..بانک­ها برای افزایش سودآوری می­بایست همواره نظارت دقیقی بر روی دارایی­ها و بدهی­های خود داشته باشند تا بتوانند نقدینگی­ حاصل از عملیات بانکی را به بهترین شکل ممکن مدیریت کنند.برآورد شکاف سررسیدی دارایی- بدهی در بازه­های زمانی آتی یکی از اقدامات اساسی در راستای مدیریت بهینه نقدینگی ومشخص کردن توان بالقوه بانک در برابر هرگونه کسر یپیشرو است. در این مقاله محاسبه شکاف دارایی- بدهی بر اساس دو الگوی عصبی- فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت (آرفیما) صورت پذیرفته است. نتایج حاصل از پژوهش نشان می دهد هر چند دقت هر دو الگو در پیش بینی شکاف پویا بالا بوده است؛ با این وجود نتایج حاصل از مدل سازی با استفاده از الگوی حافظه بلندمدت از دقت بالاتری در این خصوص برخوردار است و بنابراین بانک ها می­توانند جهت برآورد وضعیت بلندمدت شکاف دارایی- بدهی  و در نتیجه شناسایی میزان منابع مازاد نقدینگی خود از این الگو استفاده نمایند.
 
واژه‌های کلیدی:مدیریت نقدینگی بانکها، الگوی عصبی تطبیقی سازگار،الگوی حافظه بلندمدت، بانکهای خصوصی.
طبقه بندی JEL:C45;C53;G21;G32

کلیدواژه‌ها


پیش بینی شکاف دارایی- بدهی پویا در صنعت بانکداری ایران     

کاربرد الگوی عصبی- فازی تطبیقی و الگوی حافظه بلندمدت

 (مطالعه موردی: یک بانک خصوصی)*

 

 

 

تاریخ دریافت: 17/07/1397            تاریخ پذیرش: 20/09/1397

عبدالرسول قاسمی[1]

جاوید بهرامی[2]

ثریا شعبانی جفرودی[3]

 

چکیده

مدیریت صحیح نقدینگی در قالب توانایی افزایش وجوه و انجام به موقع تعهدات، لازمه ادامه حیات بانک­ها است؛ مدیریت مناسب نقدینگی می­تواند از احتمال وقوع مشکلات جدی بانک بکاهد. در واقع با توجه به اینکه کمبود نقدینگی در یک بانک می­تواند پیامدهای گسترده سیستمی در برداشته باشد، اهمیت نقدینگی برای هر بانک ورای هر موضوع دیگری اهمیت مضاعفی دارد..بانک­ها برای افزایش سودآوری می­بایست همواره نظارت دقیقی بر روی دارایی­ها و بدهی­های خود داشته باشند تا بتوانند نقدینگی­ حاصل از عملیات بانکی را به بهترین شکل ممکن مدیریت کنند.برآورد شکاف سررسیدی دارایی- بدهی در بازه­های زمانی آتی یکی از اقدامات اساسی در راستای مدیریت بهینه نقدینگی ومشخص کردن توان بالقوه بانک در برابر هرگونه کسر یپیشرو است. در این مقاله محاسبه شکاف دارایی- بدهی بر اساس دو الگوی عصبی- فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت (آرفیما) صورت پذیرفته است. نتایج حاصل از پژوهش نشان می دهد هر چند دقت هر دو الگو در پیش بینی شکاف پویا بالا بوده است؛ با این وجود نتایج حاصل از مدل سازی با استفاده از الگوی حافظه بلندمدت از دقت بالاتری در این خصوص برخوردار است و بنابراین بانک ها می­توانند جهت برآورد وضعیت بلندمدت شکاف دارایی- بدهی  و در نتیجه شناسایی میزان منابع مازاد نقدینگی خود از این الگو استفاده نمایند.

 

واژه‌های کلیدی:مدیریت نقدینگی بانکها، الگوی عصبی تطبیقی سازگار،الگوی حافظه بلندمدت، بانکهای خصوصی.

طبقه بندی JEL:C45;C53;G21;G32

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1- مقدمه

نقدینگی عموما به صورت توانایی یک بنگاه در تأمین تعهدات بدهی، بدون تحمل زیان­های عظیم غیرقابل­قبول تعریف می­شود. از این رو ریسک نقدینگی که عموما تحت عنوان ریسک نقدینگی تأمین وجوه نیز نامیده می­شود، بیانگر ریسک عدم توانایی برآورد نیازهای فعلی و آتی پیش بینی شده و نشده بنگاه مالی از نظر جریان وجوه و نیازهای وثیقه­ای است، بدون آنکه به طور کلی اثری چشمگیر بر عملیات روزانه یا موقعیت مالی بنگاه بر جای گذارد. بانک­ها به عنوان آن گروه از موسسات مالی که عمل واسطه­گری وجوه را انجام می دهند و بدهی­های با سررسید کوتاه مدت مانند سپرده­ها را به دارایی­هایی با سررسید بلندمدت همانند وام­ها تبدیل می­کنند، عموما به دلیل ریسک عدم تطابق در سررسید نه تنها با ریسک نرخ بهره بلکه با ریسک نقدینگی مواجه هستند.

نقدینگی در هربانک معمولا ماهیت منحصر به فرد در آن بانک دارد که در مواقعی خاص ممکن است بامشکلات نقدینگی نظام مالی همگام شود. سپرده­های بانکی عمومأ دارای سررسیدهای قراردادی بسیارکوتاه­مدت­تری در مقایسه با وامهای بانکی است و مدیریت نقدینگی باید علاوه بر پوشش متفاوت سررسید دارایی و بدهی بانک­ها، حاشیه امنی برای پوشش ریسک برداشت از حسابهای سپرده­ای بانک داشته باشد. مدیریت نقدینگی، توانایی کارآمد تجهیز،تأمین و نگهداری سپرده­ها و نیزکاهش بدهی­ها(سپرده­ها)، تأمین مالی افزایش وامها و اقلام زیرخط ترازنامه بانک است[i].

بانک­ها برای افزایش سودآوری می­بایست همواره نظارت دقیقی بر روی دارایی­ها و بدهی­های خود داشته باشند تا بتوانند نقدینگی­حاصل از عملیات بانکی را به بهترین شکل ممکن مدیریت کنند. در مواقعی که بانک از نقدینگی کافی برخوردار نباشد، نمی­تواند با سرعت و هزینه معقول منابع لازم را از محل افزایش بدهی یا تبدیل دارایی به وجه نقد تأمین کند، که این امر به شدت بر سودآوری بانک تأثیر گذار خواهد بود. عدم برخوردارینقدینگی کافی می­تواند تبعات بسیاری از جمله بالا رفتن احتمالورشکستگیبانک درشرایطبحرانی رابه دنبال داشته باشد. بنابراینبانکبایدهزینهنگهداری نقدینگیوهزینهکمبودنقدینگیراتواماًدرنظرگرفتهوبینریسکوبازدهیتعادل ایجادکند[ii].

در واقعیت مدیریتنقدینگیبانک به تحلیلوضعیتنقدینگیبانکدرگذشته،پیش‌بینینیازهای آینده،بررسیروش­هایجذبمنابعوطراحیساختاردارایی­هایبانکمی­پردازد. سؤالیکهمدیریتبانک هموارهباآنمواجهمی‌باشد،ایناستکهآیانقدینگی موجود در وضعیت بهینه‌ای قرار دارد. یکی از اقدامات اساسی در راستای مدیریت بهینه نقدینگی ومشخص کردنتوانبالقوهبانکدربرابرهرگونهکسریپیشرو،برآورد شکاف سررسیدی دارایی- بدهی در بازه­های زمانی آتی است. در این مقالهپیش­بینی شکاف سررسیدی بر اساس دو الگوی عصبی-فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت(آرفیما)صورت پذیرفته است. در ادامه، ابتدا پیشینه نظری و تجربی مدیریت نقدینگی در سیستم بانکی ارایه گردیده است. پس از آن، الگوهای مورد مطالعه معرفی خواهند شد. سپس، داده­های مورد استفاده، به همراه نتایج حاصل از ارزیابی الگوهای مورد اشاره در پیش بینی شکاف سررسیدی دارایی- بدهی در افق زمانی پیش رو ارایه می­گردد.

 

2- پیشینه نظری

بررسی سیر نظریات مدیریت نقدینگی نشان می­دهد که تاکنون پنج نظریه اصلی در رابطه با مدیریت نقدینگی، طراحی و اتخاذ شده است[iii]:

 

­­

نمودار شماره 1: سیر نظریه های مدیریت نقدینگی

منبع: تیموثی و مکدونالد ( 2003)

 

2-1- نظریه وام های تجاری[iv]

وام­های سررسید شده به صورت خودکار، نقدینگی مورد نیاز بانک را تأمین می­کند. بر اساس این نظریه، بهترین نوع سرمایه­گذاری و اعطای اعتبار، تسهیلات و سرمایه­گذاری کوتاه­مدت است. طرفداران این نظریه بر اینباورند که منابع تأمین شده از سپرده­های جاری فقط باید در وام­های کوتاه مدت بکار گرفته شوند؛ زیرا نقد شونده و مناسب نیازهای نقدینگی­اند. تاریخچه این نظریه به قرون 18 و 19 میلادی در انگلستان و اوایل قرن بیستم در آمریکا باز می­گردد.

 

2-2- نظریه انتقال پذیری[v]

این نظریه بعد از سال­های 1920 و وسعت یافتن بازارهای مالی در آمریکا شکل گرفت. طرفداران این نظریه بر این عقیده­اند که بانک­ها باید مقدار قابل توجهی از وجوه خود را به صورت اوراق بهادار کوتاه مدت، درجه یک و قابل معامله فوری نگهداری کنند و در صورت بروز مشکل برای نقدینگی بانک، اینگونه اوراق بهادار را می­توان بدون ضرر و زیان قابل توجهی فروخت.

 

2-3- نظریه درآمد انتظاری[vi]

این نظریه در دهه 1940 میلادی، در آستانه آغاز دوران تسهیلات اقساطی عنوان شد. طرفداران این نظریه باور داشتند که اغلب وام­های تجاری و مصرفی در مقابل یکسری جریانات درآمدی اعطا شد. این جریان عظیم وصولی­ها از حساب­های تسهیلات، وجوه مداومی را در اختیار بانک می­گذاشت تا بتواند جوابگوی نیازهای نقدینگی و تقاضای تسهیلات جدید باشد. بر اساس این نظریه، نیازهای نقدینگی و به تبع آن، پرداخت وام های بانکی به درآمد مورد انتظار وام گیرنده بستگی دارد. به این ترتیب، بانک ها به پرداخت وام­های ساختار یافته متمایل شدند. این نظریه به این معنی است که زمان بندی بازپرداخت اصل و سود وام با توجه به قدرت بازپرداخت وام گیرنده و با استناد به درآمد مورد انتظار او انجام می گرفت. این تئوری بر مبنای ویژگی­های جریانات ورودی و خروجی دارایی­های نقد و وام­ها بنا نهاده شده است و موجب گسترش دوره استهلاک وام­ها و افزایش سررسید پورتفوی دارایی­های بانک­ها شد.

 

2-4- نظریه مدیریت تعهدات[vii]

این نظریه توسط بانک­های بسیار بزرگ، پذیرش گسترده­ای داشته است. گسترش این نظریه از 1960 میلادی و همزمان با رشد و توسعه بازارهای پولی و سرمایه انجام گرفته است. طرفداران این نظریه بر این باورند که نباید تمام نقدینگی مورد نیاز را در خود بانک نگهداری کرد. هر زمان که نقدینگی مورد نیاز باشد، مدیریت تعهدات می­تواند آن را از بازار تأمین و یا خریداری کند.منابع تامین نقدینگی در این شرایط شامل خرید ذخایر اضافی دیگر بانک­ها نزد بانک مرکزی، صدور گواهی سپرده، استقراض از بانک مرکزی، صدور اوراق قرضه کوتاه مدت، افزایش سرمایه عادی بانک، تأمین اعتبار از بازارهای جهانی پول هستند.

 

2-5- نظریه مدیریت دارایی بدهی[viii]

از اواخر جنگ جهانی دوم تا آغاز دهه شصتمیلادی، بانک­ها وجوه مورد نیاز خود را اغلب از محل سپرده­های دیداری و کوتاه مدت تأمین می­کردند. در چنین شرایطی، مدیریت وجوه بانک بر کنترل دارایی­های آن متمرکز بود.در طی این دهه تقاضا برای وام­های بانکی با سرعتی بیش از سرعت رشد سپرده­های اصلی یعنی سپرده­های غیر حساس به نرخ بهره افزایش یافت. مسئله اساسی در چنین شرایطی، افزایش قدرت وام دهی بانک­ها بود.

بر اساس این نظریه، ریسک نقدینگی زمانی به وجود می­آید که بین اندازه و سررسید دارایی­ها و بدهی­های بانک اختلاف باشد.بانک­ها به منظور مدیریت جریانات نقدی خروجی غیر منتظره و تقاضایسپرده گذاران، نیازمند نگهداری نقدینگی هستند. نگهداری وجوه نقد بیشتر منجر به چشم پوشی از سود حاصل از سرمایه­گذاری احتمالیمی­گردد. اما از طرف دیگر، نگهداری اندک موجودی نقد منجر به در معرض خطر قرار گرفتن بانک و مواجه با ریسک نقدینگیمی­گردد. بنابراین، حتی اگر بانک­ها از لحاظ قانونی نیز مجبور به نگهداری ذخیره نباشد، ناگزیرند وجوه نقد را برای پاسخ دادن به جریانات نقدی خروجی نزد خود نگهدارد.

امروزه بانک­ها برای تأمین نیازهای نقدینگی خود به هر دو طرف دارایی­ها و بدهی­ها در ترازنامه توجه دارند.مدیریت دارایی- بدهی، سررسید دارایی­ها را در کوتاه مدت، میان­مدت و بلندمدت مورد توجه قرار داده و به دنبال برقراری تعادل با بدهی­ها موسسه اعتباری در این بازه­های زمانی می باشند. این روش مازاد یا کسری منابع را در زمان های مختلف مورد توجه قرار می­دهد.مطالعه حاضر بر نظریه مدیریت دارایی- بدهی استوار است. بر اساس این نظریه، پیش‌بینیمازادیاکسرینقدینگیبر اساسپیش‌بینیجریاننقدورودیوخروجیطییکدورهزمانیو محاسبهتفاوتبینوجوهدریافتیوپرداختیصورت میگیرد. بانک و یا مؤسسه اعتباری می تواندپسازشناساییمازادیاکسری،برنامه­ریزی های لازم رادرجهتجبرانکسرییامصرفمازاد منابع بهمنظوردستیابیبهتعادلنقدینگیدرپایان دورهرا فراهم آورد. به عبارت دیگر، دراین رویکرد،ابتدا داراییوبدهیبانک تعیینمی گردد. پس از آن،تغییراتبرایدورهآتیپیش‌بینیمی شود.هنگامیکهداراییوبدهیبانکبایکدیگرمطابقتنداشته باشد،شکافدارایی- بدهیحاصلمی­گرددکه بر اساس تفاوتمجموعمنابعومصارف اندازه‌گیریمی‌شود.هنگامیکهمنابعنقدینگیازمصارفآنپیشی گیرد،شکافمثبت ایجاد می شودکهمی‌تواندبهدلیلافزایشسپردهو یاکاهشتسهیلات و اعتبارات بانکیباشد.دراین حالتبایستیوجوهمازادبهسرعتدردارایی‌هایدرآمدزاسرمایه‌گذاریگردند، تازمانیکه مجدداًموردنیازواقعگردد.ازسویدیگر،هنگامیکهشکافمنفیایجادمی‌شود،بانکبا کسرینقدینگیمواجهشدهاستکهبایستیبااستفادهازمنابعدردسترسوارزانقیمت میزانکسرینقدینگیراپوششدهد. در واقعیت،نهادهایمالیتلاش نمی‌کنندتاشکافنقدینگی رابهصفربرساند،بلکههدف آن­هاتنظیم شکافنقدینگی درمحدوده قابلکنترلاست.

به عبارت دیگر، شکاف دارایی-بدهی به بررسی تطابق زمانی دارایی­ها و بدهی­ها بر اساس تاریخ سررسید در بازه­های زمانی پیش رو می پردازد؛ این شکاف به طور معمول شکاف ایستای دارایی-بدهی نامیدهمی­شود. در محاسبه شکاف ایستا، برای مثال در خصوص چگونگی بازپرداخت تسهیلات، تاریخ تعهد پرداخت اقساط توسط مشتریان و در خصوص سپرده­های بانک، تاریخ سررسید سپرده­ها مطابق قراردادهای منعقده در بانک ملاک محاسبات قرارمی­گیرد. بسته­های زمانی پیش رو می توانند به صورت صلاحدیدی تعیین گردند. اما، چالش اصلی مدیریت دارایی- بدهی این موضوع است که شکاف­های موجود به طور پویا در حال تغییر بوده و نیازمند بررسی و نظارت مداوم است[ix]. در این راستا، مقاله حاضر به پیش بینی شکاف پویا دارایی-بدهی در بازه یکصد روز آتیبا استفاده از الگوهایعصبی- فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت(آرفیما)خواهد پرداخت.

 

3- پیشینه تجربی

تاکنون مطالعات گوناگونی در عرصه داخلی و بین المللیبه موضوع مدیریت نقدینگی در بانک ها و موسسات مالی پرداخته­اند که در ادامه برخی از آن ها مورد توجه قرار گرفته است.

دیواندریوهمکاران (1383)،درمقالۀ طراحیمدلپیش‌بینیدرمدیریتنقدینگینهادهایمالیدرچارچوبنظامبانکداریبدونربابااستفادهازشبکه‌هایعصبی از رهیافتمنابعومصارفبهعنوانمدلعملیاتیتحقیقبهره‌مندشده‌اند.آنانسپسمدل عملیاتیتحقیقرابامراجعهبهقوانینوآیین‌نامه‌هاینظامبانکداریبدونرباطراحی کرده‌اند.

بختیاری (1385)، درمقالۀ " روش های مؤثر مدیریت نقدینگی در بانک ها" نخست به اصوللازمبرایاستقرارمدیریتنقدینگیدربانک­هااشارهنمودهوسپسبهویژگیهای دارایی‌هاینقدشوندهوبدهی‌هادربانکهاپرداختهاست.درادامه،بامعرفیبرخیاز ابزارهایتأمیننقدینگیدربانک­ها، مدل­هایمدیریتنقدینگیرابررسیکردهاست.

تقوی ولطفی (1385)،بهبررسیاثرسیاستهایپولیبررویحجم سپرده‌ها،اعتباراتاعطاییونقدینگیبانک­هاپرداخته‌اند.نتایجبررسیحاکیازآناستکه شاخصسیاستپولی(نرخسپردهقانونی)تأثیرمنفیامابسیارناچیزیبرنرخرشدحجم سپرده­هاوتسهیلاتاعطاییآنمی­گذارد. بهعلاوهاندازهبانکتأثیرمنفیبرنقدینگیآن می‌گذارد،بهطوریکهباافزایشمیزاندارایی­هاوسرمایه،بانک­هانیازکمتریبهنگهداری وجهنقددرخزانهخوداحساسمی­کنند.همچنینطبقهمینبررسی،وجودرابطهمثبتمیان تورموسپرده‌هاونیزرابطهمنفیبینتورموتسهیلاتطیسالهای1374-1382 تأیید شده است.

کهنموییثابت(1386)،بااستفادهازروشبرنامه‌ریزیخطیبهطراحیمدل ریاضیمناسبمدیریتنقدینگیمی‌پردازد،کهبتواندعلاوهبربهینهنمودنمیزاننقدینگی، سود را حداکثر و میزان مناسب متغیرهای ورودی و خروجی به سیستم نقدینگی را در سطح مطلوب نگه دارد و در عین حال بتواند نسبت های مؤثر بر نقدینگی بانک ها را در حد استاندارد رعایت نماید. این تحقیق به عنوان اولین کار در زمینه نقدینگی بانک­ها با استفاده از مدل های ریاضی بهینه سازی به حساب می آید.

سوری و وصال (1387)، در مقاله "روش های نوین تأمین مالی و مدیریت نقدینگی در بانک" ابزارهایمتداولمدیریتنقدینگیدربانک­های سنتیرا معرفی کردهوبهبررسیابزارهایمدیریتنقدینگیدربانک­هایاسلامیپرداخته­اند.

گروهمطالعاتومدیریتریسکبانکاقتصادنوین (1387) درکتابمدیریتدارایی- بدهیوریسکنقدینگیدرمؤسساتمالی، ضمناشارهبهضرورتمدیریتنقدینگیدر بانکها،روشهایمدیریتنقدینگیونظریه هایمربوطبهآن‌رابهتفصیلموردبررسی قرار داده‌اند.

پدرام و دیگران (1387)، به پیش بینی وضعیت جریان ورودی و خروجی نقدینگی بانک برای روزهای آتی در راستای مواجه با ریسک نقدینگی پرداخته است. برای این منظور از رویکرد منابع و مصارف وجوه جهت پیش بینی نقدینگی استفاده کرده است. در رویکرد مذکور سپرده ها به عنوان مهمترین منبع نقدینگی و وام ها نیز به عنوان مهمترین مصارف بانک در نظر گرفته شده است. همچنین علاوه بر پیش بینی روزانه جریان های نقدینگی حاصل از عملیات بانک، شکاف نقدینگی با توجه به تأثیر متغیرهای کلان و شرایط بازار مالی و همچنین اثرات تقویمی برای دوره بعدی پیش بینی گردد.

موسویان و کاوند (1389)، درمقاله خودپسازارایهمبانینظریمدیریتنقدینگیدربانکداریاسلامی،نیازهای بانکداریاسلامیبهسهدستۀکلینیازهایآنی،بسیارکوتاه‌مدت،وکوتاه‌مدتتقسیمشد؛ سپس،بانقدوبررسیانواعروش‌هایمدیریتنقدینگیدربانکداریاسلامی،مجموعه‌ای از ابزارهایمدیریتنقدینگیدرقالببسته‌هاییمتناسببانیازمندی‌هاارایه گردیدهکه می‌توانندبرایمدیریتنقدینگیدربانک‌داریاسلامیمورداستفادهقرارگیرند.

صمدی پور (1391)، در پایان نامه کارشناسی ارشد خود به بررسی و ارزیابی عوامل مؤثر بر مدیریت بازاریابی جذب نقدینگی در سطح بانک تجارت پرداخته است. در این پایان نامه برای شناسایی معیارهای مؤثر بر جذب نقدینگی از تکنیک دلفی استفاده شده است. همچنین، به منظور تعیین اولویت معیارهای تحقیق حاضر از مدل­های تصمیم گیری چند معیاره و مدل AHPبهره گرفته است. در انتخاب بهترین راهکار جذب نقدینگی مبتنی بر اولویت معیارهای مورد مطالعه تکنیک TOPSISمورد استفاده قرار گرفته است.

کازمیدو و زپونیدیز(2004)[x]،  ترازنامه یک بانک تجاری در یونان را که با مسائل و مشکلات مالی فراوانی از جمله نقدینگی یا اعتباردهی روبرو بودند مورد مطالعه قرار دادند. آنها یافتن نتایج مورد هدف در ترازنامه را مشکل یافتند. برای همین منظور، آن­ها تنها از مدل شبیه سازی بلکه برنامه ریزی آرمانی برای این منظور بهره جستند. بر اساس نتایج این مطالعه، بزرگترین منبع سودآوری در این بانک بر سپرده­ها و تسهیلات متکی است و به همین دلیل ضروری است بانک تغییراتی را در عملیات خود به منظور دستیابی به اهدافشان ایجاد نمایند.

داش و دیگران (2005)[xi]، به مطالعه مدیریت دارایی- بدهی برای بانک­ها با استفاده از مدل برنامه­ریزی خطی پرداخته است. این مطالعه بر اثرپذیری بانک­ها از ریسک­های نرخ بهره، سودآوری و نقدینگی متمرکز است. نتایج حاصل از مطالعه نشان می دهد که ترکیب بهینه دارایی ها و بدهی ها منجر به رشد سودآوری در بانک­ها می گردد. علاوه بر این، بانک­های بخش عمومی نشان دهنده نتایج رضایت بخشی در تطابق نقدینگی و میزان ریسک نرخ بهره آن ها است. آن­ها در این مطالعه بیان می کنند که لحاظ کردن نقدینگی، سودآوری و ریسک نرخ بهره رمز موفقیت سیستم بانکی می باشد.

لیلکین(2015)[xii]، در مقاله خود بر اهمیت استراتژی مدیریت دارایی بدهی برای هر بانکی به منظور بهبود عملکرد آن ها تاکید کرده اند. این مطالعه بیان می کند درآمد ناخالص بهره ای بسیار حائز اهمیت بوده و  می بایست مورد محاسبه قرار گیرد. سه استراتژی برای مدیریت بهینه دارایی- بدهی موفق وجود دارد که بانک­ها می بایست استراتژی مناسب خود را با دقت انتخاب کرده و در مقابل نوسانات و نااطمینانی­های در بازارهای مالی خود را ایمن کنند.

آمنس و دیگران(2009)[xiii]، به مطالعه مدیریت دارایی- بدهی در بانکداری خصوصی پرداخته­اند. این مقاله مزایای بالقوه و همچنین چالش های مدیریت دارایی-بدهی و اینکه چگونه بانکدارها و سایر متخصصین به مدیریت ریسک با استفاده از این الگو پاسخ می دهند پرداخته اند. بر اساس نتایج حاصل از مطالعه، نشان می دهد که مدیریت دارایی- بدهی منبع پیشرفت و توسعه پایدار صنعت بانکداری خصوصی است. بزرگترین ویژگی این الگو، مدیریت ریسک های بلندمدت مشتریان است. با توجه به اینکه این مطالعه چالش های بانکداری خصوصی را مورد توجه قرار داده است، اثبات می کند که تکنیک­های مدیریت دارایی- بدهی و مدیریت ریسک بر این اساس می بایست عامل اصلی سودآوری عملیات در بانک های خصوصی باشد.

چاکرون و آبید(2013)[xiv]، به مطالعه مدیریت دارایی-بدهی در یک بانک تونسی پرداخته اند. آن ها یک مدل برنامه ریزی آرمانیرا برای این منظور مورد سنجش قرار داده اند. نتایج حاصل از این مطالعه تفاوت های قابل توجهی را با مقادیر واقعی دارایی- بدهی بر اساس ترازنامه بانک مزبور نشان می دهد؛ این نتایج بیانگر این نکته هستند که رویکرد برنامه ریزی آرمانی نتایج بسیار بهتری را در مقایسه با استراتژی مدیریت دارایی-بدهی اتخاذی توسط بانک ارایه می کند و بانک را با سودآوری بالاتری مواجه می کند. به طور خاص، این مقاله نشان می­دهد که استفاده از مدل برنامه ریزی آرمانی نه تنها منجر به کسب نقدینگی و حداکثر کردن سپرده ها و تسهیلات بانک می شود بلکه دستیابی به مقادیر بهینه را به طور موثر فراهم می کند.

وانگ و دیگران(2014)، به منظور بهبود بخشیدن به دقت و صحت انواع اطلاعات در حوزه جریان وجوه نقد و افزایش ارتباط بین پیش بینی جریان وجوه نقد و مدیریت آن در بانک های تجاری، به پیش بینی این اطلاعات با استفاده از الگوهای میانگین متحرک مرتبه اول و دوم پرداخته است. همچنین، به منظور بالاتر بردن دقت مدل از بهینه سازی پارامترهای الگو استفاده شده است. مقایسه نتایج شبیه سازی حاصل از اجرای مدل و مقایسه آن با اطلاعات جریان وجوه نقد در یک بانک تجاری نشان دهنده عملکرد خوب الگوی مذکور بر اطلاعات مورد بررسی بوده است.

وانگ و دیگران(2015)، در مقاله خود به پیش بینی سری زمانی جریان وجوه نقد بانک بر اساس الگوریتم شبکه عصبی خاکستری پرداخته اند. برای بهبود دقت پیش بینی جریان وجوه نقد بانک، مدل ترکیبی بر اساس انتشار شبکه عصبی مصنوعی و روش پیش بینی خاکستری مورد استفاده قرار گرفته است. مدل پیشنهادی مذکور از مزایای هر دو رویکرد برخوردار بوده و کاستی هر مدل به تنهایی را از بین برده است. این الگو به راحتی می تواند تاثیرپذیری دقت پیش بینی را که به دلیل نوسانات حجم بالای اطلاعات به وجوه می آید را از بین برده و خود سازگاری پیش بینی را بدست آورد. علاوه بر این، تجمع عملیات تولید داده­ها بر اساس رویکرد پیش بینی خاکستری مورد استفاده قرار گرفته تا اطلاعات تجمیعی را با نظمی بهتر در راستای تسهیل مدل سازی و آموزش شبکه عصبی مورد استفاده قرار دهد.

نینگ و وانگ (2015)، به پیش بینی جریان وجوه نقد یک بانک نمونه با استفاده ازبهینه سازی سیستم استنتاج عصبی- فازی تطبیق شونده با بکارگیری الگوریتم توده ذرات پرداخته است. این سیستم، شبکه­های عصبی و مفاهیم منطق فازی را یکی کرده و به طور همزمان از امکانات هر دو آنها در یک قالب بهره می برد.الگوی سیستم استنتاج عصبی- فازی تطبیقی با رفع مشکل سقوط در حداقل محلی شبکه های عصبی مصنوعی، نوع جدیدی از روش پیش بینی غیر خطی با استفاده از ترکیب شبکه­های عصبی مصنوعی و سیستم استنتاج فازی را ارائه کرد. این روش از ترکیب شبکه­های عصبی و مفاهیم منطق فازی برای بالا بردن قدرت خود یادگیری تطبیقی و همچنین الگوریتم بهینه سازی توده ذرات به منظوربهینه­سازی پارامترهای ساختاری این الگو بهره جسته است. مقایسه نتایج پیاده سازی الگوی پیشنهادی با واقعیت­های موجود نشان دهنده بالاتر بودن قدرت بهینه سازیو دقت پیش بینی صورت گرفته بوده است.

در نهایت، مروری بر مطالعات انجام شده در داخل کشور نشان می­دهد که بررسی و پیش بینی شکاف دارایی- بدهی به عنوان یکی از اصلی ترین موضوعات در زمینه مدیریت نقدینگی بانک ها بسیار کم مورد توجه قرار گرفته است. با توجه به اهمیت این موضوع در مدیریت و برنامه ریزی منابع نقدینگی توسط بانک ها، سرمایه گذاری منابع مازاد و پیشگیری از هر گونه کمبود نقدینگی در شرایط عادی و بحرانی، ضرورت بررسی این موضوع در کشور و در برهه زمانی کنونی بسیار احساس می شود.

همچنین، مطالعات انجام شده در خارج از کشور نشان می دهد الگوهای متعددی در راستای پیش بینی وجوه نقد در بانک ها و همچنین سری های زمانی مالی مورد استفاده قرار گرفته است؛ الگوی عصبی- فازی تطبیق شونده یکی از این الگوها بوده که از دقت بالایی در پیش بینی سری های زمانی مالی برخوردار است. در این راستا، این الگو به عنوان الگوی مورد استفاده در مطالعه حاضر مورد استفاده قرار گرفته و نتایج حاصل از آن با الگوی حافظه بلندمدت مورد مقایسه قرار خواهد گرفت.

 

4- روش شناسی تحقیق

در این بخش به معرفی و توضیح الگوهای مورد مطالعه پرداخته خواهد شد؛ در ابتدا، الگوهای حافظه بلندمدت و پس از شبکه عصبی- فازی تطبیقی مورد توجه قرار خواهند گرفت؛ در بخش بعدی، با قرار دادن متغیرهای مورد نظر در این پژوهش به چگونگی محاسبه شکاف پویا با استفاده از مدل های مذکور پرداخته خواهد شد.

 

4-1- الگوهای حافظه بلندمدت (آرفیما)[xv]

تحلیل و پیش بینیسری‌هایزمانیمبتنیبرفرضمانایی الگوهااست. به طور معمول، الگوهای نامانا باتفاضل گیریبهمدلیماناتبدیل می­شوند.تنها در این صورت می‌توانالگوهایی رابرایهرجزءسری‌زمانیدرنظرگرفتواینسری‌هارادرقالبترکیبیازچندمدل بدستآورد.با این وجود پس ازمطالعاتصورت گرفتهدرخصوصوجودریشهواحدوهم‌انباشتگیدرسری‌هایزمانیاز اواسطدهههشتادمیلادی، اقتصادسنجهاازوجودزیرگونه­هاوانواعدیگریازنامانایی وپایداریتقریبیآگاهشدندکهفرایندموجوددربسیاریازسری‌هایزمانیمالیواقتصادی راتوجیهمی‌کردند. امروزهمطالعاتگوناگونیدرموردایننوعازفرایندهاو فرایندهایباحافظهبلندمدتصورتگرفتهاست.

هرست(1951)برایاولینباربهوجود فرایندهایدارایحافظهبلندمدتپیبرد.معروف‌ترینوانعطاف‌پذیرتریناینمدلهادر زمینه اقتصادسنجی، مدلخودرگرسیونمیانگینمتحرکانباشتهجزئی(آرفیما) نامیده می­شود. در این مدل درجه هم جمعی کسری (d) به این دلیل که نشان دهنده ویژگی­های بلندمدت سری زمانی متغیر مورد نظر بوده، پارامتر حافظه بلندمدت نامیده می شود[xvi]. مهم ترین مرحله اجرای الگوی آرفیما، مرحله تفاضل گیری کسری و یا تعیین مقدار پارامتر dاست. در این خصوص، اقتصاددانان به طور معمول از تفاضل گیری مرتبه اول استفاده می کنند. این موضوع در بیشتر اوقات منجر به بیش تفاضل گیری و در پی آن از دست رفتن بخشی از اطلاعات موجود در سری زمانی می گردد[xvii].

الگوی ARFIMA(p,d,q)به صورت زیر نوشته می شود(رابطه 1):

(1)

 

که در آن  چند جمله ای خودهمبستگی،  چند جمله ای میانگین متحرک، L عملگر وقفه ای و  میانگین  است. pو qبه ترتیب نشان دهنده درجه خودهمبستگی و میانگین متحرک بودن الگو و d پارامتر تفاضل گیری است. عبارت معرف عملگر تفاضل کسری بوده که با استفاده از فرمول زیر محاسبه می شود(رابطه 2):

(2)

 

در این معادله فرض شده است که  و همچنین، بخش آرفیما در آن، معکوس پذیر است[xviii].

در این الگو، در صورتی که مقدار پارامتر تفاضل گیری برابر واحد باشد، این مدل را مدل آریما[xix] می نامند. در صورتی که   d<0.5باشد، کوواریانس مدل ثابت بوده و اگر d>0باشد، الگو دارای ویژگی حافظه بلندمدت خواهد بود[xx]. زمانی که  0.50< d <باشد، تابع خودهمبستگی به صورت هیپربولیکی کاهش می­یابد و زمانی که 0< d [xxi].

 

4-2- شبکه فازی- عصبی تطبیقی[xxii]

جانگ برای اولین بار در سال 1993 میلادی توانست سیستم های فازی بر پایه شبکه عصبی تطبیقی را در راستای بهینه کردن و استفاده همزمان از نقاط قوت شبکه­های عصبی و الگوهای فازی ارایه نماید[xxiii]. سیستم­هایتحتعنوانسیستمهایاستنتاجفازیبرپایهشبکهعصبی تطبیقی درسال های اخیردرعلوممختلفی بهکاربرده میشود[xxiv].یکشبکهتطبیقی، یکساختارپیشروچندلایهاستکهرفتارکلیخروجیآنبه وسیلهمجموعه­ایازپارامترهایقابلاصلاحتعیین می‌گردد.بهعبارتدیگر،ساختارشبکهتطبیقیشاملیکمجموعهازگر­ه­هایمتصلبههماستکهبهطورمستقیمبههممرتبطشده­اندودرآنهرگرهیکواحدپردازشمحسوبمی‌شود. این سیستم‌هامشکلاصلیدرطراحیسیستم­هایفازی یعنی همان بدستآوردنقواعداگر- آنگاهرابهوسیله استفادهمؤثراز قابلیت یادگیری شبکه عصبی مصنوعی[xxv] جهتتولیدخودکاراین قواعدو بهینه‌سازیپارامترهاحل کرده‌اند[xxvi].

سیستم عصبی- فازی تطبیقی، یکیازمتداولترینسیستمهایعصبیفازیبودهکه یکسیستمفازیسوگنورادریک ساختارعصبی اجرامی­کند.اینسیستمبرایفرآیندآموزشازترکیبی ازروش­هایآموزشپسانتشارخطاوکمینهمربعات خطا بهره‌گیریمی‌کند.[xxvii] به عبارت دیگر، قانون یادگیری این سیستم بر پایه الگوریتم پس انتشار خطا با نگرش حداقل کردن میانگین مربعات خطا بین خروجی شبکه و خروجی واقعی است.در این سیستم لازم است کهدرلایهاولنوعتابععضویتوتعدادآنمشخص شود. مدلفازیعصبیتطبیقیبراساستغییردرمیزان مقادیرمرکزودامنه توابعتعلقدرتکرارهاییمختلف جهترسیدنبهشبکهمناسببراساسحداقلخطای موجودعملمی‌کند[xxviii]. برایسادگی کارفرضکنیدکهسیستمفازیمادوورودی x  و y دارد و خروجی آن z است. حال اگر قوانین فازی به صورت زیر باشند[xxix](رابطه 3):

 

Rule1 : if x is  and y is  then =  x+  y+

(3)Rule2 : if x is and y is  then =  x+  y+

 

 

و همچنین در صورتی که از غیرفازی سازی میانگین مراکز به منظور غیر فازی سازی استفاده شود، خروجی به صورت زیر خواهد بود(رابطه 4):

(4)

 

 

شکل 1- مدل فازی مرتبه اول سوگنو

منبع: Jang, J. S. R, 1993

 

در این صورت ساختار عصبی فازی تطبیقی متشکل از پنج لایه شامل گره­های ورودی، گره­های قاعده، گره­های متوسط، گره­های نتیجه و گره­های خروجی بوده و به طور مستقیم با هم در ارتباط قرار دارند؛ هر گره دارای تابعی با پارامترهای قابل تنظیم یا ثابت است. در این سیستم، ابتدا الگوی استنتاج فازی مقداردهی اولیه می شود. پس از آن، الگوریتم های شبکه عصبی می تواند برای تعیین پارامترهای ناشناخته (پارامترهای پیش فرض و پس از آن) در راستای به حداقل رساندن میزان خطای اندازه گیری مورد استفاده قرار می گیرد. با توجه به این رویکرد در بهینه سازی، سیستم تطبیقی نامیده می شود[xxx]. ساختار کلی شبکه عصبی- فازی تطبیق شونده به صورت شکل زیر است:

 

شکل 2- ساختار شبکه عصبی- فازی تطبیق شونده

منبع:  Jang, J. S. R, 1993

لایه اول: (گره های ورودی) در این لایه درجه عضویت گره­های ورودی به بازه­های مختلف فازی با استفاده از تابع عضویت مشخص می گردد(رابطه 5):

 

(5)

 

که در آن، x یا y ورودی به گره i و  یا  اسامی متغیرهای زبانی منطبق با این گره است. به عبارت دیگر،  بیانگر درجه عضویت یک مجموعه فازی بوده و مشخص کننده درجه ای است که در آن ورودی مورد نظر x یا y کمیت سنج A را برآورده  می سازد. در اینجا تابع عضویت A می­تواند هر تابع عضویت پارامتری از جمله تابع عضویت گوسین باشد(رابطه 6):

(6)

 

که در آن c و  به ترتیب نشان دهنده میانگین و واریانس در هر گره می باشد؛ تابع عضویت مطابق با آن تابع عضویت تغییر یافته و بر این اساس شکل­های متفاوتی برای عضویت مجموعه فازی A به نمایش در می­آید. همچنین، در این مرحله پارامترها به پارامترهای فرضیه مقدم موسومند.

لایه دوم: (گره­های قاعده) هر گره در این لایه درجه فعالیت[xxxi] یک قانون را محاسبه می کند که خروجی آن محصول تمامی سیگنال­های ورودی است؛ برای مثال(رابطه 7):

(7)

 

به طور کلی، هر عملگر T-norm دیگر که فازی را ایجاد می کند، می تواند به عنوان تابع گره در این لایه به کار رود.

لایه سوم: (گره های متوسط) هر گره در این لایه یک گره دایره­ای است که با N نشان داده می­شود. خروجی این لایه، نرمالایز شده خروجی لایه دوم است؛ به عبارت دیگر، گره i نشان دهنده نسبت درجه فعالیت هر قانون به مجموع درجه فعالیت تمامی قانون­ها می باشد(رابطه 8):

                                   (8)

 

لایه چهارم: (گره های نتیجه) هر گره i در این لایه، یک گره دایره ای با یک تابع گره به صورت زیر است(رابطه 9):

= + + )  (9)     

 

که در آن،  خروجی لایه سوم و ( ،  و ) مجموعه پارامترها هستند. پارامترها در این لایه، پارامترهای نتیجه نامیده می­شوند.

لایه پنجم: (گره های خروجی) تنها گره این لایه، یک گره دایره­ای است که خروجی نهایی را به عنوان مجموع تمامیسیگنال­های ورودی محاسبه می کند؛ یعنی(رابطه 10):

=                                                      (10)  

 

به این ترتیب، یک الگوی تطبیقی ایجاد می­گردد که به صورت تابعی برابر سیستم استنتاج فازیسوگنو است.

آموزشاینسیستمهابهاینمفهوماستکهبااستفادهازداده­هایآموزشیپارامترهایغیرخطیمربوطبهتوابع عضویتفازیدرلایهاولوپارامترهایخطیلایهچهارمطوریتعیینشوندکهبهازایورودیدلخواه،خروجیمطلوب حاصلشود. ساختار مناسب تکنیک عصبی فازی تطبیقی متناسب با داده های ورودی، درجه عضویت، قوانین و توابع عضویت ورودی و خروجی انتخابمی­گردد. در مرحله آموزش با اصلاح پارامترهای درجه عضویت بر اساس میزان خطای قابل پذیرش، مقادیر ورودی به مقادیر واقعی نزدیک تر می شوند[xxxii].

 

5- تحلیلکاربردی مدل و تحلیل داده­ها

همانطور که در بخش پیشینه نظری اشاره شد، این پژوهش به محاسبه شکاف پویای دارایی- بدهی در یکی از بانک­های خصوصی کشور طی بازه­ی زمانی یکصد روز آتی با استفاده از  دو الگوی عصبی- فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت(آرفیما)پرداخته است. در این مطالعه سپرده­های بانکی شامل سپرده­های سرمایه­گذاری بلندمدت، قرض الحسنه پس انداز و جاری به عنوان نماینده بخش بدهی­های ترازنامه بانک و تسهیلات بانکی شامل تسهیلات اعطایی ریالی و ارزی به مشتریان در قالبعقود مبادله­ای و عقود مشارکتی (پس از کسر مطالبات غیرجاری بانک مورد مطالعه، به عنوان نماینده بخش دارایی­های ترازنامه نشان داده شده است. بنابراین، اختلاف مانده تسهیلات و سپرده در بازه­های زمانی مختلف به عنوان شکاف دارایی- بدهی در این پژوهش لحاظ گردیده­اند؛ بنابراین با استفاده از پیش بینی این دو متغیر طی بازه­ی زمانی یکصد روز آتی، امکان محاسبه شکاف پویای دارایی-بدهی طی این بازه نیزفراهم می­گردد.

انتخاب این دو متغیر به دو دلیل صورت پذیرفته است. علت اول، حجم بسیار بالای سپرده­ها و تسهیلات از جریانات ورودی و خروجی نقدینگی در بانک­ها و موسسات اعتباری است؛ در این راستا، این دو متغیر نمایندگان مناسبی از تغییرات در جریانات نقدی بوده و به تنهایی بخش بزرگ از این تغییرات را پوشش می­دهند.نکته دوم، میزان نگهداری اقلامی نظیر موجودی نقد، مطالبات و بدهی بانک­ها و سایر موسسات اعتباری، دارایی­های ثابت، سرمایه گذاری­ها در سهام و اوراق بهادار و همچنین سایر اقلام مندرج در ترازنامه بانک­ها و موسسات اعتباری به طور معمول توسط مدیریت ارشدتعیین گردیده  و روندی غیر تصادفی دارند. با توجه به این مهم که پیش بینی در فرایندهای تصادفی و غیرقطعی معنی می­یابد، می­توان عرضه سپرده و تقاضای تسهیلات توسط مشتریان بانکی را دارای روندی غیرقطعی و تابع رفتار مشتریان بانک دانست. بنابراین، بانک می­تواند با پیش­بینی این جریان­های غیرقطعی از متحمل شدن ریسک­های پیشرو جلوگیری نموده و سودآوری خود را افزایش دهد[xxxiii].

اطلاعاتمورد استفاده در این مطالعه، به صورت روزانه بوده و طی دوره زمانی01/01/1394 الی 31/03/1397 است. چگونگیتقسیم بندی داده­ها به دو بخش آموزش و ارزیابی در الگوهای شبکه عصبی مصنوعی همواره در مطالعات گوناگون مورد بحث و بررسی بوده، با این وجود تاکنون اجماع کلی در خصوص آن وجود نداشته است. در اکثر مطالعات بخشعمده­ای از داده­ها به بخش آموزش[xxxiv] ( به طور معمول 70، 80 یا 90 درصد) و باقیمانده آن­ها به بخش آزمون[xxxv] الگوها اختصاصمی یابد[xxxvi]. در این مطالعه، 90 درصد داده ها (اطلاعات طی دوره زمانی 01/01/1394 الی 07/12/1396) به بخش آموزش الگوی انفیس و همچنین تصریح الگو با استفاده از مدل­سازی سری زمانی و 10 درصد باقیمانده داده­ها(اطلاعات طی دوره­ زمانی 07/12/1396 الی 31/03/1397) به آزمون خروجی الگوی انفیس و همچنین پیش­بینی­های خارج از نمونه[xxxvii] الگو با استفاده از مدل­­سازی سری زمانی تخصیص یافته است.

بر این اساس در ادامه با استفاده از الگوهای حافظه بلندمدت(آرفیما) و عصبی-فازی تطبیقی به پیش بینی هر یک از این دو متغیر و در نتیجه محاسبه شکاف پویا بین سپرده­ها و تسهیلات بانکی در بازه­ زمانی یکصد روز آتی پرداخته خواهد شد. در نهایت، به منظور ارزیابی و مقایسه قدرت پیش بینی الگوهای مورد مطالعه، نتایج حاصل از هر یک از الگوها با استفاده از معیارهای ارزیابی کارایی که در ادامه معرفی خواهند شد مورد مقایسه قرار خواهد گرفت.

 

 

5-1- پیش‌بینی سپرده­ها و تسهیلات بانکی با استفاده از تخمین الگوی حافظه بلندمدت (آرفیما)

در این بخش، ابتدا از وجود حافظه بلندمدت در سری زمانی سپرده­ها و تسهیلات بانکی با استفاده از تجزیه و تحلیل گرافیکی حافظه بلندمدت، آزمون­های دیکی فولر تعمیم یافته، فیلیپس- پرون­، KPSS و آزمون BDS اطمینان حاصل می گردد؛ پس از آن مقدار پارامتر d در الگوهای آرفیما تخمین زده خواهد شد. سپس، اثر واریانس ناهمسانی در الگوهای مورد تخمین بررسی می­گردند. در نهایت، الگوی نهایی برآورد گردیده و بر اساس آن پیش بینی طی دوره آتی صورت می پذیرد.

 

5-1-1- تشخیص حافظه بلندمدت با استفاده از نمودار خودهمبستگی

گرنجر و دنیگ (1996) حافظه بلندمدت را با استفاده از نمودار خود همبستگی[xxxviii] تشریح نمودند. نمودار خود همبستگی، نموداری است که خودهمبستگی برآورد شده بین Xt و Xt-k را در برابر وقفه k نشان می­دهد که وسیله­ای مناسب برای توصیف برخی از ویژگی­های خطی یک سری زمانی در بیشتر حالت­ها است. یکی از معمول­ترین نمودارهای خودهمبستگی نموداری است که به صورت خیلی آهسته و نه به صورت نمایی، بلکه به صورت هیپربولیکی کاهش می­یابد. سری­هایی دارای نمودار همبستگی به این شکل، سری­های دارای حافظه بلندمدت نامیده می­شوند. به عبارتی، این فرآیندها را نمی­توان با وقفه های معین و مشخص AR و MA تولید کرد؛ چرا که مراتب AR و MA بی نهایت هستند[xxxix]. همانطور که از نمودارهای شماره 2 و 3 نیز نشان داده شده است، نمودار خود همبستگی سری­های زمانی سپرده و تسهیلات بانکی نیز به آهستگی و به شکل هیپربولیکی کاهش می یابد که بیانگر وجود حافظه بلندمدت در دو سری مذکور  است.

 

 

نمودار 2- تابع خودهمبستگی سری تسهیلات بانک مورد مطالعه

منبع:یافته های پژوهشگر

 

نمودار 3- تابع خودهمبستگی سری سپرده های بانک مورد مطالعه

منبع:یافته های پژوهشگر

 

5-1-2- بررسی مانایی سری زمانی سپرده و تسهیلات بانکی

در این بخش به منظور بررسی مانایی یا پایایی سری زمانی جریان وجوه نقد از آزمون­های دیکی فولر تعمیم یافته، فیلیپس- پرون و KPSSاستفاده شده است. همانگونه که نتایج این آزمون­ها در جدول زیر نشان می­دهند متغیرهای مورد نظر نامانا هستند؛ چرا که بر اساس آزمون دیکی فولر و فیلیپس پرون با توجه به مقدار ارزش احتمالی که بیش از 0.05 درصد است،  فرض صفر مبنی بر وجود ریشه واحد مورد تایید قرار می گیرد. علاوه بر این، در آزمون KPSSفرضیه صفر مبنی بر مانا بودن متغیر رد شده و فرض مقابل که اشاره بر نامانایی متغیر در سطح با عرض از مبدا و روند داشته مورد تایید قرار می­گیرد.

 

جدول 1- نتایج آزمون­های دیکی فولر تعمیم یافته، فیلیپس پرون و KPSS

 

آزمون دیکی- فولر

آزمون فیلیپس- پرون

آزمون KPSS

سری زمانی

آماره

p-value

آماره

p-value

آماره

p-value

سپرده

-1.2050

0.90

-2.5051

0.95

7.6882

0.01

تسهیلات

-1.5417

0.77

-5.1615

0.82

5.9356

0.01

منبع:یافته های پژوهشگر

 

با وجود ریشه واحد در مدل، مقدار این ریشه مشخص نیست که آیا این عدد به طور دقیق برابر یک بوده و یا مقداری کسری است. بنابراین، در ادامه ابتدا با استفاده از آزمون BDSاز وجود حافظه بلندمدت در الگو اطمینان حاصل می شود. پس از آن به منظور پی بردن به میزان ریشه کسری به برآورد و بررسی این ریشه با استفاده از الگوی حافظه بلندمدت (الگوی آرفیما) پرداخته خواهد شد.

5-1-3- بررسی وجود حافظه بلندمدت با استفاده از آزمون BDS

در این بخش با استفاده از آزمون BDS از وجود حافظه بلندمدت در سری­های زمانی مورد بررسی اطمینان حاصل می­شود.آزمون BDSرا براک و همکاران (1991) توسعه دادند که در سال 1996 میلادی به چاپ رسید[xl]. این آزمونروشیغیرپارامتریاستکهبرایآزمونهمبستگیمتوالیوساختارغیرخطیموجوددریکسری‌زمانیبرمبنایمجموعهمبستگیاستفادهمی‌شود. آماره BDSازمطالعاتانجامیافتهبررویتئوریآشفتگیودینامیکغیرخطینشئتگرفتهوفقطبرایتشخیصآشفتگیمعینمناسبنبودهاست،بلکهمی­تواندابزارتشخیصمناسبیدرآزموننکوییبرازشمدلتخمینینیز به کار می رود[xli].نتایج انجام آزمون BDSدر جدول زیر نشان داده شده است. همانگونه که مشخص است فرضیه صفر در این آزمون مبنی بر عدم تصادفی بودن سری پسماندهای مدل مذکور رد می شود. بنابراین، وجود حافظه بلندمدت و  فرایند غیرخطی در سری­های سپرده و تسهیلات بانکی مورد تایید قرار می گیرد.

 

جدول 2- نتیجه آزمون BDS

سری زمانی

آماره

p-value

سپرده

0.8565

0.00

تسهیلات

0.5766

0.00

منبع:یافته های پژوهشگر

 

5-1-4- تخمین الگوی حافظه بلندمدت (آرفیما)

در این مطالعه، باتوجهبهنامانایی هر دو سری زمانی سپرده و تسهیلات بانکی و تشخیص وجود حافظه بلندمدت در آن ها، الگوی آرفیما به عنوان معادله میانگین در نظر گرفته شده است.در این راستا، جهت برآورد بهترین معادله میانگین ابتدا با استفاده از تابع (autoarfima) در پکیج (rugarch) در نرم افزار [xlii]R،بهترین فرم تابع میانگین بر اساس معیار اطلاعاتی حنان-کوئین تعیین گردیده و پس از آن به تخمین مدل پرداخته شده که نتایج حاصل از تخمین الگو برای دو سری زمانی به ترتیب در جداول 3 و 4 نشان داده شده است.

نتایج حاصل از تخمین الگوی آرفیما برای سپرده های بانکی (ARFIMA(3,d,4))بر اساس توزیع نرمالدر جدول 3 نشان داده شده است؛ همانگونه که مشخص است تمام ضرایب وقفه­های خودهمبسته (ar1 الیar3) و میانگین متحرک(ma1 الیma4) در این تخمین معنادار است. همچنین، پارامتر حافظه بلندمدت (d) برآورد شده مقدار 0.16 را نشان می­دهد کهبیان کننده وجود حافظه بلندمدت در داده­های سری زمانی سپرده­ها است.

همچنین، نتایج حاصل از تخمین الگوی حافظه بلندمدت مرتبط با تسهیلات بانکی ( (ARFIMA(4,d,5) بر اساس توزیع هیپربولیک تعمیم یافته در جدول شماره (4) نشان داده شده است؛ با توجه به این نتایج تمام ضرایب وقفه­ها خودهمبسته (ar1 الی4ar) و میانگین متحرک (ma1 الیma5) معنادار است. همچنین، پارامتر حافظه (d) برآورد شده مقدار 0.49 را نشان می­دهد که بیان کننده وجود حافظه بلندمدت در داده­های سری زمانی تسهیلات بانکی است.همچنین، متغیرها مرتبط با توزیع الگو شامل چولگی(skew)، کشیدگی (shape)، پارامتر مرتبط با توزیع هیپربولیک(ghlambda) نیز معنی دار هستند.

 

جدول 3- نتایج حاصل از تخمین الگوی آرفیما برای سپرده های بانک مورد مطالعه

 

ضرایب

انحراف معیار

t value

Pr(>|t|)

mu

28.85

0.035

819.56

0.0

ar1

0.88

0.033

26.50

0.0

ar2

-0.76

0.024

-31.23

0.0

ar3

0.87

0.015

56.65

0.0

ma1

-0.15

0.06

-2.53

0.011

ma2

0.82

0.002

364.85

0.0

ma3

-0.22

0.045

-4.99

0.000001

ma4

-0.096

0.011

-8.02

0.0

d(arfima)

0.16

0.042

3.90

0.000097

منبع:یافته های پژوهشگر

 

جدول 4- نتایج حاصل از تخمین الگوی آرفیما برای تسهیلات بانک مورد مطالعه

 

Estimate

Std. Error

t value

Pr(>|t|)

mu

22.27

0.05

466.14

0

ar1

1.29

0.00

593.01

0

ar2

-0.95

0.00

-388.05

0

ar3

1.37

0.00

748.83

0

ar4

-0.72

0.00

-265.28

0

ma1

-0.82

0.00

-660.02

0

ma2

0.72

0.00

326.02

0

ma3

-1.09

0.00

-1444.86

0

ma4

0.30

0.00

438.99

0

ma5

0.02

0.00

14.23

0

d(arfima)

0.49

0.01

43.25

0

omega

0.01

0.00

23.68

0

skew

0.37

0.04

10.32

0

shape

0.25

0.04

5.96

0

ghlambda

-0.32

0.07

-4.66

0.000003

منبع:یافته های پژوهشگر

 

5-1-5- بررسی اثر ناهمسانی واریانس با استفاده از آزمون ARCH-LM

پس از تصریح معادله میانگین و معنی­داری کلیه ضرایب، ناهمسانی واریانس مقادیر باقی مانده در هر دو سری با استفاده از آزمون ARCH-LM مورد بررسی قرار گرفت. براساسنتایج این آزمون در خصوص سری زمانی تسهیلات،آماره LM سطح معنی­داری بالاتر از 0.05 درصد داشته است و بنابراین فرضیه صفر مبنی بر نبود اثرات واریانس ناهمسانی مورد تایید قرار می­گیرد و در نتیجه الگوی ( (ARFIMA(4,0.49,5)که نتایج آن در جدول 4 نشان داده شد، مبنای پیش بینی طی دوره آتی قرار گرفته است.

 

جدول 5- نتایج حاصل از آزمون LM-ARCH

سری زمانی

آماره LM

p-value

وقفه دوم

(ARCH Lag[2])

سپرده

76.22

0.00

تسهیلات

0.033

0.9836

وقفه پنجم

ARCH Lag[5]))

سپرده

76.43

0.00

تسهیلات

1.78

0.99

منبع:یافته های پژوهشگر

 

علاوه بر این، نتایج این آزمون در خصوص سپرده­های بانکی نشان می­دهد که آماره LM دارای سطح معنی داری کمتر از 0.05 درصد بوده و در نتیجه فرضیه صفر مورد تایید قرار نمی­گیرد. به عبارت دیگر، اثراتخودرگرسیونواریانسناهمسان شرطی[xliii] درجملاتاخلال سپرده­ها موردتأییدقرار گرفتهوبرپایهایننتایججهترفعمشکل واریانسناهمسانی،میبایستازخانوادهمدل­هایآرچاستفادهنمود. در این راستا، به منظور مدل­سازی تغییرات در بخش واریانس سری، با استفاده از پکیج (rugarch) در نرم افزار R، تصریح­های متفاوت الگوی خانواده گارچ مورد بررسی قرار گرفت؛ که از بین تمامی الگوها، الگوی garchGJRبر اساس توزیع نرمال بهترین نتایج را از لحاظ معنی­داری متغیرها و همچنین پیش بینی طی دوره آتی ارایه می دهد. جدول 6نتایج حاصل از اجرای الگوی ARFIMA(3,0.14,4) - gjrgarch(1,1) را نشان می دهد.

در این جدول ضرایب معادله میانگین شامل mu(میانگین)، ar(1) الی ar(3) (جز اتورگرسیون)، ma(1) الی ma(4) (جز میانگین متحرک)، d (پارامتر کسری) alpha1 و beta1 (به ترتیب نشان دهنده ضریب آرچ و گارچ) و ضریب gamma1 مرتبط با معنی داری توزیع مدل است.

 

جدول 6- نتایج حاصل از اجرای ARFIMA(3,0.14,4)-gjrgarch(1,1)

 

Estimate

Std. Error

t value

Pr(>|t|)

mu

28.84

0.014605

1974.5997

0

ar1

0.93

0.011124

83.7135

0

ar2

-0.85

0.012358

-68.4739

0

ar3

0.92

0.010988

83.4

0

ma1

-0.10

0.034837

-2.9399

0.003284

ma2

0.96

0.000225

4244.7308

0

ma3

-0.17

0.033901

-5.0359

0

ma4

-0.033

0.002966

-11.0576

0

d(arfima)

0.14

0.037015

3.8111

0.000138

omega

0.0005

0.000117

4.5653

0.000005

alpha1

0.064

0.032232

1.9918

0.046396

beta1

0.81

0.025969

31.0255

0

gamma1

0.23

0.057339

4.089

0.000043

منبع:یافته های پژوهشگر

 

همانگونه که مقادیر ارزش­های احتمالی نشان می دهد، کلیه متغیرهای تخمین زده شده در سطح 99 درصد معنی دار هستند. علاوه بر این، انجام آزمون ARCH-LM بر روی مقادیر باقیمانده نیز نشان دهنده از بین رفتن اثر ناهمسانی واریانس در مدل است.

 

جدول 7- نتایج حاصل از آزمون ARCH-LM

 

آماره LM

p-value

ARCH Lag[3]

0.004

0.95

ARCH Lag[5]

0.66

0.84

منبع:یافته های پژوهشگر

 

بنابراین، بر اساس الگوهای مورد تخمین در بالا، پیش بینی سری زمانی خالص سپرده و تسهیلات بانکی طی در دوره آتی صورت پذیرفته است که نتایج آن در بخش آخر ارایه گردیده است. علاوه بر این، نمودارهای4 و 5نتایج حاصل از تصریح الگوی مورد مطالعه بر داده­های واقعی دو متغیر را نشان می­دهد.

 

 

نمودار 4- روند سپرده­هابر اساس داده­های آموزش دیده با استفاده از الگوی ARFIMA(3,0.14,4)-gjrgarch(1,1) و اطلاعات واقعی(طی بازه زمانی 1394- 1396)- مبالغ: میلیارد ریال

منبع:یافته های پژوهشگر

 

 

نمودار 5- روند تسهیلاتبر اساس داده­های آموزش دیده با استفاده از الگوی ARFIMA(4,d,5) و اطلاعات واقعی(طی بازه زمانی 1394- 1396)- مبالغ: میلیارد ریال

منبع:یافته های پژوهشگر

5-2- پیش بینی سپرده­ها و تسهیلات بانکی با استفاده از تخمین الگوی عصبی-فازی تطبیقی

همانگونه که در بالا توضیح داده شد، در این الگو از اطلاعات روزانه جریان وجوه نقد از تاریخ 01/01/1394 الی 31/03/1397 استفاده شده است. این اطلاعات شامل 1089 روز داده بوده که 1074 نمونه از اطلاعات به منظور آموزش الگو و 115 نمونه به عنوان ارزیابی الگوی مورد مطالعه مورد استفاده قرار گرفته است. ورودی این سیستم شامل وقفه­های مختلف متغیرهای سپرده و تسهیلات بانکی است. این وقفه ها متناسب با الگوی حافظه بلندمدت در نظر گرفته شده است. به عبارتی، وقفه­های سپرده شامل deposit (t-1) - deposit (t-3)و وقفه­های تسهیلات شاملloan(t-1)-loan(t-4)است.در این الگو هر متغیر دارای سه ویژگی زبانی کوچک، متوسط، بزرگ و با تابع عضویت گوسین می باشد. علاوه بر این، الگو شامل 15 قاعده اگر- آنگاه فازی از نوع تاکاگی سوگنو کانگ (TSK)است؛ بر این اساس، الگوی عصبی- فازی تطبیقی که جزییات آن در بخش 4-2 آورده شد، با استفاده از پکیج frbs و رویکرد anfis در نرم افزار Rتخمین زده شده است که نمودار 6 نتایج حاصل از آموزش الگوی مورد مطالعه بر داده­های واقعی را نشان می­دهد. همانگونه که مشخص است الگو به خوبی بر داده­های واقعی منطبق گردیده و دارای روند مشابهی با الگوی مذکور است. در این نمودار 1073 متغیر منطبق شده با اطلاعات واقعی در کنار یکدیگر نشان داده شده است.

 

 

نمودار 6- روند سپرده ها بر اساس داده­های آموزش دیده با استفاده از الگوی انفیس و اطلاعات واقعی (طی بازه زمانی 1394- 1396)(مبالغ: میلیارد ریال)

منبع:یافته های پژوهشگر

 

 

نمودار7- روند تسهیلاتبر اساس داده­های آموزش دیده با استفاده از الگوی انفیس و اطلاعات واقعی (طی بازه زمانی 1394- 1396) - (مبالغ: میلیارد ریال)

منبع:یافته های پژوهشگر

 

5-3- مقایسه نتایج حاصل از پیش بینی با استفاده از دو الگو

نمودار 8 نتایج حاصل از پیش بینی سپرده­های بانک مورد مطالعه را با استفاده از الگوهای عصبی- فازی تطبیقی و حافظه بلندمدت در کنار مقادیر واقعی نمایش می­دهد.

 

 

 

نمودار 8-روند سپرده های بانکبر اساس مقادیر واقعی و مقادیر پیش بینی شده توسط الگوهای انفیس و ARFIMA(3,0.14,4)-gjrgarch(1,1) (اسفند ماه 1396 الی خرداد ماه 1397 )- (مبالغ: میلیارد ریال)

منبع:یافته های پژوهشگر

 

همانگونه که نتایج حاصل از مقایسه مقادیر واقعی و مقادیر پیش بینی شده طی دوره زمانی اسفند ماه سال 1396 الی خرداد ماه سال 1397 در نمودار 8 نشان می­دهد قدرت پیش بینی سپرده­های بانکی با استفاده از دو الگوی مذکور طی یکصد روز آتی بالا است. در جدول 8 نتایج حاصل از پیش بینی دو الگو در دو بخش ارزیابی و تصریح با استفاده از شاخص­های ارزیابی مورد مقایسه قرار گرفته است. همانطور که مشخص است الگوی حافظه بلندمدت در هر دو بخش ارزیابی و تصریح مدل از دقت بالاتری برخوردار است.

 

جدول 8- مقایسه نتایج حاصل از پیش بینی سپرده بانکی با استفاده از الگوهای انفیس و  ARFIMA-gjrgarch بر اساس شاخص های ارزیابی

 

 

 

اطلاعات ارزیابی

اطلاعات بخش تصریح مدل

 

 

 

الگوی حافظه بلندمدت

الگوی انفیس

الگوی حافظه بلندمدت

الگوی انفیس

شاخص های ارزیابی

MSE[xliv]

میانگین مجذور خطا

 

985,304

2,386,145

707,065

1,566,350

RMSE[xlv]

ریشه دوم میانگین مجذور خطا

 

993

1,545

841

1,252

MAE[xlvi]

میانگین قدرمطلق خطا

 

614

1,190

642

1,018

MAPE[xlvii]

میانگین قدرمطلق درصد خطا

 

0.19%

0.37%

0.20%

0.31%

At[xlviii]

میزان صحت پیش بینی

 

99.81%

99.63%

99.80%

99.67%

منبع:یافته های پژوهشگر

 

نتایج حاصل از پیش­بینی تسهیلات بانک با استفاده از دو الگوی عصبی- فازی تطبیقی و حافظه بلندمدت در نمودار 9نیز نشان داده شده است. جدول 9 نیز به مقایسه نتایج حاصل از پیش بینی با استفاده از این دو الگو بر اساس شاخص­های ارزیابی پرداخته است.

 

 

نمودار 9- روند تسهیلات بانکبر اساس مقادیر واقعی و مقادیر پیش بینی شده توسط الگوهای انفیس و  آرفیما (اسفند ماه 1396 الی خرداد ماه 1397 ) - مبالغ: میلیارد ریال

منبع:یافته های پژوهشگر

 

جدول 9- مقایسه نتایج حاصل از پیش بینی تسهیلات بانکی با استفاده از الگوهای انفیس و  آرفیما بر اساس شاخص های ارزیابی

 

اطلاعات ارزیابی

اطلاعات بخش تصریح مدل

 

الگوی حافظه بلندمدت

الگوی انفیس

الگوی حافظه بلندمدت

الگوی انفیس

MSE

2,725,618

1,197,602

601,527

1,122,755

RMSE

1,651

1,094

775.582

1,059.601

MAE

435

696

435

781

MAPE

0.22%

0.31%

0.22%

0.39%

At

99.78%

99.68%

99.77%

99.60%

منبع:یافته های پژوهشگر

 

همانگونه که در نمودار 9 مشخص است و مقایسه نتایج حاصل از پیش بینی تسهیلات بانکی با استفاده از الگوهای انفیس و آرفیما نشان می­دهد الگوی آرفیما در خصوص این متغیر نیز از دقت بالاتری در مقایسه با الگوی عصبی- فازی تطبیقی برخوردار بوده است.

در نهایت، با توجه به نتایج حاصل از پیش بینی مقادیر آتی سپرده و تسهیلات بانک مورد مطالعه با استفاده از الگوهای مذکور، شکاف سپرده و تسهیلات، که برابر اختلاف سپرده و تسهیلات در هر یک از روزهای آتی با استفاده از پیش بینی­های صورت پذیرفته بوده است،محاسبه گردیده که نتایج آن در نمودار 10 نشان داده شده است. در این نمودار مقادیر واقعی در کنار مقادیر پیش بینی شده با استفاده از هر یک از دو الگوی مذکور نشان داده شده است. با توجه به دقت بالاتر الگوی حافظه بلندمدت در پیش بینی متغیرهای سپرده و تسهیلات بانکی، به تبع آن شکاف سپرده و تسهیلات نیز با استفاده از مقادیر پیش بینی شده در این الگو هماهنگی بیشتری با مقادیر واقعی داشته است. 

 

 

نمودار 10- شکاف سپرده و تسهیلاتبر اساس مقادیر واقعی و مقادیر پیش بینی شده توسط الگوهای انفیس و آرفیما (اسفند ماه 1396 الی خرداد ماه 1397 )- مبالغ: میلیارد ریال

منبع:یافته های پژوهشگر

 

6- جمع بندی

این پژوهش به محاسبه شکاف پویای دارایی- بدهی در یکی از بانک­های خصوصی کشور طی بازه­ی زمانی یکصد روز آتی با استفاده از دو الگوی عصبی- فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت(آرفیما)پرداخته است. در ابتدا، پیشینه نظری و تجربی مدیریت نقدینگی در سیستم بانکی ارایه گردید. در این بخش توضیح داده شد که فعالیت بانکداری در عرصه حاضر بر پایه نظریه مدیریت دارایی- بدهی استوار است و توجه همزمان به هر دو سمت ترازنامه بانک­ها سودآوری بیشتری را برای آنان به دنبال داشته است. بر اساس این نظریه، پیش‌بینیمازادیاکسرینقدینگیبر اساسپیش‌بینیجریاننقدورودیوخروجیطییکدورهزمانیو محاسبهتفاوتبینوجوهدریافتیوپرداختیصورت می­گیرد. بانک و یا مؤسسه اعتباری می­تواندپسازشناساییمازادیاکسری،برنامه­ریزی های لازم رادرجهتجبرانکسرییامصرفمازاد منابع بهمنظوردستیابیبهتعادلنقدینگیدرپایان دورهرا فراهم آورد.

همانگونه که توضیح داده شد مطالعه حاضر بر نظریه مدیریت دارایی- بدهی استوار بوده است. به عبارتی،شکاف پویای دارایی- بدهی در یکی از بانک­های خصوصی کشور طی بازه­ی زمانی یکصد روز آتی با استفاده ازدو الگوی عصبی- فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت(آرفیما)محاسبه گردیده است.در این مطالعه سپرده­هابه عنوان نماینده بخشبدهی­هاو تسهیلات بانکی به عنوان نماینده بخش دارایی­هادر ترازنامه بانک نشان داده شده است. بنابراین، اختلاف مانده تسهیلات و سپرده در بازه­های زمانی مختلف به عنوان شکاف دارایی- بدهی در این پژوهش لحاظ گردیده­اند که با استفاده از پیش بینی این دو متغیر طی بازه­ی زمانی یکصد روز آتی، امکان محاسبه شکاف پویای دارایی- بدهی طی این بازه نیز فراهمگردیده است.

مقایسه نتایج حاصل از پیش بینی دو متغیر سپرده و تسهیلات با استفاده از الگوهای مذکور نشان می­دهد که هر دو الگو از دقت بالایی در پیش بینی برخوردار بوده­اند. با این وجود، الگوی حافظه بلندمدت دقت بیشتری را بر اساس شاخص­های ارزیابی نشان می­دهد. در نهایت، با توجه به نتایج حاصل از پیش بینی مقادیر آتی سپرده و تسهیلات بانک مورد مطالعه با استفاده از الگوهای مذکور، شکاف سپرده و تسهیلات، که برابر اختلاف سپرده و تسهیلات در هر یک از روزهای آتی با استفاده از پیش بینی­های صورت پذیرفته بوده است، محاسبه گردیده که نتایج آن در بخش انتهایینشان داده شده است.

در خاتمه، خاطر نشان می سازد کهبانک ها و موسسات مالی و اعتباری همواره به منظور افزایش سودآوری و جلوگیری از کمبود نقدینگی در مواقع بروز بحران­های مالی در تلاش هستند تا نظارت دقیقی را بر دارایی­ها و بدهی های خود داشته باشند. این مقاله با استفاده از دو الگوی مذکور سعی در برآورد شکاف دارایی-بدهی با استفاده از متغیرهای معرفی شده داشته است و با توجه به دقت بالای آن دو در پیش بینی شکاف دارایی- بدهی در بازه های آتی پیشنهاد می گردد که سیستم بانکی کشور به منظور برخورداری از دیدی آینده نگر نسبت به وضعیت اقلام ترازنامه ای خود، جلوگیری از کمبود نقدینگی و همچنین امکان استفاده از منابع مازاد نقدینگی در فعالیت های سرمایه گذاری الگوهای فوق را مورد استفاده قرار دهند. علاوه بر این،با توجه به اینکه الگوی حافظه بلندمدت دقت بالاتری را در پیش بینی شکاف دارایی- بدهی طی بازه ی آتی داشته و قابلیت پیاده سازی آن در مقایسه با الگوی عصبی- فازی تطبیقی نسبتاً ساده تر بوده است، لذا مدل سازی وضعیت دارایی- بدهی در بانک ها با استفاده از الگوی مذکور پیشنهاد می گردد. علاوه بر این، با توجه به اینکه مدیریت ارشد بانک ها ممکن است پیش بینی سایر اقلام ترازنامه ای را نیز مدنظر داشته باشند، الگوی مذکور می­تواند با لحاظ سایر اقلام دارایی- بدهی نیز توسعه یابند. همچنین، در نظر گرفتن عوامل تاثیرگذار بیرونی بر تسهیلات و سپرده­های بانکی یکی از دیگر اقدامات قابل اجرا با استفاده از مدل سازی اقتصادسنجی بوده است که برای مطالعات آتی پیشنهاد می گردد.



*این مقاله برگرفته از پایان نامه مرتبط با دکتری رشته اقتصاد در دانشگاه علامه طباطبایی است.

1-دانشیار اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبایی، تهران، ایران.(نویسنده اصلی ومسئول مکاتبات)  ghasemi.a@hotmail.com

2-دانشیار اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبایی، تهران، ایران.   javid_bahrami@yahoo.com

3-دانشجوی دکتری اقتصاد دانشگاه علامه طباطبائی، تهران، ایران.  sorayashabani@yahoo.com



1کومار و چاند یاداو، 2013.

[ii] پدرام و دیگران، 1387.

3 تیموثی و مکدونالد، 2003.

[iv] Commercial Loan Theory

[v] Shiftability Theory

[vi]Anticipated Income Theory

[vii] Liability Management Theory

[viii] Asset Liability Management

[ix]بانک مرکزی ج.ا.ا طی بخشنامه شماره 343723 /94 مورخ 25/11/1394، بانک­ها و مؤسسات اعتباری را ملزم به افشای اطلاعات و تهیه صورت­های مالی خود در قالب "استاندارد گزارشگری مالی IFRS" نموده است که تحلیل شکاف سررسیدی دارایی- بدهی یکی از گزارش­های ضروریمورد توجه در بخش مدیریت ریسک نقدینگی بانک ها است.

[x] Kosmidou and zpounidis(2004)

[xi] Dash et al(2005)

[xii]Lileikiene, (2015)

[xiii] Amenc,goltz and Schroder(2009)

[xiv]Chakroun and Abid, (2013)

[xv]Auto regressive fractional integral moving average (ARFIMA)

[xvi] محمدی و طالب لو (1389).

[xvii] عرفانی (1387).

[xviii]مهدی صالحی ، سمانه زمانی مقدم (1393).

[xix]Auto regressive integrated moving average(ARIMA)

[xx] Hosking, 1981.

[xxi] حسین عباسی نژاد و دیگران، (1392).

[xxii] Adaptive neuro-fuzzy inference system(ANFIS).

[xxiii]Jang, J. S. R, 1993

[xxiv]Nayak, P.C et al., 2004; Zounemat-Kermani, M. and Teshnelab. M,2008.

[xxv] artifical neural network(ANN)

[xxvi]Nezamkhiavi, Kh.S. and K. Nezamkhiavi. 2010

[xxvii] tabari, H., Marofi, S., and Savziparvar, A. 2010.

[xxviii] Fausett, L. 1994. ; Ross, T.J. 1995.

[xxix]Jang, J. S. R., Sun, C. T. and Mizutani, E., 1997.

[xxx] Jang, J. S. R, 1993.

[xxxi] degree of fulfillment (firing strength)

[xxxii] Sabziparvar, A.A. and M. BayatVarkeshi. 2010.

[xxxiii] پدرام و دیگران (1387).

[xxxiv]Train

[xxxv]Test

[xxxvi]Haoffi, Z., Guoping, X., Fagting, Y. and Han, Y. (2007).

[xxxvii]out of sample

[xxxviii]Auto correlation function(ACF)

[xxxix] عرفانی (1387).

[xl]Barkoulas,J.  TBaum, C.F.(1996)

[xli] مهدی صالحی و سمانه زمانی مقدم، 1393.

[xlii]R software

[xliii] Auto regressive conditional heteroskedacity effect

[xliv]mean squared error

[xlv] root mean square error

[xlvi]mean absolute error

[xlvii] mean absolute percentage error

[xlviii] accuracy rate

1)   احمدی شالی، جعفر؛ وصفی، مهدی (1396)؛ پیش بینی نقدینگی بر اساس برآورد نقطه ای و بازه ای روش آریما و مقایسه آن با روش هموارسازی نمایی دوگانه، فصلنامه اقتصاد مالی، شماره چهل ام، پاییز ، 159-175.

2)   اسماعیل زاده، علی؛ جوانمردی، حلیمه (1396)؛ طراحی الگوی مناسب مدیریت نقدینگی و پیش بینی ریسک آن در بانک صادرات ایران، فصلنامه اقتصاد مالی، شماره سی و نهم، تابستان، 171-191.

3)     بختیاری،حسن(1385)، روش­هایمؤثرمدیریتنقدینگیدربانک­ها، مجله حسابرس،شماره  34، ص 86-94.

4)   پدرام، مهدی و دیگران(1387)، پیش بینی جریان نقدینگی بانک به منظور تعیین شکاف نقدینگی (یکی از بانک های خصوصی)، مجله مطالعات مالی، پیش شماره دوم، پاییز.

5)   تقوی، مهدی؛ لطفی،علیاصغر(1385)؛بررسیاثراتسیاستهایپولیبرحجمسپردهها وتسهیلاتاعطاییونقدینگی نظامکشور،فصلنامه پژوهشهایاقتصادیایران، شماره 26.

6)   دیواندری، علی و همکاران(1383)، طراحی مدل پیش بینی در مدیریت نقدینگی نهادهای مالی در چارچوب نظام بانکداری بدون ربا با استفاده از شبکه های عصبی"، پیام مدیریت، تابستان و پاییز، شماره 11و 12، صفحه 23-58.

7)   سوری،داوود؛وصال،محمد(1387)؛ روشهاینوینتأمینمالیومدیریتنقدینگیدربانک، مجموعه مقالات نوزدهیمن سمینار بانکداری اسلامی، مؤسسه عالی بانکداری، ص 231-247.

8)   صالحی، مهدی؛ زمانی مقدم، سمانه(1393)؛ بررسی وجود حافظه بلندمدت در شاخص های بورس اوراق بهادار تهران و تاثیر آن بر تئوری بازار کارا از نوع ضعیف، راهبرد مدیریت مالی، شماره چهارم، بهار، 59-71.

9)   صمدی پور، راضیه(1391)، "بررسی و ارزیابی عوامل موثر بر مدیریت بازاریابی جذب نقدینگی در سطح بانک تجارت با استفاده از تکنیک AHP و TOPSIS"، مقطع کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد تهران مرکز.

10) عباسی نژاد، حسین و دیگران(1392)؛ تحلیل و پیش بینی اثرات غیرخطی در بازار نفت؛ برنامه ریزی و بودجه، پاییز، 21-48.

11) عرفانی، علیرضا(1387)، "پیش بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA"، پژوهش نامه علوم انسانی و اجتماعی (علوم اقتصادی)، شماره 28، 76-92.

12) علم الهدی، سید سجاد(1397)؛ بانکداری اسلامی و ریسک یک تحلیل تطبیقی، فصلنامه اقتصاد مالی، شماره چهل و چهارم، پاییز، 69-86.

13) کهنموییثابت،معصومه(1385)؛ طراحیواجرایمدلبهینهمدیریتنقدینگیبانکها، مجموعهمقالاتهجدهمینهمایشبانکداریاسلامیتهران، مؤسسهعالیآموزش بانکداریایران.

14) محمدی، تیمور؛ طالبلو، رضا(1389)؛ پویایی­های تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگوی Arfima-Garch، پژوهشنامه اقتصادی، بهار، 137-170.

15) موسویان، سید عباس؛ کاوند، مجتبی(1389)؛ مدیریت نقدینگی در بانکداری اسلامی، معرفت اقتصادی، پاییز و زمستان، صفحه 35-63.

16)  Amenc, N., Martellini, L. and Ziemann, V (2009), Inflation-Hedging Properties of Real Assets and Implications for Asset–Liability Management Decisions. The Journal of Portfolio Management, 35(4), pp.94-110.

17)  Barkoulas,J.  TBaum, C.F.(1996), long-term dependence in stoch returns economics letters,Volume 53, Issue 3, 253-259.

18)  Chakroun, F. and Abid, F. (n.d.)(2013), A Multiobjective Model for Bank Asset Liability Management: The Case of a Tunisian Bank. SSRN Electronic Journal.

19)  Dash Jr, Gordon H, and Nina Kajiji(2005), A nonlinear goal programming model for efficient asset-liability mamangement of property-liability insurers,  Information Systems and Operational Research 43 (2), pp.135-156.

20)  Fausett, L. (1994), Fundamentals of neural networks architectures algorithms and applications. Prentice-Hall Inc. New Jersey. 476 pp.

21)  Haoffi, Z. Guoping, X., Fagting, Y. and Han, Y. (2007), A Neural Network Model Based on the Multi-Stage

22)   Jang, J. S.R. (1993), ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics 23, 665-685.

23)  Jang, J.S.R., Sun, C.T. and Mizutani, E. (1997), A computational approach to learning and machine intelligence. Neuro-Fuzzy and Soft Computing, Upper Saddle River, NJ: Prentice-Hall.

24)  Kosmidou, kyriaki, and constantin Zopounidis(2004),"combinig goal programming model with simulation analysis for bank asset liability management" ,Information Systems and Operational Research 42(3), pp.175-187.

25)  Lileikienė, Angelė(2015), Analysis of Chosen Strategies of Asset and Liability Management in Commercial Banks." Engineering Economics 57(2 ).

26)  Manish Kumar, Ghanshyam Chand Yadav (2013), liquidity risk management in bank:a conceptual framework, AIMA Journal of Management & Research,Volume 7, Issue 2/4.

27)  Nayak, P.C., Sudheer, K.P., Rangan, D.M. & Ramasastri, K.S. (2004), A Neuro-Fuzzy Computin Technique For Modeling Hydrological Time Series, Journal of Hydrology.

28)  Nezamkhiavi, Kh.S. and K.  Nezamkhiavi  ( 2010), Usage of Adaptive neuro-fuzzy inference system

29)           (ANFIS) in river suspended sediment load estimation (case study: Gharesoo River in Ardabil province).                                                                              Iran. 9th Hydraulic Conference. Tarbiat Modares University. (In Persian)

30)  Ross, T.J. (1995), Fuzzy logic with engineering application, McGraw Hill Inc. USA. 585 pp.

31)  Sabziparvar, A.A. and M. Bayat Varkeshi.( 2010), Accuracy evaluation of ANN and Neuro-Fuzzy in global solar radiation, Iranian Journal of Physics Research. 10: 347-357. (In Persian)

32)  Timothy W. Koch, Scott MacDonald(2003), Book: " Bank Management", South-Western College Publishing, Mason, Ohio.

33)  Wang, Jie-Sheng, Ning, chen-xu, (2015), ANFIS based time series prediction method of bank cash flow optimized by adaptive population activity PSO algorithm, information, pp.300-313.

34)  Wang, l.sh, Ning, ch,x. & Cui, w.h.(2014), Time Series Prediction Method of Bank Cash Flow and Simulation Comparison, University of Science and Technology Liaoning.

35)  Wang, l.sh, Ning, ch,x. & Cui, w.h.(2015), Time Series Prediction of Bank Cash Flow Based on Grey Neural Network Algorithm. School of Electronic and Information, University of Science and Technology Liaoning.

36)  Zounemat-Kermani, M. and Teshnelab. M (2008), Using Adaptive Neuro-Fuzzy Inference System For Hydrological Time Series Prediction, Applied Soft Computing, 8 (1), pp 928-936.

 

 

یادداشت‌ها