مدل سازی نرخ ارز با استفاده از خانواده مدل های Arch

Modeling Exchange Rates Using Arch Family Of Models

چکیده
مقدمه
بررسی آزمایشگاهی
متدولوژی
آنالیز داده ها
آنالیز مدل های خانواده ARCH و مقایسه
آنالیز مدل ARCH
نتیجه گیری ها
منابع

چکیده
در این مطالعه، پس از بررسی مختصر، سری های زمانی نرخ مبادله RON/EURO در دوره زمانی 0.3.01.2005-0.5.02.2015 آنالیز می شود.

پس از بررسی سکون داده ها- مدل های ARCH، GARCH، EGARCH و TARCH توسعه می یابند و همچنین مقایسه می شوند. سپس بهترین مدل انتخاب می شود و تست ژارک= برا با نتیجه گیری های مختلف آنالیز می شود.

بررسی آزمایشگاهی
مدل های خانواده ARCH اغلب برای مجموعه های زمانی نرخ مبادله استفاده می شود. بیشتر مقالات در این حوزه از منابع با آنالیز نوسان نرخ مبادله یا با پیش بینی نرخ های مبادله سروکار دارد.

روش (ARCH) خودهمبسته شرطی اتورگرسیو برای مدلسازی نوسان توسط (اینگل، 1982) معرفی شده است، که خودهمبستگی را با مرتبط دادن واریانس شرطی دوره اختلال به ترکیب خطی از نوسانات مربعات در گذشته مدلسازی می کند.

مدل GARCH یک مدل ARCH تعمیم یافته است که توسط (بارلروف، 1986) بوسیله مدلسازی واریانی شرطی بدست می آید که به مقادیر تاخیری آن و همچنین مقادیر تاخیر مربعات آشوب وابسته است.

سایر مدل های خانواده ARCH عبارتند از: مدل EGARCH که توسط نلسون (1991) ارائه شده است یا مدل معرفی شده TARCH که بطور مستقلی توسط گلاشتن، جاناتان، و رانکل (1993) و زاکویان (1994) معرفی شده است. مدل های مختلف ARCH به منظور آنالیز نوسان نرخ های مبادله در کشورهای مختلف به کار گرفته می شود. برای مثال، برخی مطالعات عبارتند از: (بناویدس، 2006) که در آن مولف پیش بینی نوسان برای نرخ مبادله دلار آمریکا در برابر پزوی مکزیک را آنالیز می کند، (ترنکا و همکاران، 2011) که ارزیابی نرخ مبادله برای یورو/رون، دلار/رون، ین/ رون، پوند انگلیس/ رون، فرانک سوئیس/رون برای دوره پنج ساله از سال 2005 تا سال 2011 را آنالیز می کند، (عالم و همکاران، 2012) که در آن مولفان نرخ های مبادلاتی (BDT) داکای بنگلادش در مقابل (USD) دلار امریکا در دوره زمانی 3 جولای 2006 تا 30 آوریل 2012 را آنالیز می کنند، (موسی و همکاران، 2014) نوسانات نرخ مبادله ای بین نایرا و دلار امریکا را با استفاده از مدل های GARCH پیش بینی می کنند.

تاثیر مدیریت سود بر کارایی بانک: شواهدی از بانک های تحت نظارت بانک مرکزی اروپا

The effect of earnings management on bank efficiency: Evidence from ECB-supervised banks

چکیده

1- مقدمه

2- مسیر متدولوژی

3- نتایج تجربی

4- نتیجه گیری

منابع

چکیده
     این مطالعه به بررسی تأثیر مدیریت سود روی راندمان و بهره وری بانک های منطقه ی یورو می پردازد، ضمن اینکه تکامل زمانی آن را تا زمان اجرای استانداردهای گزارشگری مالی بین المللی 9 بررسی می کند. ما با استفاده از داده های مروبط به 70 بانک متوجه می شویم که مدیریت سود، که به صورت ذخیره ی زیان وام اختیاری تعریف شده، راندمان و بهره وری را به صورت منفی تحت تأثیر قرار می دهد. ضمنا، زمانی که ما ذخایر غیراختیاری را درنظر می گیریم (آن ذخایری که از طبق تعهدات قانونی مورد نیاز می باشند)، تأثیر مثبت ذخایر وام روی راندمان و بهره وری تخصیصی را برآورد می کنیم – درست برخلاف تأثیر منفی ذخایر اختیاری. این یافته به تأکید بر اهمیت تعریف کافی و مناسب مدیریت سود کمک می کند، از جمله برای هدف آنالیز تأثیر آن روی راندمان و بهره وری بانکداری.

2- مسیر متدولوژی
2-1 نمونه
     نمونه ی استفاده شده در این مطالعه مشتکل از 70 بانک تحت نظارت ECB است. بانک های تحت نظارت مستقیم ECB 82% دارایی های بانکداری در منطقه ی یورو را نشان می دهند (بانک مرکزی اروپا، 2018) و بانک های گنجانده شده در نمونه، در سال 2017، با 81% از کل دارایی های بانک های تحت نظارت بانک مرکزی اروپا مطابقت داشتند. جدول 1 جمعیت و نمونه ی ما را در سراسر کشور مقایسه می کند. ما بازه ی زمانی 2013-2017 را مورد مطالعه قرار می دهیم.

2-2 متغیرها     در جدول 2 ما متغیرهای وابسته و مستقل استفاده شده در مطالعه ی خود را نشان می دهیم. راندمان اقتصادی یا بهره وری هزینه (CE) همراه با راندمان فنی (TE) و راندمان تخصیصی (AE) محاسبه می شود. در مورد متغیرهای تبیینی، سه اندازه گیری متفاوت از مدیریت سود بکار گرفته می شوند. اولین معیار اندازه گیری به المان اختیاری LLP اشاره می کند و به صورت تخمین باقیمانده ی مدل اثرات تصادفی داده های پانلی (جدول داده ها) بدست می آید (همراستا با ادبیات پژوهشی مربوطه – برای مثال، الحدب و الاون، 2019؛ دستا، 2017؛ کولسی و گراسا، 2017):

     که در اینجا α_0,…,α_3 به ترتیب پارامترهای i و t را نشان می دهند که به ترتیب شاخص های واحد و زمان می باشند، ϵ خطا را نشان می دهد، و معنای عبارات باقیمانده به شرح زیر می باشند: LLP – ذخایر زیان وام؛ TL- کل وام ها؛ NPL- وام های غیرجاری هستند. جایگزینی برای مؤلفه ی اختیاری ذخایر از طریق برآورد باقیمانده از این مدل ارائه می شود – که این به صورت RD نشان داده می شود.

تأثیر COVID-19 بر بانک‌های دیجیتالی: آیا آنها برنده هستند یا بازنده؟

The impact of COVID‑19 on digital‑only banks: are they winners or losers?

چکیده

مقدمه

چارچوب های نظری

تحلیل استراتژیک بانک های صرفا دیجیتالی

نقاط قوت

نقاط ضعف

فرصت ها

تهدیدات

تحلیل استراتژیک: خلاصه

تحلیل مالی بانک های صرفا دیجیتالی

ویژگی های کلی نهادهای منتخب

تحلیل مالی

نتیجه گیری

منابع

چکیده

     هدف این مقاله، شناسایی تاثیر پاندمی کووید 19 بر عملیات بانک های صرفا دیجیتالی می باشد. بدین منظور، از دو روش استفاده شده است. روش اول، تحلیل استراتژیک و روش دوم، تحلیل مالی بانک های صرفا دیجیتالی است که دو دوره را پوشش می دهد، یعنی، قبل از ظهور پاندمی کووید 19(2018-2019) و طی پاندمی ویروس کرونا(2020). تحلیل استراتژیک بانک های صرفا دیجیتالی نشان داده است که آنها نقاط ضعف زیادی دارند، و واقعیت اینکه با تهدیدات زیادی مواجه هستند که دلیل آن، سن بانک های فین تک و رقابت بانک های سنتی است که بانکداری اینترنتی و موبایلی را ایجاد و توسعه داده اند. تحلیل های مقدماتی انجام شده برای بانک های صرفا دیجیتالی نشان می دهند که بیشتر آنها زیان هایی داشته اند و این زیان ها در سطح عملیاتی است. نسبت های بازگشت سرمایه و بازده حقوق صاحبان سهام در سال 2020 کمی بهبود یافت و در بیشتر موارد، درآمد بهره ایجاد شده بالاتر از هزینه های بهره بود.

چارچوب های نظری
     بانک های صرفا دیجیتالی، تنها درباره بانکداری آنلاین یا موبایلی نیستند. مفهوم منسجمی از نهادی است که از طریق استفاده از تکنولوژی مدرن، یعنی توسط اپلیکیشن ها یا وب سایت ها، خدماتی به مشتریان ارائه می دهد. اکثریت بانک های صرفا دیجیتالی هیچ گونه دفاتر یا شعبی ندارند، یا تعداد شعب یا دفاتر آنها بسیار کم است. بانک های صرفا دیجیتالی، شعب بانک های موجود نیستند، بلکه نهادهای جدیدی هستند که بدون پول یا منابع ایجاد شدند. بانک های فین تک از پیشرفته ترین تکنولوژی ها از جمله ارز رمزنگاری شده، تکنیک های دفترکل توزیع شده، هوش مصنوعی، داده های بزرگ یا یادگیری عمیق استفاده می کنند[21]. بنابراین، در زمینه بانک های صرفا دیجیتالی، می توانیم درباره یک مدل کسب و کار کاملا جدید صحبت کنیم[19،33،37].

     با وجود این، سردرگمی مفهومی در ادبیات وجود دارد[16]. زمانی که به دنبال اطلاعات در زمینه بانک های صرفا الکترونیکی هستیم، افراد ممکن است با اصطلاحات بسیار مختلفی مواجه شوند، که غالبا به اشتباه به عنوان مترادف استفاده شده اند. فهرست واژگانی که در زمینه مسئله مورد بحث وجود دارد، شامل این موارد می باشد: بانک های صرفا دیجیتالی، بانک های چالشگر، نئوبانک ها، بانک های فین تک یا بتابانک ها. علاوه بر این، این اصطلاحات تعریف می شوند و توسط نویسندگان مختلف، به صورت متفاوت تبیین می شوند. بنابراین، تصمیم گرفته شد تا تمام اصطلاحاتی که نویسنده طی مروری بر ادبیات پیشین با آن مواجه شد را مرتب و فهرست کند. جدول 1، اصطلاحات منتخب را با تعاریف و ارجاع آنها به مقالات نشان می دهد.

     تحقیقات تجربی در زمینه بانک های صرفا دیجیتالی بخاطر پیشینه عملیاتی کوتاه آنها و بیشتر، به خاطر عدم دسترسی به داده(سری های زمانی کوتاه مدت) بسیار محدود است. به طور مثال، چوی[7]، لایو[22]، یا اومی و هانگ[32] بر روی ویژگی های کلی بانک های صرفا دیجیتالی تمرکز کردند و درباره نمونه هایی از بازارهای منتخب بحث نمودند. برخی کارها[3-5] بر جنبه تعریفی مرتبط با بانک های صرفا دیجیتالی تمرکز دارند، در حالیکه، برخی تاثیر بخش فین تک به عنوان یک بانکداری کل را مد نظر قرار می دهند[35،39،41،42].

استفاده از تاثیر حرکت در تجارت ارزهای دیجیتال مبتنی بر یادگیری ماشین

Leveraging the momentum effect in machine learning-based cryptocurrency trading

چکیده

1- مقدمه

2- کارها و تحقیقات مرتبط

3- رویکرد ذهنی و اکتشافی

4- روش پیشنهادی

5- آزمایش ها

6- نتیجه گیری و کارهای آتی

منابع

چکیده

     تجارت ارز دیجیتال (رمزارز) در میان سرمایه گذاران بخش خصوصی بیش از پیش به محبوبیت رسیده است. مطابق با مطالعات اخیر، تأثیر مومنتوم بازار پایه را تحت تأثیر قرار می دهد. سیستم های معاملات کمی می توانند برای باز و بسته کردن موقعیت های معاملاتی شاخص های مومنتوم را اهرم قرار داده و نهایت استفاده را از آن ها ببرند. با این حال، رویکردهای موجود که تأثیر مومنتوم (تأثیر نیروی حرکت قیمت) در معاملات ارز دیجیتال (رمزارز) را بکار می گیرند به یادگیری ماشین اتکا نمی کنند. از آنجایی که این سیستم ها بر اساس قواعد و مقررات ایجاد شده توسط انسان ها می باشند متناسب با شرایط بسیار ناپایدار و شناور، که در بازارهای ارز دیجیتال کاملا معمول و رایج هستند، نمی باشند. این مقاله استفاده از رویکردهای یادگیری ماشین و اعمال نفوذ آن برای تشخیص اتوماتیک اثر مومنتوم در داده های بازار ارز دیجیتال را پیشنهاد می کند. برای هر ارز دیجیتال احتمال اینکه با اثر مومنتوم روی روز بعدی معامله گری و همچنین جهت مومنتوم تحت تأثیر قرار بگیرد را برآورد می کند. یک جلسه شبیه سازی و آزمون بازخورد، که روی سه ارز دیجیتال بسیار متداول و پرطرفدار انجام شده، نشان می دهد که مدل های یادگیری ماشین توانایی پیش بینی، تقریب خوب، نوسان کوتاه مدت قیمت و به موجب آن کاهش تعداد سیگنال های کاذب معامله و افزایش بازده سود سرمایه را در مقایسه با پیشرفته ترین رویکردها دارند.

کارها و تحقیقات مرتبط

رویکردهای مبتنی بر یادگیری ماشین برای معامله ی ارز دیجیتال

هرچند استفاده از یادگیری ماشین برای پیش بینی بازار سهام مقرر شده است (بوستوس و پومارس-کویمبایا، 2020؛ هوانگ و همکاران، 2019؛ اوبای اوغلو و همکاران، 2020؛ راندو و دی استالو، 2019)، برای تطبیق سیستم های معامله ی ارز با بازار ارز دیجیتال تلاش های کمی صورت گرفته است. به طور مشخص، آتاناسیو و همکاران (2019) کاربرد تکنیک های سنتی طبقه بندی مثل ماشین های بردار پشتیبان و درخت های تصمیم گیری را برای پیش بینی قیمت روز بعد ارز دیجیتال مورد ارزیابی قرار داده اند، درحالیکه در پژوهش های لاهمیری و بکیروس (2021)، لیویریس و همکاران (a2020) نویسندگان استفاده از تکنیک های یادگیری ژرف را مورد بررسی دقیق قرار داده اند. جنبه ی کلیدی کشف و بررسی انواع مختلف ورودی داده هایی مثل شاخص های مالی کلان و اطلاعات بلاک چین می باشد. علاوه براین، داده های شبکه های اجتماعی نیز برای پیش بینی قیمت های ارزهای دیجیتال مثل داده های توییتر (کرایجولد و دی اسمت، 2020) یا گیت هاب (GitHub) و داده های ردیت (گلنسکی و همکاران، 2019) بکار گرفته شده اند. حوزه ی فعالیت دیگری استفاده از روش های ترکیبی را بررسی می کند، ضمن اینکه به بررسی دقیق استفاده از رویکردهای سطحی استاندارد، مثل جنگل های تصادفی و ماشین افزایش گرادیان تصادفی (دربنتسف و همکاران، 2021)، و استفاده از مدل های یادگیری عمیق به عنوان یادگیران مؤلفه و اجزاء تشکیل دهنده (لیویریس و همکاران، b2020) می پردازند. سان و همکاران (2020) داده های روزانه ی قیمت مربوط به 42 ارز دیجیتال با شاخص های کلیدی اقتصادی بدست آمده از بازارهای سهام و بدون پشتوانه (Fiat market) را ترکیب می کنند تا الگوریتم درخت تصمیم گیری افزایش گرادیان را آموزش دهند. با این حال، تمامی ویژگی های فوق معمولا با درجه ی بالایی از اختلال و جنجال مشخص می شوند لذا فرآیند استنباط را پیچیده کرده و به راحتی قابل توضیح نیست. در راستای غلبه بر این مسئله، ژانگ و همکاران (2021) استفاده از یک واحد حافظه هوشیار و دقیق را پیشنهاد می کنند که واحد بازگشتی (تکرارشونده) درگاهی را با یک مؤلفه ی خودنگرش ترکیب می کند تا برای هر توالی ورودی حافظه ی هوشیار و دقیق ایجاد کند. نتایج تأیید می کنند که توالی خام و اولیه در حال حاضر اکثر اطلاعات مربوطه را ادغام می کند درحالیکه اطلاعات موقعیتی و زمینه ای به شدت برای ایجاد مدل های پیش بینی کننده ی دقیق قابل استفاده است. به جای پرداختن به پیش بینی کوتاه مدت قیمت مثل اثر لاهمیری و بکیروس (2021)، لیویریس و همکاران (a2020)، ژانگ و همکاران (2021)، این مقاله یک استراتژی جدید مبتنی بر یادگیری ماشین را با هدف پیش بینی اثر واکنش افراطی پیشنهاد می کند. از این رو، این استراتژی ویژگی های بازار پایه که با شواهد تجربی اخیر نمایان شده اند را دربر می گیرد (کاپورال و پلاستون، 2020) تا نهایت استفاده را از قدرت پیش بینی مدل های یادگیری ماشین برای قیمت های مبتنی بر تاریخ ببرد. ما معتقدیم که این اولین تلاش برای استفاده از یادگیری ماشین برای انجام معامله ی ارز دیجیتال براساس مومونتوم است.

کاربردهای اثر مومنتوم در حوزه ی مالی

     بازار ارز دیجیتال یک مورد به خصوص جدید و نسبتا ناشناخته از بازار به شدت آسیب پذیر نسبت به واکنش های افراطی با توجه به نوسان بالای آن در مقایسه با بازارهای سنتی مثل بازار ارز خارجی (فارکس)، بازارهای کالا و سهام و غیره می باشد. مطالعات اخیر (بارتوس، 2015؛ اورکوهارت، 2016) راندمان و کارایی آن، ویژگی های حافظه ی بلند و پایداری و دوام قیمت (باریویرا، 2017)، وجود حباب های قیمت (کوربت و همکاران، 2018)، رقابت پذیری (کاندال و هالابوردا، 2014)، مسئله ی پیش بینی پذیری قیمت (پلاستون و همکاران، 2021)، و وجود ناهنجاری های آن (کوریهارا و فوکوشیما، 2017) را تجزیه و تحلیل کرده اند

اثرات احساسات سرمایه گذار بر بازده، جریان های نقدی، نرخ تنزیل و عملکرد

The impact of investor sentiment on returns, cash flows, discount rates, and performance

چکیده

1 مقدمه

2 بررسی پژوهش ها و فرضیات مرتبط

3 طرح پژوهشی

4 روش های اندازه گیری متغیرها

5 یافته های تجربی و بحث

6 نتیجه گیری

اعلامیه ی منافع رقابتی

منابع

چکیده

     اعتقاد بر این است که احساسات سرمایه گذار نقش معنادار و فزاینده ای در فعالیت های تجاری و اقتصادی ایفا می کند. ما از طریق تحلیل داده های جمع آوری شده از نمونه ی شرکت های غیر مالی پذیرفته شده در پاکستان بین 2009-2018، رفتار سرمایه گذار و چگونگی تاثیرشان بر بازده بازار، نقدینگی، نرخ تنزیل و کارائی سازمان را کمی سازی کردیم. ما دریافتیم که احساسات سرمایه گذار بر فعالیت های بازار، اثر معناداری دارد و یافته های ما با تئوری های مالی رفتاری موجود همخوانی دارد. پژوهش ما نه تنها تاییدیه ی نظری از اهمیت احساسات سرمایه گذار در شاخص های مجموع بازار و و سطح شرکتی پیشنهاد ، بلکه دیدگاه های جدیدی درباره ی احساسات بازار محور، خبر محور و شبکه های اجتماعی محور در بستر بازار پاکستان را نیز ارائه می دهد.

بررسی پژوهش ها و فرضیات مرتبط
کارهای پیشین بر روی پروکسی های ( نماینده های) احساسات
     پژوهش های قبلی ارزش اخبار و تاثیرشان بر روی خلق و خوی عموم، بازارها و فعالیت های تجاری را اثبات کرده اند (تتلاک، 2007؛ ژانگ و همکارانش، 2018) زیرا که اخبار، ابزار اولیه برای جذب سرمایه گذار است (گونتاس و همکارانش، 2019). سرمایه گذاران محتوای خبری را بر اساس خوب یا بد بودنشان تقسیم بندی می کنند (دپکن،2001). بین اخبار اقتصادی و بازار سهام، یک ارتباط قوی وجود دارد (بیرز و لوت، 2011). به همین ترتیب، رسانه ی اجتماعی هم به ابزاری قدرتمند برای بررسی خلق و خوی سرمایه گذاران که به طور خاصی بر روی بازار سهام اثر می گذارد، تبدیل شده است (نیسار و یئونگ، 2018) و در امور مالی پروکسی های مبتنی بر بازار، یکی از شناخته ترین نماینده ها هستند. هوانگ و همکارانش (2015) به منظور توضیح عملکرد سهام برای گرایشات احساسی بازار از شاخص ها استفاده کردند. برای مثال، نقدینگی بازار می تواند به عنوان شاخص خوبی برای احساسات بازار مطرح شود ( هسیه و نکوین، 2020). همانطور که هسیه و نگوین (2020) متوجه شدند، عدم قطعیت سیاست اقتصادی (EPU) در وسعت بازار، نقش مهمی در به حرکت درآوردن احساسات سرمایه گذار ایفا می کند.

     رخدادهای اقتصادی و غیر اقتصادی می تواند احساسات را تحت تاثیر قرار دهد. تلویزیون، رسانه ی اجتماعی و دیگر رسانه ها می توانند اثر قابل توجهی بر روی خلق و خوی مردم بگذارند (لپوری، 2015)، و شرایط جوی همچنین روانشناسی انسان را تحت تاثیر قرار می دهند ( باسسی و همکارانش، 2013). متقابلا، قادان و آهارون (2019)، بر اساس پرسش نامه ای مبنی بر نظرسنجی، این موضوع را که احساسات ممکن است توسط رخدادهای غیر اقتصادی هم برانگیخته شوند، را مطرح کردند.

احساسات سرمایه گذار و نتایج بازار سهام
     احساسات نقش به سزایی در تصمیم گیری ایفا می کند (کوهنن و ناتسون،2011) و تمایلات برای سرمایه گذاری در دارایی های پرخطر را افزایش می دهد (مایکلسون و لیستون، 1990). سرمایه گذاران بر اساس وضعیت اقتصادی، نسبت به بازار سهام خوشبین تر شده و نه تنها به عوامل منطقی، بلکه به عوامل غیر منطقی از جمله احساسات سرمایه گذار نیز باور پیدا می کنند (قادان و آهارون، 2019). مطالعات اخیر بیانگر این موضوع هستند که احساسات سرمایه گذار عملکرد امنیت مالی را توضیح می دهد. علاوه بر این، چپنی و همکارانش (2020) تاثیر احساسات سرمایه گذار بر اوراق قرضه ی دولتی را بررسی کرده اند. خان و همکارانش (2019) از داده های گوگل ترندز برای استخراج احساسات سرمایه گذار و پیش بینی بازده سهام ایالات متحده استفاده کرده اند. همچنین سیبلی و همکارانش (2016) این موضوع که احساسات سرمایه گذار مبتنی بر مبانی اقتصاد، عملکرد بازار سهام را به طور مقطعی تحت تاثیر قرار می دهد را تایید کرده اند.

عوامل تعیین کننده کیفیت سود در پیش از بحران کرونا: بینش دیگری از دسته بندی سرمایه اصلی بانک

Earnings quality determinants in pre-corona crisis: another insight from bank core capital categories

چکیده

1 مقدمه

2 مروری بر ادبیات

3 توسعه فرضیه

4 روش

5 نتایج و بحث

6 نتیجه گیری و تحقیقات بیشتر

منابع

چکیده

هدف – اقلام تعهدی اختیاری، مقیاس هایی برای کیفیت سود می باشند که مشخص می کنند هرچه ارزش اقلام تعهدی اختیاری بیشتر باشد، عملکرد مدیریت سود بیشتر خواهد بود و برعکس. پیش بینی می شود گزارش های مالی که کیفیت بالایی دارند (‏به خصوص کیفیت سود)، در تصمیم گیری به سرمایه گذاران و سرمایه گذاران بالقوه کمک کنند. این مطالعه عواملی را تجزیه و تحلیل می کند که بر کیفیت سود تاثیر می گذارند، مانند سود از پیش مدیریت شده، نقدینگی و کارایی. در ضمن نویسندگان اثر تعدیل کننده مکانیزم های حاکمیتی را شناسایی می کنند که از طریق نسبت ماموران عالی رتبه مستقل در بانک های تجاری متعارف پذیرفته شده در بورس اوراق بهادار اندونزی نشان داده می شوند.
طرح/روش شناسی/رویکرد – در این مطالعه از ۲۲۶ داده بانکی در دوره بحران پیش از کرونا ۲۰۱۳ تا ۲۰۱۹ استفاده می کنیم. داده ها با استفاده از EViews 10 برای فرضیه و MS Excel برای یک آزمون افتراقی تجزیه و تحلیل شدند.
یافته ها – نتایج حاکی از آن است که سودهای از پیش مدیریت شده، نقدینگی و کارایی، کیفیت سود را تحت تاثیر قرار می دهند. مکانیزم های حاکمیتی می توانند نقدینگی و کارایی را بر کیفیت سود تعدیل کنند، در حالی که سودهای از پیش مدیریت شده را نمی توان تعدیل کرد. دسته های مختلف مکانیزم های مدیریت سود (BUKU)‏ برای هر BUKU نشان داده شده است (BUKU ۱، ۳ و ۴ مدیریت سود را با افزایش سود و BUKU 2 با کاهش سود انجام می دهند)‏. نکته دیگر، اطلاعات مربوط به کیفیت سود بین BuKU 3 با BuKU 3 و BuKU 4 به دلیل تفاوت در مقررات پوشش عملیاتی بانک و سرمایه است.
محدودیت‌ها/پیامدهای پژوهش- انتظار می رود پژوهش های بیشتر عوامل موثر بر کیفیت سود بانکی را با توجه به اعمال IFRS 9 (‏PSAK 71) ‏در اندونزی تجزیه و تحلیل کنند. انتظار می رود که پژوهشگران آینده از روش های ترکیبی برای بررسی داده های صورت های مالی و ارائه بحث جامع و بینش واقعی از مطالعه خود استفاده کنند. تحقیقات آینده نیازمند نمونه های بیشتری از شرکت ها یا یک مقیاس بین المللی (‏بین کشوری)‏ برای به دست آوردن حداکثر نتایج و به طور کلی پذیرفته شدن است.
مفاهیم کاربردی – این پژوهش نشان می دهد که مدیران باید کنترل بیشتری بر سود از پیش مدیریت‌شده و نقدینگی بانک به عنوان انگیزه مدیر برای انجام هموارسازی سود داشته باشند. مدیران نیز باید به بهره وری هزینه و اجرای موثر مکانیزم های حاکمیت برای به حداکثر رساندن کیفیت سود توجه کنند. این پژوهش نیز نشان می دهد که سیاست گذاران می توانند بانک های تجاری را تشویق کنند تا اصول احتیاطی بیشتری را از نظر ذخیره برای وام های شکست خورده به منظور به حداقل رساندن مدیریت سود در بانکداری به کار گیرند.
اصالت/ارزش – مقصود این پژوهش به صورت بحث درمورد آزمون تفاوت بین دسته های سرمایه اصلی بانک (BUKU) و ارتباط آن با کیفیت سود مشخص شد.

مروری بر ادبیات
نظریه نمایندگی
     نظریه نمایندگی رابطه عامل-نماینده را به صورت یک قرارداد تعریف می کند، به طوری که عامل به نماینده اجازه می دهد تصمیم بگیرد (جنسن و مکلینگ، 1976). نظریه نمایندگی، مشارکت مدیریت در مدیریت سود را با توجه به رابطه نظارتی و اصول نمایندگی توضیح می دهد. مدیریت شرکت با به خطر انداختن رابطه مدیریتی، از منافع خود در مقابل سرمایه گذاران محافظت خواهد کرد. اگر سهامداران، اعتباردهندگان، هیئت مدیره های مستقل مدیران و حسابرسان نتوانند به طور مناسب از مکانیزم های کنترل استفاده کنند، مدیریت از قدرت آن ها برای تحقق منافع خود استفاده خواهد کرد (کیروبل و اکمل، 2019).

     نظریه نمایندگی بر این فرض بنا نهاده شده است که هر کسی از منافع شخصی انگیزه می گیرد و منجر به تضاد منافع بین مدیر و نماینده می شود. مدیرانی که به عنوان عوامل بانکی عمل می کنند، تشویق می شوند تا تقاضاهای مالی و روانی خود را برای به دست آوردن سرمایه گذاری ها، اعتبارات و قراردادهای سود افزایش دهند. سهامداران به عنوان مدیران به قراردادها می پیوندند تا ثروت خود را با ایجاد درآمدهای همیشه در حال افزایش بیشتر کنند. مشکلات نمایندگی ناشی از اقدامات فرصت طلبانه عوامل، مانند رفتار مدیریت برای افزایش رونق آن ها، که متفاوت از منافع است، بروز می‌ کند (اسکات، 2012).

نظریه مدیریت سود
براساس نظریه مدیریت سود اطلاعاتی، مدیران از رای خود استفاده می کنند تا باورهای خود را براساس اطلاعاتی که به عنوان افراد خودی (‏اطلاعات شخصی) ‏در مورد چشم انداز سود شرکت در آینده دارند، انتقال دهند. دو نیت، مدیران را در موقعیت مدیریت سود قرار می دهند. اول، اگر گزارش های مدیریت سود انتظارات سرمایه گذاران را دنبال کنند، عملکرد شرکت کاهش خواهد یافت. دوم اینکه تنها شرکت هایی با چشم انداز خوب می توانند در سال جاری می توانند با پذیرش ریسک، برخی از سود در سال بعد را به حداکثر برسانند. از آنجا که اگر سال بعد سود کمتر شود، این اقدام به یک اشکال تبدیل خواهد شد (‏تاکر دان زاروین، ۲۰۰۶)‏.

ارز رمزنگاری شده و ناهنجاری نوسان پذیری پایین

Cryptocurrencies and the low volatility anomaly

چکیده

1. مقدمه

2. داده ها و روش شناسی

3. نتایج تجربی

4. نتیجه گیری ها

چکیده

این مطالعه نابهنجاری نوسان پذیری کم در بازار رمزارز (ارز رمزی) را بررسی میکند. ما با ساخت پورتفوی های کوتاه مدت برای یک نمونه متشکل از 1000 رمزارز برای دوره 28 آوریل 2013 تا 1 نوامبر 2019، هیچ شواهدی از یک تفاوت ارزش مهم (تفاوت ارزش واقعی و ارزش اسمی سهم) با نوسان پذیری کم پیدا نکردیم. این نتیجه با یافته های تجربی از مطالعات حقوق صاحبان سهام، اوراق قرضه، و بازارهای کالا مغایرت دارد و به مباحثه کارایی رمزارزها کمک می کند. ما بر خلاف مطالعات قبلی، پی بردیم که بازار رمزارز بیشتر از آنچه انتظار میرود کارآمد است، حتی بعد از اینکه اندازه های مختلف نمونه را کنترل کردیم، و دوره ها و (یا) روش های ساخت پورتفوی را از نو متعادل ساختیم.

1. مقدمه

حاصل سهام دارای نوسان پذیری زیاد باید یک بازده مورد انتظار باشد. این یکی از مهمترین اصول در مالیه است. با این حال رشته وسیعی از شواهد تجربی این مفهوم را آزمایش نموده اند و نشان داده اند که در حقیقت عکس این قضیه درست است – یعنی اینکه از لحاظ تاریخی سهام دارای نوسان پذیری کم عملکرد بهتری نسبت به سهام دارای نوسان پذیری زیاد داشته اند. هوگن و هینس (1975، 1972) اولین افرادی بودند که عدم یک رابطه مثبت بین ریسک و بازده در مقطع عرضی تجربی از بازده های بازار سهام را بیان کردند. مطالعات آینده با اثبات استوارمندی این یافته ها در نواحی مختلف (آنگ و همکارانش 2006، 2009؛ پِسوانی 2017؛ جاشیپورا و جاشیپورا 2016)، طبقات دارائی (فازینی و پدرسِن 2014) و ابزارهای سنجش جایگزین برای ریسک (چان و همکارانش 1999؛ کلارک و همکارانش 2006)، این یافته ها را تأیید کردند.

4. نتیجه گیری ها

ما در مطالعه حاضر نابهنجاری با نوسان پذیری کم را برای بک نمونه متشکل از 1000 رمزارز برای دوره 28 آوریل 2013 تا 1 نوامبر 2019 بررسی نمودیم. ما بر خلاف تحقیقات قبلی در مورد طبقات دارائی های سنتی، نتوانستیم شواهدی را پیدا کنیم که این تأثیر در بازارهای رمزارز وجود دارد. با اینکه هر دو استراتژی خرید و فروش بازده های مثبتی را ایجاد می کنند اما استراتژی کوتاه مدت با هزینه های صفر، بازده های منفی مهمی را ایجاد می کند، حتی بعد از اینکه اندازه های مختلف نمونه، متعادل سازی مجدد دوره ها، پیش پردازش داده ها و روش های ساخت پورتفوی را کنترل کردیم. توضیحات بالقوه شامل مشکلات نمایندگی، اولویت های چولگی، و سوگیری های رفتاری هستند.

Abstract

This study examines the low volatility anomaly in the cryptocurrency market. Constructing long-short portfolios for a sample of 1000 cryptocurrencies for the period April 28, 2013 – November 1, 2019, we find no evidence of a significant low volatility premium. This result is in contrast to the empirical findings from the equity, bond, and commodity markets and contributes to the debate on the efficiency of cryptocurrencies. In contrast to earlier studies, we find that the cryptocurrency market is far more efficient than expected, even after controlling for different sample sizes, rebalancing periods and / or portfolio construction methodologies.

1. Introduction

Stocks with high volatility should yield high expected return. This is one of the most fundamental principles in finance. However, a wide strand of empirical evidence has put this concept on trial, showing that in fact the opposite is true – Low volatility stocks has historically outperformed high volatility stocks.1 Haugen and Heins (1975, 1972) were the first to document the lack of positive relationship between risk and return in the empirical cross-section of stock market returns. Later studies confirm these findings by demonstrating its robustness across regions (Ang et al., 2006; 2009; Peswani, 2017; Joshipura and Joshipura, 2016), asset classes (Frazzini and Pedersen, 2014), and alternative measures of risk (Chan et al., 1999; Clarke et al., 2006).

4. Conclusion

In this study, we examined the low volatility anomaly for a sample of 1000 cryptocurrencies for the period April 28, 2013–November 1, 2019. Unlike earlier research for traditional asset classes, we cannot find evidence that this effect is present in cryptocurrency markets. While both buy and sell strategies generate positive returns, the zero-cost long-short strategy generates significant negative returns, even after controlling for different sample sizes, rebalancing periods, data preprocessing and portfolio construction methodologies. Potential explanations include agency issues, skewness preferences, and behavioral biases.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ارز رمزنگاری شده و ناهنجاری نوسان پذیری پایین

Cryptocurrencies and the low volatility anomaly

متغیرهای تاثیرگذار بر استفاده از رمزارزها: یک مدل پذیرش فناوری در اسپانیا

Variables Influencing Cryptocurrency Use: A Technology Acceptance Model in Spain

مقدمه

مروری بر مقالات

موضوعات و روشها

جمع آوری داده‌ها

مقیاس‌های اندازه گیری

مشخصات نمونه

متدولوژی آماری

نتایج

تحلیل مدل اندازه گیری

مدل توضیحی قصد استفاده از ارزهای رمزی (تحلیل مدل ساختاری)

بحث و نتیجه گیری

منابع

رمزی درست همانطور که اینترنت نحوه ارتباطات ما را متحول ساخته، در نحوه انجام معاملات تحولات چشمگیری ایجاد خواهد کرد. در حال حاضر بیش از 2،000 ارز رمزی در بازار عرضه می‌شوند، و بسیاری موارد دیگر در عرضه اولیه سکه برای استفاده به عنوان یک روش مبادله در یک اکوسیستم تجاری خاص و یا به عنوان حقوق دارایی‌ها یا بدهی‌ها، وارد بازار می‌شوند. ارزهای رمزی به عنوان یک فن آوری مالی نوظهور، فرصت‌های زیادی را ایجاد می‌کنند، اما ممکن است چالشها و محدودیتهای قابل توجهی را نیز  بوجود آورند. این مقاله، عوامل اصلی توسعه موفقیت آمیز یک ارز رمزی را از دیدگاه رفتار مصرف کننده مورد تجزیه و تحلیل قرار می‌دهد. ما با استفاده از یک چارچوب نظری پذیرش فن آوری، مدلی را بررسی می‌کنیم كه تقریباً می‌تواند 85٪ از موارد قصد استفاده از ارزهای رمزی را توضیح دهد. با کمال تعجب، ریسک عامل مهمی نبود. این امر ممکن است به این دلیل باشد که بیشتر پاسخ دهندگان استفاده از ارزهای رمزی را پرمخاطره می‌دانند. عدم تغییرپذیری در پاسخ آنها به سؤالات در مورد ریسک ادراک شده، می‌تواند توضیحی برای این عدم وجود قدرت تبیین باشد. با این حال، تمایل به مدیریت خطر ارز رمزی می‌تواند یک پیش شرط برای پذیرش آن باشد. پیش بینی عملکرد برای یک ارز رمزی معین، مهم‌ترین عامل موفقیت آن بود. این تحقیق در اسپانیا بر روی افراد دارای تحصیلات دانشگاهی که از  دانش پایه اینترنت برخوردار بودند انجام شد. 

بحث و نتیجه گیری

این تحقیق به دنبال بررسی یک مدل توضیحی از قصد استفاده از فن آوری جدید مالی یعنی ارزهای رمزی مبتنی بر بلاکچین بوده است. مدل ارائه شده بر مبنای متغیرهای مدلهای پذیرش فن آوری UTAUT می‌باشد. ریسک ادراک شده و سواد مالی نیز به عنوان متغیرهای خاص مورد استفاده در تجزیه و تحلیل پذیرش فن آوری مالی افزوده شدند. مدل پیشنهادی 84.8٪ واریانس را در قصد استفاده توضیح می‌دهد.

نتایج حاکی از آن است که متغیرهایی که بیشترین قدرت تبیین برای قصد یک سرمایه گذار برای استفاده از ارزهای رمزی را دارند، عبارتند از امید به عملکرد ( 68.45% از واریانس توضیح داده شده برای قصد استفاده) و شرایط تسهیل کننده (14.81%). امید به تلاش نیز دارای قدرت تبیین قابل توجهی بود، اما تأثیر کمتری داشت (4.99%). بقیه متغیرها (نفوذ اجتماعی، ریسک ادراک شده و سواد مالی) تأثیر قابل توجهی نداشتند (مقدار احتمال >0.1).

The first commercial transaction with the first cryptocurrency in 2010 marked the start of a revolution in transactions. Blockchain and cryptocurrencies will dramatically transform how we do transactions, just as the Internet revolutionized how we communicate. Currently, more than 2,000 cryptocurrencies are quoted on the market, and many more are being launched in initial coin offerings for use as an exchange method in a specific business ecosystem or as rights to assets or liabilities. As an emerging fintech, cryptocurrencies open up many opportunities, but they also pose significant challenges and limitations. This paper analyzes the key factors for the successful development of a cryptocurrency from a consumer-behavior perspective. Using a technology acceptance theoretical framework, we test a model able to explain almost 85% of the intention to use cryptocurrencies. Surprisingly, risk was not a significant factor. This could be because most of the respondents considered operating with cryptocurrencies to be risky; the lack of variability in their responses to the questions about perceived risk would explain this lack of explanatory power. However, willingness to manage cryptocurrency risk could be a precondition for adoption. The performance expectancy for a given cryptocurrency was the most important factor for its success. The research was conducted in Spain with college-educated adults with basic knowledge of the Internet.

DISCUSSION AND CONCLUSION

This research sought to test an explanatory model of the intention to use a new financial technology, namely, blockchain-based cryptocurrencies. The proposed model was based on variables from UTAUT technology acceptance models. Perceived risk and financial literacy were also added, as variables specifically used in the analysis of fintech acceptance. The proposed model explains 84.8% of the variance in the intention to use.

The results indicate that the variables with the greatest explanatory power for an individual investor’s intention to use cryptocurrencies are performance expectancy (explained 68.45% of the variance in the intention to use) and facilitating conditions (14.81%). Effort expectancy also had significant explanatory power, but the influence was smaller (4.99%). The remaining variables (social influence, perceived risk, and financial literacy) did not have a significant influence (p-value > 0.1).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

متغیرهای تاثیرگذار بر استفاده از رمزارزها: یک مدل پذیرش فناوری در اسپانیا

Variables Influencing Cryptocurrency Use: A Technology Acceptance Model in Spain

مقایسه نوآوری بانکی در کشورهای کم درآمد: روش فرامرزی

Comparison of banking innovation in low-income countries: A meta-frontier approach

چکیده

1 مقدمه

2 مواد و روش ها

3 نتایج تجربی و بحث

4 نتیجه گیری

منابع

چکیده

نواوری مالی یک عامل مهم برای پیشرفت در بخش مالی است که بطور مستقیم تاثیر مثبتی بر اقتصاد می گذارد. نواوری مالی می تواند واسطه گری مالی را تغییر و شفافیت و اطمینان پذیری را افزایش دهد. پژوهش ها نشان داده اند که سطوح نواوری مالی در بین کشورهای پردرامد یکسان است. در عین حال، مطالعات حاکی از ان بوده اند که پیشرفت مالی در کشورهای کم درامد، صرف نظر از رشد اقتصادی بسیار متفاوت است که نشان می دهد نواوری مالی نیز در این کشورها متفاوت می باشد. این مطالعه سطح نواوری مالی و عوامل تعیین کننده ی نواوری را در بین کشورهای کم درامد ارزیابی می کند. به طور خاص، در این پژوهش یک رویکرد فرامرزی دو مرحله ای جدید برای براورد نسبت شکاف فناوری ارائه گردید و یک مدل سانسور شده نیز برای تعیین عوامل تاثیر گذار در نظر گرفته شد. نتایج حاکی از ان هستند که در کشورهای کم درامد، نواوری مالی بسیار متفاوت است. رقابت، گنجایش مالی و دسترسی بانکی به عنوان مهمترین عوامل تاثیر گذار بر نواوری مالی شناخته می شوند.

2 مواد و روش ها

2-1 روش شناسی

     دو رویکرد اصلی برای مدل سازی توابع هزینه در ادبیات ارائه شده است: تحلیل پوششی داده ها (DEA) که توسط چارنز، کوپر و رودز (1978) توسعه یافته است و تحلیل مرزی تصادفی (SFA) که از سوی ایگنر، لوول و اشمیت (1977) معرفی شده است. DEA یک روش غیر پارامتری است که از برنامه نویسی خطی استفاده می کند. این روش، داده ها را قطعی فرض می کند و خطاهای سنجش را در نظر قرار نمی دهد. از سوی دیگر، SFA یک رویکرد پارامتری است و از استنباط و خطاهای سنجش تصادفی بهره مند است. این روش یک توزیع کاربردی را به داده ها اختصاص می دهد. با در نظر گرفتن این موضوع که اطلاعات بانکی جمع اوری می شوند و برای سنجش تصادفی و خطاهای بررسی در نظر قرار می گیرند، ما از SFA برای مدل سازی توابع هزینه ی خود بهره بردیم. SFA فرض را بر این می گذارد که هرگونه انحراف از مشاهدات واقعی در تابع هزینه، برگرفته از اختلال و ناکارامدی است. این مورد بر خلاف رویکرد DEA غیر پارامتری است که هرگونه انحراف را همانند ناکارامدی در نظر قرار می دهد. بانک i را در نظر بگیرید که از بردار N با ورودی برای تولید بردارهای R خروجی در زمان t در یک گروه یا کشور استفاده می کند. تابع هزینه ی تصادفی به صورت زیر بیان می شود:

     جایی که و به ترتیب بردار K متغیرهای کنترلی بانک i در زمان t و یک بردار پارامتری ناشناخته در کشور مورد نظر هستند. تابع هزینه می باشد و بیانگر هزینه های کلی بانک i در زمان t است. و نیز به ترتیب بردارهای خطا و بردار ناکارامدی بانک i در زمان t می باشند. مستقل فرض می شود و به عنوان متغیر تصادفی توزیع می گردد که مستقل از است. همانطور که بانک ها در مورد ناکارامدی هزینه ی بالاتری صرف می کنند، زیر صفر نگهداشته می شود و در نتیجه، انتظار داریم که توزیع خطای کلی به سمت راست چولگی داشته باشد. بنابراین، از توزیع نرمال بریده شده به صورت پیروی می کند، جایی که بیانگر برخی متغیرهای برون زا می باشد (باتز و کولی، 1995). دو مرحله برای تعیین فرا مرزی بودن وجود دارد: مرحله ی اول ،ایجاد مرز یک گروه یا کشور می باشد و مرحله ی دوم، حالت فرا مرزی است. براوردهای ادغام شده از مرزهای کشور، متغیر قابل توضیح فرامرزی را ایجاد می کنند. بهره وری هزینه ی بانک i در زمان t در یک کشور معین به صورت زیر تعریف می شود:

     بهره وری هزینه بر اساس مرز کشور، نسبت ارزش پیش بینی شده  می باشد که برای اختلالات تصادفی در متغیر قابل توضیح  تطبیق یافته است. پارامتر ناشناخته ی ، بردار خطاها  و بردار ناکارامدی  را می توان با استفاده از روش براورد راست نمایی ماکزیمم محاسبه نمود در نتیجه، معادله ی (2) به صورت زیر بیان می شود:

تکنیک های کلان داده برای سنجش ریسک بانکداری اعتباری در وام های سهام مسکن

Big Data techniques to measure credit banking risk in home equity loans

چکیده

1. مقدمه

2. مدل ها

3. آزمایشات شبیه سازی

4. نتایج

5. نتیجه گیری

چکیده

امروزه حجم دیتابیس هایی که موسسات مالی مدیریت می کنند به قدری بزرگ است که رسیدگی به این مسئله واجب شده و راهکار این مسئله را می توان در تکنیک های کلان داده ای که روی دیتاست های مالی حجیم برای بخش بندی گروه های خطر اعمال می شود یافت. در این مقاله، وجود دیتاست های بزرگ از طریق توسعه ی برخی آزمایشات مونت کارلو با استفاده از تکنیک ها و الگوریتم های شناخته شده پیگیری می شود. علاوه بر این، یک مدل ترکیبی خطی (LLM) به عنوان یک کمک جدید افزایشی برای محاسبه ی خطر اعتبار موسسات مالی پیاده می-شود. این آزمایشات رایانشی با ترکیب های متعددی از اندازه ها و شکل های دیتاست توسعه می یابند تا گستره ی وسیعی از موارد را پوشش دهیم. نتایج نشان می دهند که دیتاست های بزرگ نیازمند تکنیک ها و الگوریتم های کلان داده ای هستند که تخمین کننده های سریع تر و تک مبنایی نشان دهند. کلان داده می تواند به استخراج ارزش داده ها کمک کرده و در نتیجه تصمیمات بهتری را می توان بدون مولفه ی زمان اجرا، اتخاذ کرد. از طریق این تکنیک ها، موسسات مالی هنگام پیش بینی این که کدام مشتریان در پرداخت های خود موفق خواهند بود، با خطر کمتری مواجه خواهند بود. متعاقبا، افراد بیشتری می توانند به وام های اعتباری دسترسی داشته باشند. 

1. مقدمه

هر سیستم امتیازدهی اعتباری که امکان ارزیابی خودکار خطرات مربوط به عملیات بانک داری را فراهم کند، امتیازدهی اعتبار نامیده می شود. این خطر ممکن است به مشتریان و مشخصه های اعتباری متعددی وابسته باشد، مانند پرداخت بدهی، نوع اعتبار، سررسید، مقدار وام و سایر ویژگی های ذاتی در عملیات های مالی. یک سیستم عینی برای تایید اعتبار، نیازمند وابستگی بر نظر آنالیزورها نمی باشد. 

5. نتیجه گیری

در این آزمایش پژوهشی، قصد ایجاد فایل هایی بود که بتوانند وام ها را برای هر شعبه ی بانکی، بدون وابستگی به یک کشور یا موسسه ی خاص نمایش دهند. به همین منظور، دیتاست های تصادفی از N=2000 تا N=10,000 رکورد و از p=1 تا p=250 متغیر توضیحی را شبیه سازی کردیم. 

هشت روش ارائه شد: QDA، CART، PRUNECART، LM، LMM، LSVM، GLMLOGIT و NN. برای هر روش، مقیاس های کارآمدی و بازده محاسبه شد. موثرترین روش ها GLMLOGIT و LMM هستند. LM، LMM و GLMLOGIT بیشترین بازده رایانشی را دارند و بعد از آن ها، QDA و CART قرار دارند. برای دیتاست های بزرگ، LMM کم ترین زمان را صرف می کند و GLMLOGIT نیز برای دیتاست های کوچک کم ترین زمان را دارد.

Abstract

Nowadays, the volume of databases that financial companies manage is so great that it has become necessary to address this problem, and the solution to this can be found in Big Data techniques applied to massive financial datasets for segmenting risk groups. In this paper, the presence of large datasets is approached through the development of some Monte Carlo experiments using known techniques and algorithms. In addition, a linear mixed model (LMM) has been implemented as a new incremental contribution to calculate the credit risk of financial companies. These computational experiments are developed with several combinations of dataset sizes and forms to cover a wide variety of cases. Results reveal that large datasets need Big Data techniques and algorithms that yield faster and unbiased estimators. Big Data can help to extract the value of data and thus better decisions can be made without the runtime component. Through these techniques, there would be less risk for financial companies when predicting which clients will be successful in their payments. Consequently, more people could have access to credit loans.

1. Introduction

Any credit rating system that enables the automatic assessment of the risk associated to a banking operation is called credit scoring. This risk may depend on several customer and credit characteristics, such as solvency, type of credit, maturity, loan amount, and other features inherent in financial operations. It is an objective system for approving credit that does not depend on the analyst’s discretion.

In the 1960s, coinciding with the massive demand for credit cards, financial companies began applying credit scoring techniques as a means of assessing their exposure to risk insolvency (Altman, 1998). At the same time, the United States also began to develop and apply credit scoring techniques to assess credit risk assessment and to estimate the probability of default (Escalona Cortés, 2011).

5. Conclusions

In this research experiment, the intention was to make files that can represent loans for any bank branch, without depending on a specific country or particular institution. For this reason, we simulated random datasets from N = 2000 to N = 100,000 records and from p = 1 to p = 250 explanatory variables.

Eight methods were proposed: QDA, CART, PRUNECART, LM, LMM, LSVM, GLMLOGIT, and NN. For each method, measures of effectiveness and efficiency were calculated. The most effective methods are GLMLOGIT and LMM. LM, LMM, and GLMLOGIT are the most computationally efficient methods, followed by QDA and CART. For large datasets, LMM takes less elapsed time, and so does GLMLOGIT for short datasets.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تکنیک های کلان داده برای سنجش ریسک بانکداری اعتباری در وام های سهام مسکن

Big Data techniques to measure credit banking risk in home equity loans