سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

ایزدخواه, مرجان, راعی, رضا, عیوضلو, رضا. (1404). تجزیه‌ و تحلیل عوامل مؤثر بر ریسک سیستمی بانک‌ها در دوره‌های حباب قیمتی با رویکرد یادگیری ماشین. , 15(3), 9-32. doi: 10.48308/jfmp.2025.241238.1522
مرجان ایزدخواه; رضا راعی; رضا عیوضلو. "تجزیه‌ و تحلیل عوامل مؤثر بر ریسک سیستمی بانک‌ها در دوره‌های حباب قیمتی با رویکرد یادگیری ماشین". , 15, 3, 1404, 9-32. doi: 10.48308/jfmp.2025.241238.1522
ایزدخواه, مرجان, راعی, رضا, عیوضلو, رضا. (1404). 'تجزیه‌ و تحلیل عوامل مؤثر بر ریسک سیستمی بانک‌ها در دوره‌های حباب قیمتی با رویکرد یادگیری ماشین', , 15(3), pp. 9-32. doi: 10.48308/jfmp.2025.241238.1522
ایزدخواه, مرجان, راعی, رضا, عیوضلو, رضا. تجزیه‌ و تحلیل عوامل مؤثر بر ریسک سیستمی بانک‌ها در دوره‌های حباب قیمتی با رویکرد یادگیری ماشین. , 1404; 15(3): 9-32. doi: 10.48308/jfmp.2025.241238.1522

تجزیه‌ و تحلیل عوامل مؤثر بر ریسک سیستمی بانک‌ها در دوره‌های حباب قیمتی با رویکرد یادگیری ماشین

چشم انداز مدیریت مالی
دوره 15، شماره 3 - شماره پیاپی 51، آبان 1404، صفحه 9-32    اصل مقاله (1.57 M)
نوع مقاله: علمی - پژوهشی
شناسه دیجیتال (DOI): 10.48308/jfmp.2025.241238.1522
نویسندگان
مرجان ایزدخواه* ؛ رضا راعی؛ رضا عیوضلو
دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.
چکیده
هدف: ریسک سیستمی یکی از مهم‌ترین چالش‌های پیش‌روی نظام‌های مالی، به‌ویژه در شبکه‌های بانکی، به‌شمار می‌رود. این نوع از ریسک، به‌ویژه در زمان وقوع بحران‌های مالی و فروپاشی حباب‌های قیمتی، می‌تواند موجب اختلال‌های گسترده در عملکرد سیستم مالی و سرایت آثار منفی آن به کل اقتصاد شود. پژوهش حاضر با هدف بررسی تأثیر هم‌زمان متغیرهای مالی و شاخص‌های ساختار شبکه‌ای بانک‌ها بر ریسک سیستمی در دوره‌های شکل‌گیری و فروپاشی حباب‌های قیمتی انجام شده است. در این چارچوب، شاخص‌های ساختار شبکه‌ای نظیر معیارهای مرکزیت به‌عنوان مسیرهایی برای انتقال شوک و سرایت بحران در شبکه بانکی تحلیل شده‌اند. در کنار آن، متغیرهای مالی نیز به‌عنوان عوامل مؤثر در افزایش آسیب‌پذیری بانک‌ها نسبت به ریسک‌های سیستمی مورد توجه قرار گرفته‌اند. تحلیل ترکیبی این دو دسته متغیر می‌تواند ضمن شناسایی بانک‌های دارای بیشترین پتانسیل در گسترش بحران، ابزارهای تحلیلی و سیاستی کارآمدتری در اختیار نهادهای ناظر و تنظیم‌گر برای مدیریت و کنترل ریسک‌های سیستمی قرار دهد.

روش: در این پژوهش، با استفاده از داده‌های بانک‌های پذیرفته‌شده در بورس طی بازه زمانی 1393 تا 1402، تأثیر هم‌زمان متغیرهای مالی و شاخص‌های ساختار شبکه‌ای بانک‌ها بر ریسک سیستمی در شرایط وجود حباب‌های قیمتی، با بهره‌گیری از الگوریتم جنگل تصادفی بررسی شده است. نتایج این مدل می‌تواند اهمیت کلی هر یک از متغیرها را در پیش‌بینی ریسک سیستمی نشان دهد. در ادامه، با استفاده از رویکرد ارزش شیپلی، نقش و سهم هر ویژگی در افزایش یا کاهش ریسک سیستمی به‌صورت دقیق‌تری تحلیل شده است.

یافته‌ها: یافته‌های پژوهش نشان می‌دهد که در هر دو مرحله‌ی شکل‌گیری و فروپاشی حباب‌های قیمتی، متغیرهای ساختار شبکه‌ای بانک‌ها نقش مؤثرتری در پیش‌بینی ریسک سیستمی نسبت به متغیرهای مالی ایفا کرده‌اند. با این حال، اهمیت نسبی این دو دسته از ویژگی‌ها در مراحل مختلف چرخه حباب دچار تغییر می‌شود؛ امری که ضرورت توجه به تحلیل‌های مبتنی بر تفکیک دوره‌ای را نشان می‌دهد. در مرحله‌ی شکل‌گیری حباب، متغیرهای مالی، به‌ویژه اندازه بانک و رشد تسهیلات، بیشترین سهم را در افزایش ریسک سیستمی داشته‌اند. همچنین، در میان شاخص‌های ساختار شبکه‌ای، مرکزیت بینابینی و مرکزیت درجه از اهمیت بالایی برخوردار بوده‌اند. در مرحله‌ی فروپاشی حباب، سهم رشد تسهیلات به‌طور قابل توجهی افزایش یافته است؛ این موضوع نشان‌دهنده‌ی نقش تشدیدکننده‌ی این متغیر در بروز ریسک سیستمی طی دوره‌های بحرانی است. همچنین، متغیر اهرم مالی نیز نسبت به مرحله‌ی قبل اهمیت بیشتری در پیش‌بینی ریسک داشته است. در مقابل، میزان اثرگذاری برخی شاخص‌های شبکه‌ای از جمله مرکزیت نزدیکی و مرکزیت درجه کاهش یافته است.

نتیجه‌گیری: نتایج این تحقیق نشان می‌دهد که در شرایط بحرانی، ویژگی‌های درونی بانک‌ها بیش از موقعیت ساختاری‌شان در شبکه مالی، در پیش‌بینی ریسک سیستمی نقش‌آفرین هستند. به‌ویژه در دوره‌های فروپاشی حباب، بانک‌های بزرگ و با نسبت اهرمی بالا که موقعیت واسطه‌ای در شبکه دارند، بیشترین تأثیر را بر افزایش ریسک سیستمی ایفا می‌کنند. این یافته‌ها با نظریه‌های مالی موجود، که بر نقش کلیدی اهرم مالی و اندازه در تشدید بحران‌های بانکی تأکید دارند، هم‌راستا هستند. در مقابل، در دوره‌های شکل‌گیری، متغیرهایی چون رشد وام‌دهی و اندازه بانک مهم‌ترین عوامل مؤثر در افزایش ریسک سیستمی به شمار می‌روند، در حالی که نقش اهرم مالی در این مرحله کم رنگ‌تر است. بر این اساس، پیشنهاد می‌شود که سیاست‌های نظارتی در دوره‌های شکل‌گیری، تمرکز بیشتری بر کنترل رشد اعتباری و پیش‌گیری از انبساط بیش از حد ترازنامه بانک‌ها داشته باشند، تا از انباشت ریسک‌های نهفته و تشدید آسیب‌پذیری سیستم مالی در مراحل بعدی چرخه جلوگیری شود. بر اساس یافته‌های پژوهش، بانک‌ها به‌واسطه تفاوت در ویژگی‌های مالی و ساختار شبکه‌ای، سطوح متفاوتی از مشارکت در ریسک سیستمی دارند. به‌ویژه بانک‌هایی که دارای اندازه بزرگ‌تر، نسبت اهرمی بالاتر یا موقعیت واسطه‌ای در شبکه بانکی هستند، نقش پررنگ‌تری در سرایت بحران‌های مالی ایفا می‌کنند. در چنین شرایطی، اعمال مقررات احتیاطی یکنواخت برای تمامی بانک‌ها نه‌تنها ناکارآمد، بلکه می‌تواند منجر به غفلت از بانک‌های پرریسک و اتلاف منابع نظارتی شود. بر این اساس، ضرورت دارد که نهادهای ناظر و سیاست‌گذار، به جای رویکردهای سنتی مبتنی بر اعمال الزامات یکسان، از چارچوب‌های نظارت مبتنی بر ریسک بهره‌گیرند؛ رویکردی که در آن، شدت نظارت و الزامات احتیاطی متناسب با سطح ریسک سیستمی هر بانک تعیین می‌شود. چنین رویکردی، نه‌تنها بهره‌وری سازوکار نظارتی را افزایش می‌دهد، بلکه توانایی آن در پیشگیری از بروز بحران‌های سیستمی و ارتقای ثبات مالی را نیز تقویت خواهد کرد.
کلیدواژه‌ها
ریسک سیستمی؛ حباب قیمت دارایی‌ها؛ ویژگی‌های ساختار شبکه بانک‌ها؛ متغیرهای مالی بانک‌ها؛ یادگیری ماشین
عنوان مقاله [English]
Analysis of Factors Affecting Systemic Risk of Banks During Price Bubble Periods Using a Machine Learning Approach
نویسندگان [English]
Marjan Izadkhah؛ Reza Raei؛ Reza eivazlu
Department of Finance, College of Management, University of Tehran, Tehran, Iran.
چکیده [English]
Purpose: Systemic risk is one of the most significant challenges facing financial systems, particularly banking networks. This type of risk, especially during financial crises and the Bust of price bubbles, can cause widespread disruptions in the financial system's functioning and transmit its negative effects to the entire economy. This research aims to investigate the simultaneous impact of financial variables and banking network structure indicators on systemic risk during the formation and collapse periods of price bubbles. Within this framework, network structure indicators such as centrality measures are analyzed as channels for shock transmission and contagion within the banking network. Alongside, financial variables are considered as factors increasing banks' vulnerability to systemic risks. The combined analysis of these two sets of variables can provide supervisory and regulatory bodies with more efficient analytical and policy tools for managing and controlling systemic risks, while also identifying banks with the highest potential for spreading crises.

Method: Using data from banks listed on the Stock Exchange from 2014 to 2023, this study examines the simultaneous impact of financial variables and banking network structure indicators on systemic risk in the presence of price bubbles, employing the Random Forest algorithm. The results of this model can show the overall importance of each variable in predicting systemic risk. Subsequently, using the Shapley value approach, the role and contribution of each feature in increasing or decreasing systemic risk are analyzed more precisely.

Findings: The research findings indicate that during both the Boom and Bust phases of price bubbles, banks' network structure variables played a more effective role in predicting systemic risk compared to financial variables. However, the relative importance of these two sets of features changes across different stages of the bubble cycle, highlighting the necessity of period-specific analysis. During the bubble formation phase, financial variables, particularly bank size and loan growth, had the highest share in increasing systemic risk. Also, among network structure indicators, betweenness centrality and degree centrality were of high importance. During the bubble collapse phase, the contribution of loan growth increased significantly; this indicates the amplifying role of this variable in triggering systemic risk during crisis periods. Furthermore, the financial leverage variable also gained more importance in risk prediction compared to the previous phase. Conversely, the impact of some network indicators, including closeness centrality and degree centrality, decreased.

Conclusion: These changes suggest that during crisis conditions, the internal characteristics of banks and their financial risk-taking levels play a more significant role in predicting systemic risk than their structural position in the financial network. Particularly during collapse periods, large, highly leveraged banks with an intermediary position in the network have the greatest impact on increasing systemic risk. In contrast, during formation periods, variables such as lending growth and bank size are the most important factors increasing systemic risk, while the role of financial leverage is less prominent in this stage. Based on the research findings, banks, due to differences in financial characteristics and network structure, have varying levels of contribution to systemic risk. Particularly, banks that are larger, have higher leverage ratios, or hold an intermediary position in the banking network play a more prominent role in the transmission of financial crises. Under such conditions, applying uniform prudential regulations to all banks is not only inefficient but could also lead to neglect of high-risk banks and a waste of supervisory resources. Therefore, it is essential for supervisory institutions and policymakers to utilize risk-based supervision frameworks instead of traditional approaches based on uniform requirements; an approach where the intensity of supervision and prudential requirements is determined proportionally to the systemic risk level of each bank. Such an approach not only increases the efficiency of the supervisory system but also enhances its ability to prevent the occurrence of systemic crises and promote financial stability.
کلیدواژه‌ها [English]
Systemic Risk, Asset Price Bubbles, Banking Network Structure Features, Bank Financial Variables, Machine Learning
مراجع
  1. Acemoglu, D., Ozdaglar, A., & Tahbaz‐Salehi, A. (2015). Systemic risk and stability in financial networks. American Economic Review, 105(2), 564–608.
  2. Acharya, V. V., Engle, R., & Richardson, M. (2012). Capital shortfall: A new approach to ranking and regulating systemic risks. American Economic Review, 102(3), 59–64.
  3. Adrian, T., & Brunnermeier, M. K. (2016). CoVaR. American Economic Review, 106(7), 1705–1741.
  4. Allen, F., & Gale, D. (2000). Financial contagion. Journal of Political Economy, 108(1), 1–33.
  5. Battiston, S., Puliga, M., Kaushik, R., Tasca, P., & Caldarelli, G. (2012). DebtRank: Too central to fail? Scientific Reports, 2, 541.
  6. Benoit, S., Colletaz, G., Hurlin, C., & Pérignon, C. (2017). Where the risks lie: A survey on systemic risk. Review of Finance, 21(1), 109–152.
  7. Brownlees, C. T., & Engle, R. F. (2017). SRISK: A conditional capital shortfall measure of systemic risk. The Review of Financial Studies, 30(1), 48–79.
  8. Battiston, S., Puliga, M., Kaushik, R., Tasca, P., & Caldarelli, G. (2012). DebtRank: Too central to fail? Financial networks, the FED and systemic risk. Scientific Reports, 2(1), 541.
  9. Billio, M., Getmansky, M., Lo, A. W., & Pelizzon, L. (2012). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Journal of Financial Economics, 104(3), 535–559.
  10. Brunnermeier, M. K., & Oehmke, M. (2013). Bubbles, financial crises, and systemic risk. In G. M. Constantinides, M. Harris, & R. M. Stulz (Eds.), Handbook of the Economics of Finance (Vol. 2, pp. 1221–1288). Elsevier.
  11. Craig, B., & von Peter, G. (2014). Interbank tiering and money center banks. Journal of Financial Intermediation, 23(3), 322–347.
  12. Claessens, M. S., & Kose, M. A. (2013). Financial crises explanations, types, and implications.
  13. Chen, C. R., Wei, K. C. J., & Zhang, Y. (2021). Financial networks and systemic risk in the banking sector. Journal of Banking & Finance, 125, 106096.
  14. Danielsson, J., Shin, H. S., & Zigrand, J. P. (2012). Procyclical leverage and endogenous risk. NBER Working Paper, No. 18043.
  15. Drehmann, M., Borio, C., & Tsatsaronis, K. (2012). Characterising the financial cycle: Don’t lose sight of the medium term!. BIS Working Papers No. 380.
  16. Elliott, M., Golub, B., & Jackson, M. O. (2014). Financial networks and contagion. American Economic Review, 104(10), 3115–3153.
  17. Glasserman, P., & Young, H. P. (2016). Contagion in financial networks. Journal of Economic Literature, 54(3), 779–831.
  18. Gujarati, D. N. (2009). Basic econometrics.
  19. Huang, X., Zhou, H., & Zhu, H. (2012). Systemic risk contributions. Journal of Financial Services Research, 42(1), 55–83.
  20. (2009).Global Financial Stability Report: Responding to the Financial Crisis and Measuring Systemic Risk. International Monetary Fund.
  21. IMF, BIS, & FSB. (2009). Guidance to Assess the Systemic Importance of Financial Institutions, Markets and Instruments: Initial Considerations. Report to the G20 Finance Ministers and Governors.
  22. Jordà, Ò., Schularick, M., & Taylor, A. M. (2015). Leveraged bubbles. Journal of Monetary Economics, 76(S), S1–S20.
  23. Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
  24. Laeven, L., Ratnovski, L., & Tong, H. (2016). Bank size, capital, and systemic risk: Some international evidence. Journal of Banking & Finance, 69, S25–S34.
  25. López-Espinosa, G., Moreno, A., Rubia, A., & Valderrama, L. (2012). Short-term wholesale funding and systemic risk: A global bank network perspective. Journal of Financial Stability, 8(4), 242–254.
  26. Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
  27. Minsky, H. P. (1982). Can “It” Happen Again? Essays on Instability and Finance. M.E. Sharpe.
  28. Reinhart, C. M., & Rogoff, K. S. (2009). This Time Is Different: Eight Centuries of Financial Folly. Princeton University Press.
  29. Silva, T. C., Zhao, L., & Aste, T. (2020). Machine learning for financial networks. Journal of Network Theory in Finance, 6(1), 1–20.
آمار
تعداد مشاهده مقاله: 597
تعداد دریافت فایل اصل مقاله: 447