شناسایی مولفه‌های اثر گذار بر ریسک نقدینگی بانک‌های بورس اوراق بهادارتهران با مدل‌ رگرسیون انتقال ملایم

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، مدیریت صنعتی - مالی، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران

2 استادیار گروه مدیریت، دانشکده صنایع و مدیریت، دانشگاه صنعتی شاهرود، شاهرود، ایران

3 استاد گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

4 دانشیار گروه مدیریت صنعتی، دانشگاه تربیت مدرس، تهران، ایران

چکیده

هدف این مطالعه شناسایی مولفه­های اثر گذار بر ریسک نقدینگی بانک بود. ریسک نقدینگی ناشی از ناتوانی یک بانک در پرداخت به موقع بدهی‌ها، ایفای تعهدات و یا عدم توانایی گسترش سبد دارایی‌های پر بازده با هزینه‌ای متعارف است. به عبارت دیگر، هنگامی که یک بانک از نقدینگی کافی برخوردار نباشد قادر نیست به سرعت و با هزینه‌ای معقول وجوه کافی را با افزایش بدهی‌ها و یا تبدیل دارایی‌ها به‌دست آورد که این ناتوانایی بر سودآوری بانک تاثیر خواهد گذاشت. در این مطالعه از اطلاعات آماری 12 بانک پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1390-1402 و مدل رگرسیون انتقال ملایم پنلی استفاده شد. نتایج بدست آمده از این مطالعه بیانگر وجود رابطه غیرخطی بین متغیرهای مالی و اقتصادی با ریسک نقدینگی بوده است. متغیر گذار یا انتقال انتخاب شده در این مطالعه ریسک اعتباری بوده که اثر بالایی بر ریسک نقدینگی و سیاست­های مدیریت نقدینگی بانک دارد. همچنین نتایج نشان داد متغیرهای نسبت دارایی­های نقد به کل دارایی­ها، اندازه بانک، بازده دارایی­ها و رشد اقتصادی اثر منفی بر ریسک نقدینگی داشته و متغیرهای نرخ تورم، نسبت ترکیب سپرده­ها، نسبت کل بدهی به کل دارایی و نسبت سپرده­های کوتاه­مدت به سپرده­های بلندمدت اثر مثبتی بر ریسک نقدینگی دارند.

کلیدواژه‌ها

عنوان مقاله [English]

Identifying the factors affecting the liquidity risk of banks listed on the Tehran Stock Exchange using nonlinear models

نویسندگان [English]

  • Mohammad Hesam Moghaddam 1
  • Seyed Mojtaba Mirlohi 2
  • Reza Tehrani 3
  • Mahmood Dehghan Niri 4
1 PhD Student, Financial Management, Islamic Azad University, North Tehran Branch, Tehran, Iran
2 Assistant Professor, Department of Management, Faculty of Industries and Management, Shahrood University of Technology, Shahrood, Iran
3 Professor, Department of Financial Management, Faculty of Management, University of Tehran, Tehran, Iran
4 Associate Professor, Department of Industrial Management, Tarbiat Modares University, Tehran, Iran
چکیده [English]

The aim of this study was to identify the factors affecting the liquidity risk of a bank. Liquidity risk arises from a bank's inability to pay debts on time, fulfill obligations, or expand its portfolio of high-yielding assets at a reasonable cost. In other words, when a bank does not have sufficient liquidity, it is unable to quickly and at a reasonable cost obtain sufficient funds by increasing debts or converting assets, which will affect the bank's profitability. In this study, statistical data of 12 banks listed on the Tehran Stock Exchange in the period 2011-2023 and the panel smooth transition regression model were used. The results of this study indicate the existence of a nonlinear relationship between financial and economic variables and liquidity risk. The transition variable selected in this study was credit risk, which has a high impact on liquidity risk and bank liquidity management policies. The results also showed that the variables of the ratio of cash assets to total assets, bank size, return on assets and economic growth have a negative impact on liquidity risk, and the variables of the inflation rate, deposit mix ratio, total debt to total assets ratio and short-term deposits to long-term deposits ratio have a positive impact on liquidity risk.

کلیدواژه‌ها [English]

  • Liquidity risk
  • credit risk
  • financial ratios
  • banking system
  • smooth transition regression

مراجع

Adalsteinsson G. (2014). The Liquidity Risk Management Guide: From Policy to Pitfalls. Wiley, 196 p.
Akbarifard, H., Ghasemi-nejad, A., & Rezaei-Jafari, M. (2017). Modeling factors affecting inflation rate in the Iranian economy using the firefly algorithm and the cuckoo algorithm. Quarterly Journal of Applied Economic Theories, 4(3), 143-168 (In Persian).
Alaka, H. A., Oyedele, L.O., Owolabi, H. A., Ajayi, S. O., Bilal, M., & Akinade, O. O. (2016). Methodological approach of construction business failure prediction studies: a review. Construction Management and Economics, 34(11), 808-842.
Anderson H., Calomiris C.W., Jaremski M., Ricjardson G. (2018). Liquidity Risk, Bank Networks, and the Value of Joining the Federal Reserve System. Journal of Money, Credit and Banking, 50(1), 173-201.
Bayat, A., & Bagheri, Z. (2017). Stock price forecasting using the firefly algorithm (FA). Quarterly Journal of Financial Knowledge and Securities Analysis, 10(35), 135-145. (In Persian)
Chen W. (2015). Artificial bee colony algorithm for constrained possibilistic portfolio optimization problem. Physica A: Statistical Mechanics and its Applications, 429(2), 125-139.
Choudhry M., Masek O. (2011). An Introduction to Banking: Liquidity Risk and Asset-Liability Management. Wiley, 384.
Ertenlice O., Kalayci C.B. (2018). A survey of swarm intelligence for portfolio optimization: Algorithms and applications. Swarm and Evolutionary Computation, 39(3), 36-52.
Eslampour, A., & Darabi, R. (2019). Comparison of the predictive power of the firefly algorithm, decision tree algorithm and support vector regression algorithm for predicting systematic risk. Financial Engineering and Securities Management, 11(43), 1-29. (In Persian)
Gudarzi Farahani, Y., Adeli, O., & Jafari, F. (2014). Investigating the asymmetric effects of macroeconomic variables fluctuations on banks' liquidity risk in Iran. Econometric Modeling, 9(3), 139-167. (In Persian)
Imbierowicz B., Rauch C. (2014). The relationship between liquidity risk and credit risk in banks. Journal of Banking & Finance, 40: 242-256.
Khan, M.S., Scheule, H., & Wu, E. (2017). Funding liquidity and bank risk taking. Journal of Banking & Finance, 82(4), 203-216.
Khezrian, M., Naderi, H., & Rastegar, M. (2013). A comprehensive study of liquidity risk management in the banking industry: Identification and classification of components using the meta-synthesis method. Applied Economics Theories, 10(2), 65-96. (In Persian)
Khosroviani, M., & Heydarpour, F. (2014). Modeling for predicting liquidity risk of Iranian state-owned banks using artificial neural networks and accounting indicators. Financial Accounting and Auditing Research, 14(55), 163-180. (In Persian)
Li, M. (2023). Financial investment risk prediction under the application of information interaction Firefly Algorithm combined with Graph Convolutional Network. PLoS ONE 18(9): e0291510.
Mehrara, M., & Bahlolvand, E. (2016). Investigating the factors affecting liquidity risk in the banking industry based on the Bayesian approach: A case study of Iranian banks. Journal of Macroeconomics, 11(22), 13-37. (In Persian)
Morris D., & Kantor-Hendrick L. (2005). Key Considerations in Selecting an Algorithmic Trading Provider. Algorithmic Trading: Precision, Control. Execution, 5(1), 20-28.
Ringbom A., Wang Y., & Wang X. (2008). Liquidity management of exchange reserves in continuous time. Economic Modelling, 27(2), 47-59.
Sefidpoush Khameneh, A., Pour Karim, Y., Hassanzadeh, R., & Zeinali, M. (2014). Design and explanation of a model for predicting default risk of legal customers of Mellat Bank using an artificial intelligence approach (firefly and anteater optimization algorithms). Investment Knowledge, 14(55), 613-638. (In Persian)
Soprano A. (2015). Liquidity Management: A Funding Risk Handbook.
Valipour Pashah, M. (2014). Liquidity risk management in banks; a conceptual framework. Quarterly Journal of Trends, 21(65-66), 201-222 (In Persian).
Wiley, 208 p.
Yang X. (2014). Cuckoo Search and Firefly Algorithm: Theory and Applications. Springer, 360.
Zhang, H., Shi, Y., Yang, X., & Zhou, R. (2021). A firefly algorithm modified support vector machine for the credit risk assessment of supply chain finance. Research in International Business and Finance, 58, 45-68.
Zhou, G., & Wang, S. (2024). Enhancing Credit Rik Decision-Making in Supply Chain Finance with Interpretable Machine Learning Model, in IEEE Access, 13, 14239-14251.
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار