| قیمت: | 175000تومان |
| دسته بندی: | حسابداری و اقتصاد,مدیریت |
سال نشر: ۲۰۲۴
نوع نگارش مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۴۰ صفحه PDF
تعداد صفحه ترجمه فارسی: ۶۲ صفحه WORD
کد محصول: H1112
نام ناشر (پایگاه داده): اشپرینگر
نام مجله: Financial Innovation
عنوان کامل فارسی:
مقاله انگلیسی ترجمه شده ۲۰۲۴ : یک جریان کار یادگیری ماشینی نوآورانه برای تحقیق در مورد بحران مالی سیستماتیک چین با مقدار SHAP و رگرسیون شپلی
عنوان کامل انگلیسی:
An innovative machine learning workflow to research China’s systemic financial crisis with SHAP value and Shapley regression
چکیده فارسی:
این مطالعه یک جریان کار پیشگام و چندمرحلهای را پیشنهاد داد و با بررسی و رفع نقص آن در ارتباط با چگونگی تعیین سیستم شاخص بهصورت عینی، آن را بروزرسانی کرد. سپس از جریان کار به روز شده برای شناسایی احتمال بحران مالی سیستماتیک چین استفاده کرد و تأثیر شاخص های اقتصاد کلان بر بحران را تحلیل کرد. جریان کار نهایی شامل چهار مرحله است: انتخاب شاخص های منطقی، مدل سازی با استفاده از یادگیری نظارت شده، تجزیه تابع داخلی مدل، و انجام استنتاج آماری غیر خطی و ناپارامتریک، که مزایایی مانند انتخاب شاخص هدف، پیش بینی دقیق و شفافیت بالای مدل دارد. علاوه بر این، از آنجایی که نفوذ بینالمللی چین به تدریج در حال افزایش است و گزارش نوزدهمین کنگره ملی حزب کمونیست چین نشان داده است که چین با چالشهای کنترل ریسک شدیدی مواجه است و تأکید کرده که دولت باید تضمین کند که هیچ ریسک سیستمیک به وجود نخواهد آمد، این مطالعه بحران مالی سیستمیک چین را به عنوان نمونه انتخاب کرد. به طور خاص، یک عامل تجارت جهانی و ۱۱ شاخص کلان اقتصادی در سطح کشور برای اجرای مدلهای یادگیری ماشین انتخاب شدند. مدلهای پیشبینی شش دوره افزایش ریسک در سیستم مالی چین از سال ۱۹۹۰ تا ۲۰۲۰ را ثبت کردند که با واقعیت همخوانی دارد. تکنیکهای تفسیر، غیرخطی بودن محرکهای ریسک را نشان میدهند که به صورت اثرات آستانه ای و بازه ای هستند. علاوه بر این، رگرسیون شپلی همسویی شاخص ها را تأیید می کند. جریان کار نهایی برای تحلیل های طبقه بندی و رگرسیون در چندین زمینه مناسب است. این روش ها نیز بسته به نیاز تحقیق می توانند به صورت مستقل یا ترکیبی مورد استفاده قرار گیرند. محققان میتوانند برای مدلسازی به دیگر مدلهای یادگیری ماشینی سطحی یا شبکههای عصبی عمیق روی بیاورند. نتایج مربوط به بحرانها میتواند مرجع خاصی را برای تنظیمکنندههای بانکی و سیاستگذاران فراهم کند تا اقدامات مهمی برای حفظ ثبات اقتصاد کلان و مالی ایجاد کنند.
کلمات کلیدی: چین، یادگیری ماشین، مقدار SHAP، رگرسیون شپلی ، بحران مالی سیستمیک
Abstract
study proposed a cutting-edge, multistep workflow and upgraded it by addressing its flaw of not considering how to determine the index system objectively. It then used the updated workflow to identify the probability of China’s systemic financial crisis and analyzed the impact of macroeconomic indicators on the crisis. The final workflow comprises four steps: selecting rational indicators, modeling using supervised learning, decomposing the model’s internal function, and conducting the non-linear, nonparametric statistical inference, with advantages of objective index selection, accurate prediction, and high model transparency. In addition, since China’s international influence is progressively increasing, and the report of the 19th National Congress of the Communist Party of China has demonstrated that China is facing severe risk control challenges and stressed that the government should ensure that no systemic risks would emerge, this study selected China’s systemic financial crisis as an example. Specifically, one global trade factor and 11 country-level macroeconomic indicators were selected to conduct the machine learning models. The prediction models captured six risk-rising periods in China’s financial system from 1990 to 2020, which is consistent with reality. The interpretation techniques show the non-linearities of risk drivers, expressed as threshold and interval effects. Furthermore, Shapley regression validates the alignment of the indicators. The final workflow is suitable for categorical and regression analyses in several areas. These methods can also be used independently or in combination, depending on the research requirements. Researchers can switch to other suitable shallow machine learning models or deep neural networks for modeling. The results regarding crises could provide specific references for bank regulators and policymakers to develop critical measures to maintain macroeconomic and financial stability.
Keywords: China, Machine learning, SHAP value, Shapley regression, Systemic financial crisis
تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد
تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد