Document Type : Research Paper

Authors

• Reza Taheri Haftasiabi
• Parviz Piri
• Ameneh Naderi
• Nashmil Esmaily

Faculty of Economics and Management, Urmia University, Urmia, Iran.

Abstract

This study examines the role of bank credit and macroeconomic variables in predicting financial crises in Iran. Given the importance of predicting and managing financial crises in the Iranian economy, this study aims to identify the key factors and build accurate models to predict these crises.Panel data for the period 2006 to 2022 was used for this study. Advanced machine learning techniques and neural networks were used to analyse the data and create predictive models. These approaches make it possible to examine complex relationships between variables and make more accurate predictions.The results of this study show that the bank debt service ratio, the slope of the yield curve and the investments made are the most important factors in predicting financial crises in Iran. Bank loans also play a minor role in these predictions. The models used, especially neural networks and random forests, have shown high accuracy in predicting financial crises. This study has important implications for economic and financial policies in Iran. The results emphasise the need to review debt management policies, improve the investment environment, and adjust monetary and credit policies more precisely. These findings can help policy makers and economic managers to make more informed decisions and prevent future financial crises.

Keywords

• Bank loans
• Financial crises
• Macroeconomic variables
• Machine learning
• Neural networks

Main Subjects

• Monetary economics

Article Title [Persian]

پیش بینی بحران مالی در ایران با توجه به شیب منحنی بازده و شاخص اعتبار بانکی با رویکرد یادگیری ماشینی

Authors [Persian]

• رضا طاهری هفت‌آسیابی
• پرویز پیری
• آمینه نادری
• نشمیل اسماعیلی

دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

Abstract [Persian]

این مطالعه به بررسی نقش اعتبار بانکی و متغیرهای کلان اقتصادی در پیش‌بینی بحران‌های مالی در ایران می‌پردازد. با توجه به اهمیت پیش‌بینی و مدیریت بحران‌های مالی در اقتصاد ایران، این مطالعه به شناسایی عوامل کلیدی و ساخت مدل‌های دقیقی جهت پیش‌بینی این بحران‌ها می‌پردازد. داده‌های پانل برای دوره ۱۳۸۵ تا ۱۴۰۱ برای این مطالعه استفاده شد. از تکنیک‌های پیشرفته یادگیری ماشین و شبکه‌های عصبی برای تحلیل داده‌ها و ایجاد مدل‌های پیش‌بینی استفاده شد. این رویکردها امکان بررسی روابط پیچیده بین متغیرها را فراهم می‌آورند و باعث می‌شوند پیش‌بینی‌ها دقیق‌تر باشند. نتایج این مطالعه نشان می‌دهد که نسبت خدمت به بدهی بانکی، شیب منحنی بازده و سرمایه‌گذاری‌های انجام‌شده از مهم‌ترین عوامل در پیش‌بینی بحران‌های مالی در ایران هستند. وام‌های بانکی نیز در این پیش‌بینی‌ها نقش کمتری دارند. مدل‌های استفاده شده، به‌ویژه شبکه‌های عصبی و جنگل‌های تصادفی، دقت بالایی در پیش‌بینی بحران‌های مالی نشان داده‌اند. بنابراین، این مطالعه پیامدهای مهمی برای سیاست‌های اقتصادی و مالی در ایران دارد. نتایج بر لزوم بازنگری در سیاست‌های مدیریت بدهی، بهبود محیط سرمایه‌گذاری و تنظیم دقیق‌تر سیاست‌های پولی و اعتباری تأکید می‌کند. این یافته‌ها می‌تواند به تصمیم‌گیرندگان و مدیران اقتصادی کمک کند تا تصمیمات آگاهانه‌تری اتخاذ کرده و از بروز بحران‌های مالی آینده جلوگیری کنند.

Keywords [Persian]

• وام بانکی
• بحران های مالی
• متغیرهای کلان اقتصادی
• یادگیری ماشینی
• شبکه های عصبی