دانلود ترجمه مقاله کاربرد یادگیری ماشین در ارزیابی ریسک نقدشوندگی

محدودیت ها و کارهای آتی:
در کل این مطالعه، چندین جنبه را شناسایی کردیم که برای بهبود نتایج قابل بررسی هستند. اولین مسئله، مربوط به مجموعه داده ها می باشد. این حقیقت که مجموعه داده ها نامتوازن هستند، از شناسایی تعدادی از دسته ها جلوگیری می کند. همانگونه که در بخش قبل نشان داده شد، دسته 4، حاوی فقط 2 مشاهده است که مدل سازی این فرآیند تصمیم خاص را دشوار می سازد. محدودیت دیگر این حقیقت است که این مجموعه داده تنها منعکس کننده زمینه پرتغال است. بررسی های بعدی از استفاده از داده های همه بانک های مرکزی بهره می برند و بنابراین منعکس کننده تصویر گسترده تری از چشم انداز نظارتی است. علاوه بر آن، افزایش اندازه مجموعه داده ها، اعتباریابی مدل های ML را تقویت می کند. شامل کردن داده های کمیتی از چارچوب های غیرنظارتی نیز برای بهبود استواری مدل فوق العاده مفید است. داده های بدست آمده از بازارهای مالی، سیستم های پرداخت و شاخص های اقتصاد کلان، زمینه ای فراهم می کنند که از ارزیابی ریسک کلی حمایت می کند. همچنین، شامل کردن نظر کارشناس جهت تقویت ارزیابی ریسک نهایی را مفید می بینیم. برای رسیدن به این هدف، منابع داده ای کیفی، مانند یادداشت های داخلی و گزارش های ارزیابی ریسک و همچنین نمره های ریسک تخصیص داده شده توسط ناظران، قطعاً در مرحله یادگیری مدل می توانند دخیل باشند. در آخر اینکه، بر این باور هستیم که جنبه های ریسک دیگر شامل شده در روش SREP نیز باید با استفاده از همان روش، مورد بررسی قرار گیرند. در نهایت اینکه، ترکیب همه جنبه های ریسک می تواند یک راهکار بسیار مفید برای تنظیم کنندگان مقررات و قانون گذاان به عنوان پشتیبانی کننده از شیوه SREP باشد.

Limitations and future work:
Throughout this study we have identified several aspects that could be revisited in order to improve the results. The first issue is related to the dataset. The fact that the dataset is imbalanced hinders the detection of some classes. As shown in the previous section, class 4 contains just two observations which makes it difficult to model that particular decision process. Another limitation is the fact that this dataset only reflects the Portuguese context. Further investigation would benefit from the use of all central banks’ data, thus reflecting a broader picture of the supervisory landscape. Furthermore, the increase in the dataset size would strengthen the validation of the ML models. The inclusion of quantitative data from non-supervisory frameworks is also extremely beneficial for improving the model’s robustness. Data from financial markets, payment systems and macroeconomic indicators provide a context that supports the overall risk assessment. We also find relevant to include expert judgement to reinforce to final risk assessment. To this end, qualitative data sources like internal notes and risk assessment reports, as well as risk scores reassigned by the supervisors should contribute to the model’s learning phase. Finally, we believe the other risk perspectives comprised in the SREP methodology should also be addressed using the same methodology. Ultimately, combining all risk perspectives could be a stepping stone for regulators as a support of the SREP exercise.