حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 06 01 Liquidity Risk Dynamics in the Iranian Interbank Network under Macroeconomic Stabilization Policies: A Support Vector Machine (SVM) Approach پویایی‌های ریسک نقدینگی در شبکه بین‌بانکی ایران تحت سیاست‌های تثبیت اقتصاد کلان: رویکرد ماشین بردار پشتیبان (SVM) 1 20 FA فاطمه ابراهیمی سروعلیا گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران Journal Article 1404/11/01 <p>This study aimed to investigate liquidity risk dynamics in the Iranian interbank network and evaluate the impact of macroeconomic stabilization policies on systemic liquidity risk using a Support Vector Machine (SVM) framework. The study employed a quantitative and applied research design based on daily interbank market data from 2013 to 2023. The sample consisted of 32 banks and credit institutions operating within Iran’s interbank network. Systemic liquidity risk was calculated using network-based and macro-financial indicators and classified into low, moderate, and severe risk categories. Ten explanatory variables, including network centrality, Herfindahl–Hirschman Index (HHI), repo rate deviation from the policy corridor, overdraft volume, interbank interest rate volatility, illiquid asset ratio, inflation rate, exchange rate, monetary policy measure, and liquidity contagion index, were selected as model inputs. Linear, polynomial, and radial basis function (RBF) kernels were evaluated, and optimal hyperparameters were identified through grid search and five-fold cross-validation. The RBF-SVM model with C=10 and γ=0.05 demonstrated superior predictive performance. During the stabilization period, the model achieved an overall accuracy of 94.3%, an F1-score of 0.941, and an ROC-AUC value of 0.97 for severe liquidity risk classification. Comparative analysis revealed that stabilization policies reduced interbank interest rate volatility by 43.6%. However, liquidity risk persistence increased substantially, with the first-order autocorrelation coefficient rising from 0.52 to 0.78, while market concentration increased as the HHI rose from 0.24 to 0.41. Feature importance analysis identified network centrality, HHI concentration, and repo rate deviation from the policy corridor as the strongest predictors of severe liquidity risk. Although macroeconomic stabilization policies successfully reduced short-term market volatility, they simultaneously increased liquidity risk persistence and concentration within the interbank network. The proposed SVM model provides a highly effective early-warning mechanism for detecting systemic liquidity stress and can support policymakers and central banks in strengthening financial stability and liquidity risk management.</p> <p>هدف این پژوهش تحلیل پویایی‌های ریسک نقدینگی در شبکه بین‌بانکی ایران و ارزیابی اثر سیاست‌های تثبیت اقتصاد کلان بر رفتار این ریسک با استفاده از مدل ماشین بردار پشتیبان (SVM) است. این پژوهش از نوع کاربردی و مبتنی بر داده‌های روزانه شبکه بین‌بانکی ایران در دوره ۱۳۹۲ تا ۱۴۰۲ است. جامعه پژوهش شامل ۳۲ بانک و مؤسسه اعتباری فعال در بازار بین‌بانکی بود. ریسک نقدینگی سیستمی بر اساس شاخص‌های شبکه‌ای و متغیرهای پولی و مالی محاسبه و در سه سطح کم، متوسط و شدید طبقه‌بندی شد. ده متغیر کلیدی شامل درجه مرکزیت شبکه، شاخص تمرکز هرفیندال، فاصله نرخ بازخرید از کریدور سیاستی، حجم اضافه‌برداشت، نوسان نرخ سود بین‌بانکی، نسبت دارایی‌های غیرنقد، نرخ تورم، نرخ ارز، شاخص سیاست پولی و شاخص سرایت‌پذیری نقدینگی به عنوان ورودی مدل انتخاب شدند. برای آموزش و ارزیابی مدل از کرنل‌های خطی، چندجمله‌ای و RBF همراه با جستجوی شبکه‌ای و اعتبارسنجی متقاطع استفاده شد. نتایج نشان داد کرنل RBF با پارامترهای بهینه C=10 و γ=0.05 بهترین عملکرد را ارائه کرد. دقت کلی مدل در دوره تثبیت به 94.3 درصد، مقدار F1-Score به 0.941 و سطح زیر منحنی ROC به 0.97 رسید. مقایسه دو دوره قبل و بعد از اجرای سیاست‌های تثبیت نشان داد نوسانات نرخ سود بین‌بانکی 43.6 درصد کاهش یافته است، اما چسبندگی ریسک نقدینگی از 0.52 به 0.78 و شاخص تمرکز هرفیندال از 0.24 به 0.41 افزایش یافته‌اند. تحلیل اهمیت متغیرها نشان داد درجه مرکزیت شبکه، شاخص تمرکز هرفیندال و فاصله نرخ بازخرید از کریدور سیاستی مهم‌ترین پیش‌بینی‌کننده‌های ریسک نقدینگی شدید هستند. اگرچه سیاست‌های تثبیت اقتصاد کلان توانسته‌اند نوسانات بازار پول را کاهش دهند، اما هم‌زمان موجب افزایش تمرکز و ماندگاری ریسک در شبکه بین‌بانکی شده‌اند. مدل پیشنهادی SVM قابلیت بالایی برای شناسایی زودهنگام شرایط بحرانی داشته و می‌تواند به عنوان یک سامانه هشدار سریع در مدیریت ریسک نقدینگی و تصمیم‌گیری سیاستی مورد استفاده قرار گیرد.</p> https://jafci.com/index.php/jafci/article/download/456/288