حسابداری، امور مالی و هوش محاسباتی 3092-7366 1 پیاپی 1 2024 04 09 Exploring the Synergy Between Financial Econometrics and Computational Intelligence in Risk Modeling بررسی هم‌افزایی اقتصادسنجی مالی و هوش محاسباتی در مدل‌سازی ریسک 71 84 EN لیلا محمدی دانشکده مدیریت مالی، دانشگاه تهران، تهران، ایران امیر حسینی دانشکده مدیریت مالی، دانشگاه تهران، تهران، ایران Journal Article 2024 02 01 Financial econometrics and computational intelligence are two key fields used independently for financial data analysis and risk modeling. Financial econometrics employs statistical and mathematical models to analyze relationships between economic and financial variables, while computational intelligence focuses on complex and nonlinear data analysis for predicting financial risks and volatility. The synergy between these two approaches can enhance the accuracy of modeling and financial decision-making. This paper aims to examine the synergy between financial econometrics and computational intelligence in risk modeling and presents successful examples of its application in finance. This study employs a descriptive and narrative review of the existing literature. Relevant academic sources related to the applications of financial econometrics and computational intelligence in predicting volatility and financial risks were reviewed. Additionally, combined models of these two fields were analyzed, identifying their synergies and evaluating the challenges involved. The results demonstrate that combining financial econometrics and computational intelligence significantly improves the accuracy of financial forecasts, reduces systemic risks, and identifies complex patterns in financial data. Combined models, especially in volatile and unstable financial markets, outperform individual approaches. The combination of financial econometrics and computational intelligence can lead to enhanced risk modeling and financial decision-making. Despite challenges such as the need for large datasets and computational complexity, this synergistic approach holds significant potential for developing more accurate predictive models and improving risk management. اقتصادسنجی مالی و هوش محاسباتی به‌عنوان دو حوزه کلیدی در تحلیل داده‌های مالی و مدل‌سازی ریسک، هر یک به‌طور مستقل به کار گرفته شده‌اند. اقتصادسنجی مالی با استفاده از مدل‌های آماری و ریاضیاتی به تحلیل روابط میان متغیرهای اقتصادی و مالی می‌پردازد، در حالی که هوش محاسباتی با تمرکز بر تحلیل داده‌های پیچیده و غیرخطی به پیش‌بینی نوسانات و ریسک‌های مالی کمک می‌کند. هم‌افزایی میان این دو رویکرد می‌تواند به بهبود دقت مدل‌سازی و تصمیم‌گیری‌های مالی منجر شود. هدف این مقاله بررسی هم‌افزایی میان اقتصادسنجی مالی و هوش محاسباتی در مدل‌سازی ریسک و ارائه نمونه‌هایی از کاربردهای موفق آن در حوزه مالی است. این مطالعه به روش تحلیل توصیفی و مروری بر ادبیات موجود انجام شده است. منابع علمی مرتبط با کاربردهای اقتصادسنجی مالی و هوش محاسباتی در پیش‌بینی نوسانات و ریسک‌های مالی مورد بررسی قرار گرفتند. همچنین مدل‌های ترکیبی این دو حوزه تحلیل و نقاط هم‌افزا و چالش‌های موجود ارزیابی شدند. نتایج نشان داد که ترکیب روش‌های اقتصادسنجی مالی و هوش محاسباتی به‌طور قابل توجهی به بهبود دقت پیش‌بینی‌های مالی، کاهش ریسک‌های سیستمیک، و شناسایی الگوهای پیچیده در داده‌های مالی کمک می‌کند. مدل‌های ترکیبی، به‌ویژه در شرایط بحرانی و ناپایدار بازارهای مالی، عملکرد بهتری نسبت به استفاده از هر یک از این روش‌ها به‌تنهایی دارند. ترکیب اقتصادسنجی مالی و هوش محاسباتی می‌تواند به بهبود مدل‌سازی ریسک و تصمیم‌گیری‌های مالی منجر شود. با وجود چالش‌هایی مانند نیاز به داده‌های بزرگ و پیچیدگی محاسباتی، این رویکرد هم‌افزا پتانسیل قابل توجهی برای توسعه مدل‌های پیش‌بینی دقیق‌تر و بهبود مدیریت ریسک دارد.

https://jafci.com/index.php/jafci/article/download/7/6