ساختار سرمایه بهینه و شبیه سازی مالی

دانلود پایان نامه

پرکاربردترین روش‌‌های داده‌کاوی برای کشف تقلب‌‌های مالی
پرکاربردترین روش‌‌های داده‌کاوی برای کشف تقلب‌‌های مالی عبارتند از مدل‌‌های رگرسیون لجستیک، شبکه‌‌های عصبی، شبکه‌ استنباط بیزین و درخت تصمیم که همه آن‌‌ها راه‌حل‌‌های قابل توجهی را برای مشکلات ذاتی در کشف و طبقه‌بندی داده‌‌های تقلبی ارائه می‌کنند[17]. این 4 روش، همگی در گروه «طبقه‌بندی» قرار می‌گیرند که در ادامه به‌ طور مشروح مورد بحث قرار گرفته‌اند.
مدل رگرسیون
در پژوهش‌‌های داده‌کاوی، رگرسیون رایج‌ترین روش برای کشف تقلب می‌باشد. مدل‌‌های رگرسیون مورد استفاده عبارتند از: Logit، لجستیک گام به گام،Multi Criteria Decision Aid و EGB2. [19]مدل رگرسیون لجستیک، رایج‌ترین مدل مورد استفاده است. این مدل لجستیک یک Generalized Linear Model است که برای رگرسیون دوگانه‌ای استفاده می‌شود و در آن متغیر‌های پیش‌بینی‌کننده می‌توانند کمی یا کیفی باشند. این مدل اساساً برای حل مسائل مطرح در تقلب بیمه‌ خودرو و تقلب‌‌های شرکتی مورد استفاده قرار می‌گیرد [24] .
ایده‌های نهفته در پس رگرسیون این است که با استفاده از نسبت‌‌های مالی شرکت‌‌ها می‌توان مدلی را به دست آورد که نشان می‌دهد کدام نسبت‌‌ها با ‌صورت‌‌های مالی تقلبی مرتبط هستند. با تلفیق داده‌‌‌های مربوط به صورت‌‌های مالی تقلبی و ‌صورت‌‌های مالی غیرتقلبی می‌توان فهمید که کدام عوامل به‌شکلی معنی‌دار بر شرکت‌‌های دارای ‌صورت‌‌های مالی تقلبی اثر می‌گذارند. بدین ترتیب امکان صورتبندی مدل رگرسیون فراهم می‌شود. این مدل بر مبنای نسبت‌‌های ‌صورت‌‌های مالی که در مرحله‌ آموزش به‌عنوان نشانگر‌های تقلب مستند شده‌اند، شرکت‌‌ها را به گروه‌‌های متقلب و غیرمتقلب طبقه‌بندی خواهد کرد. [19]
شبکه‌‌های عصبی مصنوعی
شبکه‌ عصبی روشی است که با استفاده از مجموعه‌ای از گره‌‌های به‌هم‌مرتبط از کارکرد مغز انسان تقلید می‌کند. این روش مبتنی بر مدل‌‌های رایانه‌ای از نورون‌های زیستی است. یک شبکه‌ عصبی چندلایه دربرگیرنده تعداد زیادی واحد (نورون) به‌هم‌مرتبط در الگویی از ارتباطات است[14]. این روش به شکلی گسترده در طبقه‌بندی و خوشه‌بندی استفاده شده و پس از رگرسیون پرکاربردترین روش داده‌کاوی در کشف تقلب‌‌های مالی است. [19]کاربرد‌های شبکه‌‌های عصبی در حوزه مالی پیشرفت چشم گیری داشته است. حیطه‌‌هایی که شبکه‌‌های عصبی در امور مالی می توانند کارایی داشته باشند، شامل شبیه سازی مالی، پیش بینی رفتار، سرمایه گذار‌ها ، ارزیابی اهداف ، ارزیابی اعتبار ،قیمت گذاری اولیه اوراق قرضه ، تعیین ساختار سرمایه بهینه و پیش بینی مالی می باشد [28] .
شبکه‌ استنباط بیزین
شبکه‌ استنباط بیزین نشان‌دهنده‌ مجموعه‌ای از متغیر‌های تصادفی و استقلال مشروط آن‌ها با استفاده از یک نمودار غیرچرخه‌ای هدایت‌شده است که در آن گره‌‌ها نشان‌دهنده متغیر‌های تصادفی‌اند و استقلال مشروط بین متغیر‌ها را تعیین می‌کنند[18]. شبکه استنباط بیزین، اغلب در کشف تقلب کارت اعتباری، بیمه خودرو، و تقلب‌‌های شرکتی مورد استفاده قرار می‌گیرد[17].
درخت تصمیم
درخت تصمیم ابزار پشتیبان تصمیم پیش‌بینی‌کننده‌ای هستند که تصویری از مشاهدات برای پیامد‌های ممکن را ایجاد می‌کنند[15]. درخت تصمیم موضوعات را بر اساس مقادیر صفت‌‌ها طبقه‌بندی می‌کند.در این مدل برگ‌‌ها نماد پیش‌بینی‌‌ها، گره‌‌ها نماینده یک صفت در یک موضوع مورد طبقه‌بندی و شاخه‌‌ها نماینده مقداری است که یک گره می‌تواند اختیار کند و در واقع اشتراک ویژگی‌‌ها را نشان می‌دهد[14]. می‌توان از طریق الگوریتم‌‌های مبتنی بر یادگیری ماشینی از قبیل: CART، Iterative Dichotomizer3 (ID3) و الگوریتم C 5/4، درخت تصمیم را کاشت. درخت تصمیم معمولاً در تقلب کارت اعتباری، بیمه‌ خودرو و تقلب‌‌های شرکتی استفاده می‌شوند[17].
رویکرد داده‌کاوی در حل مسائل پولشویی
داده‌کاوی این توان را دارد که سناریو‌های جدیدی برای کشف نمونه‌‌های پولشویی ارائه دهد.داده‌کاوی به عنوان فرایندی خودکار برای استخراج اطلاعات و الگو‌های جالب توجه، بارز، ضمنی، از قبل ناشناخته و بالقوه مفید از انبار داده‌‌های حجیم، شناخته می شود. ظهور انبارداری داده‌‌ها به عنوان یک فناوری قابل دوام بدان معنی است که در حال حاضر،سازمان‌‌های اجرایی قادر به تحکیم معاملات مالی از ‌نهادهای مختلف در چندین کشور می‌باشند. این امرنمایشی تلفیقی از انتقال وجوه را ارائه می‌دهد که به تجزیه و تحلیل معاملات کمک می‌کند. هنگامی که الگوریتم‌‌ها و تکنیک‌‌های داده‌کاوی روی چنین تراکنش‌‌هایی اعمال می شوند، الگو‌های پنهان از جریان وجوه را کشف می‌کنند[21].
همراه شدن اطلاعات مشتری و دانش فرد خبره منجر به آن می‌گردد که معاملات مشکوک به طور همروند با زمان اتفاق افتادنشان شناسائی شوند.سیستم ضد پولشویی قابلیت اجرا با الگوریتم‌‌های نظارت شده و بدون نظارت را به طور هم‌زمان دارد.در این سیستم علاوه بر به کارگیری الگوریتم‌‌های رایج در داده‌کاوی، شاخص‌‌هایی محاسبه می‌شوند که می‌توانند بخوبی ملاکی برای میزان مشکوک بودن عملکرد یک مشتری باشند و بر اساس آن شاخص‌‌ها، داده‌‌های پرت (خارج از محدوده) تفکیک و شناسایی شوند.
در اینجا به فهرستی از تکنیک‌‌های داده‌کاوی مرتبط با راه حل‌‌های ضد پولشویی اشاره می‌شود:
قوانین انجمنی روابط پنهان بین پدیده‌‌هایی که به صورت همروند اتفاق می‌افتند را آشکار می‌نماید. در مورد پولشویی استفاده از قوانین انجمنی برای مرتبط کردن اطلاعات مشتریان با اطلاعات معاملات آن‌ها به کار می‌رود. از این رو، ممکن است الگو‌های نوعی، از معاملات مکرر یک مشتری خاص پدیدار گردد.کاوش توالی‌‌های مکرر، از این مرحله برای نشان دادن توالی تراکنش‌‌هایی که عملیات یک کسب و کار عادی را شامل می‌شوند و همچنین، توالی‌‌هایی که ممکن است نمایانگر یک نمونه پولشویی باشند استفاده می‌کند[22].
ممکن است به دلیل هزینه‌‌های محاسباتی، مانیتور کردن تمام معاملات امری موجه نباشد. از این رو، تنها آن دسته از معاملاتی که در گروه پروفایل‌‌های پر خطر دسته‌بندی شده اند، مانیتور می‌شوند. الگوریتم‌‌های دسته‌بندی میتوانند برای شناسایی مشتریان جدید با پروفایل‌‌های پر خطر، مورد استفاده قرار گیرند. این امر بر اساس دانش موجود از مشتریان قبلی و رفتار‌های معاملاتی آنان انجام می‌گیرد.الگوریتم‌‌های خوشه‌بندی می‌توانند برای دسته‌بندی حساب‌‌ها بر پایه چند معیار، مانند شباهت فعالیت‌‌ها و یا (دوره، مقدار و سرعت) تراکنش‌‌ها مورد استفاده قرار گیرند. تجزیه و تحلیل نتایج خوشه بندی به غنی سازی دانش دامنه ای متخصصان ضد پولشویی کمک می‌کند. تکنیک‌‌های تحلیل رگرسیون در کشف و تایید اعتبار ترند‌های به دست آمده از نمونه‌‌های پولشویی قبلی برای استفاده از نمونه‌‌های فعلی به کار می روند. برای نمونه، داده‌‌های به دست آمده از مشاهدات رفتار‌های قبلی می‌توانند برای پیدا کردن مشکوک ترین حساب‌‌ها در محتمل ترین زمان استفاده شوند. این امر می‌تواند برای تمرکز بر فعالیت‌‌های آتی مفید باشد[36].
در نهایت، تحلیل و کاوش ارتباطات می‌تواند به محقق برای پی بردن به ارتباطات بین تعداد زیادی از پدیده‌‌های مختلف، از قبیل افراد، حساب‌‌های بانکی، کسب و کار، نقل و انتقالات وجوه و … کمک کند.این می‌تواند بر اساس معامله و یا نقاط اشتراک مراجع مانند تراکنش با یک مشتری خاص و یا غیره باشد. مطلوب است، یافتن افراد مشکوک به پول‌شویی، الگو‌های رفتاری پولشویان و افراد مرتبط در یک شبکه با هدف پولشویی با استفاده از روش‌‌های داده‌کاوی “نظارت شده” و “بدون نظارت” با کمترین میزان خطا صورت پذیرد.
از دیدگاه سیستم ضد پولشویی تکنیک‌‌های داده‌کاوی و تجزیه و تحلیل‌‌های پس از آن شامل سطوح مختلفی می‌باشد. چارچوب پیشنهادی فعالیت‌‌های مالی و جریان‌‌های اطلاعاتی مربوط به آن را به چهار سطح طبقه بندی می کند. هر سطح بالاتر را می‌توان به عنوان تجمعی از فعالیت‌‌های سطوح پایین‌تر در نظر گرفت[35].
پایین ترین و ابتدائی ترین سطح که در آن اطلاعات از موسسه مالی در دسترس می باشد، سطح تراکنش است.این شامل معاملات فردی، از قبیل سپرده‌‌های ارزی، برداشت‌‌ها، انتقالات، چک و مانند آن‌‌ها می باشد.سطح دوم سطح مشتری و یا حساب فردی است. معاملات مختلفی با یک حساب در ارتباط است در حالی که می توان هرکدام از آن‌ها را حداقل به یک حساب مرتبط نمود. .تجمع معاملات وابسته به حساب‌‌های فردی یک تصویر از فعالیت‌‌های مالی در سطح حساب ارائه می دهد. این تصویر درجه ارتباط بین بین حساب‌‌های مختلف را براساس فرکانس معاملاتی که به حساب متصل است، نشان می دهد.سطح سوم که میتوان به عنوان سطح موسسه در نظر گرفت، که در آن نهاد مشتری (کسب و کار و یا فردی) ممکن است چندین حساب در موسسات مختلف مالی داشته باشد. ترکیب این حساب‌ها ممکن است روشنگر آن باشد که یک کسب و کار مشکوک به پولشویی می باشد.در نهایت، سطح گرد آمدن را داریم که درگیر یک عملیات پولشویی حرفه ای در یک میدان وسیع، شامل موسسات و کسب و کار‌های مختلف می گردد. [23]
داده از منابع مختلف بانک جمع آوری می گردد. براساس مراحل مختلف تکنیک‌‌های مختلف داده‌کاوی به کار می‌رود. به عنوان نمونه یک تکنیک داده‌کاوی که در یک سطح مفید می باشد، ممکن است در سطح دیگر منجر به هیچ نتیجه‌ی مطلوبی نشود. برای مثال تکنیک تحلیل ارتباط، ممکن است در سطح حساب مفید باشد ولی در سطح معامله (تراکنش) مفید واقع نگردد. به طور مشابه خوشه‌بندی تراکنش‌‌ها هیچ نتیجه‌ای در بر نخواهد داشت، در حالی که خوشه‌بندی حساب‌‌ها بر اساس شباهت تراکنش‌‌ها به مرتبط نمودن حساب‌‌ها کمک کمی کند. تجزیه و تحلیل در هر مرحله ممکن است باعث نادیده گرفته شدن شاخص‌‌های فعالیت‌‌ها در سایر مراحل گردد.در مرحله تفسیر نتیجه، نتایج و الگو‌‌های ارائه شده توسط ابزار‌های داده کاو مورد بررسی قرار گرفته و نتایج مفید تعیین می‌شود. از نتایج قابل انتظار در این مرحله می توان به تولید گزارش‌‌های مورد نیاز بانک و ارائه‌خروجی‌‌ها به صورت نمودار و فهرست افراد مشکوک اشاره کرد. دانش حوز‌های متخصصان علاوه بر اینکه در عملیات داده‌کاوی گنجانده شده است، برای ساختن یک طبقه بندی چند سطحی از داده‌‌های انبار داده مورد استفاده قرار می‌گیرد[2] .
بر اساس نوع داده‌‌های هر بانک سه رویکرد برای طراحی سیستم ضد پولشویی وجود دارد:
رویکرد نظارت شده بر رو داده‌‌های برچسب دار: