استخدام الشبكات العصبية فى بناء نظم إنذار مبكر للأزمات الاقتصادية والمصرفية

أكد الدكتور أحمد فؤاد خليل، نائب أول مدير عام ببنك مصر، أن نظم الإنذار المبكر تعد من الأدوات المهمة التى يستخدمها صناع السياسات بهدف التنبؤ باستخدام مجموعة من المتغيرات الاقتصادية والمالية التى تتأثر ارتفاعًا وانخفاضًا قبل حدوث أزمة، واختبار مدى إمكانية حدوث أزمة مالية فى فترة محددة من الزمن وتتراوح فترة التنبؤ من سنتين وتصل إلى ٥ سنوات، بهدف اتخاذ الإجراءات التحوطية الوقائية أو المانعة اللازمة لتجنبها وتفادى التكاليف التى قد تترتب عليها فى حالة حدوثها، وتفيد صانعى القرار بشأن التنبؤ فى المجالات الاقتصادية والمالية.

وأشار خلال منتدى الاستقرار المالى الذى نظمه اتحاد المصارف العربية إلى تعدد مجموعة المتغيرات الاقتصادية والمالية، إلا أنه تم التوافق فى العديد من نظم الإنذار المبكر بالأزمات على عدد منها، مثل: نمو الائتمان المحلى المفرط كنسبة من الناتج المحلى الإجمالى، ونسبة القروض غير المنتظمة لإجمالى القروض ومعدل التضخم ونسبة الاحتياطيات إلى إجمالى الأصول ونسبة قروض البنك المركزى إلى إجمالى الخصوم وذلك على سبيل المثال لا الحصر، منوهاً بوجود العديد من الأساليب المستخدمة فى بناء نماذج الإنذار المبكر، أهمها: نموذج استخراج الإشارات واللوغاريتمى الثنائى والشبكات العصبية الاصطناعية، ونموذج الإشارات يعتمد على تتبع سلوك أحد المتغيرات الاقتصادية أو المالية ارتفاعًا أو انخفاضًا وإصدار إشارة تنذر باحتمال حدوث أزمة وذلك وصول المؤشر لحد معين يطلق عليه العتبة، وعلى الرغم من أهمية أسلوب الإشارات إلا أنه لا يكفى منفردًا للتنبؤ بالأزمات وذلك لاعتماده على سلوك متغير اقتصادى أو مالى واحد دون الأخذ فى الاعتبار سلوك المتغيرات الاقتصادية والمالية الأخرى مجتمعة، موضحاً أنه يسد تلك الفجوة فى التنبؤ بالأزمات المالية استخدام النموذج اللوغاريتمى الثنائى والذى يعتمد على مجموعة من المتغيرات الاقتصادية والمالية مجتمعة فى بناء نموذج التنبؤ ويعطى نتيجة (٠) وهو ما يعنى التنبؤ بعدم حدوث أزمة أو (١) بالتنبؤ بحدوث أزمة.

وأضاف الدكتور أحمد فؤاد أن العديد من صناع السياسات إلى استخدام نموذج الشبكات العصبية الاصطناعية فى التنبؤ بالأزمات المالية وبصفة خاصة فى أعقاب الأزمة المالية العالمية ٢٠٠٧ - ٢٠٠٨، التى تعتمد على تعلم الآلة كمحاكاة للشبكة العصبية البيولوجية للإنسان، من خلال تدريب الشبكة بالبيانات التاريخية واختبارها من خلال مجموعة الاختبار والوصول بالشبكة إلى أقصى درجة تعلم فى حدود البيانات المتاحة، ويتم التعرف على ذلك من خلال منحنى التعلم الذى وصلت إليه ومستوى الدقة فى التنبؤ، ولعل ما يميز الشبكات العصبية فى التنبؤ عن الأساليب الإحصائية التقليدية فى ارتفاع مستوى الدقة فى التنبؤ، بالإضافة إلى الديناميكية التى تتمتع بها عند إعادة التعلم وتحسين جودتها فى التنبؤ بناء على مجموعة البيانات الجديدة من المتغيرات الاقتصادية والمالية المستخدمة فى بنائها.