دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

پیش‌بینی توانگری مالی شرکت‌های بیمه تحت سناریوهای استرس اقتصادی با بهره‌گیری از الگوریتم‌های یادگیری ماشینی

نوع مقاله : مقاله پژوهشی

نویسندگان
سهیل قاسمی 1
علی باغانی 2
بیژن صفوی 3
نوروز نوراله زاده 2
1 دانشجوی دکترای مالی، گروه حسابداری و مالی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.
2 گروه حسابداری و مالی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.
3 گروه اقتصاد، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.
10.22034/jik.2026.79058.4889
چکیده
چکیده
هدف این پژوهش بررسی اثر سناریوهای استرس اقتصادی بر توانگری مالی شرکت‌های بیمه و ارائه یک مدل پیش‌بینی دقیق مبتنی بر یادگیری ماشینی است. در این راستا، داده‌های فصلی شاخص‌های کلان شامل نرخ تورم، نرخ ارز، قیمت نفت، شاخص بورس، رشد تولید ناخالص داخلی و نرخ بهره استخراج شد و در کنار مجموعه‌ای از شاخص‌های مالی شرکت‌های بیمه مورد استفاده قرار گرفت. برای سنجش توانگری مالی، یک شاخص ترکیبی مبتنی بر تحلیل مؤلفه‌های اصلی (PCA) ساخته شد و سپس عملکرد الگوریتم‌های مختلف یادگیری ماشینی ارزیابی گردید که در نهایت مدل Random Forest به‌عنوان مدل برتر انتخاب شد.
به‌منظور بررسی واکنش توانگری مالی به تغییرات اقتصادی، پنج سطح شوک شامل Low، Medium، High، Severe و Extreme تعریف و شبیه‌سازی مونت‌کارلو برای هر شوک اجرا شد. نتایج نشان داد که تورم و نرخ ارز بیشترین اثر منفی را بر شاخص توانگری دارند و با افزایش شدت شوک، میزان کاهش تاب‌آوری نیز تشدید می‌شود. در مقابل، اثر شاخص بورس غیرخطی بوده و بسته به سطح شوک متفاوت است؛ در حالی که قیمت نفت، رشد اقتصادی و نرخ بهره تأثیر محدود یا نزدیک به صفر دارند. یافته‌ها تأیید می‌کند که ساختار مالی شرکت‌های بیمه نسبت به نوسانات کلان بسیار حساس است و الگوریتم Random Forest ابزاری کارآمد برای تحلیل تنش و پیش‌بینی توانگری در شرایط اقتصادی نامطلوب به‌شمار می‌رود.
این نتایج می‌تواند در طراحی چارچوب‌های نظارتی، ارزیابی تاب‌آوری مالی و تدوین سیاست‌های پوشش ریسک برای صنعت بیمه مورد استفاده قرار گیرد.
کلیدواژه‌ها
یادگیری ماشینی
توانگری مالی
شرکت های بیمه
سناریوهای استرس اقتصادی

عنوان مقاله English

Predicting the Financial Solvency of Insurance Companies under Economic Stress Scenarios Using Machine Learning Algorithms

نویسندگان English

Soheil Ghasemi 1
ALI BAGHANI 2
Bijan Safavi 3
Nowruz Noorollahzadeh 2
1 PhD Candidate in Finance, Department of Accounting & Finance, ST. C., Islamic Azad university, Tehran, Iran.
2 Department of Accounting & Finance, ST. C., Islamic Azad university, Tehran, Iran.
3 Department of Economic, ST. C., Islamic Azad university, Tehran, Iran.
چکیده English

Abstract

This study aims to examine the impact of economic stress scenarios on the financial solvency of insurance companies and to develop an accurate machine-learning-based predictive model. To this end, quarterly data on key macroeconomic indicators—including inflation rate, exchange rate, oil price, stock market index, gross domestic product (GDP) growth, and interest rate—were collected and combined with a set of financial indicators of insurance companies. To measure financial solvency, a composite index was constructed using Principal Component Analysis (PCA), and the performance of several machine learning algorithms was evaluated. The Random Forest model was ultimately selected as the superior predictive model.
To analyze the response of financial solvency to economic fluctuations, five levels of economic shocks—Low, Medium, High, Severe, and Extreme—were defined, and Monte Carlo simulations were conducted for each shock level. The results indicate that inflation and exchange rate shocks exert the strongest negative effects on the solvency index, with the magnitude of solvency deterioration increasing as shock intensity rises. In contrast, the effect of the stock market index is nonlinear and varies across shock levels, while oil price, economic growth, and interest rate exhibit limited or near-zero impacts. The findings confirm that the financial structure of insurance companies is highly sensitive to macroeconomic fluctuations, and that the Random Forest algorithm serves as an effective tool for stress analysis and solvency prediction under adverse economic conditions.
These results can be utilized in the design of regulatory frameworks, assessment of financial resilience, and formulation of risk-hedging policies within the insurance industry.

کلیدواژه‌ها English

Machine Learning
Financial Solvency
Insurance Companies
Economic Stress Scenarios
1.    بیلندی، علی‌فرزین. (1390). مدل محاسباتی حد توانگری مالی مؤسسه‌های بیمه با رویکرد حسابداری. تازه‌های جهان بیمه، 162، 19–26.
 
2.       ماجدی، زهرا عزیزنصیـری؛ نصیری، سمیرا؛ و نصیری، فاطمه. (1391). معرفی مدل توانگری مالی 2: استاندارد مدیریت در صنعت بیمه. همایش مدیریت ریسک در صنعت بیمه، اسفندماه.
 
3.       حمدی‌لنگری، سید حسین؛ خوزین، علی؛ معطوفی، علیرضا؛ و گرکز، منصور. (1403). تأثیر آسیب‌پذیری مالی بر به‌موقع‌بودن گزارش‌های مالی شرکت‌های پذیرفته‌شده در بازار سرمایه ایران. پیشرفت‌های مالی و سرمایه‌گذاری، 1(6)، 1–22.
 
4.        عشایری، سمیه؛ مرادی، مهدی؛ اسکندری‌سبزی، سیما؛ و حسن‌زاده، رقیه. (1404). تحلیل مخاطره اخلاقی در بیمه‌های کشور با استفاده از رگرسیون کوانتایل و الگوریتم‌های یادگیری ماشین: گامی به سوی پایداری اقتصادی. فصلنامه مطالعات توسعه پایدار شهری و منطقه‌ای، (مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از 01 اسفند 1404). https://www.srds.ir/article_228846.html
 
5.       رضایی، مهدی؛ و احمدی، علی. (1403). تحلیل مدل‌های پیش‌بینی ورشکستگی شرکت‌ها با استفاده از یادگیری ماشین. حسابداری، امور مالی و هوش محاسباتی، 2(3)، 13–24.  https://jafci.com/index.php/jafci/article/view/15
 
6.       رشیدی، بهزاد؛ و غریبی، ابراهیم. (1403). کاربرد یادگیری ماشین در پیش‌بینی ریسک‌های مالی و بهبود تصمیم‌گیری‌های حسابداری. یازدهمین کنفرانس بین‌المللی مطالعات نوین مدیریت و حسابداری در ایران، تهران.  https://civilica.com/doc/2108009
 
7.       توکلی، سامان؛ و آشتاب، علی. (1402). مقایسه کارایی مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی ریسک مالی. راهبرد مدیریت مالی، 11(1)، 53–76.  https://doi.org/10.22051/jfm.2023.35240.2512
 
8.       عالی، محسن؛ میرعرب‌بایگی، سید علیرضا؛ و فرجیان، نیما. (1401). ارائه مدل پیش‌بینی ریسک ورشکستگی مالی شرکت‌های بورسی و فرابورسی با بهره‌گیری از الگوریتم‌های یادگیری ماشین. فصلنامه تحلیل بازار سرمایه، 2(2)، 79–99.
 
9.      Cardarelli, R., Elekdag, S., & Lall, S. (2009). Financial stress, downturns, and recoveries. IMF Working Paper No. WP/09/100. 
10.  https://www.imf.org/external/pubs/ft/wp/2009/wp09100.pdf
 
11.  Kumar, M., & Thenmozhi, M. (2006). Forecasting stock index movement: A comparison of support vector machines and random forest. SSRN Electronic Journal. 
12.  https://doi.org/10.2139/ssrn.876544
 
13.  Rawat, S., Rawat, A., Kumar, D., & Sabitha, A. S. (2021). Application of machine learning and data visualization techniques for decision support in the insurance sector. *International Journal of Information Management Data Insights*, 1(2), 100012. 
14.   https://doi.org/10.1016/j.jjimei.2021.100012