الذكاء الاصطناعي للتنبؤ بالمخاطر المالية والادارية: بحث تطبيقي في مصرف التنمية الدولي للاستثمار والتمويل للفترة 2015-2024
Abstract
يهدف البحث إلى تحديد أثر استعمال تقنيات الذكاء الاصطناعي في التنبؤ بالمخاطر المالية والإدارية، وذلك من خلال دراسة تطبيقية على مصرف التنمية الدولي للاستثمار والتمويل للفترة الممتدة من 2015 إلى 2024. ينطلق البحث من الحاجة المتزايدة لدى المؤسسات المصرفية إلى تطوير أدوات تحليلية أكثر قدرة على التعامل مع التعقيد المتنامي في البيانات، وتعزيز دقة القرارات الخاصة بإدارة المخاطر، ولا سيما في ظل التغيرات الاقتصادية والمالية التي شهدتها السوق العراقية خلال السنوات الأخيرة. وقد اعتمد البحث منهجًا تطبيقيًا مبنيًا على تحليل البيانات التاريخية للمصرف، وتصميم نماذج تنبؤية باستعمال تقنيات الذكاء الاصطناعي، مثل نماذج الغابات العشوائية وXGBoost والشبكات العصبية، بهدف مقارنة قدرتها على التنبؤ بالمخاطر مقابل الأساليب التقليدية المعتمدة في إدارة المخاطر. كما تناول البحث مجموعة من المتغيرات المالية والإدارية، مثل مؤشرات التعثر الائتماني، مستويات السيولة، كفاية رأس المال، مؤشرات الامتثال والحوكمة، ودوران الموظفين، ومدى انعكاسها على مستوى التعرض للمخاطر في المصرف. وتوصل البحث إلى أن استعمال الذكاء الاصطناعي يمكن أن يعزّز بدقة أكبر القدرة على الكشف المبكر عن المخاطر، ويقلل من مستويات عدم اليقين عند اتخاذ القرارات، فضلًا عن مساهمته في تحسين كفاءة تخصيص الموارد وتعزيز جودة الحوكمة الداخلية. كما عرض البحث مجموعة توصيات عملية لتعزيز دمج النماذج الذكية في منظومة إدارة المخاطر، وضمان استدامة أدائها من خلال المراجعة الدورية وحوكمة النماذج.
Downloads
References
المراجع :
1. Arner, D. W., Barberis, J., & Buckley, R. P. (2017). Fintech and regulatory technology: Implications for banks. Journal of Banking Regulation, 19(4), 329-350.
2. Bose, I., & Mahapatra, R. (2023). AI for managerial and financial decision-making. Information Systems Frontiers, 25(1), 41-60.
3. Brynjolfsson, E., & McAfee, A. (2017). Digital technologies and decision-making in firms. MIS Quarterly, 41(1), 102-125.
4. Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T., & Walther, A. (2020). Machine learning in credit markets: Predictability and fairness. Journal of Financial Economics, 138(1), 14-35.
5. Ghosh, A., & Tiwari, S. (2022). AI-driven risk assessment in banking institutions. Journal of Banking & Finance, 134(5), 159-177.
6. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning in financial and operational decision-making. IEEE Transactions on Neural Networks and Learning Systems, 27(2), 210-225.
7. Hopkin, P. (2018). Emerging trends in enterprise risk management. International Journal of Risk Assessment and Management, 22(3), 121-140.
8. Hull, J. (2018). Risk management in financial institutions: A contemporary perspective. Journal of Risk Management in Financial Institutions, 11(1), 12-29.
9. Kitchin, R. (2014). Big data and predictive analytics in organizations. Big Data & Society, 1(1), 67-80.
10. Lam, J. (2017). Enterprise risk management: Integrating financial and operational risks. Journal of Risk Research, 20(1), 54-71.
11. Moeller, R. (2019). Operational risk and governance in enterprises. Journal of Operational Risk, 14(2), 133-150.
12. Nash, J., & Patel, K. (2021). Enhancing operational efficiency through AI. Journal of Organizational Computing and Electronic Commerce, 31(3), 203-223.
13. Power, M. (2021). Integrated risk management: Concepts and practice. Risk Management, 23(2), 76-95.
14. Russell, S., & Norvig, P. (2021). Artificial intelligence: Concepts and applications. Journal of Artificial Intelligence Research, 72(3), 45-68.
15. Ryu, H., & Lee, J. (2022). Big data and machine learning for risk prediction. Journal of Risk and Financial Management, 15(6), 117-135.
16. Saunders, A., & Allen, L. (2022). Credit risk management in the post-crisis era. Journal of Credit Risk, 18(3), 89-110.
17. Shamshur, A., & Tsyplakov, S. (2022). Predictive analytics for financial risk management. Journal of Financial Services Research, 61(1), 88-105.
18. Wang, Y., & Kim, S. (2023). Digital transformation and predictive analytics in enterprises. Journal of Business Research, 158(4), 64-83.
Published
Deprecated: Return type of Carbon\Traits\Date::createFromTimestamp($timestamp, $tz = null) should either be compatible with DateTime::createFromTimestamp(int|float $timestamp): static, or the #[\ReturnTypeWillChange] attribute should be used to temporarily suppress the notice in /home/iqserver/journals/kjeas.uowasit.edu.iq/lib/pkp/lib/vendor/nesbot/carbon/src/Carbon/Traits/Timestamp.php on line 29
2026-07-09
