در دنیای امروز که پیشرفت تکنولوژی منجر به تولید و ذخیره­ سازی حجم انبوهی از داده ­ها در حوزه ­های مختلف شده است، برخورداری از دانش کافی در روش­های مختلف به منظور تحلیل این داده ­ها به امری ضروری مبدل گشته است. این پدیده در حوزه مالی سال­ها است که مورد توجه سیاست­گذاران، پژوهشگران و افراد مختلف در این حوزه واقع شده است و از روش­های مذکور به عنوان ابزاری در اتخاذ تصمیمات خود بهره می­برند. روش­های تحلیل داده با توجه به تنوع گسترده داده­های مالی شامل طیف متنوعی می­شود که مدل­های آماری، مدل­های یادگیری ماشین و روش تحلیل شبکه سه دسته رایج از این روش­ها هستند. گسترش داده­ها، پیچیده­تر شدن بازارها و افزایش قدرت تصمیم گیری، استفاده از این روش­های نوین آماری و الگوریتم­های یادگیری ماشین از یک سو و روش تحلیل شبکه از سوی دیگر را به ضرورتی اجتناب ناپذیر تبدیل کرده است. با این وجود، مطالعه کتاب­هایی که در این زمینه منتشر شده­اند، برای دانشجویان و پژوهشگرانی که رشته تحصیلی آنها علوم پایه یا فنی - مهندسی نیست دشوار است.

از سویی دیگر، قبولی در آزمون­های معتبر بین ­المللی همچون [1]FRM و [2]CFA به متخصصان مالی این امکان را می­دهند که مهارت­های خود را به سطحی بالاتر برده و با استفاده از روش­های مذکور در تحلیل داده های مالی، جایگاهی برجسته در دنیای مالی کسب نمایند. یکی از کلیدی ­ترین مباحث این آزمون­ها، آمار و تحلیل کمّی است؛ دانشی که نه تنها در امتحانات، بلکه در مسیر حرفه­ای هر تحلیلگر مالی نقشی حیاتی ایفا می­ کند.

کتاب دو جلدی "خودآموز آمار و تحلیل کمّی در آزمون‌های FRM و CFA" از گام­های ابتدایی با مفاهیم آماری آغاز نموده و سپس به شرح ساده مدل­های رگرسیونی و رایج­ترین مدل­های یادگیری ماشین می ­پردازد. حل سؤالات و تست­های کتاب مرجع شوییزر به تفصیل در این دو کتاب ارایه می­ شوند. همچنین، این کتاب دو جلدی با زبان ساده و مثال­های کاربردی به معرفی مفاهیم مقدماتی روش­های مذکور و نحوه استفاده آنها در مسائل بانکی و مالی به ویژه مدیریت ریسک پرداخته است. مطالعه این دو کتاب علاوه بر آمادگی برای آزمونهای CFA و FRM، مخاطبینی که علاقمند به استفاده از این روش­ها در تحلیل داده­های مالی و بانکی هستند را با این روش­ها آشنا می سازد.

با وجود کاربرد گسترده دو دسته اول (مدل­های آماری و یادگیری ماشین) در حوزه­ های مختلف، محدودیت آنها در داده­ هایی مبتنی بر ارتباطات بین اجزاء یک سیستم، پژوهشگران را در استفاده از این روش­ها در چنین داده­ هایی با چالش­های جدی مواجه می ‎سازد. به بیانی دیگر، بحران­های مالی اغلب از پیوندهایی شروع می­شوند که در نگاه اول قابل شناسایی نیستند و روش تحلیل شبکه دریچه ای نو به سوی درک ساختارهای پیچیده در نظام مالی و بانکی می گشاید. این روش، که تلفیقی از نظریه گراف، آمار و یادگیری ماشین می­باشد، با رفع این چالش قادر است علاوه بر شناسایی ارتباطات بین متغیرها، انواع ارتباطات بین بازیگران بازارهای مالی و پولی را در تحلیل داده­ های این بازارها محسوب نماید. کتاب "کشف ریسک­های پنهان در سیستم بانکی و مالی با رویکرد تحلیل شبکه" روش تحلیل شبکه را برای پژوهشگران و علاقه­ مندان به موضوعات مختلفی همچون مدیریت ریسک به ویژه ریسک سیستمی و مبارزه با پولشویی و تأمین مالی تروریسم و موضوعات دیگر در حوزه بانکی و مالی به زبانی ساده شرح می ­دهد و نحوه پیاده­ سازی این روش را در محیط برنامه نویسی R را می­آموزد. در این کتاب می­آموزید چگونه با ترسیم روابط بین دارایی ها، نهادها، بازارها و بانک­ها ریسک­های سیستمی را پیش از وقوع پیش ­بینی نمایید. روش تحلیل شبکه یک راهنمای پیشرو برای تحلیل گران مالی است که می خواهند از روش­های سنتی فراتر روند.

خوانندگان پس از مطالعه این سه کتاب علاوه بر آشنایی اولیه با مفاهیم زیربنایی کاربرد علم داده در حوزه مالی بانکی، قادر به ارایه راه حل برای بسیاری از مسایل بانکی و مالی به ویژه در حوزه ریسک های مالی و بانکی خواهند بود.

[1]Financial Risk Management

[2]Chartered Financial Analyst