摘要。流动性风险是巨大的财务威胁，其管理不善会导致重大财务损失。本研究研究了机器学习技术（例如KNN，SVM，决策树，RF和XGBOOST）在印度银行的流动性风险中的应用。2013 - 2022年的财务数据分析了31个商业银行。模型将财务比率用作预测因素，流动性风险由流动资产与总资产和贷款比率相关。尽管由于样本较小而导致的普遍性限制，但结果表现出诸如KNN和XGBoost等算法的潜力，以预测准确的流动性风险。该研究的发现表明，使用液体资产将液体资产用于总资产来替代流动性风险的模型给予了KNN的最佳结果，并分别给出了MAE和MSE评分0.129和0.027。当使用存款贷款以替代流动性风险时，DT是表现最好的算法，MAE和RMSE得分分别为0.191和0.231。还发现，与其他选定模型相比，MLP表现不佳。实际含义包括使用这些技术为印度银行开发流动性预警系统。