پیش‌بینی سود/زیان بانک توسعه تعاون مبتنی بر روش یادگیری جمعی دومرحله‌ای

هدف: در این مقاله به پیش‌بینی سود/ زیان بانک توسعۀ تعاون، مبتنی بر روش یادگیری جمعی دومرحله‌ای پرداخته شده است. مدل‌سازی پیش‌بینی سود و زیان با استفاده از روش‌های یادگیری ماشین، به‌عنوان یکی از تکنیک‌های نوین در محاسبات عددی با بهره‌گیری از کلان‌داده، از جمله اهداف این مقاله است. بدین ترتیب، در این مقاله از روش ماشین یادگیری جمعی دومرحله‌ای، مبتنی بر مدل‌های ماشین بردار پشتیبان، درخت تصمیم‌گیری و میانگین وزنی، برای یادگیری و آزمون و پیش‌بینی سود/ زیان بانک توسعۀ تعاون استفاده شده است.روش: مدل‌های پایه به‌کار رفته در مرحله اول، ماشین یادگیری، ماشین بردار پشتیبان و درخت تصمیم‌گیری است و در مرحله دوم، از میانگین وزنی استفاده شده است. بر اساس ترکیب مدل‌های پایه یادگیری، ابتدا به آزمون و یادگیری روند پیش‌بینی 35 شعبه بانک توسعه تعاون در ایران، طی سال‌های 1391 تا 1400 پرداخته شد. این روش مبتنی بر یادگیری ماشین دومرحله‌ای است که برای انجام این کار از 12 متغیر (نسبت مالی) در پنج عامل دسته‌بندی‌شده استفاده شده است. این متغیرها به‌ترتیب عبارت‌اند از: سپرده‌های قرض‌الحسنه، سپرده‌های کوتاه‌مدت، هزینه سود سپرده، سپرده‌های مشتریان، درآمد تسهیلات و سپرده‌گذاری، درآمدهای مشاع، موجودی نقدی، هزینه‌های اداری، سپرده‌های بلندمدت، درآمدهای غیرمشاع، هزینه استهلاک دارایی و اندازه بانک. برای دستیابی به داده‌های مدنظر، از صورت‌های مالی 35 شعبه بانک توسعه تعاون، طی سال‌های 1391 تا 1400 استفاده شد. همچنین برای کاهش خطای پیش‌بینی و قابلیت مقایسه نسبت‌ها، تمامی شاخص‏‌های یادشده نسبت به ارزش کل دارایی‌های بانک تعدیل شد. در این روش و در مرحله اول، از دو مدل یادگیری ماشین بردار پشتیبان و درخت تصمیم‌گیری و در مرحله دوم از روش میانگین وزنی استفاده شد.یافته‌ها: یافته‌های مقاله در خصوص یادگیری و مقایسه آن با روش رگرسیون خطی و همچنین سود/زیان واقعی بانک توسعه تعاون، نشان داد که دقت عملکرد این روش بسیار زیاد است؛ به‌گونه‌ای که معیار mae برابر با 66/5 و معیار mse برابر با 34/620 به‌دست آمد. همچنین هم‌بستگی بین داده‌‌های آموزش‌دیده و پیش‌بینی‌شده‌ای که از یادگیری ماشین جمعی دو مرحله‌ای به‌دست آمد، برابر با 9977/0 بود. پس از بررسی کارایی این روش، به پیش‌بینی سود/ زیان بانک توسعه تعاون برای سال‌های 1401 تا 1405 پرداخته شد. نتیجه‌گیری: نتایج به‌دست‌آمده از کارایی بالای روش ماشین یادگیری جمعی دومرحله‌ای، نشان می‌دهد که مدیران می‌توانند از این روش‌ها در پیش‌بینی سود/ زیان بانک‌ها استفاده کنند. بر اساس روش یادگیری ماشین دو مرحله‌ای، اگر شرایط نامتعارف و غیرنرمالی وجود نداشته باشد، در سال‌های آتی و در نهایت در سال 1405، زیان انباشته شده بانک توسعۀ تعاون کاهش و سود آن افزایش خواهد یافت. بر اساس نتایج تجزیه‌وتحلیل داده‌ها، میانگین نسبت سود یا زیان خالص بانک به کل دارایی‌های آن، به نحوی است که زیان‌دهی متوسط شعب بانک را طی دوره پژوهش گزارش می‌دهد.

predicting iran cooperative development bank’s profit/loss: two-stage collective learning

objectivethis article aims to forecast iran cooperative development bank’s profit/loss using a two-stage collective learning method. employing machine learning for profit and loss prediction is a novel approach to numerical computations, aligning with the article’s goal of leveraging big data. hence, we employ a two-stage collective learning method utilizing support vector machines, decision trees, and weighted averaging models for learning, testing, and predicting the profit/loss of the cooperative development bank. methodsin the initial stage of machine learning, support vector machines, and decision trees serve as the base models, while the second stage employs a weighted averaging approach. the combination of base learning models was utilized to initially test the prediction process on the performance of 35 branches of the cooperative development bank nationwide from 2012 to 2021. the two-stage machine learning method relies on the utilization of 12 variables grouped into 5 factors for the task. these variables encompass interest-free loans and short-term deposits, deposit interest expenses, total customer deposits, income from facilities and investments, common income, cash balances, administrative expenses, long-term deposits, non-common income, asset depreciation expenses, and the bank’s size. relevant data for the study was obtained from the financial statements of 35 branches of the cooperative development bank spanning the years 2012 to 2021. to minimize prediction errors and facilitate ratio comparisons, all indicators mentioned were adjusted relative to the total value of the bank’s assets. furthermore, to minimize prediction errors and enhance the comparability of ratios, all the mentioned indicators were adjusted in proportion to the total value of the bank’s assets. in the initial stage of applying this method, two machine learning models - support vector machines and decision trees - were employed, followed by a weighted averaging approach in the second stage. resultsthis article contrasts linear regression with machine learning approaches for predicting the cooperative development bank’s actual profit/loss. the results reveal notably high-performance accuracy, evidenced by an mae metric of 5.66 and an mse metric of 620.34. additionally, the correlation between training data and predictions from the two-stage collective machine learning stands at 0.9977. following this method’s performance assessment, it is subsequently employed to predict the cooperative development bank’s profit/loss for the years 2022 to 2027. conclusionthe results, showcasing the high efficiency of the two-stage collective machine learning method, suggest that managers can employ these approaches for profit/loss prediction in banks. based on this method, and under normal conditions without abnormal or non-normal circumstances, the obtained results indicate a prospective decrease in the accumulated losses of the cooperative development bank in future years, leading to an ultimate increase in profits by the year 1405. the results of data analysis reveal that the average ratio of the net profit or loss of the bank to its total assets has been computed in a manner that reflects the average profitability of the bank branches over the research period.