برآورد یک سیستم چند متغیره تصادفی با استفاده از روش‌های داده‌کاوی (مطالعه موردی: وجه نقد مورد نیاز شعب بانک تجارت)

در ‌حال حاضر، بانک‌ها به صورت روزانه با چالش کفایت وجه‌ نقد جهت پاسخگویی به مشتریان و نیز عدم تمایل به افزایش هزینه‌های ناشی از نقل و انتقال مازاد وجه‌ نقد شعبه مواجه هستند. به همین علت، موضوع برآورد مانده وجه‌ نقد صندوق شعب با توجه به عملیات روزانه آن که به عنوان یک سامانه چند متغیره محسوب می‌شود، از موارد با اهمیت در حوزه بانکداری بشمار می‌آید.‌ در ‌این ‌راستا، ‌استفاده از روش‌های داده‌کاوی و به ‌خصوص روش‌های خوشه‌بندی و شبکه ‌‌‌عصبی‌ می‌تواند به افزایش دقت برآورد پارامتر وجه‌ نقد مورد نیاز شعب کمک کند. شبکه‌های‌ عصبی از لحاظ انعطاف‌پذیری، غیرخطی بودن‌، تحمل بیشتر نوفه‌ها و نیز وابسته نبودن به فرضیه‌های اولیه درباره داده‌های ورودی در این زمینه حائز اهمیت هستند. در این مقاله، 20 شعبه بانک تجارت در بازه زمانی 1/2/93 تا 31/6/93 با توجه به تنوع بین شعب از لحاظ درجه شعبه، نوع شعبه از لحاظ سپرده‌ای یا تسهیلاتی، تعداد دستگاه خودپرداز در شعبه،‌ شعبه کشیک/ غیرکشیک‌ در خوشه‌های متشابه دسته‌بندی شده، سپس با در نظر ‌گرفتن نتایج حاصل از خوشه‌بندی و متغیرهای مرتبط با وجه‌ نقد شعبه شامل متغیرهای تقویمی مانند روزهای هفته،‌ روزهای پرداخت حقوق/ ‌واریز ‌یارانه/ واریز ‌سود سپرده‌ها، روزهای تعطیل و مناسبت‌های رسمی و نیز متغیر میزان وجه نقد مصرفی دستگاه خودپرداز شعبه، ساختار مناسب شبکه‌ عصبی برای برآورد وجه‌ نقد شعب از طریق معیارهای خطا، تعیین شده و وجه نقد شعب در خوشه‌های مختلف برآورد می‌شود. نتایج تحقیق نشان می‌دهد شبکه‌ عصبی با لحاظ نتایج خوشه‌بندی با میانگین قدر مطلق خطای 5 درصد می‌تواند عملکرد خوبی جهت برآورد وجه‌ نقد شعب در خوشه‌های مختلف ارائه دهد.

Estimation of a Multivariate Stochastic System by Data Mining Methods: A Case Study of Required Cash in Tejarat Bank

Banks, on the one hand are involved with the challenge of inadequate cash to meet the customers’ needs and on the other hand, are reluctant to increase the costs resulting from the cash excess transfer. As a result, estimating the cash requirements of the bank's branches, according to their daily operations, which is considered as a multivariable system, is one of the most important issues in banking. In this regard, employing data mining, especially clustering methods and neural networks can help to increase the accuracy of estimating the cash required in branches. In this regard, Neural networks are considered significant in terms of flexibility, nonlinearity, greater tolerance to noise and independence from the basic assumptions about the input data.In the present paper, 20 branches of Tejarat bank have been categorized in similar clusters, during the period 21/04/2014 and 22/09/2014, according to factors such as branch grade, the type of branches in terms of deposit or facility, the number of ATMs, standby branches. Then, considering the clustering results and the variables related to the cash of branches such as week days, payment/ deposit subsidy/ deposit interest days, holidays and official events, as well as the amount of cash used in ATMs, the suitable structure for the neural network has been identified to estimate the required cash via the error criteria and the required cash is accordingly estimated for different clusters. The results show that the neural network, considering the clustering results, can estimate the required cash of branches in different clusters with good performance with a mean absolute error of 5%.