پیش بینی منابع مالی بانک با استفاده از مدل خطی( arima) و غیرخطی شبکه های عصبی مصنوعی فازی

یکی از مهم‌ترین موارد مورد علاقه مدیران بانکی به عنوان متغیری تاثیرگذار بر صنعت بانکداری، اطلاع از وضعیت سپرده‌های بانکی است که فعالیت بانک تا حد زیادی بستگی به آن دارد. ازاین‌رو مدیران بانک‌ها علاقه‌مند هستند بدانند که میزان کل سپرده‌های بانک در زمان معینی در آینده چقدر خواهد بود. پیش‌بینی میزان سپرده‌ها، تغییر و نوسان این سپرده ها می‌تواند در امر برنامه ریزی و تصمیم گیری به بانک‌ها کمک نماید. در این پژوهش سعی شده است با استفاده از تکنیک‌های آماری و رویکرد مدل‌های شبکه‌های عصبی مصنوعی ، مدلی مناسب با بیشترین قدرت تخمین و کمترین میزان خطا برای پیش‌بینی میزان سپرده‌ها یا همان منابع مالی به تفکیک انواع آنها برای بانک موردنظر را معرفی نماییم. برای آزمون فرضیه ها از اطلاعات یک بانک خصوصی طی بازه زمانی سال های 1396-1387 استفاده شده است. در این پژوهش، پس از بررسی توان پیش‌بین کنندگی روش خود رگرسیو میانگین متحرک انباشته (arima) و روش شبکه‌های عصبی مصنوعی، به مقایسه‌ی این دو روش پرداخته ‌شده است.نتایج پژوهش بر میزان سپرده‌های بانک به‌صورت ماهانه حاکی از آن است که روش شبکه‌های عصبی تخمین‌های بهتری نسبت به روش arima  ارائه می‌نمایند.

Forecasting the bank’s financial resources using the linear model (ARIMA) and nonlinear artificial fuzzy networks

One of the most important issues of banking managers as an influential variable on the banking industry is the knowledge of the status of bank deposits that the bank depends on a large extent on it. Therefore, bank managers are keen to know how much the total bank deposits will be at a given time in the future. Predicting the amount of deposits, changes and fluctuations of these deposits can help banks in planning and decision making. In this research, using statistical techniques and approach of artificial neural network models, we have tried to introduce a model with the highest estimation power and the least amount of error to predict the amount of deposits or the same sources of finance by their different types for the desired bank. To test the hypotheses, one private bank information was used during the period of 13871396. In this research, we compared the predictive power of ARIMA and artificial neural network method. To assess the accuracy of forecasting the bank’s resources, the ARIMA method used Coopiff and Christopherson tests.  The results of the research on the amount of bank deposits monthly showed that the neural network method provides better estimates than the ARIMA method.