پیش بینی و بهینه سازی نقدینگی موردنیاز خودپرداز شعب با استفاده از هوش مصنوعی

هدف از این تحقیق پیش بینی و بهینه سازی وجه نقد مورد نیاز خودپرداز شعب بانک کشاورزی با توجه به اشتهای ریسک با استفاده از الگوریتم های هوش مصنوعی است. برای دستیابی به این هدف از اطلاعات مربوط به مانده و گردش دفاتر کل و سرفصل های خزانه و خودپرداز 32 شعبه بانک کشاورزی مدیریت استان قزوین به مدت دوسال از تاریخ 11.01/1396 لغایت 12.29/1398 بصورت روزانه استفاده شده است . اطلاعات مذکور پس از استاندارد سازی برای پردازش با هوش مصنوعی و رگرسیون های خطی ، ستیغی و لاسو و الگوریتم های آنها جهت براورد و بهینه سازی کمترین مقدار مربع خطای مدل با استفاده از زبان برنامه نویسی پایتون در نرم افزار ژوپبتر بکار گرفته شده است. یافته های تحقیق حاکی از وجود رابطه معنادار معکوس بین مانده نقد خودپرداز و اشتهای ریسک شعب و هزینه فرصت و همچنین ارتباط مثبت و معنادار بین مانده وگردش روزانه بدهکار و بستانکار سرفصل خودپرداز می باشد. در الگوریتم های هوش مصنوعی داده های که در ابتدا و پیش از این برای یادگیری پارامترهای مدل به ماشین داده شده بودند مجددا به عنوان ارزیابی به مدل ها با پارامترها و ضرایب یادگرفته شده، داده می شوند با این تفاوت که این بار مدل ها مقدار متغیر وابسته را پیش بینی می نمایند.نتایج بکارگیری الگوریتم های هوش مصنوعی در پیش بینی مبالغ مورد نیاز خودپرداز برای روزهای اینده با میانگین درستنمایی 0.95 می باشد که سطح خطای برآورد در محدوده قابل قبول می باشد.

predicting and optimizing the liquidity required by branch atms using artificial intelligence

purpose of this corpus is too optimize and predict required cash for atm devices among keshavarzi bank branches with in qazvin province, with artificial intelligence algorithm depending on risk appetite. to achieve this purpose 2 years of daily transaction belonging to keshavarzi bank branches data has been used. which data were indicating balance, financial daily book, treasury fund and transactions and atm transactions. the procedure of cleaning, standardization was done before the data sent to linear regression algorithms, the algorithms used in this approach are linear regression, lasso regression and ridge regression. after calculating mse error, algorithm chose the best model with less mse error using python programming language also jupiter notebook has been used as ide this research indicates that there are a reverse meaningful relationship between cash balance and risk appetite and opportunity cost. also a straight meaningful relationship between daily cash flow and debt-credit (which has been provided by the bank and costumers). features and data that has been used for training an ai model revaluate again with a different values that has been also generated by ai in next step.results shows that using artificial intelligence can predict daily cash needs with 95% accuracy with an acceptable error.