طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوی با استفاده از قوانین انجمنی

محورهای موضوعی : توانمندسازی سرمایه انسانی

بهمن بابازاده بلوچی ¹ , کامبیز شاهرودی ² , سیدمظفر میربرگ کار ³

1 - دانشجوی دکتری، مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
2 - دانشیار، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
3 - استادیار، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

تاریخ دریافت : 1403/04/02 تاریخ پذیرش : 1403/05/17 تاریخ انتشار : 1403/05/29

کلید واژه: مدل خرید, پرتفوی, داده کاوی, قوانین انجمنی,

چکیده مقاله :

هدف اصلی پژوهش حاضر، طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوری با استفاده از قوانین انجمنی است. پزوهش کاربردی و از نوع توصیفی بوده و داده های تحقیق در قالب جداول اکسل و از نوع داده کمی می باشد. داده های استفاده شده در این پژوهش از شرکت بیمه تعاون گرفته شده که مربوط به خرید33671 مشتری است. در این پژوهش تراکنش های مربوط به مشتریان بیمه تعاون موردمطالعه قرار گرفته است. با توجه به نتایج بدست آمده عملکرد الگوریتم Aprioriو Fp-growth برمبنای زمان اجرا مورد ارزیابی قرار گرفتند.الگوریتم Apriori به دلیل اسکن مستمر مجموعه داده ها در مقایسه با الگوریتم Fp-growth زمان اجرای بیشتری را صرف کرده است. زمان لازم جهت شناسایی الگوها در مجموعه داده های مشتریان بیمه تعاون بر مبنای شاخص های سطح اطمینان متفاوت در الگوریتم های Apriori و Fp-growth مشخص می کند که به طور واضح نشان می دهد که Apriori در مجموعه داده های بزرگ زمان اجرای بیشتری نیاز دارد و همین عامل باعث کند شدن و هزینه بر بودن(به لحاظ محاسبانی) این نرم افزار می شود.

چکیده انگلیسی:

هدف اصلی پژوهش حاضر، طراحی مدل خرید پرتفوی بیمه گذاران بر پایه داده کاوری با استفاده از قوانین انجمنی است. پزوهش کاربردی و از نوع توصیفی بوده و داده های تحقیق در قالب جداول اکسل و از نوع داده کمی می باشد. داده های استفاده شده در این پژوهش از شرکت بیمه تعاون گرفته شده که مربوط به خرید33671 مشتری است. در این پژوهش تراکنش های مربوط به مشتریان بیمه تعاون موردمطالعه قرار گرفته است. با توجه به نتایج بدست آمده عملکرد الگوریتم Aprioriو Fp-growth برمبنای زمان اجرا مورد ارزیابی قرار گرفتند.الگوریتم Apriori به دلیل اسکن مستمر مجموعه داده ها در مقایسه با الگوریتم Fp-growth زمان اجرای بیشتری را صرف کرده است. زمان لازم جهت شناسایی الگوها در مجموعه داده های مشتریان بیمه تعاون بر مبنای شاخص های سطح اطمینان متفاوت در الگوریتم های Apriori و Fp-growth مشخص می کند که به طور واضح نشان می دهد که Apriori در مجموعه داده های بزرگ زمان اجرای بیشتری نیاز دارد و همین عامل باعث کند شدن و هزینه بر بودن(به لحاظ محاسبانی) این نرم افزار می شود.

منابع و مأخذ:

 واردی، سیده شایسته؛ طبری، مجتبی و فقیه علی آبادی، فاطمه. (1395). بهینه سازی پرتفوی سرمایه گذاری یک شرکت بیمه ای با رویکرد شارپ. پژوهشنامه بیمه، 3 (پیاپی 123)، 111-128.
 آرمیان، سارا، (1397). بررسی حد بهینه پرتفوی سرمایه گذاری شرکت های بیمه با استفاده از مدل برنامه ریزی خطی کنو (مطالعه موردی شرکت بیمه ایران). هفتمین کنفرانس بین المللی اقتصاد،مدیریت، حسابداری با رویکرد ارزش آفرینی، شیراز، موسسه آموزشی مدیران خبره نارون.
 کوهبنانی نژاد، سیده فرناز؛ فرید، داریوش و صادقی، حجت الله. (1397). انتخاب پرتفوی بهینه با استفاده از سیستم خبره در محیط فازی ممدانی. مطالعات مدیریت صنعتی، 16(48)، 131-151.
 محبی، نگین و نجفی، امیرعباس. (1397). بهینه سازی سبد سرمایه گذاری چنددوره ای با رویکرد برنامه ریزی پویا. مطالعات مدیریت صنعتی، 16(50)، 1-26.
 امیریان، سعید؛ احمدی، علی محمد؛ عصاری آرانی، عباس و عباسیان، عزت اله، 1400، شناسایی عوامل تعیین کننده ریسک سیستماتیک در شرکتهای فعال در صنعت گردشگری پزشکی ایران، دوفصلنامه مطالعات اجتماعی گردشگری، سال نهم، شماره هفدهم، بهار و تابستان 1400، صص 297-320
 فتحی سحر و فرهاد غفاری.(1398). ساختار وابستگی و ریسک پرتفوی در بازار مبادلات ارز در ایران با روشGARCH-EVT- COPULA. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 11(42)، 332 – 302.
 Ameur H.Ben & Prigent J.-L.(2018). Risk management of time varying floors for dynamic portfolio insurance. European Journal of Operational Research, https ://doi .org/10.1016/j.ejor.2018.01.041
 Angrisani Marco, AtellaVincenzo, Brunetti Marianna.(2018). Public health insurance and household portfolio Choices: Unravelling financial “Side Effects” of Medicare. Journal of Banking & Finance. https://doi.org/10.1016/ j.jbankfin .2018 .05 .001.
 Baltuttis Dennik, Töppel Jannick , Tränkler Timm,Wiethe Christian.(2021). Managing the risks of energy efficiency insurances in a portfolio context: An actuarial diversification approach. International Review of Financial Analysis,https: //www .sciencedirect.com/science/article/abs/pii/S1057521918305131
 Bohnert, A., Gatzert, N. and Jørgensen, P.L. (2015). On the management of life insurance company risk by strategic choice of product mix, investment strategy and surplus appropriation schemes. Insurance: Mathematics and Economics, 60, pp.83-97.
 Briggs, J. and Tonetti, C. (2019). Risky Insurance: Insurance Portfolio Choice with Incomplete Markets. Society for Economic Dynamics. 1-43.
 Ceylan Ozgan.(2020), Time-Varying Risk Aversion and its Macroeconomic and Financial Determinants A Comparative Analysis in the U.S. and French Financial Markets, Finance Research Letters,15(20), 1- 27.
 Dong Yinghui & Zheng Harry.(2019). Optimal investment of DC pension plan under short-selling constraints and portfolio insurance, Insurance: Mathematics and Economics, https://www.sciencedirect.com /science /article/ abs/ pii/ S016766871 8303755.
 Girardi Giulio, W.Hanley Kathleen, Nikolova Stanislava, PelizzonLoriana, Sherman Mila Getmansky.(2021). Portfolio similarity and asset liquidation in the insurance industry.https://www.sciencedirect.com /science /article /abs/pii /S030440 5X21002440
 Guambe, C. and Kufakunesu, R. (2020). Optimal investment-consumption and life insurance with capital constraints. Communications in Statistics - Theory and Methods, 49(3), 1-22.
 Hata, H. (2020). Optimal investment-consumption-insurance with partial information. Japan Journal of Industrial and Applied Mathematics, 37, 309–338.
 Hata, H. and Sheu, S.J. (2018). An optimal consumption and investment problem with partial information. Adv. Appl. Probab. 50(1), 131–153
 Heidari, H. and Neshatizadeh, L. (2018). Stock Portfolio-Optimization Model by Mean-Semi-Variance Approach Using of Firefly Algorithm and Imperialist Competitive Algorithm. International Journal of Business and Development Studies, 10(1), 115-143.
 Hopkin, P. (2018). Fundamentals of risk management: understanding, evaluating and implementing effective risk management. Kogan Page Publishers.
 Katsikis Vasilios N. , Mourtas Spyridon D. , Stanimirović Predrag S.Cao Shuai Li Xinwei .(2021). Portfolio similarity and asset liquidation in the insurance industry. Journal of Financial Economics, https://www.sciencedirect.com /science /article /abs/pii /S0304405X 21002440.
 Koijen, R.S. and Yogo, M. (2017). Risk of life insurers: Recent trends and transmission mechanisms (No. w23365). National Bureau of Economic Research.
 Lee Yong-Ki., Kim Soon-Ho., Seo Min-Kyo., & Hight S. Kyle (2018). "Market orientation and business performance: Evidence from franchising industry", International Journal of Hospitality Management, 44 , 28–37.
 Li, Y. (2010). Asset liability management in a life insurance company (Doctoral dissertation).
 Qazi, M., Tollas, K., Kanchinadam, T., Bockhorst, J. and Fung, G. (2020). Designing and deploying insurance recommender systems using machine learning. WIREs Data Mining and Knowledge Discovery, 10(3), 1-33.
 Racicot François-Éric, Théoret Raymond & Greg Gregoriou.(2021). The response of hedge fund higher moment risk to macroeconomic and illiquidity shocks, International Review of Economics & Finance,14(26), 289 – 318.
 Romaniuk Katarzyna.(2021).Pension insurance schemes and moral hazard: The Pension Benefit Guaranty Corporation should restrict the insured pension plans’ portfolio policy.The Quarterly Review of Economics and Finance .https://www.sciencedirect.com /science /article /abs/pii/S1062976921001150.
 Rudoy Melanie Beth, 2021, "Multistage Mean-Variance Portfolio Selection in Cointegrated Vector Autoregressive Systems", Department of Electrical Engineering and Computer Science