طراحی مدل هوشمند پیش بینی توانگری مالی در شرکتهای بیمه (رویکرد داده‏ کاوی)

محورهای موضوعی : دانش سرمایه‌گذاری

فاطمه شاه بازاده ¹ (گروه مدیریت مالی دانشگاه آزاد اسلامی واحد علی آباد کتول)
ابراهیم عباسی ² (دانشیار و عضو هیئت علمی دانشگاه الزهرا)
حسین دیده خانی ³ (عضو هیات علمی گروه مهندسی مالی دانشگاه آزاد اسلامی واحد علی آباد کتول)
علی خوزین ⁴ (گروه حسابداری ،واحد علی آباد کتول،دانشگاه آزاد اسلامی،علی آباد کتول،ایران)

تاریخ دریافت : 1396/12/19 تاریخ پذیرش : 1397/05/13 تاریخ انتشار : 1399/06/01

کلید واژه: توانگری مالی, بازارهای مالی, طبقه توانگری, داده کاوی, شبکه عصبی,

چکیده مقاله :

هدف از این پژوهش ارائه یک مدل هوشمند جهت پیش‌بینی توانگری مالی در شرکتهای بیمه،به عنوان یک سیستم پشتیبان تصمیم می‌باشد.بدین منظور با بررسی پیشینه تعداد 17متغیر به عنوان متغیر پیش بین جهت پیش بینی طبقه توانگری مالی از منابع معتبر سایت بیمه مرکزی ج.ا.ا ، طی سال 1390 تا 1395 استخراج ‌شده است. در این پژوهش ابتدا نتایج حاصل از به‌کارگیری مدل های مختلف پیش‌بینی مبتنی بر داده‌کاوی مورد مقایسه قرار گرفته و در مرحله بعد رتبه‌بندی الگوریتم‌های پیش‌بینی شونده مورد بررسی قرار گرفت. نتایج حاصل از این پژوهش نشان داد که توانگری مالی با دقت قابل قبول پیش‌بینی پذیرند و مدل استخراج شده بااستفاده از درخت تصمیم دقت و قابلیت بسیار بالایی در تخمین را داراست.

چکیده انگلیسی:

This study aims to present an intelligent model for predicting financial opulence in the security companies as a system that supports the decisions. For this reason, by investigating background of the seventeen numbers of variables as a predictor variable for predicting the class of financial opulence from valid sources of central security Site G.A.A during the years 1390- 1395 had been extracted. For conducting this investigation, there had been used of the data of Security Industry, during the years 1390 to 1395. In this investigation, first, we compare the results of applying different models of prediction based on Data Mining and in the second stage, we investigate the ranking of predicting algorithms. The finding results of this investigation showed that the financial opulence with acceptable precision is predictable and the extracted model by using the decision tree has very high precision and capability.

منابع و مأخذ:

. دقیقی اصلی، علی­رضا، پریزادی، عیسی، طیار، شاهین، (1392). " اوﻟﻮﻳﺖ ﺑﻨﺪی ﺳﻴﺴﺘﻢ­ﻫﺎی ﻣﺨﺘﻠﻒ ﻧﻈﺎرت ﺑﺮ ﺗﻮاﻧﮕﺮی ﺷﺮﻛﺖ­ﻫﺎی ﺑﻴﻤﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﻜﻨﻴﻚ ﻓﺮاﻳﻨﺪ ﺗﺤﻠﻴﻞ ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ(AHP)" ﭘﮋوﻫﺸﻨﺎﻣﺔ ﺑﻴﻤﻪ، شماره1، بهار 1392، شماره مسلسل109، صص 1 تا 31.

2. راﻋﯽ، رﺿﺎ،(1380). ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ؛ روﯾﮑﺮدی ﻧﻮﯾﻦ در ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﻣﺪﯾﺮﯾﺖ. ﻓﺼﻠﻨﺎﻣﻪ ﻣﺪرس، دوره 5، ﺷﻤﺎره 2، ﺻﺺ 133 ﺗﺎ 154.


3. سهرابی، بابک، ایرج، حمیده،(1394)، کتاب مدیریت کلان داده‌ها در بخش‌های خصوصی و عمومی، تهران: انتشارات سمت.


4. عباسی،ابوئی مهریزی،ابراهیم، امیر(1390)،کاربرد شبکه عصبی-فازی انطباقی در پیش بینی قیمت سهام شرکت ایران خودرو، مجله مهندسی مالی و مدیریت اوراق بهادار شماره هفتم،تابستان 1390.


5. قره­خانی، محسن ماجدی، زهرا،(1392)"ﻣﺤﺎﺳﺒﻪ ﺿﺮاﯾﺐ رﯾﺴﮏ داراﯾﯽ در ﺗﻮاﻧﮕﺮی ﻣﺎﻟﯽ ﻣﺆﺳﺴﺎت ﺑﯿﻤﻪ ﺑﺎ اﺳﺘﻔﺎده از ارزش در ﻣﻌﺮض ﺧﻄﺮ"پژوهشنامه بیمه/سال بیست و هشتم/شماره 4/زمستان 1392/شماره مسلسل112/صفحات 127 تا 154.


6. کشاورز حداد، غ.ر. (1383). اهمیت بخش خدمات مالی در اقتصاد کشور. فصلنامه پژوهش های اقتصاد ایران، شماره 21. صص 45-62.


7. ﻣﺎﺟﺪی، زﻫﺮا ﻋﺰﯾﺰﻧﺼﯿﺮی، ﺳﻤﯿﺮا و ﻧﺼﯿﺮی، ﻓﺎﻃﻤﻪ،.(1391). ﻣﻌﺮﻓﯽ ﻣﺪل ﺗﻮاﻧﮕﺮی ﻣﺎﻟﯽ 2: اﺳﺘﺎﻧﺪارد ﻣﺪﯾﺮﯾﺖ در ﺻﻨﻌﺖ ﺑﯿﻤﻪ. ﻫﻤﺎﯾﺶ ﻣﺪﯾﺮﯾﺖ رﯾﺴﮏ در ﺻﻨﻌﺖ ﺑﯿﻤﻪ اﺳﻔﻨﺪ ﻣﺎه.


8. ﻧﻮراﻟﻠﻬﯽ، ﻧﯿﻤﺎ، ﺑﺨﺘﯿﺎر ﻧﺼﺮآﺑﺎدی، ﺣﺴﯿﻨﻌﻠﯽ(1395)، ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮاﻧﮕﺮی ﻣﺎﻟﯽ ﺷﺮﮐﺖ ﻫﺎی ﺑﯿﻤﻪ ﺑﺎ ﻣﺘﻐﯿﺮﻫﺎی ﻋﻤﻠﮑﺮدی ﺑﺎزار ﻣﺤﻮر ﺑﺎ اﺳﺘﻔﺎده از ﺗﮑﻨﯿﮏ ﻫﺎی درﺧﺖ ﺗﺼﻤﯿﻢ ﮔﯿﺮی و ﺷﺒﮑﻪ ﻋﺼﺒﯽ، کنفرانس بین اللمللی صنعت بیمه ایران. صص 139-129.


9. نیکو اقبال و همکاران،(1392)،ارزیابی مدل­های شبکه عصبی مصنوعی ایستا و پویا در پیش­بینی قیمت سهام، فصلنامه علمی پژوهشی دانش الی تحلیل اوراق بهادار سال هفتم، شماره بیست و دوم تابستان 1392،صفحه 21-29.


10. ولی نژاد ترکمانی و همکاران (1392). ارزیابی اهمیت صنعت بیمه در اقتصاد استان تهران. پژوهشنامۀ بیمه، سال بیست هشتم، شماره 3. صص 171-196.


11. هاشمی، سید عباس، صفری، امیر، کمالی دولت آبادی مهدی (1389)، " ارزیابی حاشیه توانگری مالی شرکت های بیمه در ایران "فصلنامه صنعت بیمه/سال بیست وپنجم/شماره ٢/تابستان ١٣٨٩ /شماره مسلسل ٩٨ /صفحات ٧٩ تا 120.


12. 12. Jhonpita, P. , Sinthupinyo, S. , Chaiyawat, T. , 2005. Ordinal Classification Method for the Evaluation of Thai Non-life Insurance Companies.


13. 13. Al-Hmouz, R. , Pedrycz, W. , & Balamash, A. (2015). Description and prediction of time series: A eneral framework of granular computing. Expert Systems with Applications, 42, 4830–4839.


14. 14. Ballings, M. , & Van den Poel, D. (2013b). R package ernelFactory: An ensemble of kernel machines.


15. 15. Brown,Christopher M(2007). The littie book of value investing,75Taleb,Nassim Nicholas. (2012),The black swan :the impact of the highly imporobable,93


16. 16. http://www. journalsbank. com/ajsr_8_3. pdf. [Accessed 25 October 2015].


17. 17. Kramer Bert. (1997), “N. E. W. S. : A model for the evaluation of non-life insurance companies”, European Journal of OP Research, Vol. 98, pp. 419-430.


18. 18. Kumar, M. , & Thenmozhi, M. (2006). Forecasting Stock index movement: A comparison of support vector machines and random forest. SSRN Scholarly Paper. Rochester, NY: Social Science Research Network, January 24, 200


19. 19. Mousavi Shiri, M. , Vaghfi, H. , Ahangary, M. , Kholousi, A, 2012. Corporate Bankruptcy Prediction Using Data Mining Techniques: Evidence from Iran. African Journal of Scientific Research. Vol. 8. No 1. Available through:


20. 20. Schöneburg, E. (1990). Stock price prediction sing neural networks: A projectreport. Neurocomputing, 2(1), 17–27.


21. 21. Segovia-Vargas, M. J. , Salcedo-Sanz, S. and Bouso-no-Calzon, C. 2003. Prediction of insolvency in non-life insurance companies using Support Vector Machines and genetic algorithms. In proc. X SIGEF Congress in Emergent Solutions for the Information and Knowledge Economy, Leon, Spain.


22. 22. Tung, W. L. , Quek, C. , Cheng, P. , 2004. GenSo-EWS: A novel neural-fuzzy based early Warning system for predicting bank failures. Neural Networks 17, 567–587.