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

الموضوعات :

امید مهری نمک آورانی ¹ , رضا احتشام راثی ²

1 - دانشجوی دکتری حسابداری، گروه حسابداری، دانشکده مدیریت و حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.
2 - گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

تاريخ الإرسال : 20 السبت , رمضان, 1440 تاريخ التأكيد : 05 الإثنين , ذو القعدة, 1440 تاريخ الإصدار : 25 الأحد , ربيع الثاني, 1441

الکلمات المفتاحية: شبکه عصبی, منابع مالی, خود رگرسیو میانگین متحرک انباشته (ARIMA),

ملخص المقالة :

یکی از مهم‌ترین موارد مورد علاقه مدیران بانکی به عنوان متغیری تأثیرگذار 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 139۶-138۷ 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.

المصادر:

• احتشام راثی رضا، احسانی­فر محمد. (1394)، پیش­بینی نرخ ارز در بازار سرمایه با استفاده از مدل­های میانگین متحرک خود رگرسیون انباشته و شبکه عصبی(مطالعه موردی: دلار استرالیا، دلار کانادا، ین ژاپن و پوند انگلیس)، دانش مالی تحلیل اوراق بهادار، شماره 27، صص 52-35.


• احمدی شالی جعفر ، وصفی مهدی.(1396). پیش‌بینی نقدینگی بر اساس برآورد نقطه‌ای و بازه‌ای روش آریما و مقایسه آن­باروش هموارسازی نمایی دوگانه.فصلنامه اقتصاد مالی،شماره40،صص175-159.


• البرزی، محمود. (1380). آشنایی با شبکه‌های عصبی ، انتشارات علمی دانشگاه صنعتی شریف.


• بمانی عاطفه، هروی علی؛ نقیبی سپیده، زنده دل احمد، شهسواری سوده.(1394). پیش­بینی قیمت سهام بانک­های پذیرفته­ شده در بورس اوراق بهادار تهران بر اساس مدل PCA-NN مقایسه آن با مدل آریما، دومین کنفرانس بین المللی آینده پژوهی، مدیریت و توسعه اقتصادی، دانشگاه تربیت حیدریه، مشهد، ایران.


• حسینی­پور سید محمدرضا، محسنی سیمین، جعفری مقدم مسعود. (1397). مقایسه سه روش برنامه­ریزی خطی­، آرمانی و فازی در ترکیب بهینه منابع و مصارف در بانک کشاورزی، مهندسی مالی و مدیریت اوراق بهادار، شماره 37، صص 374-354.


• زارعی قاسم، محمدیان رعنا، حاضری هاتف، باشکوه اجیرلو محمد.(1397). مقایسه روش­های شبکه عصبی فازی با شبکه عصبی موجک فازی در پیش­بینی قیمت سهام بانک­های پذیرفته­شده در بورس اوراق بهادار تهران، راهبرد مدیریت مالی، شماره 22، صص 138-109.


• عباسی، ابراهیم،رستگارنیا، فاطمه،ابراهیمی، فهیمه.(1393). پیش بینی نقدینگی موردنیاز دستگاه های خودپرداز با استفاده از مدل خطی (ARIMA) و غیرخطی (شبکه های عصبی). فصلنامه سیاست های راهبردی و کلان، شماره 8، دوره 2، صص76-59.


• عاملی احمد، رمضانی ملیحه.(1394). پیش­بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک­و مقایسه با شبکه عصبی­فازی، تحقیقات مدل­سازی اقتصادی، شماره 22، صص91-61.


• محمدی شاپور، راعی­رضا، رحیمی محمدرضا.(1397). پیش­بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی، مهندسی مالی و مدیریت اوراق بهادار، شماره 34، صص 357-335.


• منهاج، محمد باقر.(1387). مبانی شبکه های عصبی، انتشارات دانشگاه صنعتی امیر کبیر.

• Ayodele A. Adebiyi. Aderemi O. Adewumi (2014). Stock Price Prediction Using the ARIMA Model, School of Mathematic, Statistics & Computer Science, 16th International Conference on Computer Modelling and Simulation, pp.105-111.


• Aydinm, A. D. & Cavdar, S.C. (2015). Prediction of Financial Crisis with Artificial Neural Network: An Empirical Analysis on Turkey. International Journal of Financial, 6(4): 36-45


• Basak, S. Kar, S. Saha, S. & Khaidem, L. (2018). Predicting the direction of stock market prices using tree-based Classifiers. North American Journal of Economics and Finance. (in press).


• Bokota, A. (2002). Principle of forecasting in manufacturing Companies. WTO Yearly Report, USA.


• Bruno M. H. Vinicius A. S. and Herbet K. (2018). Stock price prediction using support vector regression on daily and up to the minute prices, The Journal of Finance and Data Science, in press. pp.1-5.


• Jadhav, S. Dange, B. & Shikalgar, S. (2018). Prediction of Stock Market Indices by Artificial Neural Networks Using Forecasting Algorithms. In International Conference on Intelligent Computing and Applications (pp. 455-464).


• Nguyen, T., Khosravi, A., Nahavandi, S., & Creighton, D. (2013). Neural Network and Interval Type-2 Fuzzy System for Stock Price Forecasting.International Conference on Fuzzy Systems (FUZZ-IEEE).


• Thu Phan Hien, Anwar Sajid, W. Robert J. Alexander, Thi My Phan Hanh. (2019). Competition, Efficiency and Stability: An Empirical Study of East Asian Commercial Banks, North American Journal of Economics & Finance, 18: 1-41.


• Yuhong Li, Weihua Ma. (2010). Applications of Artificial Neural Networks in Financial Economics: A Survey. Computational Intelligence and Design (ISCID), 1,211-214.


• Refenes, A. N., Zapranis, A. & Gavin, F. (1997). Modeling Stock Returns in the Framework of APT C Comparative Study with Regressing Models. In A. P. (Ed) Neural Network in the Capital Markets, 7(2):374-388.


• Zhang, J., Cui, S. Xu, Y. Li,Q. & Li, T. (2018). A novel data-driven stock price trend prediction system. Expert Systems with Applications 97, pp. 60–69.