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

Subject Areas : Financial engineering

omid mehrinamakawarani ¹ , reza ehteshamrasi ²

1 - Phd. student in accounting, Department of Accounting, Faculty of management and Accounting,gazvin Branch, Islamic Azad University, Qazvin, Iran.
2 - Department of Industrial Management, Faculty of management and Accounting,gazvin Branch, Islamic Azad University, Qazvin, Iran.

Received: 2019-05-25 Accepted : 2019-07-08 Published : 2019-12-22

Keywords: Neural network, financial resources, Autoregressive integrated moving average (ARIMA),

Abstract :

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 1387-1396. 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.

References:

• 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.