پيش بيني منابع مالي بانك با استفاده از مدل خطي( ARIMA) و غيرخطي شبكه هاي عصبي مصنوعي فازي

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

يكي از مهم‌ترين موارد مورد علاقه مديران بانكي به عنوان متغيري تأثيرگذار بر صنعت بانكداري، اطلاع از وضعيت سپرده‌هاي بانكي است كه فعاليت بانك تا حد زيادي بستگي به آن دارد. ازاين‌رو مديران بانك‌ها علاقه‌مند هستند بدانند كه ميزان كل سپرده‌هاي بانك در زمان معيني در آينده چقدر خواهد بود. پيش‌بيني ميزان سپرده‌ها، تغيير و نوسان اين سپرده­ها مي‌تواند در امر برنامه­ريزي و تصميم­گيري به بانك‌ها كمك نمايد. در اين پژوهش سعي شده است با استفاده از تكنيك‌هاي آماري و رويكرد مدل‌هاي شبكه‌هاي عصبي مصنوعي ، مدلي مناسب با بيشترين قدرت تخمين و كمترين ميزان خطا براي پيش‌بيني ميزان سپرده‌ها يا همان منابع مالي به تفكيك انواع آنها براي بانك موردنظر را معرفي نماييم. براي آزمون فرضيه­ها از اطلاعات يك بانك خصوصي طي بازه زماني سال­هاي 1396-1387 استفاده شده است. در اين پژوهش، پس از بررسي توان پيش‌بين­كنندگي روش خود رگرسيو ميانگين متحرك انباشته (ARIMA) و روش شبكه‌هاي عصبي مصنوعي، به مقايسه‌ي اين دو روش پرداخته ‌شده است.نتايج پژوهش بر ميزان سپرده‌هاي بانك به‌صورت ماهانه حاكي از آن است كه روش شبكه‌هاي عصبي تخمين‌هاي بهتري نسبت به روش ARIMA ارائه مي‌نمايند.

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.