پيش بيني و بهينه سازي نقدينگي موردنياز خودپرداز شعب با استفاده از هوش مصنوعي

Predicting and optimizing the liquidity required by branch ATMs using artificial intelligence

هدف از اين تحقيق پيش بيني و بهينه سازي وجه نقد مورد نياز خودپرداز شعب بانك كشاورزي با توجه به اشتهاي ريسك با استفاده از الگوريتم هاي هوش مصنوعي است. براي دستيابي به اين هدف از اطلاعات مربوط به مانده و گردش دفاتر كل و سرفصل هاي خزانه و خودپرداز 32 شعبه بانك كشاورزي مديريت استان قزوين به مدت دوسال از تاريخ 1396/11/10 لغايت 1398/12/29 بصورت روزانه استفاده شده است . اطلاعات مذكور پس از استاندارد سازي براي پردازش با هوش مصنوعي و رگرسيون هاي خطي ، ستيغي و لاسو و الگوريتم هاي آنها جهت براورد و بهينه سازي كمترين مقدار مربع خطاي مدل با استفاده از زبان برنامه نويسي پايتون در نرم افزار ژوپبتر بكار گرفته شده است. يافته هاي تحقيق حاكي از وجود رابطه معنادار معكوس بين مانده نقد خودپرداز و اشتهاي ريسك شعب و هزينه فرصت و همچنين ارتباط مثبت و معنادار بين مانده وگردش روزانه بدهكار و بستانكار سرفصل خودپرداز مي باشد. در الگوريتم هاي هوش مصنوعي داده هاي كه در ابتدا و پيش از اين براي يادگيري پارامترهاي مدل به ماشين داده شده بودند مجددا به عنوان ارزيابي به مدل ها با پارامترها و ضرايب يادگرفته شده، داده مي شوند با اين تفاوت كه اين بار مدل ها مقدار متغير وابسته را پيش بيني مي نمايند.نتايج بكارگيري الگوريتم هاي هوش مصنوعي در پيش بيني مبالغ مورد نياز خودپرداز براي روزهاي اينده با ميانگين درستنمايي 0/95 مي باشد كه سطح خطاي برآورد در محدوده قابل قبول مي باشد.

Purpose of this corpus is too optimize and predict required cash for atm devices among KESHAVARZI bank branches with in QAZVIN Province, with artificial intelligence algorithm depending on risk appetite. To achieve this purpose 2 years of daily transaction belonging to KESHAVARZI BANK branches data has been used. Which data were indicating balance, financial daily book, treasury fund and transactions and ATM transactions. The procedure of cleaning, standardization was done before the data sent to linear regression algorithms, the algorithms used in this approach are linear regression, lasso regression and ridge regression. After calculating MSE error, algorithm chose the best model with less MSE error using python programming language Also Jupiter notebook has been used as IDE This research indicates that there are a reverse meaningful relationship between cash balance and risk appetite and opportunity cost. Also a straight meaningful relationship between daily cash flow and debt-credit (which has been provided by the bank and costumers). Features and data that has been used for training an AI model revaluate again with a different values that has been also generated by AI in next step. Results shows that using artificial intelligence can predict daily cash needs with 95% accuracy with an acceptable error.