برآورد یک سیستم چند متغیره تصادفی با استفاده از روش‌های داده‌کاوی (مطالعه موردی: وجه نقد مورد نیاز شعب بانک تجارت)

نویسندگان

1 دانشیار و عضو هیات علمی دانشگاه علامه طباطبائی ، گروه آمار

2 دانشجوی دکترای آمار دانشگاه علامه طباطبائی

چکیده

در ‌حال حاضر، بانک‌ها به صورت روزانه با چالش کفایت وجه‌ نقد جهت پاسخگویی به مشتریان و نیز عدم تمایل به افزایش هزینه‌های ناشی از نقل و انتقال مازاد وجه‌ نقد شعبه مواجه هستند. به همین علت، موضوع برآورد مانده وجه‌ نقد صندوق شعب -با توجه به عملیات روزانه آن- که به عنوان یک سامانه چند متغیره محسوب می‌شود، از موارد با اهمیت در حوزه بانکداری بشمار می‌آید.‌ در ‌این ‌راستا، ‌استفاده از روش‌های داده‌کاوی و به ‌خصوص روش‌های خوشه‌بندی و شبکه ‌‌‌عصبی‌ می‌تواند به افزایش دقت برآورد پارامتر وجه‌ نقد مورد نیاز شعب کمک کند. شبکه‌های‌ عصبی از لحاظ انعطاف‌پذیری، غیرخطی بودن‌، تحمل بیشتر نوفه‌ها و نیز وابسته نبودن به فرضیه‌های اولیه درباره داده‌های ورودی در این زمینه حائز اهمیت هستند. در این مقاله، 20 شعبه بانک تجارت در بازه زمانی 1/2/93 تا 31/6/93 با توجه به تنوع بین شعب از لحاظ درجه شعبه، نوع شعبه از لحاظ سپرده‌ای یا تسهیلاتی، تعداد دستگاه خودپرداز در شعبه،‌ شعبه کشیک/ غیرکشیک‌ در خوشه‌های متشابه دسته‌بندی شده، سپس با در نظر ‌گرفتن نتایج حاصل از خوشه‌بندی و متغیرهای مرتبط با وجه‌ نقد شعبه شامل متغیرهای تقویمی مانند روزهای هفته،‌ روزهای پرداخت حقوق/ ‌واریز ‌یارانه/ واریز ‌سود سپرده‌ها، روزهای تعطیل و مناسبت‌های رسمی و نیز متغیر میزان وجه نقد مصرفی دستگاه خودپرداز شعبه، ساختار مناسب شبکه‌ عصبی برای برآورد وجه‌ نقد شعب از طریق معیارهای خطا، تعیین شده و وجه نقد شعب در خوشه‌های مختلف برآورد می‌شود. نتایج تحقیق نشان می‌دهد شبکه‌ عصبی با لحاظ نتایج خوشه‌بندی با میانگین قدر مطلق خطای 5 درصد می‌تواند عملکرد خوبی جهت برآورد وجه‌ نقد شعب در خوشه‌های مختلف ارائه دهد.

کلیدواژه‌ها


بهشتی،‌‌‌‌‌ شروین ‌‌(1389)،‌ مدلی برای پیش‌بینی نقدینگی مورد نیاز شعب بانک با استفاده از شبکه‌های‌ عصبی و پیاده‌سازی آزمایشگاهی آن، دانشکده حسابداری و مدیریت، دانشگاه علامه طباطبایی، پایان‌نامه کارشناسی‌ارشد.

 سعیدی، علی‌ و شعبانی‌مطلق، مریم (1389)،‌ «ریسک نقدینگی در صنعت بانکداری با استفاده از شاخص لاندای‌ امری»، فصلنامه بورس اوراق بهادار‌، ‌سال‌سوم، شماره‌12، صفحات 149-129.

 نوربخش، ایمان، حیدری، هادی و زواریان،‌ زهرا (1389)، «مدیریت نقدینگی وجوه نقد صندوق شعب با استفاده از مدل انتشار»، گزارش هفتم، پژوهشکده پولی و بانکی، بانک مرکزی جمهوری اسلامی ایران.

 Anderberg, M. (1973), Cluster Analysis for Applications, Academic Press.

 Bramer, M. (2007), Principles of Data Mining, Springer Verlag Berlin Heidelberg.

 Cardona, L. and M. L. Amaya‌‌ (2012),‌“Cash Management Cost Reduction Using Data Mining to Forecast Cash Demand and LP to Optimize Resources”, Memetic Comp‌,‌vol.4, pp.127-134.

 Gowda, K. and E. Diday‌‌‌‌ (1991),”Symbolic Clustering Using a New Dissimilarity Measure”, Pattern Recognition , vol.24, no.6 , pp. 567-578.

 Gower, J. (1971),‌“A General Coefficient of Similarity and Some of its Properties”, Bio Metrics ,vol. 27, pp. 857-874.

 Gower, J. (1966),‌“Some Distance Properties of Latent Root and Vector Methods Used in Multivariate Analysis”, Bio Metrics‌, vol.53 , pp. 315-328.

 Han, J. and M. Kamber, (2006), Data Mining: Concepts and Techniques, San Francisco: Morgan Kaufman.

 Hornik,K.,M. Stinchcombe and H.White‌‌(1989),“Multilayer Feedforward Networks are Universal Approximators”, Neural Networks‌, vol.‌2, pp.‌‌‌359-366.

 Hu, M., G. Zhang, and B. Patuwo (1998),“Forecasting with Artificial Neural Networks:The State of the Art”, International Journal of Forecasting , vol.14, pp. 35-62.

 Irie, B. and S. Miyake‌ (1988),“Capabilities of Three-layered Perceptrons”, In Proceedings of the IEEE International Conference on Neural Networks, vol. 1‌, pp. 641-648.

 Jain, A.‌ and R. Dubes‌ ‌(1988), Algorithms for Clustering Data, Prentice Hall.

 Kauffman, L. and P. Rousseeuw‌ (1990),‌ Finding Groups in Data: An Introduction to Cluster Analysis, New York: Wiley.

 Olson, D. L. and D. Delen‌ (2008), Advanced Data Mining Techniques, Springer Verlag Heidelberg.

 Premchand, K. and E. Walia‌ (2006), “Cash Forecasting: An Application of Artificial Neural Networks in Finance”, International Journal of Computer Science & Applications‌, vol.3 , no. 1, pp. 61-77.

 Sandipan, R. (2010),”Determining Optimal Cash Allocation at ICICI Bank Branches”, Mumbai: ICICI Bank, SAS Global Forum, pp. 1-13.

 Turban, E., J. Aronson, T. Liang, and R. Sharda‌ (2007),‌‌ Decision Support and Business Intelligence Systems, Pearson Education.

 Wang‌,‌‌ P. (2008), “Clustering and Classification Techniques for Nominal Data Application”, Dissertation, Department of Electronic and Engineering, City University of Hong Kong.