عنوان پایان‌نامه
پیش بینی سپرده های بلندمدت بانک سینا با استفاده از روش شبکه عصبی مصنوعی
- رشته تحصیلی
- مدیریت بازرگانی-مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس قم شماره ثبت: 001336;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51690
- تاریخ دفاع
- ۱۷ بهمن ۱۳۹۰
- دانشجو
- زهرا خندانی
- استاد راهنما
- غلامرضا جندقی
- چکیده
- در دنیای رقابتی امروز که سازمان ها برای بقا و کسب سود بیشتر با چالش های متعددی روبرو می باشند، بانک ها از طریق قبول انواع سپرده ها می توانند منابع مالی مورد نیاز بخش های مختلف اقتصادی را جذب کرده و به همین منظور از سپرده ها جهت فعالیت های کلیدی خویش بهره مند می گردند. با توجه به اینکه سپرده¬ها به عنوان ورودی های سیستم بانکی شناخته شده اند، از این رو موضوع سپرده، اصلی ترین و یکی از مهمترین عوامل و علل وجودی بانک به شمار می-آید و خط مشی هایی که مدیریت عالی بانک را در مورد تصمیم گیری-های مهم یاری می دهد، تصممیم گیری هایی است که سلامتی، رفاه و پیشرفت بانک را در حال حاضر و رشد و توسعه بانک را در آینده، برای آن رقم می زند. بنابراین هدف اصلی ما پیش بینی صحیحی از روند میزان سپرده¬های بلندمدت در بانک می¬باشد که با استفاده از شبکه عصبی مصنوعی مدلی مناسب طراحی و تعیین می¬شود. شبکه¬های عصبی مصنوعی سیستم¬هایی هوشمند است که از شبکه¬های عصبی طبیعی الهام گرفته¬است، این سیستم¬ها با خصوصیات بی¬نظیری همچون توانایی یادگیری و تشخیص محرک¬های مشابه و مقاومت در برابر خطا، می¬توانند گزینه مناسبی برای این پیش¬بینی در محیطی که از منطق بسیار پیچیده¬ای برخوردار است، ¬باشند، نکته مهم در این زمینه انتخاب شبکه عصبی مناسب برای طراحی است. ساختاری که برای شبکه عصبی در نظر گرفتیم، شبکه عصبی پرسپترون چند لایه می¬باشد. همچنین برای آموزش این شبکه از روش پس انتشار خطا (روش لونبرگ- مارکوئد) استفاده نمودیم. با نگاهی کلی به این پژوهش می¬توان به این نتیجه رسید که شبکه¬های عصبی کارآیی مناسبی در پیش¬بینی سیستم¬های مختلف داشته و این شبکه¬ها به درستی اطلاعات مورد نیاز را پیش¬بینی می¬نمایند و اگر بخواهیم بطور تخصصی¬تر در مورد نتایج این پژوهش بحث نماییم می¬توان به پیش¬بینی¬های صحیح سه ماهه تیر مرداد و شهریور سال 90 شبکه¬های عصبی مورد استفاده اشاره کرد. بطوریکه این پیش¬بینی¬ها با تقریب قابل قبولی انتظارات محقق را برآورده ساخته¬اند.
- Abstract
- Abstract: In today's competitive world that organizations face so many challenges for survival and gaining more income, banks can absorb their required financial sources for different economical sections by accepting various kinds of deposit and because of this they can use deposits for their key activities. Due to the fact that deposits are known as the inputs of the Banking systems, therefore; deposit is one of the most important and one of the main factors for a bank and even it is one the reason of the bank existence. And the policies which help the top management of the bank in his strategic and important decision makings, are those which determines the health, welfare and development of a bank in its current situation as well as its development in future. Therefore; our main goal is to correctly predict the trend of long-term deposit rate in a bank which is determined through designing a Artificial Neural Networks model. The Artificial Neural Networks are intelligent systems which are inspired from the Natural Neural Network, these systems with their unique characteristics such as learning ability, recognizing similar Stimulus and resistance against error, can be a good and appropriate option for predictions in an environment with a complicated reasoning. The important point in this regard is choosing an appropriate Neural Network to design. The structure we have chosen for our Neural Network, is the multi-layered Perceptron Neural Network. Also for training this network we have used back-propagation Error method (Lonberg & Marquad method ). With a general review to this research we concluded that Neural Networks has an appropriate efficiency in prediction systems and they are capable of predicting the required data and information accurately. And if we want to discuss the findings of this research in a more technical way we can refer to the accurate predictions of Neural Networks which was used during three months of Tir, Mordad and Shahrivar of the year 1390. And it should be noted that the mentioned predictions have meet the author's expectations with an acceptable approximation
