1.1         مقدمه. 1

1.2       بیان مسئله  1

1.3       اهمیت- ضرورت پژوهش…. 2

1.4       اهداف پژوهش     3

1.5       سوالها و فرضیه های پژوهش…. 4

1.5.1         سئوالات.. 4

1.5.2         فرضیه ها 5

1.6       روش انجام پژوهش…. 5

1.7       قلمرو زمانی و مکانی پژوهش…. 6

1.8       جامعه آماری.. 7

1.9       روشهای گردآوری اطلاعات… 7

1.10    تعریف واژه ها و اصطلاحات تخصصی پژوهش…. 7

2                   ادبیات پژوهش…. 10

2.1       مقدمه. 10

2.2       پیش بینی و مدلهای پیش بینی   10

2.2.1         تعریف پیش بینی.. 10

2.2.2         مدل های پیش بینی   11

2.2.3         سری های زمانی.. 11

2.2.4         مدل باکس ـ جنکینز. 13

2.2.5          شبکه های عصبی مصنوعی.. 16

2.2.6         ساختار کلی شبکه های عصبی.. 16

2.2.7         عملکرد شبکه های عصبی.. 18

2.2.8          مزایای استفاده از شبکه عصبی مصنوعی.. 19

2.2.9          انواع توابع تبدیل.. 21

2.2.10      انواع شبکه های عصبی.. 22

2.3       معیارهای ارزیابی خطا 25

2.4       تاریخچه بانکداری.. 28

2.4.1         آغاز بانکداری.. 29

 

2.4.2         موسسات مالی و بانکها 29

2.4.3          اهداف وظایف امروزی بانکها 30

2.4.4         انواع سپرده ها 31

2.5       پیشینه پژوهش     35

2.5.1         مطالعات داخلی.. 35

2.5.2         مطالعات خارجی.. 42

3                   روش شناسی پژوهش…. 49

3.1         مقدمه. 49

3.2       بخش اول کلیات روش پژوهش…. 49

3.2.1         جامعه آماری پژوهش… 49

3.2.2         قلمرو پژوهش… 50

3.2.3         اهداف پژوهش… 50

3.2.4         سوالات و فرضیات پژوهش… 51

3.2.5         مراحل انجام کار در این پژوهش… 52

3.2.6         روش تحلیل داده ها 53

3.2.7          روش های مورد بررسی.. 53

3.2.8         فرایند خودرگرسیون میانگین متحرک انباشته (آریما) 55

3.2.9         روش های مبتنی بر شبکه های عصبی.. 57

3.2.10      مدل شبکه های عصبی پروسپترون چند لایه  59

3.2.11      ارزیابی عملکرد مدل ها 60

3.2.12      توابع مورد استفاده برای ارزیابی خطا 60

4                   تحلیل داده ها 61

4.1         مقدمه. 61

4.2       پیش بینی سپرده قرضالحسنه پس انداز. 62

4.3       پیش بینی سپرده های جاری   64

4.4       پیش بینی سپرده های سرمایه گذاری کوتاه مدت    67

4.5       پیش بینی سپرده های سرمایه گذاری بلند مدت یک ساله. 69

4.6       پیش بینی سپرده های سرمایه گذاری بلند مدت دو ساله. 72

این مطلب را هم بخوانید :

4.7       پیش بینی سپرده های سرمایه گذاری بلند مدت سه ساله. 74

4.8       پیش بینی سپرده های سرمایه گذاری بلند مدت چهار ساله. 76

4.9       پیش بینی سپرده های سرمایه گذاری بلند مدت پنج ساله. 79

4.10    پیش بینی مجموع سپرده های ریالی   82

4.11    پاسخ فرضیه ها 84

5                   نتیجه گیری.. 86

5.1         مقدمه. 86

5.2       نتایج و یافته های پژوهش     87

5.3       محدودیت های پژوهش…. 89

5.4         پیشنهادات… 90

5.4.1         پیشنهادات اجرایی.. 90

5.4.2         پیشنهادات برای پژوهش های آتی.. 90

6                  فهرست منابع و ماخذ.. 92

1        کلیات پژوهش

1.1                مقدمه

 باتوجه به اینکه تجهیز منابع و جمع­آوری وجوه اشخاص اولین هدف بانک بوده، سپرده­های بانکی از دو لحاظ دارای اهمیت است اول قدرت وام­دهی و تخصیص منابع بانک را افزایش داده و دوم اینکه وقتی مردم ترجیح دهند پول خود را نزد بانک­ها نگهداری نموده وکمتر برای خرج آن اقدام نمایند، از حجم پول در گردش کاسته شده که این امر خود موجب کاهش نرخ تورم و در نتیجه افزایش قدرت خرید مردم می­گردد.

 امروزه در جهان نیز اهمیت جذب منابع مالی آنقدر برای بانک­ها و ادامه فعالیتشان مهم و حیاتی است که رقابت بسیارشدیدی را در این زمینه بین آنها ایجاد نموده و ضرورت پیش­بینی میزان تجهیز منابع در آینده را نمایان ساخته است. تاجایی که توانایی پیش­بینی صحیح نتایج آتی، به خصوص جریان­های نقدی، اداره امور را در کاراترین شکل خود امکان پذیر می­سازد و به اتخاذ تصمیم­های بهینه در زمینه عملیاتی، سرمایه­گذاری و تامین مالی منجر می­شود.

1.2                بیان مسئله

روشن است که پیش­بینی[1] از ملزومات اصلی برای سیاستگذاری و برنامه­ریزی آینده است. مدیران بخش­های مختلف اقتصادی و بازرگانی، به دلیل وجود انبوه متغیرهای تاثیرگذار، ترجیح می­دهند مکانیزمی را در اختیار داشته باشند که بتواند آنها را در امور تصمیم­گیری­شان یاری و مشاوره دهد(آرمسترانگ، 2001)[2]. برای موفقیت در دنیای متغیر امروز، تصمیم­های سازمان­های فعال در کسب­و­کار متکی به پیش­بینی­های انجام شده با حداقل خطا است که در گرو داشتن یک سیستم پیش­بینی مناسب است(آبراهام و لدالتر،1983)[3]. به همین دلیل، سعی در روآوردن به روش­هایی در پیش­بینی دارند که به واسطه آنها تخمین­هایشان به واقعیت نزدیک و خطاهایشان بسیارکم باشد. ضمن اینکه برای برنامه­ریزی صحیح به عنوان یکی از مهمترین وظایف مدیریت، پیش­بینی آنچه احتمالا درآینده به وقوع می­پیوندد بسیارضروری است. سپرده­های بانک­های تجاری و تخصصی مهم­ترین عامل در طرف عرضه پول در اقتصاد هستند. همچنین سپرده­ها جزء منابع اصلی بوده و عمده بدهی­های بانک­ها را نیز تشکیل می­دهند. تجزیه و تحلیل میزان سپرده­ها، اجزای آنها، تغییرات، نرخ رشد و پیش­بینی هر کدام از این عوامل برای مدیران بانک ها از اهمیت فوق­العاده­ای برخورداراست و در تصمیم­گیری و برنامه­ریزی به آنها کمک می نماید. میزان، روند و چگونگی تغییرات انواع سپرده­ها هرکدام متغیری تصادفی بوده و در دنیای پر از نااطمینانی، تحت تـأثیر عوامل بیشماری قرار دارند و به سادگی   نمی­توان آنها را پیش­بینی کرد. با این وجود در اغلب رشته­های علمی توجه خاصی به مسأله پیش­بینی شده و جزء لاینفک هرکدام از آنها است. تکنیک­ها و روش­هایی نیز برای امر پیش­بینی ارایه شده است و اگر نه به طور کامل اما تا حد بسیار زیادی می­توانند در امر پیش­بینی به تصمیم­گیران کمک نمایند.

 مدیران بانک­ها علاقمندند بدانند که میزان کل سپرده­های بانک تحت مدیریت آنها در زمان معینی در آینده چقدر خواهد بود؟

پیش­بینی میزان سپرده­ها می­تواند در امر برنامه­ریزی و تصمیم­گیری به بانک سامان و مدیران شعب آن کمک نماید، بنابراین انجام یک مطالعه علمی با استفاده از تکنیک­های آماری و مدل­های شبکه عصبی مصنوعی   می­تواند حل مشکل را ساده­تر نماید.

1.3                اهمیت- ضرورت پژوهش

با توجه به آنچه در بیان مسأله گفته شد جواب دادن به سؤالات بسیاری در زمینه پیش­بینی انواع مختلف سپرده­های بانکی به دلیل وزن بالای سپرده­ها در عملیات و فعالیت بانک­ها، دارای اهمیت فوق­العاده­ای است و این امر می­تواند در تصمیم­گیری و برنامه­ریزی این مؤسسات که به عنوان واسطه مالی در اقتصاد عمل     می­نمایند، کمک شایان توجهی بنماید. پول در سلامت اقتصادی جامعه نقشی اساسی دارد و میزان بهینه آن از این نظر که متغیرهای زیادی را تحت تأثیر قرار می­دهد، می­تواند در بهبود وضعیت اشتغال، ثبات قیمت­ها، افزایش سطح تولید، پس انداز و سرمایه گذاری و…..نقشی اساسی داشته باشد. بانک­های تجاری و تخصصی درپول آفرینی اقتصاد عمده­ترین نقش را بازی می­کنند و به همراه سیاست­های بانک مرکزی، مردم و دولت میزان عرضه پول و در نهایت حجم نقدینگی را تعیین می­کنند و در بخش غیر واقعی اقتصاد وظیفه مهمی را بر عهده دارند. بانک­ها می­توانند پس­اندازهای ریز و درشت مردم را جمع آوری نموده و آنها را به کسانی که انگیزه و توان سرمایه­گذاری دارند، اما فاقد منابع مالی هستند، به شیوه مناسبی تخصیص دهند. در این بین اگر منابع بانک که سپرده­ها بیشترین بخش آن را تشکیل می­دهند در سطح پایینی باشند، قدرت وام­دهی و مانور بانک به شدت کاهش می­یابد. بنابراین با توجه به آنچه گفته شد پیش­بینی میزان انواع سپرده­های بانکی از اهمیت زیادی برخوردار است، بنابراین انگیزه انتخاب چنین موضوعی، اهمیت فوق­العاده فعالیت بانک­ها برای سلامت اقتصاد جامعه و نقش عمده سپرده­ها در بانک­ها است.

1.4                اهداف پژوهش

هدف اصلی

هدف اصلی در این پایان­نامه مقایسه مدل­های شبکه عصبی و مدل آریما در پیش­بینی میزان سپرده­های­ ریالی بانک سامان است.

اهداف فرعی

1. پیش­بینی میزان انواع سپرده­های ریالی بانک سامان با استفاده از مدل سری زمانی آریما و تعیین شاخص­های خطای ریشه میانگین مربع خطا، میانگین قدر مطلق درصد خطا، میانگین قدر مطلق خطا و ضریب تعیین مربوط به آن.
2. پیش­بینی میزان انواع سپرده­های ریالی بانک سامان با استفاده از مدل شبکه­های عصبی پروسپترون چند لایه و تعیین شاخص­های خطای ریشه میانگین مربع خطا، میانگین قدر مطلق درصد خطا، میانگین قدر مطلق خطا و ضریب تعیین مربوط به آن.
3. مقایسه مدل­های شبکه­ عصبی پروسپترون چند لایه و روش آریما در پیش­بینی میزان سپرده­ها، بر اساس شاخص­های خطای ریشه میانگین مربع خطا، میانگین قدر مطلق درصد خطا، میانگین قدر مطلق خطا و ضریب تعیین مربوط به آن.

1.5                سوال­ها و فرضیه ­های پژوهش

 با توجه به مطالب طرح شده فرضیه اصلی عبارتست از:

مدل مناسب با بهترین مقدار شاخص­های خطا، برای پیش­بینی میزان انواع سپرده­های ریالی بانک سامان یک مدل شبکه عصبی مصنوعی پروسپترون چند لایه است.

در کنار این فرضیه، سوالات و فرضیه­های زیر نیز مطرح می­شوند.

1.5.1     سئوالات

1. چگونه می­توان میزان سپرده­های قرض­الحسنه ریالی بانک سامان را با استفاده از روش آریما و شبکه عصبی پروسپترون چند لایه پیش­بینی کرد؟
2. چگونه می­توان میزان سپرده­های جاری ریالی بانک سامان را با استفاده از روش آریما و شبکه عصبی پروسپترون چند لایه پیش­بینی کرد؟
3. چگونه می­توان میزان سپرده­های کوتاه مدت ریالی بانک سامان را با استفاده از روش آریما و شبکه عصبی پروسپترون چند لایه پیش­بینی کرد؟
4. چگونه می­توان میزان سپرده­های بلند مدت ریالی بانک سامان را با استفاده از روش آریما و شبکه عصبی پروسپترون چند لایه پیش­بینی کرد؟
5. چگونه می­توان میزان مجموع سپرده­های ریالی بانک سامان را با استفاده از روش آیما و شبکه عصبی پروسپترون چند لایه پیش­بینی کرد؟
6. در پیش­بینی میزان انواع سپرده­های بانک سامان بر اساس شاخص های خطای و ضریب تعیین، آیا مدل شبکه­های عصبی پروسپترون چند لایه از مدل آریما دقیقتر است؟

1.5.2     فرضیه ­ها

1. روش­های شبکه عصبی پروسپترون چند لایه در پیش­بینی میزان انواع سپرده­های ریالی بانک سامان، از لحاظ شاخص خطای ریشه میانگین مربع خطا، از روش آریما برتر است.
2. روش­های شبکه عصبی پروسپترون چند لایه در پیش­بینی میزان انواع سپرده­های ریالی بانک سامان، از لحاظ شاخص میانگین قدر مطلق درصد خطا، از روش آریما برتر است.
3. روش­های شبکه عصبی پروسپترون چند لایه در پیش­بینی میزان انواع سپرده­های ریالی بانک سامان، از لحاظ شاخص میانگین قدر مطلق خطا، از روش آریما برتر است.
4. روش­های شبکه عصبی پروسپترون چند لایه در پیش­بینی میزان انواع سپرده­های ریالی بانک سامان، از لحاظ شاخص ضریب تعیین، از روش آریما برتر است.

1.6                روش انجام پژوهش

روش انجام این پژوهش از نظر ماهیت و اهداف، کاربردی است.

 

روش پژوهش از نظر شیوه انجام

در این پژوهش داده­های مربوط به انواع سپرده­های همه شعب بانک سامان شامل سپرده­های قرض­الحسنه و سپرده­های سرمایه­گذاری مدت­دار و مجموع سپرده­های مذکور که به صورت روزانه از فروردین 1380 تا اسفند 1390 در دسترس بودند را با استفاده مدل آریما و شبکه عصبی مصنوعی پروسپترون چند لایه برای پیش­بینی مورد استفاده قرار می­گیرند. چون داده­های مورد استفاده از نوع داده­های سری زمانی می­باشند، به هنگام استفاده از مدل­های آریما باید پایایی این متغیرها مورد بررسی قرار گیرد که از طریق نمودار خودهمبستگی و خود­همبستگی جزئی و آزمون دیکی – فولر تعمیم یافته، این مسأ‌له بررسی خواهد شد. سپس مدل­های مختلف آریما، با توجه به بررسی­های انجام شده و در نظر گرفتن معیارهای مورد نظر، برآورد می­گردد و پیش­بینی صورت می­پذیرد. برای طراحی و پیش­بینی مدل­های مورد نظر با استفاده از روش آریما از نرم افزار Eveiws استفاده می­شود.

 در ادامه از طریق مدل شبکه عصبی، با تاکید بر مدل پروسپترون چند لایه، و با در نظر گرفتن مقادیر مشاهده شده به عنوان متغیر Target و متغیر روند به عنوان متغیر مستقل، مقادیر خروجی مشخص شده و با هدف کاهش میزان خطای برآورد، پیش­بینی انجام خواهد شد. برای طراحی و پیش­بینی مدل­های مورد نظر از نرم افزار MATLAB استفاده می­گردد. در قسمت آخر نتایج دو روش با هم مقایسه شده و پیشنهادها و راهکارهایی نیز ارایه خواهد شد.

1.7                قلمرو زمانی و مکانی پژوهش

قلمرو زمانی پژوهش

این پژوهش براساس اطلاعات مالی سال­های 90-80 بانک سامان انجام خواهد گرفت.

 

قلمرو مکانی پژوهش

قلمرو مکانی این پژوهش بانک سامان است.

1.8                جامعه آماری

جامعه آماری این پژوهش کلیه شعب بانک سامان است.

1.9                روش­های گردآوری اطلاعات

این پژوهش به لحاظ روش گردآوری داده­ها از نوع میدانی است.

در گردآوری اطلاعات و داده­ها از ابزار زیر استفاده شده است:

اطلاعات مربوط به پیشینه پژوهش و چارچوب نظری از طریق مطالعات کتابخانه­ای و ترجمه متون خارجی و اینترنت به دست می­آید.

 اطلاعات مربوط به میزان سپرده­های بانک از مراجعه به سوابق مالی سالهای گذشته و مصاحبه با کارشناسان در مدیریت امور فن­آوری اطلاعات بانک سامان به دست می­آید.

1.10           تعریف واژه ­ها و اصطلاحات تخصصی پژوهش

تعریف سپرده