انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 19 1 2017 04 21 Estimation of Input & Output Cash of Tejarat Branches in order to Calculate Branches’ Required Cash Via Multivariate Bayesian Clustering Analysis and the Implementation in Neural Network محاسبۀ وجه نقد مورد نیاز شعبه‎ها با استفاده از ‌‌تحلیل چندمتغیرۀ خوشه‌بندی بیزی و پیاده‌سازی آن در شبکه‌های ‌عصبی 41 60 60152 10.22059/jfr.2017.60152 FA غزاله باغبانی دانشجوی دکتری آمار، پردیس دانشگاه علامه طباطبائی، تهران، ایران فرزاد اسکندری دانشیار گروه آمار، دانشکدۀ علوم ریاضی دانشگاه علامه طباطبائی، تهران، ایران Journal Article 2016 07 04 Cash adequacy in banks’ branches is considered as the significant issues for branch managers; because the daily cash shortage in branches’ funds might lead to the lack of fulfilling customers’ needs. On the other hand, cash surplus in branches will increase the expenses which arise from its transfer to the banks’ treasuries. Therefore, banks have always been attempting to estimate their required cash according to their daily operations and. In this regard, iIn this article, branches of Tejarat Bank, with regard to their diversity, have been classified in similar clusters with the two methods of hierarchical clustering and clustering based on Bayesian approach .Then, based on the results obtained from the clustering, the input cash to the branches as well as the cash consumption in the branches were estimated through the neural networks, which made it possible to calculate the required cash in branches. The results show that the estimation of input and consumed cash of branches using neural network and regarding the results obtained from Bayesian approach for branches clustering enjoys higher precision in comparison to the results obtained from the classic methods of clustering. موضوع کفایت وجه‌ نقد در بانک‌ها، یکی از مسائل مهم برای مدیران و به‌خصوص رؤسای هر شعبه به‌شمار می‎رود؛ چرا‌که کمبود وجه نقد روزانه در صندوق شعبه به عدم پاسخگویی به نیاز مشتری می‎انجامد و از سوی دیگر، مازاد وجه نقد در شعبه موجب افزایش هزینه بابت انتقال آن به خزانۀ بانک می‎شود. از این رو بانک‌ها همواره درصدد تعیین مقدار وجه نقد مورد نیاز خود با‌ توجه به عملیات روزانه هستند. به‌همین منظور در این مقاله، شعب بانک تجارت‌، با ‌توجه به تنوع بین شعب، با دو روش خوشه‌بندی سلسله‌مراتبی و خوشه‌بندی برمبنای رویکرد بیزی در خوشه‌های متشابه دسته‌بندی شدند؛ سپس با در نظر‌ گرفتن نتایج خوشه‌بندی، مقدار وجه نقد ورودی و نیز وجه نقد مصرفی از طریق شبکه‌های عصبی برآورد شد تا از این طریق امکان محاسبۀ وجه نقد لازم برای شعب فراهم شود. نتایج تحقیق نشان می‌دهد، برآورد وجه نقد مصرفی و ورودی شعب بانک با استفاده از شبکۀ ‌عصبی و لحاظ‎کردن نتایج خوشه‌بندی شعب با رویکرد بیزی، دارای دقت بیشتری نسبت به نتایج خوشه‌بندی شعب با روش معمول است. https://jfr.ut.ac.ir/article_60152_0bdd1cb57527f67d1aa5c42088e517cd.pdf