پیش‌بینی سود/زیان بانک توسعه تعاون مبتنی بر روش یادگیری جمعی دومرحله‌ای

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی مالی، واحد رشت، دانشگاه آزاد اسلامی، رشت ایران.

2 استادیار، گروه مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت ایران.

3 استادیار، ‏گروه مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت ایران.

4 استادیار،‏ گروه مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت ایران.

10.22059/frj.2023.359246.1007464

چکیده

هدف: در این مقاله به پیش‌بینی سود/ زیان بانک توسعۀ تعاون، مبتنی بر روش یادگیری جمعی دومرحله‌ای پرداخته شده است. مدل‌سازی پیش‌بینی سود و زیان با استفاده از روش‌های یادگیری ماشین، به‌عنوان یکی از تکنیک‌های نوین در محاسبات عددی با بهره‌گیری از کلان‌داده، از جمله اهداف این مقاله است. بدین ترتیب، در این مقاله از روش ماشین یادگیری جمعی دومرحله‌ای، مبتنی بر مدل‌های ماشین بردار پشتیبان، درخت تصمیم‌گیری و میانگین وزنی، برای یادگیری و آزمون و پیش‌بینی سود/ زیان بانک توسعۀ تعاون استفاده شده است.
روش: مدل‌های پایه به‌کار رفته در مرحله اول، ماشین یادگیری، ماشین بردار پشتیبان و درخت تصمیم‌گیری است و در مرحله دوم، از میانگین وزنی استفاده شده است. بر اساس ترکیب مدل‌های پایه یادگیری، ابتدا به آزمون و یادگیری روند پیش‌بینی ۳۵ شعبه بانک توسعه تعاون در ایران، طی سال‌های ۱۳۹۱ تا ۱۴۰۰ پرداخته شد. این روش مبتنی بر یادگیری ماشین دومرحله‌ای است که برای انجام این کار از ۱۲ متغیر (نسبت مالی) در پنج عامل دسته‌بندی‌شده استفاده شده است. این متغیرها به‌ترتیب عبارت‌اند از: سپرده‌های قرض‌الحسنه، سپرده‌های کوتاه‌مدت، هزینه سود سپرده، سپرده‌های مشتریان، درآمد تسهیلات و سپرده‌گذاری، درآمدهای مشاع، موجودی نقدی، هزینه‌های اداری، سپرده‌های بلندمدت، درآمدهای غیرمشاع، هزینه استهلاک دارایی و اندازه بانک. برای دستیابی به داده‌های مدنظر، از صورت‌های مالی ۳۵ شعبه بانک توسعه تعاون، طی سال‌های ۱۳۹۱ تا ۱۴۰۰ استفاده شد. همچنین برای کاهش خطای پیش‌بینی و قابلیت مقایسه نسبت‌ها، تمامی شاخص‏‌های یادشده نسبت به ارزش کل دارایی‌های بانک تعدیل شد. در این روش و در مرحله اول، از دو مدل یادگیری ماشین بردار پشتیبان و درخت تصمیم‌گیری و در مرحله دوم از روش میانگین وزنی استفاده شد.
یافته‌ها: یافته‌های مقاله در خصوص یادگیری و مقایسه آن با روش رگرسیون خطی و همچنین سود/زیان واقعی بانک توسعه تعاون، نشان داد که دقت عملکرد این روش بسیار زیاد است؛ به‌گونه‌ای که معیار MAE برابر با 66/5 و معیار MSE برابر با 34/620 به‌دست آمد. همچنین هم‌بستگی بین داده‌‌های آموزش‌دیده و پیش‌بینی‌شده‌ای که از یادگیری ماشین جمعی دو مرحله‌ای به‌دست آمد، برابر با 9977/0 بود. پس از بررسی کارایی این روش، به پیش‌بینی سود/ زیان بانک توسعه تعاون برای سال‌های 1401 تا 1405 پرداخته شد.
 
نتیجه‌گیری: نتایج به‌دست‌آمده از کارایی بالای روش ماشین یادگیری جمعی دومرحله‌ای، نشان می‌دهد که مدیران می‌توانند از این روش‌ها در پیش‌بینی سود/ زیان بانک‌ها استفاده کنند. بر اساس روش یادگیری ماشین دو مرحله‌ای، اگر شرایط نامتعارف و غیرنرمالی وجود نداشته باشد، در سال‌های آتی و در نهایت در سال ۱۴۰۵، زیان انباشته شده بانک توسعۀ تعاون کاهش و سود آن افزایش خواهد یافت. بر اساس نتایج تجزیه‌وتحلیل داده‌ها، میانگین نسبت سود یا زیان خالص بانک به کل دارایی‌های آن، به نحوی است که زیان‌دهی متوسط شعب بانک را طی دوره پژوهش گزارش می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predicting Iran Cooperative Development Bank's Profit/Loss: Two-stage Collective Learning

نویسندگان [English]

  • Seyed Bagher Fattahi 1
  • Seyed Mozafar Mirbargkar 2
  • Ebrahim Chirani 3
  • Mohammadreza Vatanparast 4
1 PhD Candidate, Department of Financial Engineering, Rasht Branch, Islamic Azad University, Rasht, Iran.
2 Assistant Prof., Department of Management and Accounting, Rasht Branch, Islamic Azad University, Rasht, Iran.
3 Assistant Prof., Department of Management and Accounting, Rasht Branch, Islamic Azad University, Rasht, Iran.
4 Assistant Prof., Department of Management and Accounting, Rasht Branch, Islamic Azad University, Rasht, Iran.
چکیده [English]

Objective
This article aims to forecast Iran Cooperative Development Bank's profit/loss using a two-stage collective learning method. Employing machine learning for profit and loss prediction is a novel approach to numerical computations, aligning with the article's goal of leveraging big data. Hence, we employ a two-stage collective learning method utilizing Support Vector Machines, Decision Trees, and Weighted Averaging models for learning, testing, and predicting the profit/loss of the Cooperative Development Bank.
 
Methods
In the initial stage of machine learning, Support Vector Machines, and Decision Trees serve as the base models, while the second stage employs a weighted averaging approach. The combination of base learning models was utilized to initially test the prediction process on the performance of 35 branches of the Cooperative Development Bank nationwide from 2012 to 2021. The two-stage machine learning method relies on the utilization of 12 variables grouped into 5 factors for the task. These variables encompass interest-free loans and short-term deposits, deposit interest expenses, total customer deposits, income from facilities and investments, common income, cash balances, administrative expenses, long-term deposits, non-common income, asset depreciation expenses, and the bank's size. Relevant data for the study was obtained from the financial statements of 35 branches of the Cooperative Development Bank spanning the years 2012 to 2021. To minimize prediction errors and facilitate ratio comparisons, all indicators mentioned were adjusted relative to the total value of the bank's assets. Furthermore, to minimize prediction errors and enhance the comparability of ratios, all the mentioned indicators were adjusted in proportion to the total value of the bank's assets. In the initial stage of applying this method, two machine learning models - Support Vector Machines and Decision Trees - were employed, followed by a weighted averaging approach in the second stage.
 
Results
This article contrasts linear regression with machine learning approaches for predicting the Cooperative Development Bank's actual profit/loss. The results reveal notably high-performance accuracy, evidenced by an MAE metric of 5.66 and an MSE metric of 620.34. Additionally, the correlation between training data and predictions from the two-stage collective machine learning stands at 0.9977. Following this method's performance assessment, it is subsequently employed to predict the Cooperative Development Bank's profit/loss for the years 2022 to 2027.
 
Conclusion
The results, showcasing the high efficiency of the two-stage collective machine learning method, suggest that managers can employ these approaches for profit/loss prediction in banks. Based on this method, and under normal conditions without abnormal or non-normal circumstances, the obtained results indicate a prospective decrease in the accumulated losses of the Cooperative Development Bank in future years, leading to an ultimate increase in profits by the year 1405. The results of data analysis reveal that the average ratio of the net profit or loss of the bank to its total assets has been computed in a manner that reflects the average profitability of the bank branches over the research period.

کلیدواژه‌ها [English]

  • Two-stage collective machine learning
  • Support vector machines
  • Decision trees
  • Profit/loss prediction
  • Iran cooperative development bank

مراجع

آقاسی، احسان؛ مهرگان، نادر؛ آسیما، مهدی (1398). مدل پویای ارزشیابی سهام بانک‏ها؛ مورد مطالعه: بانک‏های ملت، تجارت، اقتصاد نوین و کارآفرین. نشریه مدیریت دارایی و تأمین مالی، 7(1)، 113-134.
خسرویانی، مهدی؛ حیدرپور، فرزانه (1401). مدل‏سازی جهت پیش‌بینی ریسک نقدینگی بانک‏های دولتی ایران با استفاده از شبکه‌های عصبی مصنوعی و شاخص‏های حسابداری. پژوهش‌های حسابداری مالی و حسابرسی، 14(55)، 163-180.
سیادتی، نسرین (1399). بررسی تأثیرگذاری خصوصی‌سازی بر کیفیت سود گزارش شده قبل و بعد از واگذاری در بانک‏های پذیرفته شده در بورس اوراق بهادار تهران. رویکردهای پژوهشی نوین در مدیریت و حسابداری، 32(2)، 96-111.
طالبیان مقدم، هادی؛ شیرکوند، سعید؛ دهقان، رضا و محمدی، شاپور (1402). تأثیر مؤلفه‌های اقتصادی قراردادهای IPC و PSC بر تولید و سود انباشتی میدان مشترک نفتی فروزان، فصلنامه مطالعات اقتصاد انرژی، 19(76)، 29- 56.  
قاسمی، عبدالرسول؛ بهرامی، جاوید؛ شعبانی جفرودی، ثریا (1397). پیش‌بینی شکاف دارایی ـ بدهی پویا در صنعت بانکداری ایران کاربرد الگوی عصبی ـ فازی تطبیقی و الگوی حافظه بلندمدت (مطالعه موردی: یک بانک خصوصی). اقتصاد مالی، 12(45)، 93-126.
مهربان‌پور، محمد رضا؛ نادری نورعینی، محمد مهدی؛ اینال، عفت؛ اشعری، الهام (1396). عوامل مؤثر بر سودآوری بانک‌ها. مطالعات تجربی حسابداری مالی، 14(54)، 113-134.
یعقوبی، علی؛ فضلی، صفر (1400). مدل پیش‌بینی کارایی بانک بر اساس شاخص‏های بانکداری نوین با استفاده از رویکرد هیبریدی تحلیل پوششی داده‌های تصادفی پویا و الگوریتم‏های فراابتکاری. مطالعات مدیریت، 15(1)، 133-153.
 
References
Achsani, M. N., Kassim, S. (2021). Determinant of Indonesian Banking Profitability: Case Study Dual Banking System. IJIEF, 4, 16-33.
Aghasi, E., Mehregan, N. & Asima, M. (2019). The Dynamic Model of Valuation for the Bank Stocks (Case Study of Banks of Mellat, Tejarat, Eghtesad-e-Novin, and Karafarin), Journal of Asset Management and Financing, 7(1), 113-134. (in Persian)
Ammar, N. & Boughrara, A. (2019). The impact of revenue diversification on bank profitability and risk: evidence from MENA banking industry. Macroeconomics and Finance in Emerging Market Economies, 12(1), 36-70.
Ashraf, D. & Goddard, J. (2012). Derivatives in the wake of disintermediation: a simultaneous equations model of commercial and industrial lending and the use of derivatives by US banks. International Journal of Banking, Accounting and Finance, 4(3), 250-271.
Ashraf, D., Ramady, M. & Albinali, K. (2016). Financial fragility of banks, ownership structure and income diversification: Empirical evidence from the GCC region. Research in International Business and Finance, 38, 56-68.
Batten, J., Vo, X. (2019) Determinants of Bank Profitability—Evidence from Vietnam, Emerging Markets Finance and Trade, 55:6, 1417-1428.
Behera, J., Pasayat, A. K., Behera, H. & Kumar, P. (2023). Prediction based mean-value-at-risk portfolio optimization using machine learning regression algorithms for multi-national stock markets. Engineering Applications of Artificial Intelligence, 120, 105843.
Bitar, M., Pukthuanthong, K. & Walker, T. (2018). The effect of capital ratios on the risk, efficiency and profitability of banks: Evidence from OECD countries. Journal of International Financial Markets, Institutions and Money, 53, 227-262.
Bolarinwa, S. T., Obembe, O. B. & Olaniyi, C. (2019). Re-examining the determinants of bank profitability in Nigeria. Journal of Economic Studies, 46(3), DOI:10.1108/JES-09-2017-0246.
Boungou, W. (2019). Negative interest rates, bank profitability and risk-taking. Bank Profitability and Risk-taking (July 8, 2019).
Chen, W., Zhang, H., Mehlawat, M. K. & Jia, L. (2021). Mean–variance portfolio optimization using machine learning-based stock price prediction. Applied Soft Computing, 100, 106943.
Choudhry, T. & Jayasekera, R. (2014). Market efficiency during the global financial crisis: Empirical evidence from European banks. Journal of International Money and Finance, 49, 299-318.
Craig, B. R. & Dinger, V. (2013). Deposit market competition, wholesale funding, and bank risk. Journal of Banking & Finance, 37(9), 3605-3622.
Gemar P., Gemar G., Guzman-Parra V. (2019). Modeling the Sustainability of Bank Profitability Using Partial Least Squares, Sustainability, 11, 4950; doi:10.3390/su11184950
 Ghasemi, A., Bahrami, J. & Shabani Jafrodi, S. (2018). Predicting the dynamic asset-liability gap in Iran's banking industry using the adaptive neural-fuzzy model and the long-term memory model (case study: a private bank), Financial Economics, 12 (45), 93-126.
(in Persian)
Haider, J. & Mohammad, K. U. (2022). The Effect of Covid-19 on Bank Profitability Determinants of Developed and Developing Economies. IRASD Journal of Economics, 4(2), 187–203.
Han, Q., Nieuwenhijsen, I., De Vries, B., Blokhuis, E. & Schaefer, W. (2021). Intervention strategy to stimulate energy-saving behavior of local residents. Energy Policy, 52, 706-715.
Horobet, A., Radulescu, M., Belascu, L., Dita, S.M. (2021). Determinants of Bank Profitability in CEE Countries: Evidence from GMM Panel Data Estimates. Journal of Risk and Financial Management, 14(7), 307
Isayas, Y. N., McMillan, D. (2022). Determinants of banks’ profitability: Empirical evidence from banks in Ethiopia, Cogent Economics & Finance, 10(1), 2031433.
Khosroyani, M. & Heydarpoor, F. (2022). Modeling to Predict the Liquidity Risk of Iran's Government Banks Using Artificial Neural Networks and Accounting Indicators, Financial Accounting and Auditing Researches, 14 (55), 163-180. (in Persian)
Le, T. D., Ngo, T. (2020). The determinants of bank profitability: A cross-country analysis, Central Bank Review, 20(2), 65-73.
Ma, Y., Han, R. & Wang, W. (2021). Portfolio optimization with return prediction using deep learning and machine learning. Expert Systems with Applications, 165, 113973.
Makridakis, S., Spiliotis, E., Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889.
Mehrabanpour, M.R., Naderi Noorain, M.M., Inanlou, E. & Ashari, E. (2017). Factors Affecting the Profitability of Banks, Empirical Studies in Financial Accounting, 14 (54), 119-140. (in Persian)
Meslier, C., Tacneng, R. & Tarazi, A. (2014). Is bank income diversification beneficial? Evidence from an emerging economy. Journal of International Financial Markets, Institutions and Money, 31 (C), 97-126.
Mostak Ahamed, M. (2017). Asset quality, non-interest income and bank profitability: Evidence from Indian banks. Econ. Model, 63, 1–14.
Nys, E., Tarazi, A. & Trinugroho, I. (2015). Political connections, bank deposits, and formal deposit insurance. Journal of Financial Stability, 19, 83-104.
Ozili, P. K. (2021). Bank Profitability Determinants: Comparing the United States, Nigeria and South Africa (January 1, 2021). Available at SSRN: https://ssrn.com/abstract=3776082
Paiva, F. D., Cardoso, R. T. N., Hanaoka, G. P. & Duarte, W. M. (2019). Decision-making for financial trading: A fusion approach of machine learning and portfolio selection. Expert Systems with Applications, 115, 635-655.
Shirdar, M. R., Golshan, A., Izman, S. & Ghodsiyeh, D. (2014). The application of surface response methodology to the pretreatment of WC substrates prior to diamond coating. Journal of materials engineering and performance, 23(1), 13-24.
Siadati, N. (2020). Investigating the effect of privatization on the quality of reported profits before and after the handover in banks admitted to the Tehran Stock Exchange. New research approaches in management and accounting, 4(13), 101-117. (in Persian)
Solin, M. M., Alamsyah, A., Rikumahu, B. & Saputra, M. A. A. (2019, July). Forecasting Portfolio Optimization using Artificial Neural Network and Genetic Algorithm. In 2019 7th International Conference on Information and Communication Technology (ICoICT) (pp. 1-7). IEEE.
Ta, V. D., Liu, C. M. & Addis, D. (2018). Prediction and portfolio optimization in quantitative trading using machine learning techniques. In Proceedings of the Ninth International Symposium on Information and Communication Technology, 98-105.
Talebian Moghaddam, H., Shirkavand, S., Dehghan, R. & Mohammadi, Sh. (2023). Evaluating the Impact of Economic Components of IPC and PSC Contracts on Cumulative Production of Oil Fields: A Case Study of Foroozan Oil Field. Quarterly Energy Economics Review, 19(76), 29-56. (in Persian)
Yaghoubi, A. & Fazli, S. (2022). Bank Efficiency Forecasting Model Based on the Modern Banking Indicators Using a Hybrid Approach of Dynamic Stochastic DEA and Meta-Heuristic Algorithms. Iranian Journal of Management Studies (IJMS), 15 (1), 133-153. (in Persian)
تحقیقات مالی
دوره 25، شماره 4
1402
صفحه 596-613

فایل ها

هم رسانی

ارجاع به این مقاله

آمار