محاسبۀ وجه نقد مورد نیاز شعبه‎ها با استفاده از ‌‌تحلیل چندمتغیرۀ خوشه‌بندی بیزی و پیاده‌سازی آن در شبکه‌های ‌عصبی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری آمار، پردیس دانشگاه علامه طباطبائی، تهران، ایران

2 دانشیار گروه آمار، دانشکدۀ علوم ریاضی دانشگاه علامه طباطبائی، تهران، ایران

چکیده

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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

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

نویسندگان [English]

  • Ghazaleh Baghbabi 1
  • Farzad Eskandari 2
1 PhD. Candidate Faculty of Statistics, Campus of Allameh Tabataba'i University, Tehran, Iran
2 Associate Prof., Faculty of Statistics, Allameh Tabataba'i University, Tehran, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Banking
  • Bayesian Approach
  • Clustering
  • Estimate
  • Neural Network

مراجع

بهشتی، ش. (1389). یک مدل برای پیش‎بینی الزامات نقدینگی شعب بانک و پیاده‎سازی آزمایشگاهی با استفاده از شبکه‎های عصبی. پایان‎نامۀ کارشناسی ارشد، تهران، دانشکدۀ مدیریت و حسابداری. دانشگاه علامه طباطبایی.
Beheshti, Sh. (2010). A model to predict the liquidity requirements of bank branches and implemented experimentally using Neural Networks. MSc thesis, Faculty of Management and Accounting, Allameh Tabataba’i University. (in Persian)
Bernardo, J.M & Giron, J. (1988). A Bayesain Approch to cluster Analysis, Questiio, 12(1), 97-112.
Bramer,  M. (2007). Principles of Data Mining. Springer Verlag Berlin Heidelberg.
Blomstedt, P., Tang, J., Xiong, J., Granlund, Ch. & Corander, J. (2015). A Bayesian Predictive Model for Clustering Data of Mixed Discrete and Continuous Type. IEEE transactions on Pattern analysis and machine intelligence, 37(3), 489-498.
Bouveyron, C. & Brunet-Saumard, C. (2014). Model-based clustering of highdimensional data: A review. Computational Statistics and Data Analysis, 71, 52–78.
Cardona, L. & Amaya, M. L. (2012). Cash management cost reduction using data mining to forecast cash demand and LP to optimize resources. Mathematic. Comp.‌, 4 (2), 127-134.
Franzen, J. (2008). Bayesain cluster Analysis. Doctoral dissertation. Department of statistics, Stockholm University.
Gelman, A., Carlin, J. B., Stern, H. S. & Rubin, D. B. (1995). Bayesian Data Analysis. London: Chapman and Hall.
Gilks, W. R., Richardson, S. & Spiegelhalter, D. J. (1996). Markov Chain Monte Carlo in Practice. London: Chapman and Hall.
Gower, J. (1971). A general coefficient of similarity and some of its properties. Bio Metrics, 27(4), 857-874.
Han, J. & Kamber, M. (2006). Data Mining: Concepts and Techniques, San Francisco: Morgan Kaufman.
Heard, A.N. , Holmes, Ch.C. & Stephens, A. (2006).‌ A Quantitative Study of Gene Regulation Involved in the Immune Response of Anopheline Mosquitoes: An Application of Bayesian Hierarchical Clustering of Curves. Am erican Statistics Association,‌101(473), 18-29.
Heller, K. A. & Ghahramani, Z. (2005). Bayesian hierarchical clustering. In Twenty-second International Conference on Machine Learning.
Kauffman, L. & Rousseeuw‌, P. (1990). Finding groups in Data: an introduction to cluster analysis, New York: Wiley.
Lin, M.Y. (2013). Bayesian Statistics.Technical Report No. 2, Boston University, Department of health and Management.
Noorbakhsh, I., Heydari, H. & Zavarian, Z. (2010).A diffusion approximation model for vault cash management. 7th Report, Monetary and Banking Research Institute, IRI Central Bank. (in Persian)
Partovi-Nia, V. (2009). Fast High-Dimensional Bayesian Classi_cation and Clustering. Ph.D. thesis, Ecole Polytechnique F_ed_erale de Lasuanne.
Partovi-Nia, V. & Davison, A. C. (2012). High-Dimensional Bayesian Clustering with Variable Selection: The R Package bclust. Journal of Statistical Software, 47(5), 1-22.
Premchand, K. & Walia, E. (2006). Cash Forecasting: An Application of Artificial Neural Networks in Finance, International Journal of Computer Science & Applications‌, 3 (1), 61-77.
Sandipan, R. (2010). ‌Determining Optimal Cash Allocation at ICICI  Bank Branches. Mumbai: ICICI Bank, SAS Global Forum.
Wang‌,‌‌ P. (2008).‌ Clustering and Classification Techniques for Nominal Data Application. Dissertation, Department of Electronic and Engineering, City University of Hong Kong.
 
تحقیقات مالی
دوره 19، شماره 1
1396
صفحه 41-60

فایل ها

هم رسانی

ارجاع به این مقاله

آمار