طراحی سیستم خبره جهت مدیریت منابع و مصارف بانکی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
یکی از وظایف اصلی مدیریت مالی بانک ها، مدیریت منابع و مصارف است که برای توازن این دو روشهای مختلفی در تحقیقات پیشین استفاده شده است. در این پژوهش برای حل این مسئله از رویکرد طراحی سیستم خبره فازی استفاده شد. ابتدا با تکنیک های داده کاوی به پیش بینی ریسک اعتباری بانک با توجه به داده های 311 مشتری بانک توسعه صادرات پرداخته شد. داده کاوی در دو فاز صورت گرفت، متغیرها و نسبت های اثرگذار بر توازن اقلام ترازنامه با مصاحبه با خبره جمع آوری شد و توسط خبرگان رتبه بندی شد وبا روش ARRAS وزن دهی و متغیرهای با وزن بالا (زیر سیستم اول) به همراه متغیرهای موجود در قواعد درخت تصمیم (زیرسیستم دوم) وارد سیستم خبره شده اند. اعتبارسنجی سیستم خبره از روش همبستگی بدست آمد. شاخص نسبت سرمایه در گردش به کل دارایی ها و سابقه فعالیت با بانک مهم ترین متغیر در روش های اعتبارسنجی بود. ریسک اعتباری به عنوان عامل بیرونی و اقلام ترازنامه به عنوان عامل داخلی بر سنجش توازن منابع و مصارف بانکی اثرگذار بود. در اقلام ترازنامه ریسک نقدینگی، نسبت کفایت سرمایه و نسبت سپرده قانونی از اهمیت بیشتری برای بهینگی اقلام تراز نامه برخوردارند. .نتایج نشان داد سیستم طراحی شده می تواند در مدیریت منابع و مصارف بانکی به برنامه ریزان کمک کند.Designing an Expert System to Manage Banking Resources and Expenditures
Assets and debts management includes a series of technical tools and methods that contemplate risk control and asset value creation for shareholders. Since one of the main tasks of banks' financial management is asset and liability management, therefore, in order to increase their profitability, they use asset and debt management techniques to control risk, in order to minimize the losses caused by their transactions. In this research, to solve this challenge, an expert system was designed. The study period of this research was between August 2017 and December 2018. First, data mining techniques were used to predict the bank's credit risk due to the data of 311 legal clients of the Tosee Saderat Bank, with 44 Attributes along with a labeled variable (background of fulfillment of commitment). Data mining was done in two phases, the first phase was data mining in Python language and the second phase was done with Rapid Miner software and creating a decision tree, and finally the finalized rules for measuring the bank's credit risk. Then, the variables and proportions affecting the balance of assets and liabilities of the balance sheet items were collected by interviewing an expert and ranked by five experts in terms of the importance of scoring, and then weighting was done by ARRAS method. High-weight variables (subsystem I) entered the expert system along with the variables in the rules of the decision tree (subsystem II). Finally, the validation of the expert system was obtained. In this way, the index of the ratio of working capital to total assets and the history of working with the bank are the most important variables in validation methods. According to the obtained results, if the credit risk is high, but the balance sheet items are in the optimum, the resources and expenses will be in balance,....
تبلیغات
