پیش بینی سود/زیان بانک توسعه تعاون مبتنی بر روش یادگیری جمعی دومرحله ای (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: در این مقاله به پیش بینی سود/ زیان بانک توسعه تعاون، مبتنی بر روش یادگیری جمعی دومرحله ای پرداخته شده است. مدل سازی پیش بینی سود و زیان با استفاده از روش های یادگیری ماشین، به عنوان یکی از تکنیک های نوین در محاسبات عددی با بهره گیری از کلان داده، از جمله اهداف این مقاله است. بدین ترتیب، در این مقاله از روش ماشین یادگیری جمعی دومرحله ای، مبتنی بر مدل های ماشین بردار پشتیبان، درخت تصمیم گیری و میانگین وزنی، برای یادگیری و آزمون و پیش بینی سود/ زیان بانک توسعه تعاون استفاده شده است.روش: مدل های پایه به کار رفته در مرحله اول، ماشین یادگیری، ماشین بردار پشتیبان و درخت تصمیم گیری است و در مرحله دوم، از میانگین وزنی استفاده شده است. بر اساس ترکیب مدل های پایه یادگیری، ابتدا به آزمون و یادگیری روند پیش بینی ۳۵ شعبه بانک توسعه تعاون در ایران، طی سال های ۱۳۹۱ تا ۱۴۰۰ پرداخته شد. این روش مبتنی بر یادگیری ماشین دومرحله ای است که برای انجام این کار از ۱۲ متغیر (نسبت مالی) در پنج عامل دسته بندی شده استفاده شده است. این متغیرها به ترتیب عبارت اند از: سپرده های قرض الحسنه، سپرده های کوتاه مدت، هزینه سود سپرده، سپرده های مشتریان، درآمد تسهیلات و سپرده گذاری، درآمدهای مشاع، موجودی نقدی، هزینه های اداری، سپرده های بلندمدت، درآمدهای غیرمشاع، هزینه استهلاک دارایی و اندازه بانک. برای دستیابی به داده های مدنظر، از صورت های مالی ۳۵ شعبه بانک توسعه تعاون، طی سال های ۱۳۹۱ تا ۱۴۰۰ استفاده شد. همچنین برای کاهش خطای پیش بینی و قابلیت مقایسه نسبت ها، تمامی شاخص های یادشده نسبت به ارزش کل دارایی های بانک تعدیل شد. در این روش و در مرحله اول، از دو مدل یادگیری ماشین بردار پشتیبان و درخت تصمیم گیری و در مرحله دوم از روش میانگین وزنی استفاده شد.یافته ها: یافته های 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؛ به گونه ای که معیار MAE برابر با 66/5 و معیار MSE برابر با 34/620 به دست آمد. همچنین هم بستگی بین داده های آموزش دیده و پیش بینی شده ای که از یادگیری ماشین جمعی دو مرحله ای به دست آمد، برابر با 9977/0 بود. پس از بررسی کارایی این روش، به پیش بینی سود/ زیان بانک توسعه تعاون برای سال های 1401 تا 1405 پرداخته شد. نتیجه گیری: نتایج به دست آمده از کارایی بالای روش ماشین یادگیری جمعی دومرحله ای، نشان می دهد که مدیران می توانند از این روش ها در پیش بینی سود/ زیان بانک ها استفاده کنند. بر اساس روش یادگیری ماشین دو مرحله ای، اگر شرایط نامتعارف و غیرنرمالی وجود نداشته باشد، در سال های آتی و در نهایت در سال ۱۴۰۵، زیان انباشته شده بانک توسعه تعاون کاهش و سود آن افزایش خواهد یافت. بر اساس نتایج تجزیه وتحلیل داده ها، میانگین نسبت سود یا زیان خالص بانک به کل دارایی های آن، به نحوی است که زیان دهی متوسط شعب بانک را طی دوره پژوهش گزارش می دهد.Predicting Iran Cooperative Development Bank's Profit/Loss: Two-stage Collective Learning
ObjectiveThis 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. MethodsIn 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. ResultsThis 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. ConclusionThe 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.
تبلیغات
