علیرضا بحیرایی

بانک ها به عنوان بخش اصلی نظام مالی نقش کلیدی را در تأمین مالی بخش های مختلف اقتصادی بر عهده دارند. یکی از مهم ترین موضوع های مطرح شده در زمینه ی مدیریت مالی و بازار یابی مالی، این است که سرمایه گذاران فرصت های مناسب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهندو مدیران مدیریت مالی موثر و کارآمد در تامین منابع مالی داشته باشند. یکی از راه های کمک به سرمایه گذاران، ارائه ی الگوهای پیش بینی ورشکستگی شرکت ها است. تا به امروز تکنیک های مختلفی برای طراحی مدل های پیش بینی ورشکستگی شرکت ها مورد استفاده قرار گرفته است. از آنجا که مطالعات اخیر در زمینه ی پیش بینی ورشکستگی ، بر ایجاد و به کارگیری هوش مصنوعی و روش های یادگیری ماشینی متمرکز شده است، لذا در پژوهش حاضر به منظور پیش بینی ورشکستگی شرکت ها از شبکه های عصبی-فازی(ANFIS)و شبکه های عصبی مصنوعی(ANN) و رگرسیون لجیت(LR) به عنوان مدل مقایسه ای وبرای پیاده سازی مدل ها، از نرم افزار متلب نسخه 2015 استفاده شده است. نمونه ی تحت بررسی شامل 71 شرکت ورشکسته و 74 شرکت سالم می باشد که طی یک دوره 5 ساله از سال 1389 الی1394از بورس اوراق بهادر تهران انتخاب شده اند. یافته های تحقیق حاکی از آن است که در پیش بینی ورشکستگی شرکت ها، مدل مبتنی بر شبکه های عصبی مصنوعی(ANN) نسبت به مدل مبتنی بر شبکه های عصبی-فازی(ANFIS) و رگرسیون لجیت(LR) از دقت کلی بیشتری برخوردار است.

In this study we provide insurance companies with a tool to classify the risk level and predict the possibility of future claims. The support vector machine (SVM) and genetic programming (GP) are two approaches used for the analysis. Basically, in Iran insurance industry there is no systematic strategy to evaluate the car body insurance policy. Companies refer mainly to the world experience and employ it to rate the premium. An insurance claim dataset provided by an Iranian insurance company with a sample size of 37904 is considered for programming and analysis. According to the structure of the dataset, a supervised learning algorithm was used to describe the underlying relationships between variables.

پیش بینی قیمت سهام امری پیچیده است؛ مؤلفه های گوناگونی از قبیل وضع عمومی اقتصاد، رخداد های سیاسی و انتظارات سرمایه گذاران، بر بازار سهام تأثیر می گذارد. بازار سهام، در حقیقت یک سیستم غیرخطی و آشوبناک است که به عوامل متعدد سیاسی، اقتصادی و روانی وابسته است، برای غلبه بر محدودیت تکنیک های تحلیل سنتی در پیش بینی الگوهای غیرخطی، متخصصان طی دو دهه اخیر تکنیک های هوشمند و بخصوص شبکه های عصبی مصنوعی و الگوریتم ژنتیک را برای بهبود پیش بینی قیمت سهام به کاربرده اند. این پژوهش، با توجه به گسترش روز افزون روش های پیش بینی در بازارهای مالی و نیز، از آنجا که قیمت سهام یکی از مهم ترین عوامل مؤثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند، در این پژوهش سعی شده است، مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام مورد نظر را با دقت بالایی پیش بینی کرد. بر همین اساس، یک مدل ترکیبی برای پیش بینی روند حرکتی قیمت سهام با استفاده از شبکه عصبی مصنوعی ارائه شده است. برای نمونه آماری، شرکت های برتر بورس اوراق بهادار در سه ماهه دوم سال ۱۳۹۹ انتخاب شده است. سپس برای هراین منظور، ۳۲ متغیر محاسبه شد. این متغیرها ورودی مدل هستند و به کمک الگوریتم شبکه عصبی مصنوعی بهینه سازی شده اند. نتایج نشان می دهد، مدل در پیش بینی روند حرکتی قیمت سهام بسیار بهتر عمل کرده و درمقایسه باروش های سنتی، از دقت بالاتری برخوردار است.

در این مقاله بر اساس نظریه بازی تکاملی، یک مدل ریاضی جدید از استراتژی بانک ها برای دادن وام های اعتباری به مشتریان ارائه می کنیم. این مدل یک رویکرد کارآمد و واقع گرایانه را ارائه می دهد. هدف مقاله بررسی بازی تکاملی بین بانک و مشتریان برای اعطا تسهیلات و اعتبار است. مشتریانی که برای دریافت تسهیلات به بانک مراجعه می کنند را دو نوع در نظر می گیریم. نوع اول شامل اشخاص یا شرکت های کوچک و متوسط (SME) هستند که درخواست دریافت وام های خرد از بانک را دارند. نوع دوم شامل شرکت های بزرگ هستند که درخواست وام های کلان را از بانک دارند. رابطه بین بانک و مشتریان یک رابطه دو طرفه است. در تعامل بین بانک و مشتریان ممکن است آن ها به یکدیگر اعتماد داشته باشند یا بخواهند رفتار فرصت طلبانه داشته باشند. این مدل به بانک کمک می کند تا بتواند به صورت هدفمند در مورد تخصیص تسهیلات به مشتریان تصمیم بگیرد و استراتژی بهینه را پیدا کند. این مقاله پارامترهای مؤثر بر این تصمیمات استراتژیک را بررسی می کند. نتایج نشان می دهد که با افزایش یا کاهش برخی از پارامترهای مطرح شده در مدل، بانک ها می توانند در اعطا تسهیلات به مشتریان به صورت موفق تر عمل کنند و در نهایت سودآوری آن ها نیز افزایش می یابد.

ارزیابی عملکرد سازمان ها در جهت گیری تصمیمات استراتژیک آتی آنها نقش اساسی دارد. کارایی یکی از مهم ترین شاخص های ارزیابی عملکرد بهینه واحدهای اقتصادی است. بانک ها یکی از مهم ترین واحدهای اقتصادی هستند که می توانند با عملیات وسیع بانکی شرایط مناسبی را برای رشد و پیشرفت در بخش های مختلف اقتصاد یک کشور فراهم آورند. لذا به همان نسبت که بانک های سالم و کارا می توانند به رشد اقتصادی کشور کمک نمایند، عملکرد نادرست و ناسالم آنها نیز می تواند بحران هایی ایجاد نماید. از این رو در این مقاله میزان کارایی تکنیکی بانک های کشور با استفاده از تکنیک تحلیل پوششی داده ها (DEA) طی دوره زمانی 1396 تا 1391 اندازه گیری شده و بانک هایی که با ترکیب نهاده های معین به میزان بهتری از ستانده ها دست یافته اند (بانک های کارا) مشخص گردیده اند. سپس به مدل سازی کارایی تکنیکی سیستم بانکی در طی بازه زمانی مورد مطالعه با استفاده از برنامه نویسی ژنتیک پرداخته شده است. در این مقاله سعی خواهیم نمود تا ضمن بررسی عملکرد بانک ها و مقایسه آن با هم مورد مطالعه و از ابتدای سال 1391 تا انتهای سال 1396 تحلیل تطبیقی مناسبی را در این زمینه ارائه دهیم. در نهایت کارایی تکنیکی تحتبازدهی نسبت به مقیاس ثابت و بازدهی نسبت به مقیاس متغیر و با ماهیت خروجی محور مورد اندازه گیری قرار گرفت.