، جلد ۲، شماره ۸، صفحات ۵۹-۷۶
عنوان فارسی پیش‌بینی نقدینگی موردنیاز دستگاه‌های خودپرداز با استفاده از مدل خطی(ARIMA) و غیرخطی (شبکه‌های عصبی)
چکیده فارسی مقاله (صحت مطالب مقاله بر عهده نویسنده است و بیانگر دیدگاه مجمع تشخیص مصلحت نظام نیست)  هدف این مطالعه پیش‌بینی نقدینگی مورد نیاز دستگاه‌های خودپرداز با استفاده از دو مدل خطی و غیرخطی است. تامین منابع مالی در دستگاه‌های خودپرداز، از این نظر اهمیت دارد که لازمه فعال نگه داشتن خودپرداز در ارائه وجه نقد به متقاضیان و تامین اسکناس در دستگاه می‌باشد. نتایج چنین تحلیل‌هایی این امکان را ارائه می‌دهد که بتوان پیش‌بینی لازم برای تامین منابع مالی خودپرداز را بصورت هوشمند انجام داده و آن را در ساعات اوج تقاضا فعال نگه داشت. نمونه آماری پژوهش شامل 7 دستگاه خودپرداز بانک مهر اقتصاد خراسان رضوی طی سال‌های 1386-1389 بوده است. در این پژوهش تعیین میزان برداشت وجه نقد از دستگاه خودپرداز با استفاده از روش غیرخطی شبکه‌های عصبی مصنوعی با ساختار پروسپترون چند لایه و الگوریتم پس‌انتشار خطا و روش خطی ARIMA بررسی شده است تا مدل بهینه انتخاب شود. تقاضای برداشت وجه نقد از تاریخ 4/1386 تا 7/1389 (40 ماه) به عنوان داده‌های آموزش و از داده‌های آبان 1389 تا پایان 1389 به عنوان داده های آزمایشی در نظر گرفته شده است. نتایج به دست آمده نشان دهنده برتری مدل شبکه‌های عصبی مصنوعی نسبت به مدل ARIMA در پیش‌بینی وجه نقد مورد نیاز دستگاه خودپرداز بانک مهر اقتصاد می باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Forecasting Needful Liquidity Automatic Teller Machines (ATM) With Linear Model (ARIMA) and Non Linear (Neural Networks)
چکیده انگلیسی مقاله The aim of dis study is forecasting needful liquidity automatic teller machines (ATM) With two linear model and non Linear. Providing financial resources at ATM machines, since it is important that is necessary to keep activity ATM to provide cash into applicant and security cash in machine. Results of Such analysis make it possible to can be necessary prediction for providing financial resources of ATM such as intelligent and maintain it active during peak demand hours. The statistical case of the research consisted of 7 ATMS of Economic Mehr Bank in Razavi Khorasan during the years 1386-1389. In this study, determining amount of cash taking from ATM using nonlinear method of artificial neural networks with multi-layer perception structure and error back propagation algorithm and linear method of ARIMA is examined to choose an optimal model. Demand of cash taking from date 1386/4 till 1389/7 (40 months) as training data and from the aban data of 1389 till the end of esfand 1389 is intended as Test data. The finding results indicate mastery artificial neural networks model to ARIMA model in predict needed cash of an ATM from economic mehr bank.
کلیدواژه‌های انگلیسی مقاله Neural networks, ARIMA, Predict, ATM, economic mehr bank
نویسندگان مقاله ابراهیم عباسی |
دانشیار-عضو هیئت علمی دانشگاه الزهرا
سازمان اصلی تایید شده: دانشگاه الزهرا (Alzahra university)

فاطمه رستگارنیا |
کارشناسی ارشد حسابداری- مدرس موسسه آموزش عالی ساعی

فهیمه ابراهیمی |
کارشناسی ارشد مدیریت دولتی

نشانی اینترنتی http://www.jmsp.ir/article_9314_d2cc37a9c0a0f6f4b10e4f64a0f54e5a.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/922/article-922-514667.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات