بهبود پرداخت تسهيلات با در نظر گرفتن انضباط مالي و حداكثر سودآوري در شرايط عدم اطمينان
رویا چشمی‌خانی
1
(
دانشجوی دکتری رشته مدیریت صنعتی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
)
محمد علی افشار کاظمی
2
(
دانشیار رشته مدیریت صنعتی ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
)
عباس طلوعی اشلقی
3
(
استادتمام رشته مدیریت صنعتی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
)
Ezattollah Asgharizadeh
4
(
Tehran University
)
الکلمات المفتاحية: تسهیلات, داده کاوی, خوشه بندی, یادگیری عمیق, شبکه عصبی CNN, شبکه عصبی CNN-LSTM,
ملخص المقالة :
اعطاي تسهيلات، بخش مهمي از عمليات هر بانك را تشكيل مي‌دهد و اين قسمت از فعاليتهاي بانكي از لحاظ اقتصادي حائز اهميت است. بانك‌ها با عمليات اعتباري خود موجبات انتقال منابع را از اشخاصي كه مستقيماً در بانك سرمايه‌گذاري كرده‌اند به كساني كه به پول نياز دارند فراهم مي‌كنند و اين اشخاص با بازپرداخت اقساط خود باعث مي‌شوند گروهي ديگر از مردم بتوانند از اين منابع استفاده كنند. عدم بازپرداخت به‌موقع تسهيلات باعث راكد شدن منابع بانك و در بلندمدت باعث ركود اقتصادي كشور مي‌شود. نظارت بر نحوه‌ی صحیح تخصیص منابع و بهداشت اعتباری امری بسیار مهم می‌باشد زیرا در صورت تخصیص نامطلوب منابع بانک و پرداخت بی‌اصول تسهیلات، بانک‌ها توان بازپرداخت سپرده‌های سپرده‌گذاران را نداشته و با ورشکستگی مواجه خواهند گردید. با بررسي پژوهش‌هاي سالهاي اخير در زمينه بانكداري مشخص گرديد اكثر پژوهش‌ها تركیب بهينه‌ی سبد سرمايه‌گذاري بيشتر در بازار سرمايه پرداخته و كمتر پژوهشگري به بحث و بررسي تركيب بهينه در بازار پولي توجه نموده‌است. بيشتر پژوهش‌هایی كه از روشهاي تحقيق در عمليات و آماري استفاده‌گردیده در‌خصوص مسائل صنعتي بوده و كمتر در مسائل مالي از بحث هاي تحقيق‌در‌عمليات استفاده شده است. در پرتفوي بهينه تركيب تسهيلات يا سرمايه‌گذاري‌ها اكثراً از الگوريتم ژنتيك بهره‌مند شده وكمتر از ديگر روشهاي فازي در شرايط عدم‌اطمينان استفاده شده‌است. بنابراین در اين پژوهش به مدلسازي بهبود پرداخت تسهيلات با استفاده از مدلسازی شبکه‌های عصبی کانولوشنی و CNN-LSTM ، پرداخته‌شده‌است.