استفاده از منطق فازی و تکنیک های یادگیری ماشین در پیش بینی عملکرد مالی

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

استفاده از منطق فازی و تکنیک های یادگیری ماشین در پیش بینی عملکرد مالی

عنوان لاتین

Applying fuzzy logic and machine learning techniques in financial performance predictions

در این مقاله، یک روش منطقی فازی، یعنی خوشه بندی فازی C-Means و الگوریتم‌های هوش مصنوعی برای ارزیابی عملکرد مالی موسسات مالی غیر بانکی (NFI) در رومانی اِعمال می شود. مجموعه داده عملکرد NFIs شامل شاخص هایی است که ضریب سرمایه، کیفیت دارایی ها و ابعاد عملکرد سودآوری را تعریف می کنند. متغیر عملکرد کلاس با استفاده از الگوریتم Fazzy C-Means بر روی داده های عملکردی و تعیین خوشه هایی با عملکرد مشابه به دست می آید. ما به هر مشاهده مجموعه داده ورودی یک کلاس عملکرد متصل می کنیم هر کدام از خوشه ها شامل مشاهدات با توجه به خصوصیات و سلسله مراتب خوشه های عملکردی "خوب"، "متوسط" و "ضعیف" است. در نهایت، ما شبکه های عصبی مصنوعی (ANNs) که با الگوریتم های ژنتیکی آموزش داده شده اند را به منظور یافتن یک الگوریتم یک تابع مورد استفاده قرار می دهیم که فضای عملکرد ورودی را روی متغیر کلاس عملکرد تازه ساخته شده نگاشت می کند. مدل طبقه بندی به دست آمده می تواند توسط ذینفعان مختلف برای طبقه بندی NFIs جدید استفاده می شود به عنوان عملکرد "خوب" یا "ضعیف" به طوری که منابع محدود بهتر اختصاص داده شوند.

In this article we apply a fuzzy logic technique, namely Fuzzy C-Means clustering, and artificial intelligence algorithms for evaluating comparatively the financial performance of non-banking financial institutions (NFIs) in Romania. The NFIs’ performance dataset consists of indicators that define the capital adequacy, assets’ quality and profitability performance dimensions. The class performance variable is obtained by applying on the performance dataset the Fuzzy C-Means algorithm and obtaining clusters with similar performance. We attach to each input dataset observation a performance class depending on which cluster contains the observation given the characterization and hierarchy of the clusters in “good”, “medium” and “poor” performance clusters. Finally, we apply artificial neural networks (ANNs) trained with genetic algorithms in order to find a function that maps the input performance space on the newly constructed performance class variable. The classification model obtained can be used by different beneficiaries (e.g.: the Supervision Department of National Bank of Romania) to classify new NFIs as having a “good” or “poor” performance so that the limited resources of the supervision authority to be better allocated.