استفاده از PSO باینری و پیوسته برای تخمین پارامترهای RBF در مسیله پیش بینی سپرده های بانکی

در حال حاضر صنعت بانکداری یکی از بزرگترین صنایع واسط مالی در جهان می باشد. به خاطر اهمیت روز افزون این صنعت می طلبد، رفتارهایی که منجر به بهینه کردن امور مالی بانک می گردد، مورد مطالعه قرار گیرد. در این تحقیق ابتدا به معرفی متغیرهای تاثیر گذار بر حجم سپرده های بانکی پرداخته و سپس با استفاده از یک مدل ترکیبی هوشمند حجم سپرده های بانکی در سطح کلان پیش بینی می شود. در مدل معرفی شده در این تحقیق از ترکیب الگوریتم بهینه سازی ذرات و شبکه عصبی RBF استفاده شده است. در مدل پیشنهادی از ترکیب الگوریتم بهینه سازی ذرات دودویی و پیوسته بصورت هم زمان استفاده شده است. از الگوریتم دودویی به منظور شناسایی مهمترین متغیرهای بانکی تاثیرگذار بر حجم سپرده ها و از الگوریتم پیوسته برای بهینه کردن پارامترهای پهنای تابع گوسی در شبکه RBF و همچنین بدست آوردن تعداد نرونهای لایه پنهان استفاده شده است. در نهایت مدل پیشنهادی با چند شبکه عصبی دیگر مقایسه شده و نتایج حاکی از آن است که مدل پیشنهادی با دقت بهتری می تواند تخمین سپرده های بانکی را انجام دهد.

Keywords:

سپرده های بانکی , پیش بینی , شبکه های عصبی , الگوریتم بهینه سازی ذرات , شبکه عصبی پایه شعاعی