بررسی ریسک اعتباری بانک ها با استفاده از مدل های خطی و غیر خطی (مطالعه موردی بانک اقتصاد نوین)

پایان نامه کارشناسی ارشد اقتصاد

گرایش برنامه ریزی سیستم های اقتصادی

113 صفحه

چکیده:

هدف از این تحقیق طراحی و استقرار مدل اندازه ­گیری ریسک اعتباری در نظام بانکی نقش کارامدی در راستای بالا بردن بهره ­وری بانک‌ها و موسسات مالی در تخصیص بهینه منابع می‌باشد. در این پژوهش تلاش شده تا کارایی مدل‌های لجستیک و شبکه عصبی مصنوعی GMDH برای پیش‌بینی ریسک اعتباری مشتریان نظام بانکی مورد بررسی قرار گیرد و همچنین مهمترین عوامل موثر بر ریسک اعتباری، شناسایی و مورد بررسی قرار گیرند. اطلاعات مورد استفاده در این پژوهش مربوط به 100 نفر از مشتریان حقوقی یکی از بانک‌های کشور می ­باشد. بنابر اهداف پژوهش متغیرهای مورد استفاده نیز به صورت ترکیبی از مهمترین متغیرهای مالی و غیرمالی می ­باشد. نتایج مدل لاجیت نشان می­ دهد که متغیرهای تعداد چک ­های برگشتی، سابقه فعالیت شرکت نزد بانک، میزان سرمایه شرکت، نسبت گردش مجموعه دارایی، نسبت بدهی به حقوق صاحبان سهام و نسبت حاشیه سود خالص مهمترین متغیرهای موثر بر شناسایی میزان ریسک اعتباری مشتریان می­ باشد. ولی مدل شبکه عصبی علاوه بر متغیرهای یاد شده در بالا متغیرهایی از قبیل تحصیلات مدیر عامل، ارزش وثیقه به میزان تسهیلات، خالص سرمایه در گردش به دارایی، نسبت حاشیه سود عملیاتی و نسبت بازدهی به دارایی را به عنوان متغیرهای با اثر زیاد بر میزان ریسک اعتباری معرفی می­ کند. مقایسه کارایی مدل لاجیت و مدل شبکه عصبی نشان می­ دهد که مدل شبکه عصبی با سه لایه مخفی با کارایی 95 درصد کاراترین مدل برای شناسایی و تعیین میزان ریسک تسهیلات می ­باشد.

واژه ­های کلیدی: اعتبارسنجی، شبکه عصبی، ریسک اعتباری، مدل لاجیت

شبکه های عصبی درهوش مصنوعی

شبکه های عصبی  درهوش مصنوعی

فرمت: word

تعدادصفحات : 84

  یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد. 

سابقه تاریخی

به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد . اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.  

مدل سازی سرعت در پرش هیدرولیکی بعد از سرریزهای اوجی شکل با استفاده از شبکه های عصبی مصنوعی

• مقاله با عنوان: مدل سازی سرعت در پرش هیدرولیکی بعد از سرریزهای اوجی شکل با استفاده از شبکه های عصبی مصنوعی 

• نویسندگان: امیرحسین خلیلیان پور ، بهزاد صادقیان ، نصرت ا... امانیان 

• محل انتشار: هشتمین کنگره ملی مهندسی عمران - دانشگاه صنعتی نوشیروانی بابل - 17 و 18 اردیبهشت 93  

• محور: سازه های هیدرولیکی 

• فرمت فایل: PDF و شامل 8 صفحه می باشد.

چکیــــده:

از جمله پدیده‌های مهمی که در پایین دست سرریزهای اوجی شکل رخ می‌دهد پدیده پرش هیدرولیکی می‌باشد. جهش هیدرولیکی در کانال‌های باز دارای کاربردها و خواص فراوانی است از جمله کاهش انرژی آب در جریان از روی سدها، سرریزها و سایر سازه‌های هیدرولیکی و نهایتاً محافظت پایین دست می‌باشد. در این پژوهش با انجام آزمایشات روی سرریز اوجی در دستگاه فلوم و جمع آوری نتایج به مدل سازی این پدیده پرداخته شد. از شبکه عصبی مصنوعی به عنوان ابزار مدل سازی استفاده شد. شبکه مورد استفاده یک شبکه Feed Forward بوده و از روش Levenberg-Marquardt برای آموزش آن استفاده شد. طول، عرض، عمق و دبی به عنوان پارامترهای ورودی و سرعت به عنوان پارامتر خروجی درنظر گرفته شد. در نهایت نمودارهای تغییرات سرعت برحسب متغیرها به دست آمد. از نتایج بدست آمده و همچنین توزیع سرعت میتوان در طراحی حوضچه های آرامش بهینه استفاده نمود.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **

دانلود پروژه کنترل بار فرکانس با شبکه عصبی

کنترل بار فرکانس با شبکه عصبی

در این شبیه سازی به کنترل بار فرکانس با شبکه عصبی پرداخته شده است. شبیه سازی براساس مقاله زیر انجام گرفته است. مقاله اصلی و شبیه سازی در فایل زیپ قرار داده شده است. 

A NOVEL APPROACH OF LOAD
FREQUENCY CONTROL IN MULTI
AREA POWER SYSTEM

...
دریافت فایل

استفاده از شبکه عصبی در مدلسازی باران - رواناب در چند حوزه مشابه

• پایان نامه کارشناسی ارشد مهندسی عمران گرایش سازه های هیدرولیکی با عنوان: استفاده از شبکه عصبی در مدلسازی باران - رواناب در چند حوزه مشابه 

• دانشگاه شیراز 

• استاد راهنما: دکتر غلامرضا رخشنده رو 

• پژوهشگر: محمد مهدی شفیعی 

• سال انتشار: تیر 1384 

• فرمت فایل: PDF و شامل 151 صفحه

چکیــــده:

رواناب جاری شده در رودخانه‌ها از مهمترین عوامل طراحی سازه‌های هیدرولیکی به حساب می‌آید. حجم آورد رودخانه به پشت سدها و بندها، رسوب انتقال یافته در رودخانه‌ها، طراحی سرریزها، طراحی کانال‌های انحراف آب و غیره از مواردی هستند که در طراحی آنها رواناب نقش مهمی دارد.

بدست آوردن رواناب ناشی از بارندگی حوزه‌ها از پیچیدگی بسیار زیادی برخوردار است. عوامل گوناگونی در جواب حوزه دخیل هستند بطوریکه نمی‌توان کلیه عوامل را در مدلسازی وارد کرد. یکی از بهترین راه‌ها جهت مدلسازی باران - رواناب حوزه‌ها استفاده از مدل‌های جعبه سیاه می‌باشد. این مدل‌ها می‌توانند بدون در نظر گرفتن عوامل موثر بر پیدایش رواناب ارتباط ورودی باران با خروجی رواناب را با استفاده از آمار گذشته پیدا کنند.

در این تحقیق از شبکه عصبی بعنوان ابزار مناسب جهت مدلسازی سود برده شده است. این مدل توانایی ساخت مدل برای عوامل پیچیده را داراست.

جهت حصول به آمار مناسب، اطلاعات چهار حوزه امامه، کسیلیان، کارده و فخرآباد از میان حوزه‌های معرف ایران گردآوری گردید. این اطلاعات شامل باران – رواناب‌های متناظر می‌باشد. بطوریکه اطلاعات بارندگی دارای بازه‌های 15 دقیقه‌ای و اطلاعات رواناب دارای بازه‌های 1 ساعته می‌باشد.

خصوصیات فیزیکی این حوزه‌ها جهت خوشه بندی (دسته بندی) این حوزه‌ها گردآوری گردیدند که از مساحت حوزه، زمان تمرکز، ضریب کشیدگی، ضریب شکل و شیب حوزه بعنوان خصوصیات برتر حوزه در خوشه بندی استفاده شد. این خصوصیات در مدل‌های ART ، SOM وارد گردیده و دسته بندی بوسیله این مدل‌ها صورت گرفته است. مدل SOM، حوزه‌های امامه و کسیلیان را در یک دسته و مدل ART با حفظ حوزه‌های امامه و کسیلیان در همان دسته با توجه به خصوصیات مورد استفاده نسبت تشابه 57.5 درصد را بیان می‌کند.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **