تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله تصمیم گیری چند معیاری در مدیریت ریسک مالی با استفاده از الگوریتم ژنتیک چند منظوره – نشریه اشپرینگر

عنوان فارسی: تصمیم گیری چند معیاری در مدیریت ریسک مالی با استفاده از الگوریتم ژنتیک چند منظوره
عنوان انگلیسی: Multi Criteria Decision Making in Financial Risk Management with a Multi-objective Genetic Algorithm
تعداد صفحات مقاله انگلیسی : 15 تعداد صفحات ترجمه فارسی : 19 (1 صفحه رفرنس انگلیسی)
سال انتشار : 2017 نشریه : اشپرینگر - Springer
فرمت مقاله انگلیسی : pdf و ورد تایپ شده با قابلیت ویرایش فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله : بی نازنین سایز ترجمه مقاله : 14
نوع مقاله : ISI پایگاه : اسکوپوس
نوع ارائه مقاله : ژورنال ایمپکت فاکتور(IF) مجله : 1.154 در سال 2019
شاخص H_index مجله : 36 در سال 2020 شاخص SJR مجله : 0.365 در سال 2019
شناسه ISSN مجله : 0927-7099 شاخص Q یا Quartile (چارک) : Q2 در سال 2019
کد محصول : 10572 وضعیت ترجمه : انجام شده و آماده دانلود در فایل ورد و pdf
محتوای فایل : zip حجم فایل : 1.95Mb
رشته های مرتبط با این مقاله: مدیریت، مهندسی صنایع
گرایش های مرتبط با این مقاله: مدیریت مالی، مدیریت استراتژیک، مدیریت کسب و کار، بهینه سازی سیستم ها
مجله: اقتصاد محاسباتی - Computational Economics
دانشگاه: گروه کاربردهای رایانه ای و فناوری اطلاعات، دانشکده علوم محاسبات، دانشگاه VELS، هند
کلمات کلیدی: تحلیل تجاری، هوش تجاری، اطلاعات زیاد، مدیریت ریسک شرکت، ریسک اعتباری
کلمات کلیدی انگلیسی: Business analytics - Business intelligence - Big data - Enterprise risk management - Credit risk
وضعیت ترجمه عناوین جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل جداول: ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: ترجمه شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ضمیمه: ندارد ☓
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1007/s10614-017-9683-7
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. بررسی انواع ریسک های موجود در بخش مالی

3. وضعیت کنونی استفاده از تحلیل تجاری وICT برای تحلیل و مدیریت ریسک

4. مسئله و الگوریتم ژنتیک چند منظوره برای تحلیل ریسک

تعریف مسئله

4.1 الگوریتم ژنتیک چند منظوره برای تحلیل ریسک

4.2 روش کار

4.3 اهداف تحقیق

4.4 سوالات تحقیق

5.آزمایشات – نتایج و بحث

5.1 آزمایشات

5.2 نتایج

5.3 بحث

5.4 ویژگی های این تحقیق

6. نتیجه گیری و تحقیقات آینده

نمونه متن انگلیسی

Abstract

A huge amount of data is being collected and stored by financial institutions like banks during their operations. These data contain the most important facts about the institutions and its customers. A good and efficient data analytics system can find patterns in this huge data source that can be used in actionable knowledge creation. Actionable knowledge is the knowledge that can be put to decision making and take some positive action towards better performance of organizations. This actionable knowledge is termed Business Intelligence by data scientists. Business Intelligence and Analytics is the process of applying data mining techniques to organizational or corporate data to discover patterns. Business Intelligence and Business Analytics are emerging as important and essential fields both for data scientists and organizations. Risk analysis, fraud detection, customer retention, customer satisfaction analysis and actuarial analysis are some of the areas of application of business intelligence and analytics. Credit risk analysis is an important part of a successful financial institution particularly in the banking sector. The current study takes this risk analysis in financial institutions and reviews the state of the art in using data analytics or data mining techniques for financial risk analysis. The analysis of risk from financial data depends on several factors that are both objective and subjective. Hence it is a multi-criteria decision problem. The study also proposes a multi-objective genetic algorithm (MOGA) for analyzing financial data for risk analysis and prediction. The proposed MOGA is different from other evolutionary systems in that a memory component to hold the rules is added to the system while other systems in the literature are memory less. The algorithm is applied to bench mark data sets for predicting the decision on credit card and credit applications. The preliminary results are encouraging and show light towards better decision making in reducing risks.

1 Introduction

Organizations form the back bone of every country siphoning money out and into the system. Financial institutions are organizations that provide services including lending money to individual persons as well as to huge organizations. Therefore they are directly involved in the financial strength of a country. All types of organization whether product or service have to deal with several risks arising due to a variety of reasons. Financial institutions are prone to more risks and they cannot operate without taking risks. Risk causes a great deal of potential damage and inconvenience for the enterprise stakeholders (Wu and Birge 2016). Thus organizations need to use different strategies to manage or avoid risks. Therefore it becomes important for financial institutions to model risks using historical data in order to gain insight into the risk patterns, so that it falls under their acceptable thresholds.

6 Conclusion and Future Work

The study undertaken has considered risk assessment in financial institutions as a multi-criteria decision making problem. Since evolutionary systems are best at dealing with multi-criteria and multi-objective problems, a genetic algorithm is proposed and applied on credit card application and Australian credit approval data sets which are bench mark data sets from the UCI machine learning repository concerning credit risks. The results are encouraging in that the algorithm discovers valid patterns from the data. Moreover the algorithm is able to create a large set of unique rules and best rules. However, the algorithm uses threshold values for the evaluation metrics to choose rules for the next generation rather than an optimization strategy like Pareto optimization. Therefore as future work we propose to use a Pareto optimization strategy to improve both the convergence of the solution and to improve the classification accuracy and decrease the complexity of the classifier. The study also proposes to use other rule evaluation metrics like interestingness of the rules to observe their influence on the convergence of solutions and accuracy.

نمونه متن ترجمه

چکیده

اطلاعات زیادی توسط سازمان های مالی مثل بانک ها در طول فعالیت هایشان گردآوری و ذخیره شده است. این اطلاعات در برگیرنده مهم ترین حقایق مربوط به سازمان ها و مشتریانشان می باشند. یک سیستم خوب و موثر تحلیل اطلاعات می تواند الگوهایی را در این اطلاعات بیاید که می توانند برای تولید دانش قابل دسترسی مورد استفاده قرار بگیرند. دانش قابل دسترسی ، دانشی است که می تواند برای تصمیم گیری استفاده شود و با توجه به آن اقدامات مثبت در راستای عملکرد بهتر سازمان ها اجرا می شود. این دانش توسط دانشمندان و محققان اطلاعاتی تحت عنوان هوش تجاری نامیده می شود. هوش تجاری و تحلیل از جمله فرایندهایی هستند که از داده کاوی برای استحراج الگوها استفاده می کنند. هوش تجاری و تحلیل تجاری به عنوان حوزه های مهم و ضروری برای محققان اطلاعاتی و سازمان ها مطرح شده اند. تحلیل ریسک – شناسایی تخلفات – حفظ مشتری – تحلیل رضایت مشتری و تحلیل آماری بعضی از حوزه های کاربرد هوش و تحلیل تجاری می باشند. تحلیل ریسک اعتباری بخش مهمی از فعالیت های یک سازمان موفق مالی و به خصوص در بخش بانکداری است. تحقیق حاضر از تحلیل ریسک در سازمان های مالی استفاده می کند و وضعیت موجود تحلیل اطلاعاتی یا داده کاوی را برای تحلیل ریسک مالی بررسی می کند. تحلیل ریسک از داده های مالی بستگی به فاکتورهای مختلفی دارد که شامل فاکتورهای فردی و هدف می شوند. از این رو ،این مسئله یک مسئله تصمیم گیری چند معیاری نامیده می شود. همچنین ، این تحقیق یک الگوریتم ژنتیک چند منظوره MOGA برای تحلیل داده های مالی و ارزیابی و پیش بینی ریسک مالی مطرح می سازد. روش MOGA مطرح شده با سایر سیستم های تکاملی متفاوت هستند که در آن عامل حافظه برای حفظ قوانین به سیستم اضافه می شود ، در حالی که سایر سیستم های موجود در ادبیات تحقیق حافظه کمتری دارند. این الگوریتم برای بررسی مجموعه داده ها ی موحود برای پیش بینی تصمیم اتخاذ شده در مورد کارت اعتباری و کاربردهای اعتباری مورد استفاده قرار می گیرند. نتایج اولیه بسیار مثبت یودند و نشان دهنده تصمیم گیری های بهتر برای کاهش ریسک بودند.

1. مقدمه

سازمان های اصلی هر کشور می توانند از وارد کنندگان و خارج کنندگان پول در هر سیستم باشند. سازمان های مالی از جمله سازمان هایی هستند که خدماتی چون قرض دادن پول به افراد و سازمان های بزرگ را انجام می دهند. بنابراین ، این سازمان ها به صورت مستقیم در تقویت مالی کشور دخیل هستند. تمام سازمان هایی که ارائه خدمات انجام می دهند باید با ریسک های متعدد ناشی از دلایل مختلف مقابله کنند. سازمان های مالی در معرض ریسک های بیشتری هستندو نمی توانند بدون ریسک پذیری فعالیت کنند. ریسک باعث خسارت های و مشکلاتی برای سهامداران شرکت ها می شوند ( وو و بیرگ 2016). بنابراین ، سازمان ها باید از راهکارهای مختلف برای مدیریت یا اجتناب از ریسک استفاده کتتد . از این رو ، مدل سازی ریسک ها با استفاده از داده های تاریخی برای کسب اطلاعات در مورد الگوهای ریسک برای شرکت های مالی عامل مهمی می باشد تا با این مدل سازی ها مقدار ریسک به سطح پایین برسد.

6. نتیجه گیری و تحقیقات آینده

در تحقیق انجام شده ، ارزیابی ریسک در موسسات مالی به عنوان یک مسئله تصمیم گیری چند معیاری در نظر گرفته شده است. چون سیستم های تکاملی بهترین گزینه برای مقابله با مشکلات چند وجهی و چند منظوره هستند ، یک الگوریتم ژنتیک مطرح شده است و برای کارت های اعتباری مورد استفاده قرار گرفته است و مجموعه داده های تائید اعتبار استرالیا از مخزن یادگیری ماشینی با هدف ریسک اعتباری مطرح شده اند. نتایج به دست آمده از این جهت امیدوار کننده هستند که این الگوریتم الگوهای معتبر حاصل از داده ها را شناسایی می کند. به علاوه ، این الگوریتم می تواند مجموعه بزرگی ازقوانین انحصاری و بهترین قوانین را ایجاد کند. به هر حال ، این الگوریتم از مقادیر آستانه برای شاخص های ارزیابی جهت انتخاب قوانین نسل بعدی به جای ارائه راهکارهای بهینه سازی مثل بهینه سازی پارتو استفاده می کند. بنابراین ، پیشنهاد می شود که در تحقیقات آینده از راهبرد بهینه سازی پارتو برای ارتقای همگرایی راه حل ها و افزایش دقت دسته بندی و کاهش پیچیدگی شاخص های دسته بندی استفاده شود. همچنین این تحقیق ، استفاده از سایر شاخص های ارزیابی مثل جذابیت قوانین برای مشاهده تاثیر آنها بر همگرایی راه حل ها و دقت را پیشنهاد می کند.