Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Automating Bank Transaction Classification and Improving Liquidity Forecasts
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
2025 (Engelska)Självständigt arbete på avancerad nivå (yrkesexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

In many organizations, manual processes can be streamlined through machine learning. This thesis introduces an ensemble machine learning approach to automate the classification of bank transactions, which is needed in order to create liquidity forecasts. A Random Forest model achieved a classification accuracy of 98.4%. The findings indicate that machine learning can effectively automate bank transaction classification. Additionally, statistical and machine learning models, SARIMA and XGBoost, were employed to forecast transaction types and compared against the forecasts of the existing modelused by BDX. The results indicate that SARIMA and XGBoost can enhance the accuracy of forecasts compared with the model currently in use. Although SARIMA and XGBoost require a larger evaluation time frame to determine their performance relative to the current model.

Abstract [sv]

Många organisationer kan effektivisera manuella processer med hjälp av maskininlärning. Denna rapport presenterar en ensemblebaserad maskininlärningsmetod för att automatisera klassificeringen av banktransaktioner, vilket behövs för att kunna skapa likviditetsprognoser. En Random Forest-modell uppnådde en klassificeringsnoggrannhet på 98.4%. Resultaten visar att maskininlärning effektivt kan automatisera klassificeringen av banktransaktioner. Vidare användes statistiska och maskininlärningsbaserade modeller, SARIMA och XGBoost, för att prognostisera 12 månader framåt för transaktionstyperna och jämfördes med den befintliga modellen som används av BDX. Resultatet visar att SARIMA och XGBoost kan ge bättre prognoser jämfört med modellen som BDX använder idag. Däremot krävs en längre tidsperiod för att utvärdera SARIMA och XGBoost och fastställa deras prestanda i förhållande till den nuvarande modellen som används idag. 

Ort, förlag, år, upplaga, sidor
2025. , s. 43
Nyckelord [en]
Machine learning, Supervised learning, Forecasting, Time series forecasting, Ensemble-models, Random Forest, SARIMA, XGBoost
Nationell ämneskategori
Matematik
Identifikatorer
URN: urn:nbn:se:umu:diva-235833OAI: oai:DiVA.org:umu-235833DiVA, id: diva2:1939619
Externt samarbete
twoday INSIKT
Utbildningsprogram
Civilingenjörsprogrammet i industriell ekonomi
Handledare
Examinatorer
Tillgänglig från: 2025-02-24 Skapad: 2025-02-24 Senast uppdaterad: 2025-02-24Bibliografiskt granskad

Open Access i DiVA

fulltext(1164 kB)97 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1164 kBChecksumma SHA-512
35082a8e1ca27764c51093555fd403373b215d2b959194a52dc461394c0113209f8980bcddf24c71544ceb6c10ab73df24d4a29f39c88c4dc93dcbff118243ad
Typ fulltextMimetyp application/pdf

Av organisationen
Institutionen för matematik och matematisk statistik
Matematik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 97 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 6403 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf