پیشنهاد یک مدل جدید اعتبارسنجی با قابلیت مدلهای هوش مصنوعی در ایران

پیشنهاد یک مدل جدید اعتبارسنجی با قابلیت مدلهای هوش مصنوعی در ایران پول من: با رشد حجم داده ها و دسترسی ساده و کم هزینه به واحدهای پردازش قدرتمند، کاربردهای هوش مصنوعی در بخش مالی به طرز قابل ملاحظه ای بالا رفته است.



به گزارش پول من به نقل از مهر، اعتبارسنجی مدلهای هوش مصنوعی در بخش مالی یکی از مهم ترین مراحل چرخه حیات مدلهای هوش مصنوعی بوده است. بااینکه بخش مالی بسیار قانونمند است و از قبل با اعتبارسنجی روش های آماری سنتی در ریسک اعتباری آشنا است، اما احتیاج به گسترش و تطبیق با استانداردها و چارچوب های اعتبارسنجی موجود خود برای الگوریتم های پیشرفته هوش مصنوعی دارد. این گسترش نه تنها به ریسک اعتباری محدود می شود، بلکه می تواند در حوزه های تجاری متنوع نیز اعمال شود.
با رشد حجم داده ها و دسترسی سهل و کم هزینه به واحدهای پردازش قدرتمند، کاربردهای هوش مصنوعی در بخش مالی به طرز شایان توجهی افزایش پیدا کرده است. بااینکه بخش مالی یکی از نخستین پذیرندگان فناوری های برنامه نویسی است، اما هنوز هم استفاده از یادگیری ماشین یا سیستم های مبتنی بر هوش مصنوعی و اعتماد به آنها در برنامه های حیاتی، یک اقیانوس آبی است.
یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی و بینایی کامپیوتر زمینه های اصلی کاربرد رویکرد های هوش مصنوعی هستند.
این مدل امکان دارد پیشبینی کننده باشد تا در آینده پیشبینی کند، توصیفی باشد تا از داده ها دانش کسب کند یا هر دو.
این مدلها می توانند پیشبینی های قابل اعتمادی انجام دهند، اما تفسیر و توضیح آنها در مورد مدلهای آسان تر است. در مورد مدلهای هوش مصنوعی و یادگیری ماشین برای انجام دقیق ترین پیشبینی های ممکن و همین طور استنتاج های دیگر که روی یک مجموعه داده و داده های جدید مشابه کار می کنند، طراحی شده اند. آنها امکان دارد قابلیت تفسیر را برای افزایش قدرت پیشبینی خود فدا کنند.
رویکردهای مبتنی بر هوش مصنوعی که اخیراً بیشتر در بخش بانکی مورد استفاده قرار گرفته اند، بر استراتژی های تجاری، ریسک ها، زیرساخت ها و عملیات بانکها تأثیر می گذارند. بعنوان مثال؛ درخت های تصمیم گیری، جنگل های تصادفی، الگوریتم های تقویت گرادیان و شبکه های عصبی، در زمینه ریسک اعتباری، آغاز به جایگزینی مدل هایی مانند رگرسیون لجستیک کرده اند. در حوزه ریسک عملیاتی، روش های پردازش زبان طبیعی مربوط به ورود دستی داده های چاپی و / یا طبقه بندی این داده ها، نقش برجسته ی در خودکار سازی این فرآیندها ایفا می کنند. پردازش زبان طبیعی به توسعه چت بات ها و رابط های مکالمه ای برای ارتباط مستقیم با مشتریان کمک می نماید. در مورد کلاهبرداری مالی، رویکرد های هوش مصنوعی به صورت قابل توجهی قدرت پیشبینی را از نظر تشخیص افزایش داده اند.
مسئولیت تدوین، سیاستها و رویه های ریسک اعتباری؛
مسئولیت مدیریت ارشد بانک مسئول اجرای راهکارهای ریسک اعتباری مصوب
هیئت مدیره است. اما در طرح کلی در کشور مدیریت اعتبارسنجی واحد و یکپارچه به عهده بانک مرکزی و دولت می باشد. علاوه بر این، تدوین سیاستها و رویه ها برای تعیین، ارزیابی، نظارت و کنترل ریسک اعتباری بر عهده مدیریت ارشد است. چنین سیاستها و رویه هایی باید ریسک اعتباری را در تمام فعالیتهای آن، چه در سطح فردی و چه در سطح پرتفوی، مشخص کنند.
بانک ها باید ریسک اعتباری را در تمام محصولات و فعالیتهای خود شناسایی و مدیریت کنند. بانکها باید اطمینان حاصل کنند که ریسک محصولات و فعالیتهای جدید، پیش از ارائه یا اجرا، با کمک رویه های مناسب مدیریت ریسک و کنترل های کافی ارزیابی شده و قبلاً توسط هیأت مدیره یا سایر کمیته های مناسب تأیید شده است. اعطای وام می تواند به همان اندازه که سودآور است، بانک را درگیر انواع ریسک ها کند. از آنجا که بانکها به سودآوری کلی توجه دارند، باید رابطه بین ریسک و بازده را برای هر اعتباری نیز ارزیابی کنند. هنگام بررسی امکان اعطای وام به شرایط مربوطه، لازم است بانکها با تنظیم شرایط قیمت گذاری و عدم قیمت گذاری (به عنوان مثال: اسناد، قراردادها و غیره) در کامل ترین سطح ممکن، ریسک را در مقابل بازده مورد انتظار ارزیابی کنند. هنگام گمانه زنی در مورد ریسک ها، بانکها باید تمام سناریوهای منفی ممکن و تأثیرات بالقوه آنها بر وضعیت مالی وام گیرندگان یا طرفین را درنظر بگیرند. یک مشکل رایج در میان بانکها اینست که آنها علاقه ای به قیمت گذاری مناسب برای یک اعتبار یا مجموعه ای از اعتبارات ندارند و بنابراین، غرامت های کافی برای مواجهه با ریسک های بالقوه درنظر نمی گیرند.
اعمال سیاستهای بسیار محافظه کارانه در قبال تصمیمات اعتباری، ریسک اعتباری را می کاهد، اما این کاهش ریسک به قیمت کاهش درآمد بهره بانکی تمام می شود.
چنین سیاست هایی، بخصوص در محیط های رقابتی، منجر به حذف مؤسسه مالی از صحنه رقابت می شود. از طرف دیگر، اعطای بدون برنامه ریزی اعتبار نیز به صورت درحال افزایشی ریسک اعتباری و بنابراین زیان های اعتباری بانکها را زیاد می کند. بنابراین، اعطای اعتبار به متقاضیان مستلزم ایجاد مصالحه ای بین ریسک و بازده است. چنین مدلی می تواند امکان افزایش کیفیت پرتفوی وام های بانکی را فراهم آورد. بنابراین، انتظار می رود با استفاده از این مدل، میزان تسهیلات معوق بانک کاهش پیدا کند و درنتیجه، جریان های نقدی ورودی ناشی از بازپرداخت سود و اصل تسهیلات با اطمینان بیشتری پیشبینی شود. بنابراین، سازوکار مدیریت ریسک اعتباری نه تنها هزینه های تسهیلات معوق را کاهش داده و سودآوری را زیاد می کند، بلکه به رفع مشکلات ریسک نقدینگی نیز کمک می نماید.
بی توجهی به ریسک اعتباری، بانکها را وادار می کند تا برای پوشش ریسک اعتباری، ذخایر را بالا برند. پیامد اصلی افزایش ذخایر، کاهش بازده سرمایه گذاری و بنابراین کاهش سودآوری است. مدل مدیریت ریسک اعتباری با ارائه تخمین های قابل اعتماد، سبب می شود تخمین منابع غیرتجربی و غیرمحافظه کارانه باشد. چنین وضعیتی احتمالا میزان ذخایر را کاهش و دقت تخمین ها را زیاد می کند.
پیش بینی مدل اعتبارسنجی با هوش مصنوعی جهت کنترل مدیریت ریسک اعتباری؛
مهم ترین نکته ای که باید در مورد مدل سازی به خاطر داشته باشید اینست که این یک پروسه تکراری می باشد. شما برای یافتن مفیدترین راه برای حل مسایل به مدلهای جایگزین نیاز دارید. آن چه از جستجوی یک مدل مناسب می آموزید می تواند شما را در بازگشت و انجام برخی تغییرات در داده ها و حتی بهبود صورت مساله راهنمائی کند. وقتی در مورد نوع پیشبینی که می خواهید انجام دهید تصمیم گرفتید، باید مدلی را برای تصمیم گیری خود آماده کنید.
چارچوب ما با ارائه راهنماهایی برای اعتبارسنجی مدلها از نظر سوگیری داده ها، کیفیت و مسایل مربوط به حریم خصوصی؛ استواری و انصاف الگوریتم ها؛ جلوگیری و تشخیص عملکرد بیش برازش یا کمتر از حد برازش و قابلیت تفسیر مدلها و خصوصیت های یادگیری ماشین / هوش مصنوعی، بر چگونگی حذف خطرات هوش مصنوعی در کاربردهای مالی تاکید دارد.
به دلیل رقابت بالا بین موسسات مالی، خیلی از بانکها و شرکت های بیمه درحال سرمایه گذاری در کاربردهای یادگیری ماشین / هوش مصنوعی در فرآیندهای اصلی خود هستند. با این وجود، ماهیت مدلهای یادگیری ماشین / هوش مصنوعی به شدت به انتخاب نمونه های داده بستگی دارد و یادگیری از تجربیات داده های گذشته محرک اصلی این الگوریتم ها است. همچنین، برخلاف رویکرد های برنامه نویسی کلاسیک، در این رویکردها دقت ۱۰۰٪ مورد انتظار برای نتیجه وجود ندارد. بااینکه بانکها با خروجی های مدل که منعکس کننده یک رویکرد پیشبینی کننده هستند، بسیار آشنا هستند، اما روش های سنتی شناخته شده مانند رگرسیون خطی و رگرسیون لجستیک بسیار متفاوت تر از روشهای فنی پیشرفته یادگیری ماشین هستند که امروزه استفاده می شوند. امروزه، اغلب رویکرد های یادگیری ماشین بیشتر جعبه سیاه هستند و احتیاج به بررسی دقیق دارند تا اعتماد به استحکام، انصاف، حریم خصوصی داده ها و نگرانی های مربوط به سوگیری ایجاد شود.
شرکت ها به یک دستورالعمل استاندارد برای اعتبارسنجی مدلهای هوش مصنوعی نیاز دارند. انگیزه های اصلی ما برای ایجاد یک چارچوب اعتبارسنجی عبارتند از (۱) ایجاد اعتماد برای هوش مصنوعی، (۲) تضمین انطباق با چارچوب های قانونی و (۳) بهبود رویه های داخلی.
اول از همه، بهبود پذیرش هوش مصنوعی با تشکیل "اعتماد" بُعد قابل توجهی از احتیاج به یک چارچوب اعتبارسنجی مدل هوش مصنوعی است. پذیرش هوش مصنوعی در برنامه های بانکی و مالی، بااینکه محدود است، اما رو به افزایش است. ایجاد آگاهی بیشتر در شرکتها با استانداردسازی فرآیندهای اعتبارسنجی مدل که می تواند پذیرش سریع هوش مصنوعی را تسریع کند، امکانپذیر است.
مزایای و کاربردهای اعتبارسنجی؛
کاربردهای مهم اعتباری در اقتصاد را می توان ارتقا رفاه اجتماعی، افزایش رقابت بانک ها، رشد توسعه اقتصادی و افزایش رفاه اجتماعی، توزیع عادلانه درآمد، شفافیت فضای کسب و کار، کاهش ضریب جینی می توان نام برد.
_ امکان استعلام وضعیت اعتباری هر فرد / شرکت در نظام بانکی و مالی در کوتاه ترین زمان.
_ ایجاد زمینه دسترسی عادلانه اشخاص حقیقی و حقوقی به منابع مالی و بهبود رفاه زندگی و فضای کسب و کار.
_ بهبود مدیریت ریسک سیستم اعتباری کشور.
_ کاهش نرخ نکول مطالبات.
_ سرعت بخشیدن به حرکت نهادهای مالی از وثیقه محور بسمت اعتبار محور.
_ صرفه جویی در وقت و هزینه ارائه دهندگان و متقاضیان تسهیلات.
_ اطمینان از نتیجه اعتبارسنجی با عنایت به استفاده از اطلاعات چندگانه.
_ اعلام نتایج، مبتنی بر اصول و روش های استاندارد اعتبارسنجی و حذف تصمیم گیری های مغرضانه و جهت دار.
_ امکان بررسی اعتبارسنجی افراد بیشتر با استفاده از تنوع اطلاعات دریافتی.
_ امکان استفاده افراد فاقد سابقه اعتباری از تسهیلات بانکی و سایر محصولات اعتباری.
_ امکان دریافت آسان تر تسهیلات برای مردم با استفاده از اعتبارسنجی.
_ تشویق نهادهای اعتباری به پرداخت تسهیلات و تخصیص اعتبار به افراد خوش حساب با تمرکز بر کمتر و شرایط انعطاف پذیر تر.
_ کاهش ریسک بازگشت سرمایه برای اشخاص حقیقی و حقوقی در بازارهای مالی، اعتباری و سرمایه.
_ افزایش اعتماد در داد و ستدهای مالی و اعتباری برای دسته های مختلف مردم، سازمان ها، شرکت ها، اصناف و همین طور کسب و کارهای کوچک و متوسط.
_ امکان دریافت وام فوری، اعتبار محور و بدون ضامن برای افراد خوش حساب.
_ تخصیص اعتبار بسمت جریانات مولد بنابراین رشد و شکوفایی کشور.
_ امکان تأمین مایحتاج ضروری به شیوه اعتباری از راه شرکت های حوزه لندتک ها و...
ویژگی های مدل جدید اعتبارسنجی در ایران؛
نویسنده این مدل جدید اعتبارسنجی، مدل را بنام هدف پی نما نام گذاری می نماید.
هدف پی نما: (Comic-Aim)
هدف پی نما به مفهوم هدف مشترک بین تمامی این ایده ها از راه انتقال مطلب بوسیله تصویر و متن مشاهده می گردد و پس از این پروسه در حقیقت این مدل در زندگی افراد و سازمان ها نمایان می گردد.
C onnection to all systemsاصل اول: اتصال به کل سامانه ها:
مدل جدید با رویکرد باز دیده شود در حقیقت با متصل شدن سامانه اعتبارسنجی به کل سامانه های موجود در کشور این عمل پدیدار می شود.
Validation Ownerاصل دوم: مالک اعتبارسنجی:
فرآیند اعتبارسنجی مدل باید یک مالک داشته باشد، یعنی شخص حقوقی که منحصراً مسئول است و باید به صورت مستقل عمل کند. در حقیقت از تضاد منافع اجتناب شود.
M easuring beliefs Multiple اصل سوم: اندازه گیری باورها:
بانک ها و سازمان ها می توانند باورهای قابل اعتماد را اندازه گیری کرده و آنها را برای ایجاد اعتماد و تقویت نیات وفاداری در میان کاربران خود مدیریت نموده و برای تقویت این نظام کاربردی اعتبارسنجی و رتبه دهی در کارگروه مشترک به اشتراک گذاشته و استفاده نمایند.
I nternal Validation اصل چهارم: اعتبار سنجی داخلی:
اعتبارسنجی داخلی سیستم های رتبه بندی قسمتی از چارچوب کلی برای کنترل های سیستم های رتبه بندی است.
C onfidential Information اصل پنجم: محرمانگی اطلاعات:
محرمانگی اطلاعات شخص حقیقی و حقوقی در اولویت کار مدل باشد.
A rtificial Intelligence اصل ششم: هوش مصنوعی:
مدل اعتبارسنجی با کاربرد هوش مصنوعی در بخش مالی یکی از حیاتی ترین مراحل عمر اعتبارسنجی است.
I nformation quality اصل هفتم: کیفیت اطلاعات:
کیفیت اطلاعات در سامانه اعتبارسنجی بعنوان عامل مهمست که توسط آن فناوری اطلاعات و تأثیرات خودرا بر موفقیت یک سامانه اعتبارسنجی موفق گسترش می دهد.
مدل چندوجهی پیچیده با همیاری دولت، نمایندگان مجلس، وزارت امور اقتصاد و دارایی، بانک مرکزی و سایر سازمانهای دولتی را می طلبد.
یکی از مشکلات اساسی در مدل اعتبارسنجی جاری در ایران شکاف اطلاعاتی موجود میان اعتباردهنده و اعتبار گیرنده که از آن به عدم تقارن اطلاعات یاد می شود، سبب خواهد شد تا پدیده انتخاب معکوس پرداخت تسهیلات به اشخاصی همچون سودجو و ذینفعان واحد گرفتار عدم ایفای تعهد و نکول تسهیلات در بانکها و عدم اعتبار دقیق به اعتباردهندگان را نمایان می نماید.
شرط لازم موفقیت یک سامانه اعتبارسنجی موفق دسترسی به اطلاعات اعتباری صحیح و موثق از متقاضیان تسهیلات و تعهدات، اطلاعات مالی، اسنادی و تعهدات به سازمانهای دولتی دولت توسط متقاضیان تسهیلات بوده که بانکها و سایر دستگاهها می توانند مشتریان خوش حساب را تشخیص داده و بدین جهت ریسک اعتباری را مدیریت و کاهش دهند.
در طراحی مدل جدید از شاخصهای متنوعی باید استفاده گردد که مواردی مانند رفتار اشخاص در بازپرداخت تسهیلات، سابقه اشخاص در پرداخت چک، سابقه محکومیت های مالی اشخاص، وضعیت پرداخت مالیات، وضعیت پرداخت جرایم راهنمائی و رانندگی و عوارض بین راهی، بدهی به قوه قضاییه، صندوق دانشجویی، وضعیت پرداخت بیمه ها، وضعیت پرداخت عوارض شهرداری و آزادراهها، وضعیت پرداخت عوارض نوسازی، وضعیت پرداخت قبوض آب، برق و گاز،
وضعیت بورسی، وضعیت اسناد و اوراق بهادار، وضعیت حقوق (رسمی و غیر رسمی) برمبنای واریزی بانکی و سایر موارد دیده شود.
یک روش منسجم بهترین عملکرد برای اعتبارسنجی پیشنهاد می گردد. اعتبارسنجی نباید بعنوان یک تمرین صرفا ریاضی که توسط متخصصان کمی به انجام می رسد درنظر گرفته شود. هر فعالیتی را در بر می گیرد که میزان اثربخشی یک مدل را ارزیابی می نماید.
بانک مرکزی با حمایت و کمک دولت، نمایندگان مجلس، وزارت امور اقتصاد و دارایی و بانکها با تولید مدلهای تصمیم گیری کمی و مبتنی بر داده ها برای مدیریت ریسک اعتباری با دامنه بلند پروازانه فزاینده باید مدلی کامل پیشبینی و بازطراحی نماید.
دقت نماییم، قدرت تبعیض آمیز و تکرار پذیری خروجی کیفیت امکان دارد تحت شرایط مختلف در کشور قابل تغییر و اصلاح باشد. پیشبینی نیازها و ارزش های آتی نیازمند دقت در پیشبینی مدل جدید اعتبارسنجی در ایران است. به این نکته دقت کنیم که درک قابلیت ها و محدودیت های مدلها از اهمیت قابل توجهی برخوردار می باشد و اغلب به صورت مستقیم با ساده سازی و فرضیات مورد استفاده در طراحی مدل مرتبط می باشد. تصمیمات مبتنی بر خروجی های مدل نادرست یا گمراه کننده که هم اکنون مدل اعتبارسنجی ایران گریبان گیرآن شده است امکان دارد منجر به عواقب نامطلوب بالقوه از راه زیان های مالی، عدم دریافت اعتبار مالی، تصمیمات تجاری ضعیف و در نهایت صدمه مشتری، بانک، سایر سازمانهای دولتی دولت و سایر ذینفعان شود.
پیرو دستورالعمل کمیته بازل در مورد نظارت بانکها برای پیروی از چارچوب هنجاری بر بانکها باید یک سیستم قوی برای تأیید صحت و ثبات سیستم های رتبه بندی، فرآیندها و برآورد همه موارد مرتبط داشته باشند. اجزای ریسک یک بانک باید به ناظر خود نشان دهد که پروسه اعتبارسنجی داخلی به او امکان می دهد تا عملکرد سیستم های رتبه بندی داخلی و تخمین ریسک را به صورت مداوم و معنادار ارزیابی کند.
یکی از ابزارهای اصلی مدیریت ریسک اعتباری، اعتبارسنجی مشتریان است. در کشورهای توسعه یاقته، ارائه دهندگان تسهیلات اغلب با اتکا به اعتبارسنجی و برمبنای برآورد ریسک مشتری، که برگرفته از عملکرد گذشته اعتباری و دارایی های مالی متقاضی و نحوه کسب درآمد است مبادرت به تصمیم گیری در اعطای تسهیلات می کنند. آمار انتشار یافته در این خصوص نیز بیان گر روند روبه رشد ایجاد و توسعه نظام های اعتبارسنجی در سطح جهان است.
در کشور ایران نیز موضوع شناسایی مشتریان بانکی و از آن مهم تر مساله ریسک اعتباری و نحوه مواجهه با آن از مسایل اساسی و مهم پیش روی سیاست گذاران بازار پولی و بانکی است. اما متاسفانه هنوز کلیه دستگاه های اجرایی، سامانه های وجود در کشور و سامانه های که نیاز کشور است به سامانه سمات بانک مرکزی و شرکت مشاوره اعتبارسنجی ایرانی ها اتصال نشده اند.
ریسک مدل با پیچیدگی مدل، عدم قطعیت های مفروض ورودی، وسعت و عمق پیاده سازی و کاربرد و بهره وری مدل را زیاد می کند. وزارت امور اقتصاد و دارایی و بانک مرکزی اگر بخواهد ریسک مدل اعتبارسنجی در ایران را به صورت مؤثر به حداقل برسانند، باید مدلهای خودرا به صورت مستمر طبقه بندی، طراحی، اجرا، اعتبارسنجی و کنترل کند.
در واقع سامانه یکپارچه و چندوجهی اعتبارسنجی مشتریان حقیقی و حقوقی و رتبه دهی بانکها یکی از ضروری ترین اولویت ها برای نظام مالی اقتصادی سالم جهت تحقق اهداف چشم انداز در ایران است.
اعتبارسنجی در کشورهای توسعه یافته و درحال توسعه کاربردهای فراوانی در حوزه های مختلف شامل: شبکه بانکی، صندوق های قرض الحسنه، بیمه ها، سازمان امور مالیاتی، تأمین اجتماعی، شرکت های سرمایه گذاری، لیزینگ ها، گمرک، لندتک ها، شهرداری ها، شرکت های تعاونی مسکن، شرکت عمران شهر های جدید، اصناف، معاملات خرید و فروش ملک و … دارد.
کاربردهای مهم اعتبارسنجی برای مردم همچون افزایش قدرت خرید، افزایش شفافیت و کاهش سطح ریسک، توسعه فرهنگ پایبندی به تعهدات در جامعه، تنظیم گر رفتار اعتباری اشخاص می باشد.
یادداشت از سید رضا راستی الحسینی کارشناس اقتصادی
در حقیقت از تضاد منافع اجتناب شود. یکی از اشکالات اساسی در مدل اعتبارسنجی جاری در ایران شکاف اطلاعاتی موجود میان اعتباردهنده و اعتبار گیرنده که از آن به عدم تقارن اطلاعات یاد می شود، سبب خواهد شد تا پدیده انتخاب معکوس پرداخت تسهیلات به افرادی همچون سودجو و ذینفعان واحد گرفتار عدم ایفای تعهد و نکول تسهیلات در بانک ها و عدم اعتبار دقیق به اعتباردهندگان را نمایان می نماید. در طراحی مدل جدید از فاکتور های متنوعی باید استفاده گردد که مواردی مانند رفتار اشخاص در بازپرداخت تسهیلات، سابقه اشخاص در پرداخت چک، سابقه محکومیت های مالی اشخاص، وضعیت پرداخت مالیات، وضعیت پرداخت جرایم راهنمائی و رانندگی و عوارض بین راهی، بدهی به قوه قضاییه، صندوق دانشجویی، وضعیت پرداخت بیمه ها، وضعیت پرداخت عوارض شهرداری و آزادراهها، وضعیت پرداخت عوارض نوسازی، وضعیت پرداخت قبوض آب، برق و گاز، وضعیت بورسی، وضعیت اسناد و اوراق بهادار، وضعیت حقوق (رسمی و غیر رسمی) برمبنای واریزی بانکی و سایر موارد دیده شود.


منبع:

1404/05/26
11:14:32
5.0 / 5
14
تگهای خبر: آمار , ابزار , ارز , اقتصاد
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
کامنت کاربران پول من در مورد این مطلب
کامنت شما در مورد این مطلب
نام:
ایمیل:
کامنت:
سوال:
= ۲ بعلاوه ۳
پربیننده ترین ها

پربحث ترین ها

جدیدترین ها

پول من
pooleman.ir - حقوق مادی و معنوی سایت پول من محفوظ است

پول من

محاسبه گر پول شما

پول من، همراه شما در راه موفقیت مالی