استفاده از متغیر های تاثیر گذار در این تحقیق امکان یادگیری سریعتر شبکه عصبی و فازی را با کاهش خطا به همراه داشت .
افزایش مدت داده های آموزش شبکه در آن دسته از شعبه هایی که تغییرات غیر عادی دارند خطای شبکه را افزایش می دهد و اصلح است که الگوی متفاوت تر و یا خاص تری برای این گونه شعب انتخاب شود .

با عنایت به اینکه تغییرات متغیرها بانکی انتخاب شده در این تحقیق بعنوان اصلی ترین پارامتر های پیش بینی ، تغییرات منابع مالی را در موسسات مالی و اعتباری شامل می شود می توان اذان داشت که شوک های اقتصادی و اطلاعات مالی در جریان جامعه ناخواسته به شبکه آموزش داده می شود و از طرفی شوک های اقتصادی کوتاه مدت بوده و استفاده از روش پیشنهادی برای بلند مدت نتایج مطلوبی بهمراه نخواهد داشت .
ورود سپرده عمده توسط اندکی از مشتریان خاص در مقطع مورد رسیدگی نتایج پیش بینی را بشدت تحت تاثیر قرار می دهد که استفاده از روش هدف گذاری بر اساس ۱۵۰ درصد پیش بینی به شرطی پیشنهاد می گردد که ضریب ۱۵۰ درصد برای این گونه شعبه ها کاهش یابد یا اینکه داده ها ورودی شبکه با خالص شدن از منابع این گونه مشتریان و همچنین شناسایی دوره تغییر نسبت سهم هر مشتری از سپرده های ازان قیمت و گران قیمت صورت بپذیرد .
هدف گذاری بر اساس ۱۵۰ درصد پیش بینی برای شعب با فعالیت بیش از ۲ سال نتیجه بهتری داشت .
هدف گذاری بر اساس ۱۵۰ درصد پیش بینی برای شعبه های که منابع گروه مالی و یا شرکت های زیر مجموعه در آنها حساب دارند پیشنهاد نمی گردد و بشدت نتایج پیش بینی را تحت تاثیر قرار می دهد.
تعداد زیاد متغیر ها ورودی در یادگیری پس از انتشار خطا در شبکه عصبی فازی موثر است.
روش یادگیری پس از انتشار خطا در شبکه عصبی فازی دارای برتری بیشتری نسبت به سایر روش ها دارد و با توجه به تعداد زیاد متغیر ها ورودی تابع زیگمویید موجب نتایج بهتر سیستم پیش بینی شد .
هدف فرعی در این پژوهش تدوین الگوی مناسب برای پیش‌بینی نبستاً دقیق منابع آتی و تعیین اهداف جذب منابع بر اساس آن بوده است که با توجه به نتایج حاصله ، فرمول ذیل برای محاسبه منابع آتی (متغیر مستقل) با بهره گرفتن از پارامتر های پیش بینی شده (متغیرهای وابسته) مناسب ارزیابی شده است .
نتایج تجمیع شده روابط بین متغیرها از الگوهای یادگیری پیش بینی بشرح جدول ۵-۶ و ۵-۷ می باشد :
جدول شماره ۵- ۶: روابط بین متغیرهای