در حال حاضر صنعت بانکداری یکی از بزرگترین صنایع واسط مالی در جهان می باشد. به خاطر اهمیت روز افزون این صنعت می طلبد، رفتارهایی که منجر به بهینه کردن امور مالی بانک می گردد، مورد مطالعه قرار گیرد. قدرت بانک ها به پول هایی است که در آنها سپرده گذاری شده است، این منابع مالی می تواند در پیشرفت و گسترش میزان اعتبار بانک و نیز در به ثمر رساندن هدف های اقتصادی کلان، یک کشور تاثیرگذار باشد. در این تحقیق ابتدا به معرفی متغیرهای تاثیر گذار بر حجم سپرده های بانکی پرداخته و سپس با استفاده از یک مدل ترکیبی هوشمند حجم سپرده های بانکی در سطح کلان پیش بینی می شود. در مدل معرفی شده در این تحقیق از ترکیب الگوریتم بهینه سازی ذرات تصادفی و شبکه عصبی rbf استفاده شده است. در مدل پیشنهادی از ترکیب الگوریتم بهینه سازی ذرات تصادفی دودویی و پیوسته بصورت هم زمان استفاده شده است. از الگوریتم دودویی به منظور شناسایی مهمترین متغیرهای بانکی تاثیر گذار بر حجم سپرده ها و از الگوریتم پیوسته برای بهینه کردن پارامترهای پهنای تابع گوسی در شبکه rbf و همچنین بدست آوردن تعداد نرونهای لایه پنهان استفاده شده است. از آنجا که اجرای روش تلفیقی شبکه نرو فازی(anfis) با تعداد زیاد متغیر ورودی با استفاده از ریزرایانه ها عملی غیر ممکن است بنابراین باید تا آنجا که می توان تعداد متغیرهای ورودی را کاهش داده و با استفاده از متغیرهای مهمتر شبکه anfis را آموزش داد، لذا در این تحقیق ابتدا با استفاده از روش معرفی شده spso-rbf متغیرهای مهمتر شناسایی شده و سپس از متغیرهای بدست آمده در آموزش شبکه anfis استفاده خواهد شد. در نهایت مدل پیشنهادی با چند شبکه عصبی و همچنین شبکه نرو فازی(anfis) دیگر مقایسه شده و نتایج آن برآورد شده است.