بخشی از مقاله
چکیده
یکی از روشهای نوین مورد استفاده در زمینه ی پیشبینی قیمت محصولات، استفاده از شبکههای عصبی میباشد. در دهه اخیر شبکه های عصبی به عنوان یکی از پر استفادهترین روشها در زمینه طبقه بندی، تشخیص الگو و پیش بینی سریهای زمانی بودهاست. قدرت بالای تشخیص انواع الگوهای موجود در دادههای بازار، تقریب توابع پیچیده، پایداری و انعطافپذیری آن در برابر نویزهای دادهها، از مشخصات بارز و قدرتمند شبکه عصبی در کشف فرآیند مولد قیمت بازار میباشد. به طوری که دومین زمینه ی پر کاربرد استفاده از شبکه عصبی را، پیشبینی سریهای زمانی به خود اختصاص دادهاست.
این مقاله ضمن ارائه مدلی ترکیبی از شبکههای عصبی مصنوعی، به بررسی توان پیشبینی کنندگی آنها در مقایسه با مدلهای منفرد می پردازد. در این بررسی، با استفاده از شبکههای عصبی ترکیبی متشکل از شبکههای پیش خور و خود سازمانده کوهونن - ناظر و بدون ناظر - اقدام به پیشبینی قیمت محصولات شرکت فولاد ناب شدهاست که در پایان نتایج و پیشنهاداتی نیز ارایه شدهاست.
مقدمه
ضرورت سرمایهگذاری برای رشد و توسعه اقتصادی هر کشور انکارناپذیر است. برای فراهم ساختن وجوه مورد نیاز، منابعی برای تأمین سرمایه لازم خواهدبود. بهترین منبع برای تأمین سرمایه، پساندازهای مردم است. هدایت صحیح و درست وجوه سرگردان به سمت سرمایهگذاریهای مولد، افزایش تولیدات و رشد ناخالص ملی، ایجاد اشتغال و افزایش درآمد سرانه ونهایتاً رفاه عمومی را در پی خواهد داشت. پس باید یک ساز و کار قوی، این پس اندازها را به سوی بخشهای تولیدی سوق دهد و نیاز مالی آنها را فراهم کند. در دیدگاه شبکه عصبی، سعی در الگوبرداری از نحوهی عملکرد سیستم عصبی و مغز انسان شدهاست. این شیوه با تکیه بر قابلیت یادگیری و توانایی پردازش موازی در شبکههای عصبی طبیعی قادر به حل مسایل پیچیده میباشد. توانایی شبکههای عصبی با کاربرد در مسایل مختلف پردازش سیگنال، الگوشناسی، مدلسازی، شناسایی، پیشبینی، کنترل و بهینهسازی در چند دهه اخیر تایید شدهاست و امروزه این ساختارها با توجه به قابلیت یادگیریشان به عنوان یکی از روشهای متداول غیروابسته به مدل مطرح، مورد استفاده قرار میگیرند
در دهه اخیر شبکههای عصبی به عنوان یکی از پر استفادهترین روشها در زمینه طبقهبندی، تشخیص الگو و پیشبینی سریهای زمانی بودهاست. قدرت بالای تشخیص انواع الگوهای موجود در دادههای بازار، تقریب توابع پیچیده، پایداری و انعطافپذیری آن در برابر نویزهای دادهها، از مشخصات بارز و قدرتمند شبکه عصبی در کشف فرآیند مولد قیمت بازار میباشد. بطوری که دومین زمینهی پر کاربرد استفاده از شبکه عصبی را، پیشبینی سریهای زمانی به خود اختصاص دادهاست. شبکه های عصبی به عنوان روش داده محور و بدون در نظر گرفتن فرضیات موجود در روشهای مدلگرا، چشمانداز قدرتمند و نوینی در جهت تقریب توابع پیچیده میباشد. اکثر سریهای زمانی در جهان واقعی دارای الگوهای غیر خطی پیچیده میباشد، به طوری که ذهنها را بر آن داشتهاست که روشهای پیشبینی سریهای زمانی را مورد توجه قراردهند بنابراین این تحقیق به دنبال بررسی ترکیب مدلها با ناظر و بدون ناظر شبکه عصبی به منظور پیش بینی قیمت محصولات شرکت فولاد ناب تبریز میباشد.
مفاهیم پایه در شبکه های عصبی مصنوعی
در این نوع شبکهها از یک لایه ورودی برای اعمال ورودیهای مسئله یک لایه پنهان و یک لایه خروجی که در نهایت پاسخهای مسئله را ارائه میکنند، استفاده میشود. گرههایی که در لایه ورودی هستند، نرونهای حسی و گرههای لایه خروجی، نرونهای پاسخدهنده هستند. در لایه پنهان نیز، نرونهای پنهان وجود دارند
آموزش اینگونه شبکههامعمولاً با روش پسانتشار خطا انجام میشود. نمونهای از یک شبکه پرسپترون چند لایه در شکل1 نمایش داده شدهاست.
مواد و روشها
جامعه آماری تحقیق، قیمت محصولات شرکت فولاد ناب تبریز شامل ناودانی، تیرآهن و نبشی است. بدین ترتیب که در طی محدوده زمانی تحقیق - 1393-1390 - انتخاب شدهاست. علت استفاده از معیار نقدشوندگی نیز این بودهاست که اساساً هر چه تعداد دادهها در مدل شبکه عصبی بیشتر باشد، به عبارتی تعداد داده های مفقود کمتر باشد، عملکرد شبکه بهتر خواهدبود. متغیرهای مستقل تحقیق شامل دو بخش متغیرهای بیرونی - متغیرهای کلان اقتصادی - و متغیرهای درونی قیمت محصولات مورد نظر میباشند. از میان متغیرهای کلان اقتصادی، عوامل قانونی و سیاسی، عوامل اقتصادی، عوامل تکنولوژیکی و عوامل محیط طبیعی به عنوان متغیرهای مستقل تحقیق انتخاب شدهاند. از عوامل داخلی نقش مدیریت، کارکنان و مشتریان به عنوان متغیر مستقل انتخاب شده است.
برای پیشبینی قیمت سهام بر اساس متغیرهای مزبور، از شبکه عصبی ترکیبی متشکل از شبکههای پیشخور - پرسپترون چندلایه - و خودسازمانده کوهونن استفاده شدهاست. اساس و شالوده شبکه ترکیبی مورد استفاده، شبکه عصبی پیشخور بودهاست و از شبکه خودسازمانده کوهونن به عنوان یکی از ورودیهای آن استفاده شدهاست. همانگونه که در ادبیات تحقیق بیان شد نقش شبکه خودسازمانده کوهونن در ساختار شبکه ترکیبی، تجزیه دادهها به تعدادی طبقه معین است که امر تشخیص، طبقهبندی و کشف روابط بین دادهها را بهبود میبخشد. همچنین شبکه ترکیبی را قادر میسازد تا رفتار سریهای دادههای ریزبافت را در شبکه پیشرو تبیین کند
در این شبکه ترکیبی xn بردار دادههای ورودی یا همان متغیرهای مستقل عوامل درونی و عوامل بیرونی مورد نظر است. همانگونه که نشان داده شدهاست ورودی شبکه خودسازمانده کوهونن بردار xn و خروجی آن بردار zn دادههای طبقهبندی شده یا گروههای مختلف دادهها است که شبکه کوهونن بر اساس دادههای ورودی ایجاد کردهاست. خروجی شبکه کوهونن به همراه متغیرهای مستقل اولیه به عنوان یکی از ورودیهای شبکه پیشخور مورد استفاده قرار گرفتهاست تا دقت پیشبینی شبکه پیشخور افزایش یابد.
در نهایت خروجی شبکه پیش خور yn بردار قیمتهای پیشبینی شده شبکه ترکیبی محسوب میشود که خطای پیشبینی شبکههای ترکیبی بر اساس آن محاسبه و کمترین آنها با خطای شبکه پیش خور مورد مقایسه قرار گرفته است. برای طراحی هر یک از شبکههای پیشخور و کوهونن از سه لایه و حداکثر 7 نرون در هر لایه و 7 وقفه استفاده شدهاست. بنابراین تعداد نرونهای لایه میانی از 1 تا 7 تغییر میکند. معمولا تعداد نرونهای لایه میانی حداکثر دو برابر تعداد ورودیها در نظر گرفته میشود.
