بخشی از مقاله
چکیده
مسائل مالی همیشه برای افراد و سازمانها با اهمیت بوده است. هر یک از این گروهها به نوعی با این مسائل درگیر هستند و به دنبال حداکثر نمودن ثروت خود هستند لذا باید تصمیمات مناسبی اتخاذ نمایند. بازار سهام یکی از راههای سرمایهگذاری میباشد که در آن با سهامهای متفاوتی مواجه هستیم و در صورت تعیین صحیح نوع سرمایهگذاری، موجب افزایش سرمایه میگردد. بدیهی است سرمایهگذار سعی مینماید تا آنجا که ممکن است سود بیشتری با حداقل نمودن ریسک بدست آورد.
الگوریتم ID3 درخت تصمیم یک رویکرد مهم در این زمینه میباشد که توانایی تحلیل متغیرهای کلامی را دارد و دانش حاصل از آن برای انسان از قابلیت درک بالایی برخوردار است. این رویکرد با بهینهسازی و کاهش عدم قطعیت صفات دخیل در تعیین نوع سرمایهگذاری از طریق محاسبه آنتروپی، و با در نظر گرفتن سناریوهای مختلف در پایگاه داده، بهترین نوع سرمایهگذاری را با حداقل ریسک انتخاب مینماید.
مقدمه
مسائل مالی همیشه برای افراد، شرکتها و دولتها با اهمیت بوده است. هر یک از این گروهها به نوعی با این مسائل درگیر هستند و به دنبال حداکثر نمودن ثروت خود هستند و به همین جهت باید تصمیمات مناسبی اتخاذ نمایند. یکی از این تصمیمات تصمیم گیری در مورد سرمایهگذاری میباشد. راههای مختلفی برای سرمایهگذاری وجود دارد. سرمایهگذاری در بازار سهام یکی از انواع سرمایهگذاریها است. هرگاه از بازار سهام سخن به میان میآید، این سؤال به ذهن خطور میکند: در چه نوع سهامی باید سرمایهگذاری نمود.
بدیهی است سرمایهگذار سعی مینماید تا آنجا که ممکن است سود بیشتری با حداقل نمودن ریسک بدست آورد. الگوریتم - Interactive Dechotomizer 3 - ID3 درخت تصمیم یکی از رویکردهای مهم این زمینه میباشد که با استفاده از آن میتوان سناریوهای متفاوتی را که در آینده با تغییر عوامل موثر در تعیین نوع سرمایهگذاری ایجاد میشود، در نظر گرفت. این ابزار با استفاده از متدولوژی خاص خود میزان عدم اطمینان و ریسک را در سرمایهگذاریها کاهش، و بهترین انتخاب را بعمل میآورد. در این مقاله کاربرد درخت تصمیم در تعیین نوع سرمایهگذاری بازار سهام مورد بررسی قرار میگیرد و خواص این رویکرد سودمند، معرفی میگردد.
معرفی درخت تصمیم
توسعه تکنولوژیهای کامپیوتری و تکنیکهای یادگیری اتوماتیک میتواند تصمیمگیری را آسانتر و بسیار کاراتر سازد. در دامنه یادگیری ماشینی جاییکه همیشه کامپیوترها تصمیم میگیرند و یا برای گرفتن تصمیم درست پیشنهادهایی را ارائه می-دهند، رویکردهای زیادی از تکنیکهای تصمیمگیری وجود دارند؛ از قبیل درختهای تصمیم، شبکههای عصبی مصنوعی و... .
درخت تصمیم شیوهای برای ارائه پایگاه قانون و در واقع یک روش بازنمایی دانش میباشد . - Guoxiu, 2005 - درخت تصمیم فراگیر یکی از روشهای استتناج استقرائی با کاربرد وسیع و روشی برای تخمین توابع هدف گسسته است که تابع فراگیر با یک درخت تصمیم نمایش داده میشود
کاربردها و مزایای درخت تصمیم
رویکرد درخت تصمیم در بسیاری از زمینهها کاربرد دارد از جمله: شناسایی الگوها، طبقهبندی الگوها، کلاسه بندی، سیستمهای پشتیبان تصمیمگیری، سیستمهای خبره و غیره . - Pang Huang et al, 1998 - زیرا در مقایسه با ایرس متُدها از جمله ماکزیمم احتمال سریعترین میباشد. بویژه در شرایطی که فضای نمونه بزرگ است علاوه بر این مهیّا کردن داده آسان و درک آن نیز برای افراد غیر فنی آسانتر است. مزیّت دیگر آن این است که هر دو نوع داده عددی و رتبهای را میتواند طبقهبندی کند.
درخت تصمیم بطور موفقیت آمیزی در زمینه های مدیریت مالی - در تبادلات و معاملات - ، اطلاعات بازار بورس، بررسی اداری، مدیریت قوانین کسب و کار - آنالیز کیفیت پروژه، مدیریت کیفیت محصول، مطالعه امکانسنجی - ، بانکداری و بیمه - بررسی و پیشبینی ریسک - ، علوم محیطی - تجزیه و تحلیل کیفیت محیط، تجزیه و تحلیل منابع یکپارچه، بررسی فاجعه - ، تصمیمگیری در تشخیص و انتخاب درمان مناسب و غیره بکار میرود - Guoxiu, 2005 - مزیّت اصلی رویکرد درخت تصمیم نشان دادن راه حل هاست
درخت تصمیم سه چیز را نشان میدهد:
-1 هر گره داخلی، که یک صفت را آزمایش میکند.
-2 هر شاخه، که مطابق با ارزش صفت میباشد.
-3 هر گره برگ، که یک کلاس را نشان میدهد
معایب درخت تصمیم
یکی از معایب درخت تصمیم بیثباتی آن میباشد. درخت تصمیم با بوجود آمدن اندک اغتشاشی در داده آموزشی همانند طبقهبندی کننده بیثبات عمل میکند. ساختار درخت تصمیم با تغییر جزئی در مجموعه دادهها ممکن است به کلی دگرگون شود و در مواردی که تصمیمات رقمی - عددی - مورد نیاز است این نوع درخت تصمیم غیرقابل استفاده می شود. جهت غلبه بر این مشکل بعضی از دانشپژوهان درخت تصمیم فازی را پیشنهاد کردهاند .
الگوریتم ID3
به عنوان انواع خاصی از الگوریتمهای ایجاد درخت تصمیم، میتوان ID3 و CART - Classification and Regression Tree - را نام برد
یکی از متداولترین روشهای یادگیری نمادین، استقرای درخت تصمیم میباشد که نخستین بار به وسیله کوئینلن تحت نام الگوریتمID3 توسعه داده شد - گودرزی و همکاران، - 125 :1383، که با عنوان 3 نوع تشخیص دهنده متعامل شناخته میشود. ID3 یک روش رایج و کارا در تقسیمبندی دادههای سمبولیک و نمادین میباشد و برای کار با دادههای عددی مناسب نیست
الگوریتم ID3 برای ایجاد درخت تصمیم فازی، اثبات شده است تا یک الگوریتم عمومی و مؤثر، برای ساخت درختهای تصمیم از مجموعه دادههای با مقادیر گسسته باشد
ID3 و CART، دو الگوریتم مهم هستند که با تقسیمات مکرر کار میکنند، ایده اصلی آنها در تقسیم کردن فضای نمونه به سبک دادهکاوی - - Data-driven مانند هم است؛ ویژگی مهم این الگوریتمها آن است که سعی دارند همزمان با بهبود کیفیت تصمیم، اندازه درخت را حداقل کنند
این دو نوع درخت باهم تفاوتهایی نیز دارند. ID3 در مورد دامنههای گسسته با مقادیر کم بکار میرود و این مزیت بزرگی هست که قابلیت درک دانش حاصل شده را افزایش میدهد. دیگر ویژگی درخت ID3 آن است که هر صفتی، یک بار در مسیر رویش درخت قرار میگیرد که این امر به قابل فهم بودن دانش حاصل شده کمک میکند. در ساخت درخت تصمیم - الگوریتم - ID3، هدف ایجاد و ساخت درخت تصمیم با عمق حداقل میباشد .
الگوریتم CART به تقسیمبندی اولیه نیاز ندارد. شرایط بسط درخت براساس آستانهها - برای دامنههای پیوسته - که بطور دینامیکی محاسبه میشوند، برقرار میشود و صفت مورد نظر در درخت میتواند بیش از یک بار و با آستانههای مختلف بکار رود. به هرحال تعداد آستانه های ممکن برابر با تعداد نمونه های آموزشی است
