بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
مروری بر روش های سری زمانی((ARIMA و روش شبکه های عصبی در پیش بینی های اقتصادی
امروزه پیش بینی متغییرهای اقتصادی از اهمیت ویژه ای برای مدیران استراتژیک در بخشهای خصوصی و دولتی جهت تنظیم امور و مناسبات اقتصادی برخوردار است بطوریکه که نیاز به ابزار
و شیوه های پیش بینی متغییرها با کمترین مقدار خطا محسوس است بطوری که دستیابی به پیش بینی های با میانگین مطلق درصد خطای حدود 10درصد تقریباً آسان است ولی هزینه های خطا بسیار زیاد خواهد بود و تحقیقی که بتواند در کاهش چند درصدی خطا با ما کمک کند بسیارسودمند و مورد استفاده خواهد بود و در بحث های کلان خطای 1 درصد می تواند به تفاوت میلیونی یا میلیاردی پولی منجر شود بنابراین انتخاب روشی که بتواند جواب با حداقل خطای ممکن را پیش بینی کند الزامی است یکی ازهدفهای اساسی تجزیه و تحلیل های اقتصادی پیش بینی دقیق متغییرها ودر نتیجه کمک رسانی به مدیران استراتژیک در جهت اخذ تصمیمات صحیح
و متناسب بامقادیر پیش بینی شده است بدیهی است هر چه مقادیر پیش بینی شده دقیق تر و دارای خطای کمتری باشند قابل اعتمادتر وا خذ تصمیمات مناسب و بکارگیری ابزار متناسب با آن به شکل کارآمدتری صورت می گیرد در این زمینه روشهای مختلفی بررسی پیش بینی متغیرها
وجود دارد در این مقاله دو روش شبکه های عصبی((ANN و((ARIMA اتورگرسیو میانگین انباشته متحرک باکس - جنکینز مورد بررسی قرار می گیرند.
شبکه های عصبی یکی از پویا ترین حوزه های تحقیق در دوران معاصر می باشد که افراد متعددی ازرسته های گوناگون علمی را به خود جلب کرده است هر کدام ازاین افراد پشتوانه علمی متفاوتی را بر این حوزه افزوده اند از روش شبکه های عصبی برای پیش بینی متغیرهای اقتصادی در قالب دو مرحله آموزش و کاربرد استفاده می شود در مرحله آموزش داده ها که قسمت عمده داده ها هستند به مجموعه آموزشی و مجموعه آزمون قابل تقسیم هستند هم ورودی ها و هم خروجی ها متناظر با آن به شبکه عصبی داده می شود و طبق الگوریتم آموزش، به شبکه می آموزد که خروجی مناسب را تولید کند پس از آموزش شبکه، ورودی های موجود در مجموعه آزمون اعمال و با مقایسه خروجی واقعی موجود در مجموعه آزمون، دقت شبکه در پیش بینی داده های مربوطه ارزیابی می شود که به برازش و نتایج قابل قبولی دست پیدا خواهد شد. روش شبکه های عصبی فاقد مشکلات رایج مدل سازی کلاسیک از قبیل بررسی پایایی و ناپایایی سریهای زمانی است این روش بصورت واقعی می آموزند که چگونه آینده را پیش بینی کنند و کارایی بیشتری در کمینه سازی خطاها دارد بنابراین خروجی های قابل اعتماد تری خواهد داشت که اصلی ترین دغدغه مدیران استراتژیک و تصمیم گیرندگان کلان، داشتن اطلاعات
دقیق تر و بهتر از آینده جهت اخذ تصمیمات مناسبتر است نقطه قوت مدلهای شبکه عصبی آزادی از قید و بند فروض مدلهای آماری و اقتصاد سنجی می باشد و می توان بدون استفاده جز به جز از نظریه های اقتصادی به نتایج قابل اعتمادتری دست یافت و از لحاظ آماری نیز ویژگیهای آماری این مدل وانطباق آنها با مفاهیم رگرسیون منجر به نتایج قابل قبولی شده است روش شبکه های عصبی یکی از مسیرهای رسیدن به هوش مصنوعی است که به جای روشهای کمی عملکرد بسیار بهتر و کم خطاتری بیشتروجهت پیش بینی موارد غیر اقتصادی مانند مدت پایداری ساختمان، پل ها، هواشناسی، موارد پزشکی، نظامی صنعتی نیز قابل استفاده با نتایج دقیق می باشد.
ANN از روش بازشناسی الگو اقدام به یادگیری میکند و به همین دلیل برای یادگیری نیاز به داده های زیادی دارد همان طور که مستحضرید مغز انسان دارای ساختار و خاصیت موازی در پردازش اطلاعات است و کامپیوترها دارای ساختار پی درپی هستند و مسائلی که مورد نظر می باشند نیازمند پردازش حجم زیادی از اطلاعات متفاوت اند که باید در تقابل با یکدیگر به حل مسئله بیانجامد دانش لازم برای حل این مسائل هر کدام از منبع متفاوتی بصورت همزمان در مغز می آیند و هرکدام نقش خود رادر تهیه خروجی نهایی ایفا می کنند مغز با ساختار موازی می تواند این دانش را در خود بصورتی حفظ کند که قابل دسترس باشند و بعلت نحوه عمل موازی خود این دانش را همراه با سایر تحریکات مختف که دریافت می کند همزمان پردازش
کند ومغز برای اینکار بخوبی ساخته شده است کامپیوترها طوری طراحی شده اند که یک عمل را بعد از عمل دیگر با سرعت بسیارزیاد انجام دهند سرعت عملیات کامپیوترها به میلیونها محاسبه در ثانیه بالغ می شود ولی در مغز تعداد زیادی اجزا بطور همزمان کار میکند کاری که ازعهده کامپیوترها برنمی آید و کامپیوترها می توانند عملیاتی را که با ساختار آنها سازگاری دارند بخوبی انجام میدهند.
شیوه روش محاسباتی شبکه های عصبی ،کسب اصول زیربنایی فرآیند مغز برای پاسخ گویی و بکارگیری آنها در سیستم های کامپیوتری است، نمی دانیم مغز چگونه اطلاعات سطح بالا را در خود جا میدهد پس نمی توانیم از آن تقلید کنیم ولی میدانیم مغز از تعداد زیادی واحدهای کند ولی شدیداً مرتبط با یکدیگر تشکیل شده است مغز از اجزای ریز تشکیل شده است واین اجزا به شیوه ای بی نهایت پیچیده،مرتب شده اند وهر جز به هزاران جز دیگر متصل است و تفاوت در شیوه های ساختار علت اصلی تفاوت بین مغز وکامپیوتر است. در مدل سازی سیستم های اصلی مغز، بایدراهی را یافت که بیشتر با ساختار موازی مغز سازگار باشد تا با ساختار پی در پی کامپیوترها، این مدلهای موازی باید دانش را بصورت موازی در خود جای دهند و به شکل موازی نیز آن را پردازش کنند بنابراین ساختار موازی سیستم های شبکه عصبی آنها را مناسب بکارگیری در ماشین های موازی می کند و می تواند مزایای بیشتری از نظر سرعت و قابلیت اطمینان را داشته
4
باشد. مطالعه سیستم های نرون واقعی این امکان را داده است که ساختارهای موازی مانند مغز مدل سازی شوند وبه فرایند های سیستم عصبی دسترسی پیدا شود یکی دیگر از بارزترین ویژگیهای مغز توان فراگیری آن است مغز می تواند به خود آموزش دهد مانند اعمال اکتسابی خوردن ،نوشتن، نوشیدن ولی این ویژگیها را در کامپیوتر نمی توان دید کامپیوترها از برنامه های از پیش نوشته شده پیروی می کنند که گام به گام دستورات مشخصی را در کلیه مراحل عملیاتی به آنها میدهد وهر مرحله از کار باید به روشنی شرح داده شود و برنامه های آنها از هزاران خط تجاوز
می نماید و امکان اشتباه در آنها زیاد است و انساناین گونه عمل نمیکندمغز تقریباً دارای 1010 واحد پایه به نام نرون است، نرون عنصر اصلی پردازش مغز است و به تنهایی مانند یک واحد
پردازش منطقی عمل می کند وهر نرون با 104 نرون دیگر اتصال دارد.
نرونها دونوع هستند نرونهای داخلی که در فاصله 100میکرون بهم متصل اند و نرونهایی خارجی که قسمت های مختلف مغز را به یکدیگر و مغز را به ماهیچه ها و اعضای حسی را به مغز متصل می کنند هر نرون ورودیهای متعددی را پذیرا است که با یکدیگر به طریقی جمع می شوند وقتی میزان ورودیهای نرون از طریق دندریتها به حد کافی برسد نرون پالسی را در اکسون خود شلیک می کند و ارتباط ها بوسیله نقاط اتصال شیمیایی بنام سیناپس صورت می گیرد.
5
مدلی که از نرون می سازیم باید مشخصات زیر را داشته باشد: -1خروجی یک نرون اگر فعال است(یک)و اگر غیر فعال است(صفر) -3خروجی تنها به ورودی بستگی دارد. میزان ورودی ها باید به حدی برسد که خروجی نرون را فعال کند کارایی سیناپس ها در انتقال سیگنالهای ورودی به بدنه سلول را می توان با استفاده از ضریبی که در ورودی نرون ضرب می شود مدل سازی گردد حاصل جمع باید با مقدار آستانه نرون مقایسه می شود اگر حاصل جمع بزرگتر از مقدار آستانه باشد خروجی نرون یک و اگر کمتر باشد خروجی صفر می شود که در اینجانب مقدار
آستانه از تابع پلکانی یا هوی ساید2 استفاده می شود اگر خروجی را y بنامیم.
این یک مدل ساده از آنچه که در دنیای واقعی پیچیده وجود دارد است وبهتر است یک لایه از نرونها را مد نظرقرار داد تا خروجی های نرون های مورد نظر را تحت ورودی های معینی قابل مطالعه شود این مدل نرون در سال 1943 توسط مک کولو و پتیس پیشنهاد شده است
شکل2 جزئیات مدل نرون پایه
در سال 1962 فرانک روزن بلات3 نرونهای مدل را که بطریقی ساده به یکدیگر متصل اند را
پرسپترون4 نامید اتصال این نرونها به یکدیگر شبکه هایی ایجاد میکند که بتوانندکاری را انجام دهند ولی برای انجام کاری مفید باید آنها را آموزش دهیم. برای فراگیری شبکه باید زمانیکه مایلیم نرون فعال باشد ضرایب وزنی را افزایش داده و آنگاه که مایل هستیم نرون غیر فعال
باشدضرایب را کاهش دهیم یعنی بوسیله اضافه کردن مقدار ورودی ها به ضرایب در حالت فعال وکسر کردن مقدار ورودی ها از ضرایب هنگام غیر فعال بودن انجام می گیرد.
چون ابتداً ماانت یج مورد نظر را میدانیم و می دانیم به کدام قسمت ضرایب وزنی را تغییر دهیم. این فراگیری از طریق در دست داشتن نتیجه مطلوب راهنمایی می گردد به این نوع آموز» فراگیری با سرپرست«گفته می شود.
پرستپرون تک لایه ای با وجود سادگی مدل موفقیت آمیزی بوده است که ویژگیهایی را که از یک سیستم قابل آموزش می توان انتظار داشت را دارد و طبقات اشیا را در صورتی که جدایی پذیر خطی باشد از یکدیگر تفکیک می دهد که جهت رفع مشکل جدایی ناپذیری خطی در
1968 هارت5 و مک کلند6 طرح جدیدی از پروستپرون چند لایه ای اختراع کردنددرمدل جدید
پرستپرون بصورت لایه های منظم در آمدند که به آنها پروستپرون چند لایه(7(MLP اطلاق می شود(شکل(3 مدل جدید سه لایه دارد یک لایه ورودی یک لایه خارجی و یک لایه بین آنها که مستقیماً به داده های ورودی ونتایج خروجی متصل نیستند و آن را لایه پنهان می نامند لایه
