بخشی از مقاله
چکیده
پیشبینی یکی از قدیمیترین فعالیتهای مدیریت است. شناسایی ساختار یک فرآیند در پیشبینی، کنترل، تجزیه و تحلیل و ارزیابی آن امری حیاتی است. در اقتصاد کلان، تأثیر عواملی همچون سیاست، خطمشی شرکتها، شرایط اقتصادی، انتظار سرمایهگذاران در تغییرات بازار و نیاز به یک مدلسازی صحیح، سازمانیافته و دارای قدرت، صحت پیشبینی را به یک ضرورت اجتنابناپذیر بدل میکند.
در این بین، عملکرد روشهای سنتی پیشبینی از قبیل: سری زمانی و روشهای فنی آماری، در پیشبینی دقیق رفتار پویا در فرآیند با تردیدهایی مواجه گردیده و روشهای نوینی همانند روش شبکه عصبی مصنوعی1توانایی بالایی از خود نشان دادهاند. این مقاله با هدف بررسی مدلهای شبکه عصبی مصنوعی با رویکرد خاص به مدل 2 GMDHتأکیدی بر استفاده از این مدل در پیشبینیهای غیرخطی دارد که به عنوان یک ابزار مدیریتی قوی به مدیران، اقتصاد دانان، سهامداران و سرمایهگذاران در تصمیمسازی یاری میرساند.
.1 مقدمه
مغز انسان پیچیدهترین چیزی است که به دقت مطالعه شده اما در مجموع چندان شناخته شده نیست. به عنوان مثال هنوز جوابی به پرسشهای پایهای مربوط به مغز بشر مانند "اندیشه چیست؟" و "چگونه فکر میکنیم؟" داده نشده است. شاید یکی از بارزترین ویژگیهای مغز توان فراگیری آن باشد . مغز میتواند به خود آموزش دهد. یادگیری از طریق مثال، همان شیوهای است که توسط آن اطفال زبان را فرا میگیرند. ولی چنین تحولی در سیستمهای کامپیوتری متعارف مشاهده نمیشود.
پیشبینی یکی از تمایلات لایتناهی بشر نیز به عنوان یکی از عناصر کلیدی تصمیمگیریهای اقتصادی، پیشآمدهای آینده را با هدف کاهش ریسک تخمین میزند و این امر مدنظر آنانی است که به دنبال دستیابی به اهداف متعالی در جهان رقابتی، حداکثر کردن سرمایه، بیشینه نمودن بازده و اجرایراهبُردهای برد-برد در تجارت هستند . وجود خطای پیشبینی در بکارگیری مدلهای مختلف، طبیعی بوده و به طبع مدلی ارجح است که از میزان خطای پیشبینی کمتری برخوردار باشد. از این رو، یک مدل پیشبینی هوشمند و مناسب که باعث تخصیص بهینه منابع و در نتیجه، افزایش کارایی در این بازار شود را ضروری است.
امروزه همزمان با افزایش کارایی الگوریتم هوشمند در تحلیل دادهها، طبقهبندی و استخراج ویژگی و هم چنین شناسایی نظامها و الگوها، موارد استفاده این الگوریتمها در شاخههای مختلف علوم، به ویژه اقتصاد و مدیریت، رو به گسترش است. یکی از پرکاربردترین انواع الگوریتمهای هوشمند، شبکههای عصبی مصنوعی هستند. سیستمهای مبتنی بر شبکههای عصبی، به علّت دارا بودن خصوصیاتی مثل همگرایی سریع، پیادهسازی آسان الگوریتم، چه از لحاظ نرمافزاری و چه از لحاظ سختافزاری، کاربرد وسیعی دارند.[2]
با توجه به حساسیت انتخاب روش پیشبینی در حوزه مالی، به دنبال شبکه عصبی خود سازمانی هستیم که علاوه بر این که با هوشمندی بر رویدادهای ورودی از نظر کمی و کیفی آن، تصمیم سازی میکند، لایههای ناشناخته ارتباطی را نیز درست محک زده و از همین رو، صحت پیشبینی را با توجه به اعتبار نرونسازی در شبکه عصبی مصنوعی با متغیرهای استنتاجی، بالا میبرد. مدلGMDH روش ابتکاری خود سازمانی است که در استفاده از متغیرهای مؤثر و ارزشی، پیشبینی صحیحتری برای مدلهای پیچیده اقتصادی ارائه میکند. [5]
.2 مطالب اصلی
.1 .2 پیشبینی3
پیشبینی یکی از قدیمیترین فعالیتها در تجارت بوده است. در روزگاران قدیم نمونههایی از پیشگوییها و پیشبینیها وجود داشته است. به طور کلی، مدیری را میتوان موفق دانست که از قوه تجسم بالایی در تصمیمگیری و قضاوت برخوردار باشد. روشهای هوش مصنوعی، توانایی بالایی را در پیشبینی و ارائه عملکرد بهتر در مواجهه با مسائل غیرخطی و سایر مشکلات مدلسازیسریهای زمانی نشان دادهاند. » رحمان و بهتنگار، «1998 یک سیستم خبره را برای پیشبینی کوتاه مدت طراحی کردند؛ این درحالی است که چیو - Chew - 1997 - یک شبکه عصبی را در ترکیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد.[1]
هم چنین تحقیقات کانلن و جیمز - - Conlon & James 1998 نشان داد که میتوان بین مشخصات داراییهای اقتصادی و ارزش داراییهای تجاری در یک بازار خاص پیوند برقرار کرد و به مدل ارزشگذاری رسید که به پیشبینی کوتاه مدت نوسانات ارزشگذاری در استفاده از شبکههای عصبی میپردازد. روشهای پیشبینی میتوانندکاملاً ساده یا پیچیده، کوتاه مدت یا بلندمدت، کمی یا کیفی باشند - مدرس، . - 1380 از منظر دیگر پیشبینی متغیرها را به دو گروه طبقهبندی مینمایند.
[4] روشهای کلاسیک: قبل از وجود رایانهها و استفاده از آنها برای پیشبینی در حوزههای مالی، کار پیشبینی با روشهای دیگری انجام میشده است. این روشها عبارتند از: تجزیه و تحلیل تکنیکی، تحلیل اساسی و تحلیل تصادفی.
روشهای مدرن: متخصصین سیستمهای غیرخطی، سعی در توضیح رفتار بازارهای مالی و پیشبینی آن از طریق روشهای پیشرفته غیرخطی کردهاند. این روشها عبارتند از: نظریه آشوب و روشهای هوش مصنوعی. [6] از آن جایی که پیشبینیهای بازارهای مالی، از جمله بانکها از نوع کمی بوده و اساس پویا، غیرخطی، پیچیده و غیرمتریک است و از مدل بینظمی در طبیعت تبعیت میکند.
از همین رو، برای پیشبینی آن با روشها و متدهای متداول مانند: سری زمانی و رگرسیون، به سختی میتوان به پاسخ صحیح دست یافت. در اینگونه مسائل مدلهای شبیهسازی،4 دادهکاوی،5 سیستمهای خبره6 و روش شبکههای عصبی برای رفتارهای ناشناخته متغیرهای دارای نوسان بالا، ایدهآل به نظر میرسد. مدل GMDH از نوع شبکه عصبی، دارای توانایی منحصربهفرد در یافتن مدلهای چندگانه بهینه برای دادههای پارامتریک و غیرپارامتریک است. [1]
.2 .2 شبکه عصبی مصنوعی
کامپیوترها معمولاً از برنامههای از پیش نوشته شدهای پیروی میکنند که قدم به قدم دستورات مشخصی را در کلیه مراحل عملیاتی به آن میدهند. هر مرحله از کار باید به وضوح شرح داده شود. روشن است که انسان اینگونه عمل نمیکند. شاید مسئله این است که کامپیوترها بعضی کارها را که ما در مدت زمان قابلملاحظهای انجام میدهیم، مثل جمع کردن اعداد را در کمترین زمان انجام میدهند و این انتظار از آنها میرود که در سایر زمینهها نیز چنین عمل کنند. اما در عمل چنین اتفاقی نمیافتد . به عنوان مثال مشاهده میشود که کامپیوترها در انجام کارهای بسیار ساده در زمینه دیدن نیز درماندهاند.
آنها ممکن است بتوانند اشیاء ساده را تمیز دهند، لیکن کنترل کردن یک دست کامپیوتری برای برداشتن آن شیء یا عملی مشابه آن به فنون بسیار پیچیدهای نیازمند است. به همین علت وقتی انتظارات ما را برآورده نمیسازند مأیوس میشویم. این در واقع هدفی است که دستاندرکاران هوش مصنوعی دنبال میکنند. اما هنوز با وجود تلاشهای بسیار زیاد از دهه چهل میلادی تاکنون به طور کامل به آن دست نیافتهاند.
در راه رسیدن به این هدف حلقه مفقوده کشف ساختار مغز انسان و شیوه تفکر و به طور مشخص یادگیری آن است.[2] شبکههای عصبی مصنوعی نوعی مدلسازی سادهانگارانه از نظامهای عصبی واقعی هستند که کاربرد فراوانی در حل مسائل مختلف علوم دارند. حوزه کاربرد این شبکهها شامل طبقهبندی، درونیابی، برآورد، آشکارسازی و ... است.[3]
.1 .2 .2 ساختار مغز
شناخت ابتدایی در رابطه با مغز بر اساس مطالعات نشان داده است که مغز تقریباً دارای 1011 واحد پایه به نام نرون7 است و هر نرون تقریباً به 104 نرون دیگر اتصال دارد. نرون عنصر اصلی مغز است و به تنهایی مانند یک واحد پردازش منطقی عمل میکند. همانطور که در شکل 1 نشان می دهد، هر نرون ورودیهای متعددی را پذیرا است که با یکدیگر به طریقی جمع میشوند.
اگر در یک لحظه تعداد ورودیهای فعال به حد کفایت برسد نرون نیز فعال شده و آتش میکند. در غیر این صورت نرون به صورت غیرفعال و آرام باقی میماند. به بدنه اصلی رشته نامنظم و طولانی متصل است که به آن دندریت8 گفته میشود. قطر این رشته اغلب از یک میکرون تجاوز نمیکند. دندریتها نقش اتصالاتی دارند که ورودیها را به نرونها میرسانند. یکی از عناصر عصبی متصل به هسته نرون آکسون9است. این مطالب در شکل2 نشان داده شده است. این عنصر بر خلاف دندریت از نظر الکتریکی فعال است و به عنوان خروجی نرون عمل میکند.[2]
