بخشی از مقاله
چکیده
اصولاً از مهمترین اهداف تجزیه و تحلیلهای اقتصادی, تشخیص و پیشبینی صحیح و دقیق متغیرها است که میتواند مدیران را در جهت اتخاذ تصمیمات صحیح کمک و یاری نماید. تشخیص و تجزیه و تحلیل فاکتورهای مؤثر در بازارهای مالی از مهمترین راهکارهای موجود در زمینه کنترل و پیشبینی رفتار بازار میباشندامّا. تشخیص فاکتورهای مؤثر در دنیای واقع و بویژه در بازارهای مالی کار چندان سادهای نیست. چراکه بر اساس نظر محققان، اکثر سیستمهای دنیای واقع بویژه سیستمهای مالی غیرخطی بوده و لذا روشهای خطی سنتی قادر به تشخیص روابط و همبستگیهای غیرخطی موجود در آنها نمیباشند.
شبکههای عصبی مصنوعی - - ANNs از جمله کارآمدترین روشهای حال حاضر جهان به منظور کشف روابط موجود در دادهها بوده و پیشرفتهای عظیمی نیز در ارتقاء کیفیت تصمیمات مالی بوجود آوردهاند. شبکههای عصبی خودسازمانده - SOM - بی شک از قدرتمندترین شبکههای موجود جهت دادهکاوی و تحلیل غیرخطی فضاهای پیچیده میباشند.
در این مقاله ابتداعاً بکارگیری شبکههای خودسازمانده کوهنن به منظور تعیین فاکتورهای مؤثر در بازارهای مالی تشریح شده و سپس در تجزیه و تحلیل فاکتورهای مؤثر بر قیمت محصولات فولادی در بازار فلزات صنعتی بکارگرفته شدهاند. نتایج حاصله از بکارگیری شبکههای خودسازمانده بیانگر وجود ده دسته متغیر مؤثر بر قیمت محصولات فولادی بوده است که بر اساس میزان تأثیر، طبقهبندی و رتبهبندی شدهاند.
-1 مقدمه
یکی از واژههایی که در عصر جهانی شدن شدیداً مطرح شده و کاربردهای کلیدی نیز پیداکرده، توان رقابتی است. توان رقابتی فرایندی است که هر شرکت و نهادی میکوشد تا بواسطه آن از دیگران بهتر عمل کرده و از آنان پیشی بگیرد و بطور کلی به توصیفی از توان اقتصادی و یا موقییت شرکتها، در مقایسه با سایر رقبایشان اطلاق میگردد.[1] هر شرکت برای حفظ سهم بازار و موقییت رقابتی خود همواره باید عملکردی بهتر نسبت به سایر رقبای خود داشته باشد تا بدینوسیله بتواند توان اقتصادی و سهم بازار خود را حفظ و یا آنرا نسبت به دیگر رقبا افزایش دهد. حال رسیدن به این مهم شامل دو جزء اساسی است.
-1 سرمایهگذاری -2 بهرهوری
هیچ شرکتی بدون سرمایهگذاری مناسب نمیتواند موفق باشد، چراکه خلق ثروت نیازمند یکسری زیرساختهای بهرهور به عنوان بستر رشد اقتصادی است. قدم بعدی بهرهوریست که نشاندهنده میزان کارایی در تولید کالا و ارائه خدمات میباشد. مهمتر ین ابزار برای دستیابی به موفقییت در بازار و نیل به سودآوری و خلق ثروت تدوین استراتژیهاست. طبق نظرکارشناسان و متخصصان راهکارهای متعددی وجود دارد که مبنای تدوین استراتژیهاییست که جهت ایجاد مزیت رقابتی در تقابل با دیگر رقبا به کارگرفته میشود که از جمله مهمترین آنها افزایش توان تشخیص و پیشبینی مسائل مربوطه و متغیرهای مؤثر و اساسی است.
شبکههای عصبی مصنوعی - - ANNs از جمله مهمترین و کارآمدترین روشهای حال حاضر جهان به منظور تشخیص و پیشبینی بوده و پیشرفتهای عظیمی نیز در ارتقاء کیفیت تصمیمات مالی بوجود آوردهاند. شبکههای عصبی خودسازمانده [2] از جمله مهمترین و قددرتمندترین شبکههای موجود جهت دادهکاوی و تحلیل فضاهای پیچیده میباشند. اینگونه از شبکهها برای اولین بار توسط کوهنن[3] در سال 1981 و با الگو برداری از عصب شبکیه چشم معرفی گردیند و برای نخستین بار در سال 1984 برای تشخیص صدا و تبدیل آن به متن، بطور عملی مورد استفاده قرارگرفتند.
اساس فلسفه شبکههای خودسازمانده، نگاشت فضاهای با تعداد ابعاد بالا به فضایی دو یا سه بعدی است، بگونهای که حداقل اطلاعات از بین رفته و اطلاعات نهفته در ارتباط با میان دادهها نیز قابل کشف و نمایش باشند. این روش توانایی نمایش همبستگی بین دادهها و اطلاعات و اثرات متقابل و همزمان آنها بر یکدیگر را دارد. این تواناییها با نگاشت ارتباطات غیرخطی میان اطلاعات با استفاده از یک واسط هندسی بر روی یک شبکه دو یا سه بعدی از نرونها حاصل میگردد.
یک شبکه دو بعدی از نرونها اصطلاحاً یک نقشه از نرونها نامیده میشوند. هر نقشه متشکل از مجموعهای از نرون هاست که بطور قاعدهمندی کنار هم چیده شده و ساختار شبکه را بگونهای که نرونهای شبیهتر کنار یکدیگر قرارگیرند، شکل دادهاند.
نگاشتهای خودسازمانده کاربردهای فراوانی در زمینههای مختلف علوم همچون مهندسی[5]، پزشکی[6] و غیره داشته که مهمترین آنها استخراج دادهها و تحلیل فضاهای پیچیده میباشد.[7] یامادا با استفاده از شبکههای خودسازمانده محیطهای مختلف را بر اساس ترتیب کارها تشخیص و تقسیمبندی نموده است.
آبونی با تجزیه و تحلیل فرایندها، کیفیت تولیدات را با استفاده از شبکههای خودسازمانده برآورد کرده است.[9] کییت نیز با بکارگیری نگاشتهای خودسازمانده صفحات وب را طبقهبندی نموده است
از سایر اقدامات از این دست میتوان به مقاله یوو در مورد تقسیمبندی تصاویر رنگی[11]، مقاله بونیفیکا در مورد انتخاب پروسسورها[12] و مقاله بونادیو در مورد مقیاسگذاری گرافهای چندبعدی[13] و غیره اشاره نمود.
در بازارها و محیطهای مالی نیز اقدامات فراوانی در این زمینه انجام شده است. شانمیوگاناتان محیطها و سیستمهای اقتصادی را با استفاده از نگاشتهای خودسازمانده مدلسازی نموده است.
ملودی مسئله تشخیص و تقسیمبندی بازارهای مالی را با استفاده از نگاشتهای خودسازمانده مورد بررسی قرار داده است.[17] لنداس نیز میزان الکتریسته مصرفی را با استفاده از نگاشتهای خودسازمانده پیشبینی نموده است.
از سایر اقدامات انجام شده در این زمینه و بخصوص در زمینه پیشبینی میتوان به مقاله موشیو در مورد پیشبینی فرایندها و پروسه ها[19] و مقاله هان در مورد پیشبینی با استفاده از منحنیهای اصلی و نگاشتهای خودسازمانده اشاره نمود
سایر قسمتهای این مقاله بدین صورت میباشند: در بخش دوم شبکههای عصبی خودسازمانده شرح داده شدهاند. در بخش سوم بکارگیری نگاشتهای خودسازمانده به منظور نمایش و تحلیل فضاهای چندبعدی و تشخیص روابط غیرخطی مورد بررسی قرارگرفتهاند. در بخش چهارم با استفاده از نگاشتهای خودسازمانده عوامل مؤثر بر قیمت محصولات فولادی شرکت ذوب آهن اصفهان - - ESC در بورس فلزات تهران - - TME تشخیص، طبقهبندی و رتبهبندی شدهاند. در بخش پنجم نتایج حاصله مورد تجزیه و تحلیل قرارگرفتهاند و در نهایت نیز نتیجهگیری آورده شده است.
-2 نگاشتهای خودسازمانده - - SOM
نگاشتهای خودسازمانده کلاس خاصی از شبکهای عصبی مصنوعی هستند که غالباً به منظور تحلیل فضاهای پیچیده دادهها مورد استفاده قرار میگیرند.[21] اساس عملکرد اینگونه از شبکهها تبدیل یک فضای ورودی با بعد دلخواه به یک فضا با بعد کمتر و غالباً یک نگاشت دوبعدی گسسته میباشد. به همین دلیل است که اینگونه از شبکهها را به عنوان یک ابزار کاهشدهنده بعد محسوب مینمایند.
هدف نهایی از استفاده از نگاشتهای خودسازمانده نیز حصول همین مدل ساده از دادههای اولیه به منظور کاهش محاسبات و پیچیدگیهای موجود در زمینه تجزیه و تحلیل دادهها میباشد. نگاشتهای خودسازمانده کاربردهای فراوانی در زمینههای مختلف علوم داشته که مهمترین آنها استخراج دادهها و تحلیل فضاهای پیچیده میباشد.
از سایر کاربردهای اینگونه از شبکهها میتوان به خوشهبندی[22]،تشخیص الگو[23]،آنالیز تصاویر و اصوات[24] و تشخیص خطا[25] اشاره نمود. نگاشتهای خودسازمانده نوع خاصی از شبکههای کوهنن میباشند. کوهنن مقالات و کتابهای بسیاری در مورد سیستمهای خودسازمانده به رشته تحریر درآورده است که نگاشتهای خودسازمانده تنها گوشهای از مطالعات وسیع وی میباشند.
-1-2 توپولوژی نگاشتهای خودسازمانده
نگاشتهای خودسازمانده در حالت کلی یک ساختار دو لایه با یک لایه ورودی و یک لایه خروجی دارند. نرونهای لایه ورودی وظیفه انتقال دادهها به شبکه را برعهده داشته و در حالت کلی تعداد آنها با بعد بردارها در فضای ورودی برابر است. لایه خروجی نیز شامل مجموعهای از نرونها است که معمولاً در یک صفحه مسطح کنار یکدیگر چیده شدهاند. این نرونهای لایه خروجی با توجه به روابط همسایگی مشخصی که فیمابین آنها تعریف شده و رفتار متقابل روی همدیگر، خروجی شبکه را ایجاد مینمایند.[26] تعداد نرونهای موجود در لایه خروجی به مسئله مورد مطالعه وابسته بوده و توسط کاربر مشخص میگردد. ساختار یک نگاشت خودسازمانده - 4×5 - در شکل - - 1 نمایش داده شده است.
شکل - : - 1 ساختار یک نگاشت خودسازمانده . - 4×5 -
نرونهای ورودی به وسیله وزنهای اتصالی به تمامی نرونهای لایه خروجی متصل میباشند. هر یک از واحدهای خروجی که بردارهای مرجع نیز نامیده میشوند، توسط مختصات آنها در صفحه خروجی وزندهی میگردند. سپس با ارائه الگوهای آموزشی به شبکه، وزن نرونها که مبین مختصات آنها در صفحه خروجی میباشند، طبق الگوریتم آموزشی که در قسمتهای بعدی توضیح داده خواهد شد، تغییر خواهند کرد. اساس تغییر در اوزان جستجوی نرونی با بیشترین شباهت به الگوی ورودی - نرون برنده - و حرکت نرون مذکور و جمعی از همسایگانش به سوی الگوی ورودی میباشد. نتیجه نهایی تغییر اوزان فشردهسازی اطلاعات و تعیین فضای مورد نظر میباشد.
