بخشی از مقاله
چکیده
گسترش روز افزون کاربرد رایانه ها در تمامی عرصه های دانش بشری و از جمله مدیریت مالی، زمینه تازه ای از کاربرد فناوری جدید را پدید آورده است، شبکه عصبی مصنوعی یکی از آخرین دستاوردهای پیشرفت سریع است. در واقع یک شبکه عصبی مصنوعی ایده ایست برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد.
در این مقاله ابتدا نحوه عملکرد و انواع مدلهای مورد استفاده شبکه عصبی در مباحث مالی اشاره می شود. در ادامه موارد استفاده شبکه عصبی مصنوعی در مدیریت مالی که من جمله پیش بینی قیمت سهام، پیش بینی سود، پیش بینی ورشکستگی، ارزشیابی خطر وام دهی، مدیریت پرتفوی و اوراق بهادار می باشد ذکر می شوند و سپس به کاربرد شبکه های عصبی مصنوعی در سایر حوزه های مالی اشاره می گردد. در آخر هم پیشنهادات و نتیجه گیری بیان می شوند.
مقدمه:
توجه به کاربرد تکنیکهای هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای درحال افزایش است. درچند دهه گذشته عناوین شبکه های عصبی، الگوریتم ژنتیک و منطق فازی از موضوعاتی بوده اند که توجه بسیاری از دانشگاهیان رابه خود جلب کرده است. هوش مصنوعی علاوه بر کاربردهایی که در زمینه های مختلف دارد مدتهاست که جایگاه خود را در حسابداری و امور مالی نیز پیدا کرده است
از شبکه های عصبی مصنوعی برای طبق بندی اطلاعات، مدل سازی، پیش بینی و پردازش علائم استفاده می شود و قادرند روابط بین متغیرها را هرچند پیچیده و غیر خطی کشف کنند
شبکه های عصبی مصنوعی می توانند با اقتباس از فرآیند یادگیری مغز انسان، روابط بین متغیرها را هرچند پیچیده و غیر خطی کشف کنند. از کاربردهای مهم این روش، پیش بینی و بهنه سازی تصمیم گیری ها در بازارهای مالی است که به تصمیم گیرنده این امکان را می دهد تا به منظور حداکثر نمودن بازده و حداقل نمودن خطر سرمایه گذاری در شرایط مبهم از آن استفاده کند
هوش مصنوعی نشان دهنده پیشرفته ترین کاربرد کامپیوتر تا به امروز بوده که تلاش می کند تا بعضی انواع منطق انسانی را تقلید کند. در حوزه مدیریت مالی و سرمایه گذاری بعد از کاربردهای گسترده کامپیوتر و بسته های نرم افزاری، تحولی به مراتب عمیق تر در این زمینه صورت گرفت و آن به کارگیری هوش مصنوعی در تحلیل وضعیت مالی شرکتها و تصمیم گیری های مالی می باشد
امروزه شاهد شتاب در امور مالی و بازارهای مالی جهانی هستیم، جهت حفظ سرعت لازم در رویارویی با این شتاب بررسی تکنولوژی جدید هوش مصنوعی و کاربردهای آن ضرورت می یابد. در این مقاله به دنبال آشنایی با مدل شبکه عصبی مصنوعی و ارائه کاربردهای شبکه عصبی مصنوعی در مدیریت مالی می باشیم.
آشنایی با شبکه عصبی مصنوعی:
شبکه عصبی مصنوعی1 که به اختصار شبکه عصبی نامیده می شود، روش ریاضی است که قصد دارد با استفاده از شبیه سازی ساختار نرون های مغز انسان، اطلاعات را تجزیه و تحلیل کند و برای پیش بینی یا طبقه بندی مورد استفاده قرار دهد
در این مقاله تنها به معرفی تکنیک هایی پرداخته می شود که با توجه به ویژگی های منحصر به فردشان به میزان بیشتری در حوزه مباحث مالی کاربرد داشته و تحقیقات مالی زیادی بر روی آنها صورت گرفته، انواع شبکه عصبی مصنوعی عبارتند از:
- 1 پرسپترون: جوابها را کد می کند و خروجی از ورودی بدون هیچگونه فیدبکی محاسبه می گردد که به صورت یک یا چند لایه هستند.
- 2 همینگ: به پاسخ مناسب منتهی شده و همواره به یکی از الگوهای مرجع همگرا می شود و الگویی را که بیشترین تشابه را با ورودی مرجع دارد انتخاب می کند - به نوعی بهترین جواب ممکن را می دهد -
- 3 هاپفیلد: به الگویی همگرا می شود که ممکن است جزو الگوهای ذخیره شده نباشد
آشنایی با مدل پرسپترون چند لایه:
در حوزه مالی با توجه به تحقیقات صورت گرفته اکثرا بر اساس این مدل عمل می شود به همین دلیل با این مدل بیشتر آشنا می شویم؛ شبکه های عصبی پیش خور گره ها در لایه های متوالی قرار گرفته اند و ارتباط آنها یک طرفه است و زمانی که یک الگوی ورودی به شبکه اعمال می شود، اولین لایه مقادیر خروجی اش را محاسبه کرده و در اختیار لایه بعدی قرار می دهد لایه بعدی مقادیر را به عنوان ورودی دریافت کرده و مقادیر خروجی اش را به لایه بعدی منتقل می کند. هر گره به گره های لایه بعدی سیگنال منتقل می کند شبکه های پرسپترون چند لایه2 جزو این نوع شبکه ها هستند. شبکه های تک لایه از این مشکل اساسی برخوردارند که تنها توانایی حل آن دسته از مسایل طبقه بندی را دارند که به طور خطی از هم مستقلند. به طور کلی شبکه های عصبی پرسپترون چند لایه دارای مشخصات زیر هستند:
- 1 این شبکه ها دارای سه لایه به نام های لایه ورودی، لایه میانی - پنهان - و لایه خروجی هستند.
- 2 در این شبکه ها نرون های هر لایه به نرون های لایه بعد از خود سیگنال می فرستند. گره ها توسط اتصالاتی به یکدیگر متصل بوده و هر اتصال دارای وزن قابل تغییر مخصوص به خود است. گره ها در لایه های موازی چیده می شوند و گره های هر لایه فقط به گره های دو طرف خود وصل می شوند. نخستین لایه را لایه ورودی و آخرین لایه را لایه خروجی می نامند.
- 3 هر نرون یا گره مانند پردازش گر عمل می کند یعنی از راه اتصالات، اطلاعات را از لایه قبل از خود دریافت می دارد و برروی آن پردازش انجام می دهد و نتیجه را از راه اتصالات خروجی به لایه بعد از خود می فرستد، اما از آنجایی که همه گره ها می توانند هم زمان عمل کنند پس یک سیستم موازی تشکیل می دهند.
