دانشمندان و محققان در دهه آخر قرن بیست عمدتا به این اصل معتقد شدند که فرض منطقی بودن سرمایه گذاری که اصل غیر قابل اغماض در سرمایه گذاری مدرن مالی و یکی از مفروضات اصلی در بازار کارا است، با توجه به عوامل پیچیده ای که در بازارهای سهام دخیل هستند، واقعی نیست.
اعتبار هدیه بگیرید و مشارکت کنید
با اعتبار هدیه، از خدمات ویژه استفاده کنید
در بازارکار حسابداری و مالی بدرخشید
خدمات مالی و حسابداری خود را معرفی کنید
آنها به نتیجه رسیدند که بازار سرمایه دارای نظم مشخصی نیست و استفاده از ریاضیات پیچیده در سیستم های غیرخطی و پویا می تواند مدل هایی را ایجاد کند که نظریه های گذشته را باطل کند. در سال های اخیر فعالیت هایی در جهت پیش بینی قیمت در بورس اوراق بهادار در کشورهای مختلف با استفاده از تکنیک های هوش مصنوعی که شامل شبکه های عصبی، منطق فازی و الگوریتم ژنتیک است، انجام شد و به نتایج موفق آمیز در این ضمینه دست یافتند. اولین بار وایت از شبکه های عصبی برای پیش بینی در بازار بورس استفاده کرد. او به دنبال این پرسش بود که آیا شبکه های عصبی قادرند قواعد غیرخطی در سری های زمانی و قواعد ناشناخته در حرکات قیمت دارایی ها و تغییرات قیمت سهام را شناسایی کنند؟
1-2-3 فناوری شبکه عصبی شبکه های عصبی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحدهای پردازشی (نورون) مرتبط با شبکه ها تشکیل شده اند. سلول عصبی بیولوژیکی یا نورون، واحد سازنده سیستم عصبی در انسان است. یک نورون از بخشهای اصلی زیر تشکیل شده است: 1) بدنه سلولی که هسته در آن است و سایر قسمتهای سلولی از آن منشأ گرفته است. 2) هسته 3) آکسون که وظیفه آن انتقال اطلاعات از سلول عصبی است. 4) دندریت که وظیفه آن انتقال اطلاعات از سلول های دیگر به سلول عصبی است یک سیستم شبکه عصبی از تکنیکهای مورد استفاده انسان در یادگیری از طریق استناد به مثالهایی از حل مسائل استفاده میکند.
مفاهیم شبکه ی عصبی مصنوعی اعصاب مصنوعی: عصب مصنوعی مدلی است که اجزاء آن شباهت مستقیمی به اجزاء عصب واقعی دارد. این مدل را اولین بار مک کلولو و پیتز مطرح کردند. نگاره ی 1 نمایی از یک عصب مصنوعی است. علایم ورودی که با x0، xn, . .. ,x2 ,x1 ,مشخص شده اند، متغیرهای پیوسته هستند. هر یک از این مقادیر ورودی تحت تأثیر وزن خاصی قرار میگیرند .این عناصر پردازشگر )عصب( از دو قسمت تشکیل شده اند. قسمت اول ورودی های وز ن دار را با هم جمع میکند و کمیتی به نام Iرا به دست می آورد؛ قسمت دوم یک صافی غیر خطی است که معمولاً تابع فعال سازی نامیده میشود که از طریق آن خروجی مشخص میشود. برای مثال برای پیش بینی قیمت سهام می توان از شبکه ی عصبی مصنوعی استفاده کرد که در این صورت هر عامل تاثیرگذار بر قیمت را می توان به عنوان ورودی این شبکه در نظر گرفت. از جمله عاملهای تاثیرگذار که به عنوان متغیر پیوسته )چون مقادیر مختلفی را در بین شرکت های مختلف در یک بازه ی زمانی دارند( در نظر گرفته می شوند، عبارتند از: بازده ی گذشته سهام، قیمت گذشته سهام، قیمت سکه، قیمت هر بشکه نفت خام و ... . در این حالت وزن هایی که شبکه برای هر ورودی در نظر گرفته در حقیقت میزان تاثیر آن عامل را در قیمت آتی )قیمتی که براورد می شود( نشان می دهد.
انواع توابع فعال سازی
در زیر چند تابع فعالسازی ممکن] نشان داده شده است. تابع فعال سازی می تواند یک تابع آستانه ای باشد که فقط زمانی اطلاعات را عبور می دهد که خروجی I که مربوط به قسمت اول عصب مصنوعی است از مقدار آستانه ای T تجاوز کند. همچنین این تابع می تواند مانند یک تابع علامت باشد که وقتی خروجی کمتر از مقدار آستانه ی T باشد اطلاعات منفی بفرستد. وقتی خروجی بیش تراز مقدار آستانه ای T باشد اطلاعات مثبت بفرستد. در اغلب موارد، تابع فعال سازی یک تابع پیوسته است که تابع Sمانند یا تابع سیگموئید نام دارد.
پراستفاده ترین تابع فعال سازی، تابع لجستیک است که یکی از انواع توابع فعال سازی S مانند است و بین دو مجانب افقی صفر و یک قرار دارد. αضریبی است که در تغییرات تابع بین دو مقدار مجانب، شیب تابع را مشخص می کند. علت این که از توابع غیر خطی در عصب مصنوعی استفاده می شود این است که بتوانیم پدیده های غیر خطی را مدل سازی کنیم.
شبکه عصبی مصنوعی
سیستم پردازش داده هایی که از تعداد زیادی عناصر پردازشگر ساده و بسیار مرتبط باهم تشکیل شده است شبکه عصبی مصنوعی است. شبکه عصبی مصنوعی به عنوان یکی از روش های هوش مصنوعی به دنبال تقلید از عملکرد مغز انسان است. یک شبکه عصبی مصنوعی همان طور که در نگاره ی 2 نشان داده شده است از تعداد زیادی گره و پاره خطهای جهتدار که گره ها را به هم ارتباط می دهد تشکیل شده است. گره ها که در لایه ی ورودی هستند گره های حسی و گره های لایه ی خروجی، گره های پاسخ دهنده نامیده میشوند. بین نرو نهای ورودی و خروجی نیز نرو نهای پنهان قرار دارند. لایه ورودی یک لایه عصبی محاسباتی نیست زیرا گره های آن نه وزن ورودی دارند و نه تابع فعال سازی.
یادگیری شبکه
یکی از مهمترین ویژگیهای شبکه عصبی مصنوعی که عملکرد آن را به انسان نزدیکتر میکند، قدرت یادگیری است. شبکه های عصبی برای یادگیری به جای دنبال کردن مجموعه ای از قواعد تعریف شده توسط انسان متخصص، از قواعد مبنایی(مانند روابط ورودی خروجی) استفاده می کنند. این، یکی از مهم ترین مزایای شبکه عصبی نسبت به سیستمهای خبره سنتی است. شبکه های عصبی مصنوعی در یادگیری، برخلاف رو شهای آماری سنتی، پیش فرضی در مورد ویژگیهای توزیع داده و مستقل بودن متغیرهای ورودی در نظر نمی گیرند. الگوریتم یادگیری پس انتشار: روش پس انتشار را میتوان برای شبکه های عصبی با هر تعداد لایه میانی به کار برد. هدف یادگیری این است که وزن ها به گونه ای تعدیل شوند که با ارائه ی مجموع های از ورودیها، خروجیهای مطلوب به دست آیند. برای این کار معمولاً شبکه با تعداد زیادی از زوجهای ورودی خروجی که مثال نامیده می شوند، آموزش داده می شوند. روش آموزش به شرح زیر است: 1) انتخاب وزن ها به صورت اعداد تصادفی کوچک )هم منفی و هم مثبت ( . 2) یک زوج ورودی - خروجی آموزشی از مجموعه ی آموزشی انتخاب کنید، 3) بردار ورودی را وارد کنید و خروجی شبکه را محاسبه کنید. 4) میزان خطا )تفاوت خروجی شبکه و خروجی مطلوب( را محاسبه کنید، 5) وزن های شبکه را به گونه ای تعدیل کنید که خطا حداقل شود، 6) گام های 2 تا 5 را برای هر یک از زوج های آموزشی موجود در مجموعه ی آموزش تکرار کنید تا آن جا که خطا تا حد قابل قبولی کم شود.
در سالهای اخیر شبکه های عصبی در پیش بینی قیمت سهام، جایگاه ویژه ایی پیدا کرده است و تحقیقات زیادی بر روی کاربردهای شبکه های عصبی در حل مسائل اقتصادی انجام شده است. پیشبینی به وسیله سریهای زمانی، به خصوص در اقتصاد، بیش از یک دهه است که مورد توجه میباشد. شبکهء عصبی مصنوعی (Ann) یک روش یادگیری منعطف برای تخمین سریهای زمانی است.
هرچند که چندین درجه موفقیت در تعداد زیادی از مقاله ها تاکنون گزارش شده است، ولی Ann هنوز میتواند اغفال کننده و مانند یک جعبه سیاه برای حرفه ای های اقتصاد باشد، به همین دلیل این اشخاص این ابزار را هنوز آن قدر قابل اطمینان نمیدانند تا ریسک خود را برای سرمایههای کلان، به وسیله آن مدیریت کنند. انگیزههای متعددی برای تلاش در زمینه پیشبینی قیمتهای بازار سهام وجود دارد. اصلیترین آنها رسیدن به «سود اقتصادی» بیشتر است. سیستمی که بتواند به صورت پیوسته برندهها و بازندهها را در بازار پویا انتخاب کند، میتواند صاحبش را بسیار ثروتمند کند. بنابراین، افراد زیادی از قبیل محققان، سرمایهگذاران حرفهای و عادی به طور پیوسته سیستم را جستوجو میکنند تا سود کلانی به دست آورند.
انگیزه دومی نیز در تحقیقات و روابط اقتصادی مطرح میشود. این موضوع در فرضیهء بازار ( EMH ) مطرح شده است که بازارها در فرصتهایی از نظر سوددهی کارآ هستند که موقعیتهای موجود به سرعت کشف شوند. EMH به صورت مؤثری بیان میکند که هیچ سیستمی به صورت پیوسته نمیتواند بازار را شکست دهد زیرا اگر این سیستم عمومی شود، هر کسی آن را به کار خواهد برد. بنابراین پتانسیل سودآوری خود را انکار خواهد کرد. مناظره های زیادی راجع به اعتبار EMH وجود دارد، تعدادی از محققان تلاش کردهاند تا با شبکههای عصبی ادعاهایشان را مورد ارزیابی قرار دهند.
شبکههای عصبی برای پیشبینی قیمت سهام به کار برده میشوند، زیرا قادرند نگاشتهای غیرخطی بین ورودیها و خروجیها را یاد بگیرند. برعکس EMH تعداد زیادی از محققان مدعی هستند بازار بورس و سیستمهای پیچیده دیگر «هرج و مرج» را نمایش میدهند. «هرج و مرج» یک پروسهء معین غیرخطی است که فقط به صورت تصادفی ظاهر میشود زیرا نمیتواند به راحتی فهمیده شود. با توانایی شبکههای عصبی در یادگیری سیستمهای غیرخطی و بینظم، این احتمال وجود دارد که از تحلیلهای سنتی و متدهای دیگری که بر مبنای کامپیوتر هستند، بهتر عمل کنند.
به کمک مدل شبکههای عصبی میتوان ارزش سهام و داراییهایی را که میخواهیم خریداری کنیم، برآورد کنیم. در این مورد باید فرایند ارزشیابی انسانی را شبیهسازی کنیم، و در شبکه عصبی مصنوعی این مهم ممکن است. اکنون در کشورهای غربی از مدلهای شبکه عصبی برای تعیین شرکتهایی که موضوع قبضه مالکیت قرار گیرند، استفاده میشود. ضوابطی که مدل بر آن اساس «شرکت هدف» را انتخاب میکند، ساده و مثلاً محدود به محاسبه ارزش فعلی یا ارزش خالص داراییها نیست. سیستم آموزش داده میشود که از شهود کارشناس انسانی تقلید کند، بدون اینکه مجبور باشد از قواعد تعریف شده یا منطق برنامهریزی شده در این فرایند استفاده کند.
چنین سیستمی احتمالاً اجازه خواهد داد که تعداد زیادی از قیمت سهام شرکتها را کنترل کنیم تا مطمئن شویم که زیر قیمت هستند یا نه. از آنجا که این مدل به قواعد از قبل برنامهریزی شده متکی نیست، پایه دانش ثابتی ندارد، و به راحتی میتوان آن را برای تقلید از فنون ارزشیابی تصمیمگیرندگان انسانی آماده کرد. سیستم بهطور خودکار نسبت به تغییرات در رویههای عملی تحلیلی و ضوابط انتخاب تصمیمگیرندگان در طول زمان. خود را سازگار میکند. در ایران هم چند مؤسسه در پی آناند که قیمتگذاری سهام و پیشبینی روند آتی قیمتها را با استفاده از هوش مصنوعی، و مهندسان الکترونیک، و کارشناسان کامپیوتر دست در دست یکدیگر کار کنند.
بهنظر میرسد که در این فرایند، جستجو برای روابط علی دیگر اهمیت خود را از دست داده است. اینکه مثلاً فیشر گفته است که نرخ بهره و نرخ تورم با هم رابطه دارد، مشاهده میکنیم نظریهپردازی چون مارکویتز برنده جایزه نوبل نیز باید همچون نوجوانی پشت کامپیوتر بنشیند، و بازار سرمایه را شبیهسازی کند. آنچه اهمیت دارد این است که حرکت و رابطه مجموعهای متغیرها را با مجموعهای دیگر دریابیم. برای این کار، مدل شبکه مصنوعی به کرات از مغز فراتر میرود که در یک آن نمیتواند همه چیز را با هم ببیند. این مدلها در ضمن مبتنی بر پایگاههای اطلاعاتی عمدهاند؛ یعنی طراحی مدلهای خوب گران است. از اینرو، صاحبان این مدلها آنها را عرضه نمیکنند، بلکه جزو داراییهایشان در ترازنامه انعکاس میدهند.
پس، این خطر جدی وجود دارد که آن مدلهای چارهسازی که در صنعت به کار میرود، مدتها طول بکشد تا به دانشگاه برسد. آن مدل شبکه عصبیای که قیمت سهام را پیشبینی میکند و چندین صد هزار دلار و یا چندین میلیون تومان خرج طراحی آن شده است، اگر هم روابط نظری جدیدی را نشان بدهد، به این سادگیها در معرض نقد و نظر دانشگاه و محیطهای پژوهشی قرار نمیگیرد. ماشین پولی است که تا زمانی که فایده ارزشآفرینی دارد، کارکردش مخفی است، وقتی دل و روده این ماشین را درآورند، و روابط، متغیرها و نتایجش را نشان دهند، احیاناً دیگر ارزشآفرین نیست، و فایده عملی ندارد.
منطق فازی منطق فازی در مقابل منطق باینری یا ارسطویی که همه چیز را فقط به دو قسمت سیاه و سفید، بلی وخیر، صفر و یک می بیند، قرار دارد. و منطقی است که در بازه صفر و یک قرار داشته و از مطلق گویی )فقط صفر یا یک( دوری می گزیند و از مقدار تعلق یک عضو به مجموعه بحث می کند. برای مثال همان طور که در نگاره 3 نشان داده شده است، یک فرد 40 ساله 15 % به مجموعه جوانان و 70 % به مجموعه میانسالان و 25 % به مجموعه مسّن ها تعلق دارد و مطلقاً نمی گویند که مثلاً میانسال است )مجموع تعلق ها الزاماً برابر یک نیست).
منطق فازی را در سال 1965 برای اولین بار در مقاله ای به همین نام، پرفسور لطفی زاده ارائه کرد. منطق فازی تکنولوژی جدیدی است که شیوه های مرسوم برای طراحی و مدل سازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتاً پیچیده است با استفاده از مقادیر و شرایط زبانی و یا به عبارتی دانش فرد خبره، و با هدف ساده سازی و کارآمدتر شدن طراحی سیستم جایگزین و یا تا حدود زیادی تکمیل می کند. یکی از ویژگیهای منطق فازی این است که ورودی های ناقص و غیرمنطقی را با استفاده از قوانینی مثل )اگر... آن گاه...) به پاسخ های قطعی می رساند. بنابراین دو مرحله فازی سازی )فرایند تبدیل اعداد و داد ههای مسئله به فرمت اعداد یا عبارات کلامی در فازی( و دفازی) فرایند تولید کردن یک نتیجه قابل سنجش یا تعیین( در این فرایند باید طی شود[.
شبکه عصبی فازی شبکه عصبی مصنوعی برای پیش بینی قیمت سهام توانایی بالایی در توسعه ی یک مدل در زمانی منطقی را ندارد. از طرف دیگر منطق فازی نیز نیازمند رویکردی جهت یادگیری از تجربیات است. بنابراین ترکیب موفقیت آمیز این دو دیدگاه، موضوع مطالعات زیادی قرار گرفته است .
2-2-3 فناوری الگوریتم ژنتیک الگوریتم ژنتیک، الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس شده است. این الگوریتم درمسایل متنوعی نظیر بهینه سازی، شناسایی و کنترل سیستم، پردازش تصویر و مسایل ترکیبی، تعیین توپولوژی و آموزش شبکه های عصبی مصنوعی و سیستمهای مبتنی بر تصمیم و قاعده به کار می رود. انگیزه اصلی مطرح کردن الگوریتم ژنتیک می تواند این گونه عنوان شودکه «تکامل تدریجی» به شکل قابل ملاحظه ای در توسعه انواع وگونه های پیچیده از طریق مکانیزم های نسبتاً ساده تکمیلی نمود یافته است . حال سوال اساسی این است : پذیرش کدام ایده از تئوری تکامل تدریجی می تواند به ما در حل مسائل این قلمرو کمک کند ؟ این سوال با توجه به غنای پدیده تکامل تدریجی جوابهای متفاوتی دارد. هالند و دی جانگ (1975) از نخستین کسانی هستند که با معرفی مفهوم الگوریتم ژنتیک به عنوان یک تکنیک جستجوی عمومی- که از تکامل تدریجی بیولوژیک در قالب بقای افراد اصلح و مبادله ساختارمند و تصادفی اطلاعات، الگوبرداری می کند درصدد پاسخگویی به این سوال برآمدند .
تشریح کلی الگوریتم ژنتیک 1)جمعیتی از رشته ها را به صورت تصادفی بسازید: تشکیل رشته (کروموزوم (به این صورت است که ابتدا تعداد بیتهای متناظر با تک تک متغیرهای مسأله را مشخص می کنیم و حاصل جمع این تعداد را به دست می آوریم. سپس رشته ای به طول این تعداد بیت تشکیل می دهیم. در رشته ی مورد نظر هر چند بیت مربوط به یک متغیر خاص است و در تمامی روند اجرای الگوریتم ژنی وضعیت هر متغیر در رشته ثابت و مشخص است. هر را ه حل بالقوه برای مشکل به وسیله یک رشته ارائه می شود.
2)هر رشته ی داخل جمعیت را ارزیابی کنید: واحد ارزیابی از طریق یک تابع ارزش به عنوان رابط بین الگوریتم ژنتیکی و مسئله ی بهینه سازی مورد نظر عمل می کند. تابع ارزش برای هر رشته مقداری را تخصیص می دهد که متناسب با توانایی جوابی است که توسط رشته بیان می شود. برای بسیاری از مسایل بخصوص مسایل بهینه سازی توابع، مقدار ارزش )برازندگی ( به راحتی می تواند با مقدار تابع هدف سنجیده شود . این تابع برازندگی را استفاده کننده تعریف می کند،
3) انتخاب بهترین والدین: این فرایند اگرچه به طور تصادفی انجام می شود ولی شانس هر والدی که انتخاب می شود مستقیماً متناسب با برازندگی آن است. البته ممکن است بدترین عضو جمعیت بتواند به وسیله ی این الگوریتم انتخاب شود )زیرا به هر حال در روند این الگوریتم عنصر تصادف نیز وجود دارد. به هر حال با گذشت چند نسل، این اعضا از جمعیت دفع می شوند.
4) رشته های جدید را با استفاده از عملگرهای تبادل و جهش ایجاد کنید: چندین نوع عملگر تبادل وجود دارد ولی معروف ترین آ نها عملگر تبادل یک نقطه ای است. در این حالت، اگر آزمون احتمال اجازه ی تبادل را بدهد یک عدد تصادفی بین یک و طول رشته تولید می شود. همانطور که در نگاره ی 4 نشان داده شده است ، هر دو رشته از محلی که این عدد مشخص می کند شکسته میشوند و قسمتهای انتهایی آنها با یکدیگر معاوضه می شوند. بکارگیری عملگر جهش، قابلیت الگوریتم ژنتیک را برای یافتن حل های نزدیک بهینه افزایش می دهد. روش اعمال به این صورت است که برای تک تک عناصر یک رشته، آزمون احتمال جهش صورت می گیرد. در صورتی که این آزمون با موفقیت انجام شود مقدار آن وضعیت از یک به صفر یا از صفر به یک تغییر می کند. در این حالت مشخصه هایی که در جمعیت والدین وجود ندارند، ایجاد می شوند. احتمال جهش بر عکس احتمال تبادل پایین است.
5)اعضایی از جمعیت را برای ایجاد فضایی برای رشته های جدیدحذف کنید.
6)رشته های جدید را ارزیابی کرده، آن ها را داخل جمعیت جدید قرار دهید.
7)اگر زمان اجرا تمام شده توقف کرده بهترین رشته را بازگردانید درغیر این صورت به مرحله 3 باز گردید.
محک اختتام الگوریتم: برای تشخیص زمان توقف از شیوه های مختلفی می توان استفاده کرد. به عنوان نمونه می توان همگراشدن کل جمعیت را در نظر گرفت هر عضو جمعیت یا رشته، به تنهایی کل متغیرها را نشان میدهد.
باز گرداندن رشته ها به مجموعه متغیرها (رمز گشایی): برای به دست آوردن مقدار تابع هدف ودر نتیجه ارزیابی آن رشته لازم است رشته ها به متغیرها تبدیل شوند. برای این منظور باید تعداد بیت مربوط به تک متغیرها، نوع متغیرها )پیوسته یا گسسته( و محل هر متغیر در رشته مشخص باشد. در ادامه، به مواردی از کاربردهای هوش مصنوعی در حسابداری و امور مالی و تحقیقات انجام شده اشاره می شود. گفتنی است که موارد اشاره شده تنها نمونه ای از تحقیقات هستند.
روش های هوش مصنوعی توانایی بالایی را درپیش بینی و ارائه عملکرد بهتر در مواجهه بامسائل غیرخطی و سایر مشکلات مدل سازی سری های زمانی نشان داده اند. رحمان و بهتنگار (1998 ) یک سیستم خبره را برای پیش بینی کوتاه مدت طراحی کردند، این درحالی است که چیو (1997) یک شبکه عصبی را در ترکیب با سیستم خبره قانونمند برای همین منظور در تایوان مورد استفاده قرار داد. همچنین تحقیقات کانلن و جیمز (1998) نشان داد که می توان بین خصیصه های داراییهای اقتصادی و ارزش داراییهای تجاری در یک بازار خاص پیوند برقرار کرد و به مدل ارزش گذاری ای رسید که به پیش بینی کوتاه مدت نوسانات ارزش گذاری در استفاده از شبکههای عصبی میپردازد. درنهایت بررسیهای انجام شده نشان میدهد که در این حوزه بیشتر بر کاربرد شبکه های عصبی کار شده است تا الگوریتم های ژنتیک.
5)اعضایی از جمعیت را برای ایجاد فضایی برای رشت ههای جدیدحذف کنید، 6)رشته های جدید را ارزیابی کرده، آن ها را داخل جمعیت جدید قرار دهید . 7)اگر زمان اجرا تمام شده توقف کرده بهترین رشته را بازگردانید درغیر این صورت به مرحله 3 باز گردید.
سایر خدمات تیم
در صورت علاقه مندی به یادگیری کامل مبحث تحلیل با رویکرد بی نظمی، جهت پیش ثبت نام و یا شرکت در دوره ها کلیک کنید.
در صورتی که به مشاوره پیرامون موضوع فوق علاقه دارید کلیک کنید...
ثبت نام و عضویت میز کار