مطالب مرتبط با کلید واژه " ماشین بردار پشتیبان "


۱.

کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی

کلید واژه ها: رتبه بندی اعتباریورشکستگیرگرسیون لجستیکدرماندگی مالیماشین بردار پشتیبانامتیاز دهی

حوزه های تخصصی:
تعداد بازدید : ۱۴۰۱
استفاده از نسبت های مالی برای پیش بینی درماندگی مالی یا ورشکستگی شرکت ها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک ها و سایر نهادهای مالی بوده است. پیش بینی به موقع می تواند تصمیم گیران را در یافتن راه حل و پیشگیری از درماندگی مالی، یاری نماید. همچنین، این مدل ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. همواره سعی شده است تا دقت پیش بینی این مدل ها با استفاده از روش های پیشرفته تر بهبود یابد. در این پژوهش که هدف اصلی آن بررسی کارایی استفاده از ماشین بردار پشتیبان (SVM) در پیش بینی درماندگی مالی شرکت ها بوده است، نتایج مدل SVM در مقایسه با مدل آماری رگرسیون لجستیک (LR) بررسی شده است. یافته های تحقیق حاکی از آن است که در پیش بینی درماندگی مالی شرکت ها، مدل SVM نسبت به مدل LR بطور معناداری، از دقت کلی بیشتری برخوردار است. بررسی های انجام شده نشان می دهد که مدل SVM نسبت به مدل LR، نه تنها از دقت کلی بهتری برخوردار است، بلکه توانایی بالاتری نیز در تعمیم پذیری دارد.
۲.

ارائه روشی مبتنی بر ماشین های بردار پشتیبان و مورفولوژی ریاضی به منظور آشکارسازی راه های شهری از داده های لیزر اسکنر هوایی

کلید واژه ها: ماشین بردار پشتیبانلیدارآشکارسازی راهفیلتر کردنعملگرهای مورفولوژی ریاضی

حوزه های تخصصی:
تعداد بازدید : ۸۷۷ تعداد دانلود : ۸۴۹
امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پرهزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آنها اهمیت ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای آشکارسازی راه هاست که در آن منحصراً از داده های لیدار، استفاده شود. برای این منظور، ابتدا داده های شدت و سپس هر دو داده شدت و فاصله لیدار با استفاده از ماشین بردار پشتیبان طبقه بندی گردیدند. سپس با استفاده از الگوریتم فیلتر کردن شیب مبنا، عوارض ارتفاعی از مجموعه داده ها حذف شدند و مدل رقومی زمین و مدل رقومی عوارض غیرزمینی به دست آمد. در ادامه، نتایج مرحله طبقه بندی با بهره گیری از لایه اطلاعاتی مدل رقومی عوارض غیرزمینی بهبود داده شد. سرانجام با انجام عملیات پس پردازش شامل 5 مرحله، پاکسازی مورفولوژی، حذف عناصر کوچک، اتصال قطع شدگی های راه ها، حذف عناصر ناپیوسته و انسداد مورفولوژی، راه ها از داده های لیدار شناسایی گردید. با مقایسه نتایج حاصل از اجرای الگوریتم با داده های مرجع، مقادیر 35/84 درصد برای پارامتر «کامل بودن»، 61/71 درصد برای پارامتر «صحیح بودن» و 22/63 درصد برای پارامتر «کیفیت» به دست آمد.
۳.

پیش بینی درماندگی مالی شرکت ها بوسیله مدل های ماشین بردار پشتیبان و تحلیل ممیزی چندگانه

کلید واژه ها: پیش بینیکاراییدرماندگی مالیماشین بردار پشتیبانتحلیل ممیزی چندگانه

حوزه های تخصصی:
تعداد بازدید : ۵۵۳ تعداد دانلود : ۵۳۲
توانایی پیش بینی درماندگی مالی شرکت ها به عنوان یکی از حوزه های مدیریت ریسک، از اهمیت ویژه ای برخوردار است. هدف تحقیق حاضر بهبود فرآیند پیش بینی درماندگی مالی با تکیه بر دو بخش مهم در فرآیند مزبور است. برای این منظور ساختار تحقیق در دو بخش پیکربندی شده است. در بخش نخست تمرکز این مقاله بر متغیرهای پیش بین بوده و در بخش دوم نیز بر دو مدل مهم پیش بینی درماندگی مالی شرکت ها تأکید شده است. برای تحقق این هدف مجموعه ای از20 نسبت مالی به همراه امتیاز کارایی به عنوان یک متغیر پیش بین غیر مالی، کاندیدای ورود به دو مدل پیش بینی کننده مهم و در عین حال متفاوت ماشین بردار پشتیبان و تحلیل ممیزی چندگانه شدند. امتیاز کارایی مزبور به وسیله مدل تحلیل پوششی داده ها محاسبه گردیده است. به منظور برآورد متغیرهای تأثیرگذار و همچنین تسریع عملیات پیش بینی، با استفاده از فرآیند انتخاب ویژگی از میان 21 متغیر مورد نظر تعداد 10 نسبت مالی به همراه متغیر غیر مالی کارایی برای ورود به مدل های پیش بینی انتخاب شدند. همچنین به منظور جلوگیری از پدیده فرایادگیری از روش اعتبار سنجی متقابل با 12 زیرمجموعه برای هر یک از مدل های پیش بینی کننده، استفاده گردید. در ادامه به منظور بررسی تأثیر متغیر غیر مالی کارایی، متغیرهای انتخابی یک بار با حضور کارایی و بار دیگر بدون حضور این متغیر به ترتیب وارد مدل های پیش بینی شدند. نتایج بدست آمده حاکی از عدم تغییر دقت کلی این مدل ها بود. بدین ترتیب هیچ یک از فرضیه های تحقیق تأیید نشدند
۴.

شناسایی نویسندگان پیام های الکترونیکی از طریق واکاوی نوع و سبک نگارش آن ها مبتنی بر روش های یادگیری ماشین(WKF based on SVM-PHGS)

کلید واژه ها: ماشین بردار پشتیبانتعیین نویسندهروش های یادگیری ماشینویژگی های سبک نوشتاری

حوزه های تخصصی:
تعداد بازدید : ۳۳۰ تعداد دانلود : ۳۱۸
شناسایی نویسنده یکی از مسایل مهم در دسته بندی متن و پردازش زبا نهای طبیعی به شمار می رود. این نوشتار دستآورد پژوهشی با هدف تعیین هوشمند نوشته های 50 نویسنده سایبری(50 نفر از مشتریان بالقوه ی وب سایت آمازون با توجه به پیام ها و مراجعاتی که به این وب سایت داشته اند انتخاب شده اند) به کمک روش های یادگیری ماشین است. برای سنجش کارایی روش پیشنهادی، دقت تصمیم گیری آزموده و نتایج آنها با بازدهی روش های یادگیری ماشین مقایسه شده است. همچنین در هنگام استخراج ویژگیهای گوناگون نوشته های نویسندگان برای ارزیابی توسط ماشین، کوشش شده تا حداکثر ویژگی های مورد نیاز برای تشخیص نویسنده شبیه سازی گردد و بدین منظور، نزدیک به10000 ویژگی گوناگون از نوشته های مختلف استخراج شده و در چهار دسته ی ویژگی های لغوی ، ویژگی های نحوی ، ویژگی های خاص و ویژگی های ساختاری قرار گرفته اند. در این پژوهش به طور میانگین دقت تعیین نویسنده به کمک روش پیشنهادی تا 98/78 درستی نیز رسیده است.
۵.

برآورد ارزش در معرض ریسک با استفاده از مدل ترکیبی ماشین بردار پشتیبان و گارچ

کلید واژه ها: ارزش در معرض ریسکماشین بردار پشتیبانوسان پذیری

حوزه های تخصصی:
  1. مدیریت مدیریت مالی – حسابداری مدیریت مالی
  2. اقتصاد اقتصاد مالی حاکمیت و مالیه شرکتی سیاست گذاری مالی،ریسک مالی،مدیریت ریسک،ساختار مالکیت و سرمایه
تعداد بازدید : ۳۴۰ تعداد دانلود : ۳۱۲
یکی از حوزه های اصلی مدیریت مالی، مدیریت ریسک می باشد. منظور از مدیریت ریسک، شناسایی، اندازه گیری و نظارت بر ریسک است. بنابراین اندازه گیری ریسک از جایگاه ویژه ای در مدیریت ریسک برخوردار است. از جمله روش های شناخته شده و پرکاربرد اندازه گیری ریسک، محاسبه ارزش در معرض ریسک می باشد که موضوع اصلی این پژوهش است. در این پژوهش با استفاده از مدل ترکیبی ماشین بردار پشتیبان و گارچ به پیش بینی نوسانات شاخص کل و شاخص پنجاه شرکت فعال پرداخته شده و سپس با روش واریانس-کواریانس ارزش در معرض ریسک برآورد شده است و عملکرد آن با استفاده از پس آزمون لوپز و پس آزمون مبتنی بر ریزش مورد انتظار، با برخی از مدل های سنتی چون ریسک متریک، گارچ و ای گارچ مورد مقایسه قرار گرفت. نتایج حاصل از این پژوهش نشان داد که مدل ترکیبی نسبت به سایر مدل های مورد استفاده در این پژوهش، از عملکرد بهتری برخوردار است.
۶.

مقایسه دقت رویکردهای ماشین بردار پشتیبان و شبکه های عصبی مصنوعی در پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران

کلید واژه ها: شبکه های عصبی مصنوعیسود هر سهمماشین بردار پشتیبانپیش‎بینیشرکت های پذیرفته شده در بورس اوراق بهادار تهران

حوزه های تخصصی:
  1. اقتصاد اقتصاد مالی بازارهای مالی پیش بینی های مالی
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۲۵۸ تعداد دانلود : ۲۴۹
سهامداران جهت گرفتن تصمیم های سرمایه گذاری مناسب، نیازمند اطلاعاتی هستند که آنها را در گرفتن بهترین تصمیم یاری رساند. در میان اطلاعات موجود، اطلاعات مربوط به سود پیش بینی شده هر سهم از نظر استفاده کنندگان با اهمیت تلقی می شود. از طرفی شرکت ها برای جذب سرمایه گذاران سعی می کنند سود هر سهم را با بیشترین دقت پیش بینی کنند. بنابراین، مقاله حاضر به دنبال ارائه مدلی جهت بهبود پیش بینی سود هر سهم شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از رویکرد های نوین هوش مصنوعی است. برای این منظور ابتدا عوامل مؤثر بر سود هر سهم سال آتی از پژوهش های داخلی و خارجی استخراج شد، سپس با استفاده از اطلاعات مالی شرکت های نمونه در بازه زمانی سال های 1384 تا 1391 و به کارگیری روش ماشین بردار پشتیبان و شبکه های عصبی مصنوعی، مدلی هایی جهت پیش بینی سود هر سهم طراحی گردید. مدل ماشین بردار پشتیبان توانست سود هر سهم سال آتی شرکت های نمونه را با میزان خطای مطلوب 5 درصد پیش بینی کند. این مدل سود هر سهم سال جاری را با ضریب تأثیر 25 درصد به عنوان مؤثرترین متغیر برای پیش بینی سود هر سهم آتی معرفی می کند. همچنین نتایج نشان می دهد که مدل ماشین بردار پشتیبان در مقایسه با مدل شبکه های عصبی مصنوعی عملکرد مشابهی دارد.
۷.

مقایسه کارآیی روش های پارامتریک و ناپارامتریک در طبقه بندی پوشش اراضی با استفاده از تصاویر ماهواره ای لندست 8 (مطالعه موردی: بخشی از شهرستان دزفول)

کلید واژه ها: ماشین بردار پشتیبانطبقه بندیپوشش زمینتصویر لندستحداقل فاصله

حوزه های تخصصی:
تعداد بازدید : ۳۲۷ تعداد دانلود : ۲۷۰
امروزه داده های سنجش از دور قادر به ارائه جدیدترین اطلاعات برای مطالعه پوشش زمین و کاربری های اراضی می باشند. این تصاویر به دلیل ارائه اطلاعات به هنگام، تنوع اشکال، رقومی بودن و امکان پردازش در تهیه نقشه های کاربری از اهمیت بالایی برخوردارند. مشخص کردن پوشش اراضی کمک شایانی به مدیران مناطق جهت تصمیم گیری می کند. در این راستا هدف از انجام این پژوهش مقایسه کارآیی روش های پارامتریک (کمترین فاصله و جعبه ای) و ناپارامتریک (ماشین بردار پشتیبان) در طبقه بندی پوشش اراضی با استفاده از تصاویر ماهواره ای لندست 8 در بخشی از شهرستان دزفول می باشد. ماهیت این پژوهش توسعه ای-کاربردی و روش انجام آن توصیفی-تحلیلی بوده است. بدینمنظور داده های ماهواره ای شامل تصاویر ماهواره ای لندست 8 (13/8/2013) تهیه گردید، و با استفاده از نرم افزار ENVI آماده سازی و مورد تجزیه و تحلیل قرار گرفته است. میزان کارآیی هر روش طبقه بندی با محاسبه دو شاخص صحت کلی و ضریب کاپا بررسی گردید.نتایج مقایسه روش های مورد استفاده در پژوهش نشان داد الگوریتم SVM به ویژه سه کرنل خطی، شعاعی و چند جمله ای نسبت به روش های پارامتریک به ترتیب با 15/97% ، 89/95%و 63/95% از دقت مطلوب تری برخوردار هستند.این مطالعه کارآیی و قابلیت مطلوب تر الگوریتم های SVM را در طبقه بندی تصاویر سنجش از دور در مقایسه با روش های پارامتریک تأیید می نماید.
۸.

توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی

کلید واژه ها: بورس اوراق بهادار تهراندرماندگی مالیماشین بردار پشتیبانترکیبات جریان نقد

حوزه های تخصصی:
تعداد بازدید : ۲۳۰ تعداد دانلود : ۱۸۹
پیش بینی مؤثر درماندگی مالی که پیش از ورشکستگی رخ می دهد یک مسئله ی مهم و چالش برانگیز برای شرکت ها می باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آنها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی مالی،کشف تقلب مدیریت، برآورد ریسک اعتباری و پیش بینی عملکرد شرکت،گسترش داده است. دراین مطالعه، ترکیبات جریان نقد شرکتهای انتخاب شده برمبنای معیارهای اختصاصی درماندگی به عنوان متغیرهای ورودی مدل به کار گرفته شده است. یافته های تحقیق حاکی از آن است که از میان توابع کرنلی، تابع چند جمله ای در سال درماندگی، یک و دو سال قبل از آن دارای بالاترین قدرت پیش بینی است