مطالب مرتبط با کلید واژه " شبکه های عصبی "


۱.

انتخاب سبد سرمایه ریسکی با استفاده از شبکه های عصبی

نویسنده:

کلید واژه ها: سرمایه گذاریشبکه های عصبیسبد سرمایهمدل مارکوتیز

حوزه های تخصصی:
تعداد بازدید : ۵۱۶
هدف اصلی این تحقیق دستیابی به یک سبد سرمایه مناسب تر برای سرمایه گذاران ریسک پذیر است. در این تحقیق مدل مارکوتیز در تئوری سبد سرمایه به عنوان مدل مقایسه ای استفاده شده است و مدل شبکه عصبی با آن مقایسه شده است. الگوی یادگیری شبکه عصبی، الگوی «پس انتشار خطا» می باشد. سبد انتخابی شامل بیست سهم از بازار بورس اوراق بهادار تهران است که برای یک دوره سیزده ماهه مورد مطالعه قرار گرفته است. در هر دو مدل شبکه عصبی و مارکوتیز، تفاوت معنی داری بین بازده روزانه سبد تصادفی و نتیجه سرمایه گذاری در پایان دوره آزمون وجود دارد. در این سبد، تنها معیار بازده مورد نظر است و ریسک مورد توجه نیست، بنابراین سبد با بالاترین ریسک در مدل مارکوتیز مورد استفاده قرار گرفته است. هزینه معامله در هر دو مدل در نظر گرفته نشده است. این مطالعه نشان می دهد که سبد سرمایه مدل شبکه عصبی پس از دوره آزمون هم بازده بیشتری داشته است و هم ریسک آن از مدل مارکوتیز پایین تر بوده است
۲.

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

کلید واژه ها: سری زمانیشبکه های عصبینرم افزارMATLAB

حوزه های تخصصی:
تعداد بازدید : ۲۵۵۰ تعداد دانلود : ۲۵۲۶
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده کرده ایم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار گرفته است. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و داده های اقتصادی کشور استفاده شده است.
۳.

ارزیابی روشهای پیش بینی قمیت سهام و ارائه مدلی غیرخطی بر اساس شبکه های عصبی

کلید واژه ها: قابلیت پیش بینیسری زمانیمدلسازیرگرسیون چند متغیرهشبکه های عصبیبعد فرکتالیتخمینپیش بینىشبکه هاى عصبتحلیل های غیر خطی سری های زمانیفرآیند های تصادفیفرآیند های آشوب

حوزه های تخصصی:
تعداد بازدید : ۹۸۱ تعداد دانلود : ۹۶۵
در این مقاله با استفاده از اطلاعات سری زمانی قیمت و بازده سهام چند شرکت در بازار بورس تهران، به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته می شود. روشهای پیش بینی مورد استفاده در تحقیق، به سه دسته تقسیم شده اند: روشهای پیش بینی براساس مدلهای خطی (کوتاه مدت و بلندمدت)، روشهای پیش بینی براساس مدلهای غیرخطی (شبکه های عصبی غیرخطی) و مدل شبکه عصبی با ساختار پیشنهادی، در هر مورد نتایج به دست آمده رسم شده اند. با استفاده از پیش پردازش های اشاره شده، نشان داده می شود که قیمت و بازده سهام (درهر 6 سهم مربوط به صنایع مختلف) از نگاشتهای پیچیده غیرخطی و آشوبگرانه به وجود آمده اند و اساساً از روشهای غیرخطی شبکه های عصبی به خودی خود و به شکل متعارف بهبود قابل ملاحظه ای را به دنبال ندارد. با ارائه پیشنهاد ساختار جدید، می توان قیمت و بازده را به خوبی در دو حالت پیش بینی روز بعد و پیش بینی سی روز بعد تخمین زد.
۴.

مطالعه تطبیقی روش های خطی ARIMA و غیر خطی شبکه های عصبی فازی در پیش بینی تقاضای اشتراک گاز شهری

کلید واژه ها: پیش بینیمنطق فازیشبکه های عصبیتقاضاروش های غیر خطیگاز شهری

حوزه های تخصصی:
تعداد بازدید : ۱۲۰۳ تعداد دانلود : ۱۱۹۷
اطلاع از میزان تقاضای موجود در هر دوره یکی از مباحثی است که شرکت ملی گاز در راه پاسخگویی به مراجعان به آن نیاز دارد. عدم اطلاع از میزان تقاضای اشتراک سبب ایجاد مشکلاتی مانند عدم آگاهی از تعداد پیمانکاران مورد نیاز و همچنین فقدان برنامه کنترل موجودی مناسب برای انواع کنتورهای مورد نیاز و دیگر عوامل مرتبط می شود. در چند دهه گذشته، اقتصاددانان و علمای مدیریت برای برآورد تقاضا اغلب از روش های اقتصادسنجی استفاده کرده اند. امروزه از بین روش های پیش بینی، شبکه های عصبی مصنوعی و مدل های فازی در بسیاری از زمینه های کاربردی استفاده شده اند که هر کدام از آنها دارای محاسن و معایبی هستند. بنابراین، ترکیب موفقیت آمیز این دو روش، مدل سازی شبکه های عصبی مصنوعی و فازی، با اتکا به ترکیب قدرت یادگیری شبکه های عصبی و عملکرد منطقی سیستم های فازی تبدیل به ابزار بسیار قدرتمندی شده که هم اکنون کاربردهای گوناگونی دارند. در این تحقیق، تقاضای اشتراک گاز شهری خانگی شهر تهران با استفاده از روش خطی ARIMA و روش غیرخطی شبکه های عصبی فازی بررسی شده و از لحاظ شش معیار ارزیابی عملکرد با یکدیگر مقایسه شده اند. نتایج تحقیق بیان گر این حقیقت است که برای پیش بینی تقاضای اشتراک گاز شهری، شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد، بر روش ARIMA برتری داشته، بنابراین مناسب تر است.
۵.

پیش بینی پویای قیمت نفت خام با استفاده از شبکه های عصبی مصنوعی و با به کارگیری ذخیره سازی های نفتی کشورهای OECD

کلید واژه ها: شبکه های عصبیقیمت نفت خامروش ARIMAذخیره سازی: پیش بینی

حوزه های تخصصی:
تعداد بازدید : ۱۰۰۵ تعداد دانلود : ۹۶۷
نفت به‎عنوان بزرگ‎ترین منبع تامین انرژی در جهان و به‎دلیل نقش آن در اقتصاد کشورهای تولید کننده، حائز اهمیت بسیار است. لذا شناخت پارامترهای مختلف تاثیر‎گذار بر بازار نفت برای این کشورها، ضروری به نظر می رسد. در این راستا، این تحقیق به پیش بینی قیمت به‎عنوان یک متغیر مهم از بازار جهانی نفت، با استفاده از روش شبکه های عصبی مصنوعی و نیز روش اقتصادسنجی ARIMA می پردازد. لازم به ذکر است که این پیش‎بینی‎ها به‎صورت پویا انجام شده اند. از یک سو نتایج پیش بینی های یک گام به جلو تا ده گام به جلو با استفاده از روش شبکه های عصبی در مقایسه با روش ARIMA، حاکی از خطای کم‎تر روش شبکه های عصبی است و از سوی دیگر نتایج پیش بینی های شبکه‎های عصبی نشان می دهد که با اضافه کردن ذخیره سازی های کشورهای OECD به‎عنوان یک ورودی دیگر در مدل و انجام یک پیش بینی دو متغیره (برای اولین بار در ایران)، خطای پیش بینی های قیمت نفت کاهش می‎یابد.
۶.

پیش‌بینی عرضه نفت خام در یازده کشور تولیدکننده با استفاده از شبکه‌های عصبی و رگرسیون خطی (2006-1980)

کلید واژه ها: پیش بینیشبکه های عصبیعرضه نفت خام

حوزه های تخصصی:
تعداد بازدید : ۵۱۱ تعداد دانلود : ۴۸۷
اغلب مدل های انحصار چندجانبه بازار نفت، با فرض وجود کارتلی به نام اوپک شروع می شوند. افزایش پی در پی قیمت های نفت در طی سال های اخیر و عدم توانایی اوپک در تنظیم بازار، امکان وجود رفتار رقابتی در بازار نفت را شدت می بخشد. حال با توجه به این نوسانات شدید در بازار نفت، پیش بینی عرضه نفت، برای سیاستگذاران و شرکت های نفتی بسیار حایز اهمیت می باشد. در سال های اخیر استفاده از شبکه های عصبی مصنوعی در کنار روش های اقتصادسنجی در پیش بینی متغیرهای مهم اقتصادی مرسوم شده است. علت آن نیز در ویژگی های منحصر به فرد شبکه های عصبی از قبیل: آزادی از فرضیه های آماری و قابلیت حل مسائل غیر خطی پیچیده می باشد. در این مقاله سعی شده است علاوه بر پیش بینی تولید نفت خام در یازده کشور تولیدکننده، با استفاده از دو مدل رگرسیون خطی و شبکه های عصبی، نتایج به دست آمده در هر کشور به طور مجزا مقایسه شود. تخمین ها، حاکی از آن است که شبکه های عصبی پیش بینی های بهتری نسبت به مدل های رگرسیون خطی ارایه می کنند.
۷.

تعیین میزان اثر عناصر اقلیمی بر عملکرد گندم دیم در استان آذربایجان شرقی با استفاده از شبکه های عصبی هوشمند

کلید واژه ها: شبکه های عصبیآذربایجان شرقیاقلیم کشاورزی

حوزه های تخصصی:
تعداد بازدید : ۶۴۹ تعداد دانلود : ۶۴۲
هدف اصلی پژوهش، یافتن مدل مناسب جهت پیش بینی عملکرد گندم دیم به کمک پارامترهای آب و هوایی در استان می باشد. جهت پیش بینی عملکرد گندم دیم از شبکه های عصبی استفاده شده است. ابتدا آمار عملکرد محصول گندم در طی دوره ی آماری 1382-1374 از بانک اطلاعات وزارت جهاد کشاورزی به تفکیک شهرستان تهیه و سپس آمار هواشناسی از ایستگاه های موجود در این شهرستان ها برای دوره ی آماری مشابه از بانک اطلاعاتی سازمان هواشناسی کشور استخراج گردید. 7 سال از آمار موجود جهت آموزش مدل و دو سال از آن جهت فایل تست در نظر گرفته شد. جهت اتخاذ بهترین مدل لازم بود که بهترین ماتریس ورودی داده های هواشناسی مشخص شود. بدین منظور اولین ماتریس ورودی متشکل از 9 پارامتر هواشناسی اولیه که در نهایت با محاسبه ی مقادیر خطای مدل، بهترین ترکیب زمانی حاصل شد که در ماتریس ورودی پارامترهای بارش، دما، تعداد روزهای همراه با استرس سرما و گرما، تبخیر، تعرق و تعداد روزهای بارانی گنجانده شده بود. نتایج نشان داد که اولین عامل در تعیین عملکرد گندم دیم استان آذربایجان شرقی بالاترین نقش را دارا می باشد. دومین پارامتر مؤثر در میزان عملکرد گندم دیم مقدار تبخیر و تعرق می باشد. جهت ارزیابی دقت مدل بر اساس میزان عملکرد پیش بینی شده شاخص میزان تطابق (d) محاسبه گردید که نتایج نشان داد میزان دقت مدل 82/. می باشد.
۸.

برآورد ریسک و ظرفیت اعتباری مشتریان بانک تجارت با استفاده از شبکه های عصبی

کلید واژه ها: ریسک اعتباریبانک تجارتشبکه های عصبیظرفیت اعتباری

حوزه های تخصصی:
  1. مدیریت مدیریت بازرگانی مدیریت بیمه مدیریت ریسک و بیمه
  2. مدیریت مدیریت دانش و IT سیستمهای خبره
تعداد بازدید : ۱۶۹۷ تعداد دانلود : ۱۶۵۳
امروزه به خاطر افزایش درخواست اعتبارات از بانک ها، مطالبات معوق بانک ها نیز بیشتر شده است. بنابراین، بانک ها برای کاهش مطالبات معوق و بالا بردن کارایی سیستم پولی خود، مجبور شده اند که از روش های گوناگونی همچون روش سنتی قضاوت شخصی و تحلیل ممیزی برای ارزیابی ریسک اعتباری مشتریان بهره ببرند. با این وجود، در قالب پرداخت های کنونی اکثر شرکت ها و مشتریان اعتباری اذعان بر ناکافی بودن تسهیلات دریافتی دارند. بنابراین ارایه مدلی که بتواند ریسک و ظرفیت اعتباری مشتریان را به نحو مناسبی تعیین کند، بانک ها را قادر خواهد ساخت از تسهیلات جمع آوری شده استفاده بهینه ای داشته باشند. بدین منظور، در این مقاله با استفاده از مدل شبکه های عصبی و اطلاعات ترازنامه ای مشتریان بانک تجارت، مدلی برای محاسبه ریسک و ظرفیت اعتباری مشتریان ارایه شده است.
۹.

مقایسهی عملکرد شبکه های عصبی و مدلARIMA در مدل سازی و پیش بینی کوتاه مدت قیمت سبد نفت خام اوپک (با تاکید بر انتظارات تطبیقی)

کلید واژه ها: پیش بینیشبکه های عصبیARIMAقیمت سبد نفت خام اوپکانتظارات تطبیقی

حوزه های تخصصی:
  1. اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی نفت،گاز طبیعی،زغال سنگ،مشتقات نفتی اوپک،ساختار،سهمیه بندی،قیمت گذاری
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۶۹۸ تعداد دانلود : ۶۹۰
امروزه نفت به عنوان یکی از منابع مورد استفادهی بشر، از اهمیت ویژه ای برخوردار است. قیمت نفت به دلیل اهمیت آن در بازارهای بین المللی، رابطهی اساسی با اقتصاد کشورها و موقعیت استراتژیک آن در بین کالاهای اقتصادی، به عنوان یکی از عوامل مؤثر در اقتصاد بین الملل، نقش تعیین کننده ای دارد. شناخت ساختار قیمت این کالا و مدل سازی آن همواره مورد توجه پژوهش های اقتصادی بوده و تلاش هایی نیز برای بررسی علت نوسان و پیش بینی آن انجام گرفته است. در این راستا، شبکه های عصبی مصنوعی از قابلیت بالایی در مدل سازی فرایندهای تصادفی و پیچیده و پیش بینی مسیرهای غیرخطی پویا برخوردار هستند. در این مقاله، با استفاده از شبکه ی عصبی مصنوعی مبتنی بر انتظارات قیمتی برای داده های روزانه، به مدل سازی و پیش بینی روزانهی قیمت سبد نفت خام اوپک پرداخته شده و نتایج آن با مقادیر پیش بینی شده توسط مدل ARIMA براساس معیارهای اندازه گیری دقت پیش بینی، مورد مقایسه قرار گرفته است. نتایج تحقیق نشان می دهد که شبکهی عصبی مورد استفاده، نسبت به مدل ARIMA از قدرت پیش بینی بهتری برخوردار است و قیمت نفت خام تابعی از قیمت های 5 روز گذشتهی خود می باشد.
۱۰.

پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی

کلید واژه ها: پیش بینیسری های زمانیشبکه های عصبیشاخص سهام

حوزه های تخصصی:
  1. مدیریت مدیریت دانش و IT سیستمهای خبره
  2. مدیریت مدیریت مالی – حسابداری تئوریهای حسابداری تحقیقات بازار سرمایه
تعداد بازدید : ۱۵۳۲ تعداد دانلود : ۱۴۵۷
اندازه و روند شاخص های قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی می باشد. جهت پیش بینی بازار از تکنیکهای مختلفی استفاده شده است که معمول ترین آنها روشهای رگرسیون و مدل های ARIMA هستند اما این مدل ها در عمل جهت پیش بینی بعضی از سریها ناموفق بوده اند. در تحقیق حاضر برای پیش بینی شاخص کل بورس از مدل شبکه های عصبی پیش خور با قانون یادگیری پس انتشار خطا5 در سه ساختار شبکه با الگوهای متفاوت ورودی استفاده گردید و نتایج مدل با نتایج مدل های رگرسیون چند متغیره و مدل های ARIMA مورد مقایسه قرار گرفت.نتایج تحقیق نشان داد که روش شبکه های عصبی خطای RMSE به میزان قابل توجهی کمتر از RMSE روشهای دیگر است و در بازار بورس اوراق بهادارتهران پیش بینی کوتاه مدت با فاصله زمانی کمتر، مناسب تر از پیش بینی بلند مدت با فاصله زمانی طولانی تر است.
۱۱.

پیش بینی تقاضای انرژی بخش حمل و نقل با استفاده از شبکه های عصبی: مطالعة موردی در ایران

کلید واژه ها: پیش بینیشبکه های عصبیالگوریتم پس انتشارتقاضای انرژی بخش حمل و نقل

حوزه های تخصصی:
تعداد بازدید : ۸۶۱ تعداد دانلود : ۸۵۵
در این مقاله با استفاده از شبکه های عصبی مصنوعی و با در نظر گرفتن شاخص های اقتصادی و اجتماعی، تقاضای انرژی بخش حمل و نقل کشور در سال های 1386 تا 1400 پیش بینی شده است. از شبکه های عصبی رو به جلو با ناظر برای پیش بینی و از الگوریتم پس انتشار برای آموزش شبکه ها استفاده شده است. برای بررسی تأثیر شاخص های اقتصادی و اجتماعی بر تقاضای انرژی بخش حمل و نقل، داده های مربوط به تولید ناخالص داخلی، جمعیت و تعداد خودرو طی سال های 1347 تا 1385 به کار گرفته شده است. نتایج حاصل از پیش بینی با این روش در مقایسه با روش رگرسیون چندمتغیره، نشان دهندة خطای به مراتب کمتری است،؛ به طوری که درصد میانگین قدرمطلق خطا 6% کاهش یافت. / 15 % به 05 / از 52
۱۲.

طراحی شبکه عصبی جهت انتخاب راهبرد های بازاریابی اینترنتی

کلید واژه ها: شبکه های عصبیرفتار مصرفکنندهبازار لوازم خانگیراهبرد بازاریابی اینترنتی

حوزه های تخصصی:
  1. مدیریت مدیریت بازرگانی مدیریت بازرگانی بازاریابی و مدیریت بازار
  2. مدیریت مدیریت صنعتی تحقیق در عملیات پژوهش عملیاتی
تعداد بازدید : ۱۲۵۶ تعداد دانلود : ۱۲۳۳
با توجه به حضور جدی رقبای خارجی در بازار لوازم خانگی ایران و استفاده آنان از فناوری اطلاعات و ارتباطات در این بازار، موقعیت رقابتی شرکت های داخلی در شرایط نامطلوبی قرار دارد و لازم است با نگاهی علمی و دقیق، راهبرد مناسب رقابت در بازارهای داخلی طراحی و الگوسازی شود تا بنگاه ها بر اساس آن بتوانند از راهبردهای مناسبی استفاده کنند. از اینرو، در این مقاله تلاش شده است با استفاده از روش نظریه برخواسته از داده ها و با بررسی رفتار مصرفکنندگان و تولیدکنندگان لوازم خانگی ایران، الگوی رفتار مصرفکنندگان طراحی و انواع راهبردهای بازاریابی در بازارهای اینترنتی طراحی و تبیین شود؛ سپس با استفاده از شبکه های عصبی، ارتباط بین الگوی رفتار مصرف کنندگان و راهبرد های بازاریابی مورد بررسی قرار گرفته است. نتایج این مطالعه نشان میدهدکه مصرفکنندگان در بازار لوازم خانگی ایران دارای سه الگوی رفتاری عقلایی، احساسی و هوشمند هستند و به طبع آن بنگاه ها نیازمند استفاده از راهبردهای بازاریابی مبادله ای، تعاملی و هوشمند میباشند.
۱۳.

بخش بندی بازار دارو با رویکرد شبکه های عصبی (مطالعهی موردی: بازار دارو در ایران)

کلید واژه ها: شبکه های عصبیبخش بندی بازارنقشه های خودسازماندهمیانگینالگوریتم Kبازار دارو

حوزه های تخصصی:
تعداد بازدید : ۵۸۵ تعداد دانلود : ۵۸۰
امروز بخش بندی بازار همگام با بسیاری از علوم دیگر به سوی برآوردن نیازهای منحصربه فرد انسان ها در حرکت است. در بازار سلامت نیز شیوه های تشخیصی و درمانی شخصی بیش از پیش به کار گرفته می شود. این امر در حالی است که یکی از ارکان اصلی این بازار یعنی بازار دارو هنوز در زمینه بخش بندی بازار نسبت به کالاها و خدمات دیگر چندان پیشرفته نیست. با توجه به پیچیدگی این بازار ضروری است با بهره گیری از ابزاری متناسب که قدرت غلبه بر این پیچیدگی را داشته باشد، نسبت به بخش بندی این بازار اقدام شود. هدف این مقاله استفاده از رویکردی مبتنی بر شبکه های عصبی است که براساس معیارهای چندگانه به گونه ای اثربخش به بخش بندی بازار دارو در ایران بپردازد. برای این منظور با توجه به بافت داده ها از میان معماری های ممکن برای شبکه SOM معماری با بالاترین کیفیت برای بخش بندی بازار دارو برگزیده شد. همچنین عملکرد مدل با مقایسهی نتایج آن با نتایج حاصل از بخش بندی داده ها با یک روش خوشه بندی کلاسیک (k- میانگین) مورد سنجش قرار گرفت.
۱۴.

دسته بندی مشتریان بیمه با استفاده از داده کاوی

تعداد بازدید : ۸۲۴ تعداد دانلود : ۷۸۳
امروزه نقش مشتریان از حالت پیروی از تولیدکننده، به هدایت تولیدکنندگان مبدل گشته است، به همین دلیل دسته بندی مشتریان، در هدفمند ساختن سازمان ها در سفارشی سازی خدمات شان و نیز الویت بندی محصولات براساس میزان سودآوری آن محصول کمک شایانی میکند. روش داده کاوی برای دستیابی به قوانین تصمیم گیری و مدل پیش بینی رفتار مشتریان آتی در کیی از شرکت های بیمه استفاده شده است. در اجرای روش دسته بندی در داده کاوی، دو تکنیک درخت تصمیم و شبکه های عصبی در یکی از شرکت های بیمة خصوصی به کاررفته است. هدف این پژوهش استفاده از روش شبکه های عصبی و تکنیک درخت تصمیم به منظور دسته بندی مشتریان بیمه و درنهایت ارزیابی نتایج به دست آمده است. به منظور ارزیابی مدل ها، نتایج حاصل از دو مدل را مقایسه کردیم که تطابق آنها نشان دهندة صحت عملکرد مدل هاست. البته بررسی ها نشان داده اند که روش درخت تصمیم نتایج بهتری را دربرداشته است و این بدان معنی است که روش درخت تصمیم، روش مناسب تری برای دسته بندی مشتریان بیمه ایجاد میکند. همچنین نتایج به دست آمده از این تحقیق، توسط خبرگان صنعت بیمه تأیید و نظرات آنها به شکل توضیحی از مشخصه ها یا متغیرهای ورودی تحقیق ارائه شده است.
۱۵.

پیشبینی حق بیمه عمر از طریق شبکه های عصبی و مدل های ARIMA

نویسنده:
تعداد بازدید : ۳۵۳ تعداد دانلود : ۳۲۶
بیمه عمر به عنوان یکی از محصولات صنعت بیمه، نقش مهمی در تعیین و تضمین آتیه خانواده ها دارد. طبیعی است که در چنین شرایطی پیش بینی حق بیمه عمر می تواند برنامه ریزان و سیاست گذاران را در دست یابی به اهداف و برنامه ها یاری کند. در این پژوهش جهت پیش بینی حق بیمه دریافتی در بیمه عمر از روش شبکه های عصبی و از روش باکس - جینکینز استفاده شده است. نتایج حاصل از پیش بینی درون نمونه ای برای سال های 1387-1383 نشان داد که باتوجه به معیار RMSE، بهترین مدل برای پیش بینی حق بیمه عمر، مدل شبکه های عصبی است. بعد از آن به پیش بینی برون نمونه ای برای سال های 1393-1388 از حق بیمه عمر دریافتی با استفاده از دو روش باکس جینکنز و شبکه های عصبی پرداخته شده است.
۱۶.

به کارگیری شبکه های عصبی در پیش بینی سودآوری شرکتها شرکتهای عضو بورس اوراق بهادار تهران)

تعداد بازدید : ۴۹۴ تعداد دانلود : ۴۹۳
این پژوهش در مورد دستیابی به پیش بینی سودآوری آینده (شاخصی از عملکرد آینده) شرکت های پذیرفته شده در بورس اوراق بهادار تهران با کاربست شبکه های عصبی مصنوعی است. نمونه های مورد استفاده ما در این پژوهش 90 شرکت از مجموعه مورد اشاره فوق در بین سال های 1380 تا 1386 (720 شرکت - سال) میباشد و با توجه به چارچوب مقاله این تعداد به 630 شرکت - سال کاهش یافت. این شرکتها به دو مجموعه نمونه آموزشی شامل 540 شرکت – سال ابتدایی (شرکت – سالهای 80 تا 85) و برای ارزیابی اعتبار الگوی آموزش دیده، نمونه آزمایشی متشکل از 90 شرکت – سال انتهایی (شرکت – سال 86)، تفکیک شدند. برای انجام پیش بینی سودآوری آینده شرکتها در ابتدا نیازمند تعیین متغیرهای پیش بینی کننده ای بود که برای این منظور از متغیرهایی که طی پژوهش های پیشین برای پیش بینی موفقیت یا عدم موفقیت شرکتها به کار رفته بودند، استفاده شده است. در مرحله بعد با برگزاری آزمون های آماری مناسب متغیرهای معنادار در پیش بینی سودآوری آینده تعیین شد. در نهایت تعداد 9 متغیر با استفاده از تکنیک تحلیل گام به گام انتخاب شد. نتایج این مطالعه نشان داد که به کارگیری شبکه های عصبی و 9 متغیر انتخاب شده، 99 درصد الگوبرداری صحیح در پیش بینی سودآوری شرکتها توسط گروه آموزشی را به دست می دهد و کاربست این الگو در گروه آزمایشی، 86 درصد صحت پیش بینیها در طبقات سودآور و زیان آور آینده را رقم می زند.
۱۷.

مقایسه پیش بینی تورم بر پایه معادلات دیفرانسیل تصادفی با مدل های رقیب

کلید واژه ها: شبکه های عصبیمعادلات دیفرانسیل تصادفیپیش بینی تورممدل های سری زمانیآزمون آشوب

حوزه های تخصصی:
تعداد بازدید : ۴۵۶ تعداد دانلود : ۴۴۸
در این مقاله به منظور پیش بینی تورم در اقتصاد ایران، ابتدا ماهیت سری زمانی CPI برای داده های ماهانه ایران در بازه زمانی 1 m1369 تا 6 m1388، از لحاظ خطی ویا غیر خطی بودن و همچنین آشوبی یا تصادفی بودن مشخص گردیده است. نتایج آزمون ها نشان می دهد که سری زمانی تورم ساختاری غیرخطی دارد و همچنین سری زمانی CPI دارای رفتاری آشوبناک است. سپس بر پایه معادله دیفرانسیل تصادفی، حرکت برآونی هندسی مدلی پویا برای برازش رفتار سری زمانی CPI تخمین زده شده است و از آن مدل به منظور پیش بینی تورم استفاده شده است. به منظور بررسی عملکرد مدل پیشنهادی در پیش بینی تورم، مقایسه ای بین این مدل، مدل شبکه های عصبی و مدلهای اقتصاد سنجی سری زمانی خطی ARMA و غیر خطی GARCH، EGARCH و TGARCH با افقی 6 ماهه صورت گرفته است. بر اساس معیارهای RMSE، MAE و U-Tail مدل معادلات دیفرانسیل تصادفی، خطای کمتری در پیش بینی تورم نسبت به مدل های رقیب دارد.
۱۸.

بخش بندی و تعیین نیم رخ مصرف کنندگان سبز با استفاده از نقشه های خودسازمانده

کلید واژه ها: شبکه های عصبیبخش بندی بازارمصرف کننده سبزنقشه های خودسازمانده

حوزه های تخصصی:
تعداد بازدید : ۳۷۱ تعداد دانلود : ۳۶۲
نگرانی در رابطه با محیط زیست موجب به وجود آمدن گروه جدیدی از مصرف کنندگان با عنوان مصرف کنندگان سبز شده است. از آنجایی که تمام مصرف کنندگان به یک اندازه سبز نیستند استفاده از استراتژی بازاریابی هدفمند برای ترغیب آن ها به خرید محصولات سبز ضروری است. اولید قدم در بازاریابی هدفمند بخش بندی مصرف کنندگان و سپس تعیین نیمرخ مصرف کنندگان موجود در هر بخش است. هدف از این پژوهش بخش بندی بازار سبز بر پایه متغرهای جمعیت شناختی، روان شناختی و رفتاری و همچنین بررسی رابطه بین هر متغیر با رفتار مصرف کنندگان سبز است. در این پژوهش از نقشه های خودسازمانده برای بخش بندی و تعیین نیمرخ مصرف کنندگان سبز ایرانی استفاده شده است. بر پایه نتایج، چهار بخش بازار شناسایی شد که به صورت سبزهای شدید، سبزهای بالقوه، خودخواهان تیره و تیره های شدید نامگذاری شدند. همچنین نتایج این پژوهش نشان می دهد متغیرهای جمعیت شناختی شامل سن، جنسیت و درآمد و متغیرهای روان شناختی و رفتاری شامل ارزش های فردی، تعصب مذهبی، نگرش و دانش محیط زیستی نقش کلیدی در پیش بینی رفتار مصرف کنندگان سبز دارند.
۱۹.

انتخاب مؤلفه های تأثیرگذار بر پیش بینی سود آتی سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل ترکیبی شبکه ی عصبی و الگوریتم ژنتیک

کلید واژه ها: پیش بینینسبت های مالیالگوریتم ژنتیکشبکه های عصبیبورسمؤلفه های مؤثرانتخاب مؤلفهسود آتی سهام

حوزه های تخصصی:
تعداد بازدید : ۳۸۹ تعداد دانلود : ۳۸۸
تصمیم گیری همواره، یکی از مهم ترین وظایف مدیر بوده، در این بین، پیش بینی نتایج ورودی به سیستم و در حقیقت، نتایج شقوق مختلف تصمیم، جزءِ دغذغه های اصلی فرایندهای بهینه سازی تصمیم بوده است. از سوی دیگر، شناسایی عواملی که بر خروجی تصمیم یا نتیجه ی پیش بینی تأثیرگذارند اهمیت دارند؛ چرا که با شناسایی این عوامل می توان مدل مناسبی برای پیش بینی تدوین و سپس، کسب نتیجه از آن اقدام نمود. یکی از عوامل مهم برای تصمیم گیری سرمایه گذاران در مورد با خرید و فروش سهام یک شرکت، پیش بینی سود نقدی سهام بوده، در این مورد می توان از صورت های مالی در جایگاه ابزاری برای این پیش بینی استفاده نمود؛ بدین ترتیب که نسبت هایی را از صورت های مالی استخراج نموده، بر اساس آنها، مدلی برای پیش بینی سود آتی سهام توسعه داد و در نهایت تصمیم گرفت. در این مقاله سعی شده با استفاده از الگوریتم ژنتیک[1] و تلفیق آن با شبکه ی عصبی مصنوعی[2]، عوامل مؤثر بر پیش بینی سود آتی سهام (شامل نسبت های استخراج شده از صورت های مالی) شناسایی شده، در نهایت، این متغیرهای مؤثر بر خروجی، در مدلی که به مدد شبکه ی عصبی طراحی و برای پیش بینی سود آتی سهام به کار گرفته شوند. برای موردکاوی، به پیش بینی سود نقدی سهام 194 شرکت پذیرفته شده، در بورس توجه شده و 24 متغیر موجود در صورت های مالی که بر اساس نظر خبرگان در تغییرات سود نقدی سهام دخالت دارند، به مدل وارد شده اند. در نهایت، مدل ترکیبی با توجه به دینامیسم موجود بین متغیرهای ورودی، ده متغیر را به عنوان ترکیب بهینه ی متغیرهای تأثیرگذار انتخاب نموده که در مرحله ی دوم، به یک شبکه ی عصبی که برای پیش بینی طراحی شده، وارد شده اند و خطای حاصل از پیش بینی مبنای مقایسه با دیگر روش ها قرار گرفته است.
۲۰.

ارائه مدل پیش­بینی شاخص کل قیمت سهام با رویکرد شبکه­های عصبی (مطالعه موردی: بورس اوراق بهادار تهران)

کلید واژه ها: پیش بینیشبکه های عصبیشاخص بورس اوراق بهادارمدل چند عاملی

حوزه های تخصصی:
تعداد بازدید : ۳۲۴ تعداد دانلود : ۳۲۱
هدف تحقیق حاضر ارائه مدل پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار با استفاده از شبکه­های عصبی مصنوعی است. بر این اساس، شاخص صنعت، شاخص مالی و شاخص بازده نقدی به ­صورت سالانه به عنوان متغیرهای ورودی (مستقل) طرح شد. برای ارزیابی مدل شبکه عصبی از طرح MLP با الگوریتم آموزش پس انتشار و مدل چند عاملی بهره گرفته شده است. نتایج نشان می­دهد که مدل شبکه عصبی پیشنهادی، توانایی بالایی در پیش­بینی شاخص قیمت سهام در بورس اوراق بهادار تهران را دارا می­باشد. در پایان مقاله، بحث، نتیجه گیری، پیشنهادات کاربردی و نیز مواردی در خصوص ادامه و پی­گیری تحقیقات مشابه در آینده بیان شده است.