آنالیز مولفه های اصلی

یکی از ابزارهای تصمیم گیری استفاده کنندگان برون سازمانی از قبیل سرمایه گذاران، اعتباردهندگان، شرکت های تجاری و همچنین موسسات دولتی تصمیم گیری در خصوص سرمایه گذاری، اعطای اعتبار و ... تجزیه و تحلیل صورت های مالی شرکت ها می باشد. با توجه به پیشرفت سریع فناوری و تکنولوژی های کامپیوتری می توان اطلاعات دقیق تری نسبت به اطلاعات سنتی در اختیار تصمیم گیرندگان قرار داد. تا بتوانند تصمیم گیری های مناسب تری را در خصوص احتمال برگشت سرمایه و یا وقوع بحران مالی قبل از وقوع و تحمل هزینه های سنگین اتخاذ نمایند. هدف این تحقیق تدوین مدلهای پیش بینی کننده بحران مالی برای شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از نسبت های مالی و تکنیک های هوش مصنوعی می باشد. از این رو اطلاعات مالی مربوط به دوره زمانی 1370 الی 1388 جمع آوری و نسبت های مالی مورد نظر استخراج و الگوهای شبکه عصبی ANN، ترکیب آنالیز مولفه های اصلی و شبکه عصبیPCA+ANN برای پیش بینی بحران مالی یک، دو و سه سال قبل از وقوع آن تدوین شده است. سپس با توجه به نتایج بدست آمده، الگوها با یکدیگر مقایسه و بهترین الگو استخراج شده است. با توجه به نتایج آزمون مشخص گردید الگوی شبکه عصبی با استفاده از اطلاعات یک سال قبل از وقوع نسبت به سایر تکنیک های این پژوهش و سایر سال های مالی دارای کارایی بیشتری در پیش بینی بحران مالی شرکت ها می اشد.

پیش بینی نوسان های آینده شاخص سهام می تواند اطلاعاتی در مورد روند آینده بازار سرمایه فراهم نماید. در این پژوهش، به منظور افزایش دقت پیش بینی شاخص بورس اوراق بهادار تهران، ترکیبی از روش های آماری و هوش مصنوعی به کار رفته است. مدل اصلی پیش بینی در این پژوهش، رگرسیون بردار پشتیبان بهینه شده به وسیله الگوریتم حرکت تجمعی ذرات می باشد. در برازش مدل رگرسیون بردار پشتیبان، سه پارامتر توضیحی وجود دارد که باید ترکیبی از این سه پارامتر توسط کاربر و به صورت آزمایش و خطا انتخاب شود تا دقت مدل را به بیشترین حد خود برساند. با توجه به زمان بر بودن و کارایی پایین انتخاب پارامتر توسط کاربر، برای انتخاب ترکیب بهینه پارامترهای مدل رگرسیون بردار پشتیبان، از روش بهینه سازی حرکت تجمعی ذرات استفاده شده است که الگوریتمی قوی در حوزه بهینه سازی می باشد. با توجه به حجم زیاد داده های ورودی به مدل برای کاهش زمان یادگیری و افزایش دقت پیش بینی، با استفاده از روش آنالیز مولفه های اصلی، پیش پردازش روی متغیرهای ورودی صورت گرفته و به مولفه های اصلی تبدبل شده است. نتایج بدست آمده نشان داد که پیش پردازش روی دادها، خطای پیش بینی مدل را به طور قابل ملاحظه ای کاهش داده است.

پیش بینی روند قیمت نفت خام و نوسانات آن همواره یکی از چالش های پیش روی معامله گران در بازارهای نفتی بوده است. این مقاله به پیش بینی قیمت روزانه نفت خام برنت با یک مدل ترکیبی پیشنهادی می پردازد. نمونه آماری قیمت روزانه نفت خام برنت دریای شمال از ژوئیه سال 2008 تا ژوئیه سال 2016 می باشد که از میان کل قیمت های روزانه نفت در تمام بازارهای نفتی انتخاب شده است. در این پژوهش، برای پیش بینی مدلی از ترکیب روش های آماری و هوش مصنوعی (PCA-SVR) ارائه می شود. با توجه به اثبات برتری دقت پیش بینی مدل رگرسیون بردار پشتیبان (SVR)[1] نسبت به سایر روش های پیش بینی در مطالعات گذشته هدف اصلی در این پژوهش، بهبود پیش بینی رگرسیون بردار پشتیبان با استفاده از پیش پردازش اولیه داده ها به وسیله آنالیز مولفه های اصلی (PCA)[2] است. جهت انجام پژوهش پس از انجام آزمون مانایی، با استفاده از آنالیز مولفه های اصلی متغیرهای ورودی را به مولفه های اصلی که کل پراکندگی داده ها را پوشش می دهد تبدیل نموده و به عنوان ورودی برای مدل پیش بینی در نظر گرفتیم. سپس با استفاده از مدل رگرسیون بردار پشتیبان و شبیه سازی آن در نرم افزار متلب اقدام به پیش بینی قیمت روزانه نفت خام برنت نمودیم. به منظور مقایسه عملکرد مدل های SVR و PCA-SVR از آزمون مقایسات زوجی استفاده نمودیم. نتیجه پژوهش بیانگر این موضوع بود که پیش پردازش اولیه به وسیله آنالیز مولفه های اصلی بر روی داده ها باعث کاهش خطای مدل پیشنهادی گردیده است. [1]. Support Vector Regression [2]. Principal Components Analyses