یادگیری ماشین

هدف: منحنی بازده یکی از ابزارهای کلیدی در تحلیل های اقتصادی به شمار می رود که نقش مهمی در تفسیر انتظارات بازار نسبت به سیاست های پولی، وضعیت اقتصادی و تورم در بازه های زمانی مختلف ایفا می کند. این منحنی همچنین در حوزه هایی چون سیاست گذاری مالی، مدل سازی کسب وکار نهادهای مالی و تصمیم گیری های سرمایه گذاری مانند ارزش گذاری دارایی ها و مدیریت ریسک کاربرد فراوانی دارد. با وجود اهمیت بالای موضوع، پیش بینی و تحلیل منحنی بازده در ایران کمتر مورد توجه قرار گرفته است درحالیکه اقتصاد ایران با چالش هایی مانند تورم مزمن، نوسانات ارزی، تحریم ها و وابستگی به درآمدهای نفتی مواجه است. هدف این پژوهش، پیش بینی منحنی بازده اوراق دولتی بدون ریسک در ایران است. در این راستا، پیش بینی با توجه به دو بعد زمان و سررسید انجام شد به طوریکه ضمن بررسی رفتار بازده اوراق با سررسید مختلف در هر زمان، روند تغییرات هر سررسید در طول زمان نیز تحلیل شد. روش: با وجود توسعه روش های مختلف برای پیش بینی منحنی بازده، مدل عاملی نلسون-سیگل پویا به دلیل تفسیرپذیری بالا، کاهش ابعاد و توانایی خلاصه سازی منحنی در سه عامل کلیدی سطح، شیب و انحنا، به عنوان چارچوب پایه برآورد انتخاب شد. این عوامل به دلیل دلالت های اقتصادی و مالی مشخص، نقشی مهم در تصمیم گیری های سیاستی و راهبردی ایفا می کنند. در این پژوهش، با استفاده از داده های اسناد خزانه اسلامی در بازار سرمایه ایران، تلاش شد تا عوامل مذکور با مجموعه مدل ها ازجمله مدل خود رگرسیون برداری-گارچ (به عنوان مدل مبنا) و سایر مدل ها ذیل یادگیری ماشین مانند الگوریتم مبتنی بر تقویت گرادیان به عنوان مدل سطحی و مدل های شبکه عصبی پیچشی – حافظه طولانی کوتاه-مدت و واحد بازگشتی دارای دروازه به عنوان مدل یادگیری عمیق پیش بینی شوند. در نهایت با جایگذاری مقادیر پیش بینی شده سه عامل در معادله نلسون–سیگل پویا منحنی بازده آینده بازسازی گردد. شایان ذکر است که هر یک از مدل ها از نظر پیچیدگی، تفسیرپذیری، نیازهای داده ای، الزامات محاسباتی و نوع روابط (خطی -غیرخطی)، ویژگی هایی متفاوت دارند. یافته ها: یافته های پژوهش نشان می دهد که مدل خودرگرسیون برداری-گارچ در پیش بینی عامل سطح عملکرد بهتری نسبت به سایر مدل ها دارد. این برتری به دلیل ساختار خودرگرسیو این مدل است که برای تحلیل روندهای پایدار و طولانی مدت مناسب تر عمل می کند. در مقابل، مدل های یادگیری عمیق به دلیل محدودیت داده و ضعف در شناسایی روندهای طولانی مدت، دقت کمتری در پیش بینی این عامل داشته اند. اما در مورد عامل های شیب و انحنا که بیشتر تحت نوسانات کوتاه مدت و میان مدت قرار دارند، مدل های یادگیری عمیق عملکرد بهتری نسبت به مدل های سنتی از خود نشان داده اند. این برتری به توانایی آن ها در درک الگوهای پیچیده و غیرخطی در طول زمان بازمی گردد، درحالی که مدل های آماری کلاسیک به دلیل مفروضات سخت گیرانه در مواجهه با چنین نوساناتی دچار خطا می شوند. در مرحله بعد، پیش بینی سه عامل در معادله نلسون–سیگل پویا جای گذاری شده و دقت بازسازی منحنی بازده با معیار ریشه میانگین مربعات خطا سنجیده شد. نتایج نشان داد که هیچ یک از مدل ها به تنهایی برتری مطلق در پیش بینی هر سه عامل را ندارند. بنابراین، استفاده از ترکیب بهینه از مدل ها – به گونه ای که هر عامل توسط مدلی با کمترین خطا پیش بینی شود – می تواند دقت بازسازی منحنی بازده را افزایش دهد و این رویکرد با ساختار مدل نلسون–سیگل، مبتنی بر فرض استقلال عامل ها از یکدیگر، نیز سازگار است. نتایج نشان داد در صورتیکه عامل سطح با مدل خود رگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه مدت، شیب با واحد بازگشتی دارای دروازه و انحنا با مدل خود رگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان برآورد شوند به بهترین نتایج یعنی کمترین انحراف از واقعیت معادل حدود نیم درصد منجر خواهد شد. نتیجه گیری: این پژوهش با هدف ارائه مدلی دقیق برای پیش بینی منحنی بازده در بازار مالی ایران انجام شد. بدین منظور، مدل نلسون-سیگل پویا انتخاب شد که منحنی بازده را در قالب سه عامل سطح، شیب و انحنا مدل سازی می کند. این تحقیق از مجموعه مدل های سنجی و یادگیری ماشین جهت برآورد استفاده کرد. در مرحله نخست، عملکرد مدل ها در پیش بینی عامل های نلسون-سیگل ارزیابی شد. نتایج نشان داد که مدل خودرگرسیون برداری-گارچ برای پیش بینی عامل سطح عملکرد برتری دارد، در حالی که مدل های یادگیری عمیق در پیش بینی عامل های شیب و انحنا، که نوسانات کوتاه مدت و میان مدت دارند، دقیق تر عمل کردند. در مرحله دوم، دقت بازسازی منحنی بازده بر اساس عامل های پیش بینی شده سنجیده شد. یافته ها نشان داد که بهترین ترکیب برای پیش بینی منحنی زمانی حاصل می شود که عامل سطح با مدل خودرگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه مدت، عامل شیب با واحد بازگشتی دارای دروازه و عامل انحنا با خودرگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان پیش بینی شود که منجر به خطای بازسازی کمتر از نیم درصد خواهد شد

این پژوهش با هدف پیش بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین انجام شده است. پژوهش حاضر با تحلیل داده های ریسک عملیاتی و ارزیابی عملکرد الگوریتم های یادگیری ماشین به منظور ارائه الگوریتم هایی مؤثر برای پیش بینی دقیق تر احتمال وقوع ریسک عملیاتی و مدیریت بهتر آن در صنعت بانکداری صورت گرفته است. در این پژوهش، داده های مرتبط با ریسک عملیاتی از سال 1395 تا 1402 جمع آوری و پیش پردازش شد و سپس با استفاده از مدل های یادگیری ماشین مانند RF، DT، SVM، LR، NB و KNN پیش بینی انجام شد. عملکرد مدل ها با معیارهایی همچون دقت، صحت، بازخوانی، F1-score و AUC ارزیابی شد تا بهترین مدل برای پیش بینی احتمال وقوع ریسک انتخاب شود. نتایج نشان می دهند که الگوریتم های RF و SVM در پیش بینی احتمال وقوع ریسک عملیاتی در تمامی حالت ها عملکرد بسیار خوبی دارند؛ به علاوه که الگوریتم های یادگیری ماشین توانایی بالایی در پیش بینی وقوع ریسک عملیاتی دارند و می توانند ابزار مؤثری برای تصمیم گیری های مدیریتی در صنعت بانکداری فراهم کنند.

هوش مصنوعی (AI) به عنوان یک فناوری نوظهور، تأثیر قابل توجهی بر صنعت حسابداری داشته است. اخیراً، علاقه فزاینده ای به کاربردهای هوش مصنوعی در حرفه هایی وجود دارد که فرآیندهای زیادی دارند که می توانند به راحتی خودکار شوند. خوش بینی گسترده ای وجود دارد که سیستم های هوش مصنوعی می توانند منجر به نوآوری های جدید یا بهبود فرآیندهای موجود شوند. این مطالعه بر برخی از کاربردهای هوش مصنوعی در حرفه های حسابداری، امور مالی، اقتصاد، کسب وکار و مدیریت تمرکز دارد. این مطالعه درک اولیه ای از چگونگی مفید بودن هوش مصنوعی در این حرفه ها ارائه می دهد. همچنین برخی از بینش ها را در مورد خطرات ناشی از استفاده از هوش مصنوعی ارائه می کند. با استفاده از روش شناسی مروری، این مطالعه نشان می دهد که هوش مصنوعی می تواند به سازمان ها در دستیابی به دقت بیشتر، کاهش هزینه ها و افزایش کارایی کمک کند. همچنین برخی از بینش ها را در مورد خطرات ناشی از استفاده از هوش مصنوعی ارائه می کند. هوش مصنوعی کاربرد

هدف : این مطالعه با هدف ارائه تحلیلی بیبلیومتریک از روندها و فرصت های پژوهشی در حوزه بیمه و هوش مصنوعی انجام شده است. با شناسایی کاربردهای هوش مصنوعی در صنعت بیمه، تلاش شده است تا چشم انداز جامعی از توسعه دانش و روندهای کلیدی در این زمینه ارائه شود. روش : با استفاده از پایگاه داده وب آو ساینس، 837 سند علمی از سال 1985 تا 2024 جمع آوری و تحلیل شدند. ابزارهای بیبلیومتریک مانند بسته نرم افزاری Bibliometrix و VOSviewer برای تحلیل داده ها، نقشه برداری علمی، و تحلیل استنادی و هم استنادی استفاده شده اند. تمرکز اصلی بر تحلیل روندهای تحقیقاتی، ساختارهای مفهومی و شبکه های همکاری علمی بوده است. یافته ها : نتایج نشان می دهد که حوزه بیمه و هوش مصنوعی به عنوان یک زمینه میان رشته ای در حال گسترش است. در ابتدا پژوهش ها بر عوامل اجتماعی و اقتصادی متمرکز بوده اند، اما اخیراً موضوعاتی مانند تحلیل ریسک، تشخیص تقلب و استفاده از یادگیری ماشین و شبکه های عصبی برای بهبود فرآیندهای بیمه ای بیشتر مورد توجه قرار گرفته اند. همچنین، ایالات متحده و چین به عنوان کشورهای پیشرو در تولید علم و همکاری های بین المللی در این حوزه شناخته شدند. نتیجه گیری: این مطالعه تأکید می کند که هوش مصنوعی به عنوان یکی از ابزارهای کلیدی برای تحول در صنعت بیمه، بهینه سازی هزینه ها، و افزایش کارایی خدمات محسوب می شود. یافته ها مسیرهای جدیدی برای تحقیقات آینده، شامل بررسی چالش های حقوقی، امنیت داده ها، و توسعه چارچوب های استاندارد برای بهره برداری از فناوری های هوش مصنوعی، پیشنهاد می دهد. این رویکرد می تواند به بهبود مدیریت ریسک و ارتقاء تجربه مشتریان در صنعت بیمه منجر شود.

با رشد روزافزون علوم نوپدید به خصوص هوش مصنوعی و توسعه آن در صنایع مختلف و زندگی روزمره انسان ها، عرصه صنایع نظامی از جمله مواردی است که بیشترین سرمایه و مطالعه در این زمینه را به خود اختصاص خواهد داد. این مهم به خصوص در ارتش های پیشرفته دنیا و تجهیزات مورد استفاده آنان نمو داشته است و روزانه در حال پیشبرد اهداف و چشم اندازهای علمی و پژوهشی در این حوزه می باشند. با توجه به سرعت رشد این فناوری و مخاطرات مرتبط با آن، لازم است پتانسیل ها و تهدیدهای آن با جزئیات بیشتری در کلیه ی حوزه ها مورد بررسی قرار گیرد. در این پژوهش برآنیم که شاخه های هوش مصنوعی که می توانند کاربرد نظامی داشته باشند را شناسایی کنیم و مزایا و معایب موجود در این فناوری را بررسی نماییم. جهت دستیابی به اهداف این پژوهش، منابع مختلف در حوزه هوش مصنوعی و حوزه نظامی گردآوری شده و نتایج حاصله آنها تجمیع شده است. در نتایج پژوهش حاضر، ضمن بررسی مختصر از تاریخچه و تئوری های هوش مصنوعی، شاخه های یادگیری ماشین، یادگیری عمیق و بینایی ماشین که بیشترین قابلیت را در کاربری نظامی دارند بررسی کرده ایم. سپس ضمن مرور تجربیات دیگر کشورها دراستفاده نظامی از این فناوری، مزایا، چالش ها و تهدیدهای مرتبط با این فناوری را ارائه کرده ایم.

پایان دادن به فقر، نخستین هدف از اهداف اصلی توسعه پایدار است و بهره گیری از نوآوری های اجتماعی و فناورانه، ازجمله راهبردهای کلیدی برای دستیابی به این مهم قلمداد می شود. با این وجود، همچنان چارچوبی منسجم که شیوه نقش آفرینی هوش مصنوعی در توانمندسازی نوآوری اجتماعی برای کاهش فقر چندبُعدی را تبیین کند، به طور نظام مند ارائه نشده است. در این پژوهش، با تکیه بر رویکرد مفهومی نوآوری اجتماعی دیجیتال، به شکل دهی راه حل های نوین اجتماعی برای رفع فقر چندبُعدی جهت رفع این شکاف، پرداخته شده است. مطالعه کنونی با رویکرد کیفی و روش فراترکیب، به تحلیل نظام مند ۳۰ مقاله علمی برتر از پایگاه داده وب آوساینس در بازه زمانی ۲۰۱۰ تا ۲۰۲۴ پرداخته است. طی فرایند تحلیل مقالات، شناسه گذاری سه مرحله ای، اعتبارسنجی یافته ها و سپس تلفیق آنها در یک چارچوب مفهومی پنج بُعدی اعم از کارکردهای هوش مصنوعی، موانع، پیش نیازهای موفقیت، پیامدها و شرایط زمینه ای انجام شد. یافته های پژوهش نشان می دهد که هوش مصنوعی می تواند از طریق مقیاس بندی ظرفیت جمعی، تسهیل کنش جمعی مبتنی بر داده، ایجاد بسترهای نوآوری مشارکتی و ارتقاء حکمرانی داده محور، نوآوری اجتماعی را شتاب داده و مسیرهای جدیدی برای کاهش فقر بگشاید. این پژوهش رویکرد مفهومی نوآوری اجتماعی دیجیتال را به طور خاص برای عصر هوش مصنوعی توسعه می دهد.

طراحی یک مدل هوشمند اعطای تسهیلات بانکی می تواند بسیار از دغدغه ها و نگرانیهای سیستم بانکی را در خصوص بازپرداخت وامهای اعطای شده و افزایش وامهای غیر عملیاتی را کاهش دهد. برای این منظور لازم است با بهره گیری از الگوریتمهای هوش مصنوعی چنین مدلی طراحی شود. در این تحقیق هدف طراحی یک مدل اعطای تسهیلات بانکی هوشمند بر اساس کلان داده و بر اساس مشخصه های جمعیت شناختی وضعیت کسب و کار و پرداختهای گذشته مشتریان می باشد. مدل شامل 12 متغیر بود که داده های آن از سیستم بانکی جمع اوری شده و سپس با کمک الگوریتمهای یادگیری ماشین پیاده سازی شد. سه الگوریتم کا نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی در تحقیق حاضر استفاده شد که نتایج نشان می دهد الگوریتم درخت تصمیم با دقت 99.6 درصد در بالاترین سطح قادر به پیش بینی رفتار بازپرداخت مشتریان بوده و این امر نشان می دهد که متغیرهای 12 گانه معرفی شده تا بیش از 99 درصد می توانند بازپرداخت مشتریان را بر اساس سه دسته مشتریان با ریسک بالا، متوسط و ریسک اندک دسته بندی نمایند.