درخت حوزه‌های تخصصی

شبکه های عصبی و موضوعات مربوطه

مرتب سازی نتایج بر اساس: جدیدترینپربازدید‌ترین
فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۲۰ مورد از کل ۳۷ مورد.
۱.

کاربرد روش پنجره لغزان برای انتخاب ساختار شبکه عصبی با تاخیر زمانی در پیش بینی سری های زمانی مالی

کلید واژه ها: پیش بینی سری زمانیشبکه عصبی با تاخیر زمانیپنجره لغزانمعیار خطا پیش بینی

حوزه های تخصصی:
تعداد بازدید : ۱۴۲ تعداد دانلود : ۱۳۹
شبکه عصبی با تاخیر زمانی، یک ابزار مدل سازی برگرفته از محاسبات هوشمند است که در کنار روش های کلاسیک برای پیش بینی سری های زمانی مالی بکار گرفته می شود. این مدل اغلب در مواردی که از سری زمانی داده های فراوان، اما از ساختار مدل اطلاعات محدود وجود دارد، استفاده می شود، از این رو انتخاب ساختار و ارزیابی آن خود یک چالش است.در این مقاله یک مدل مبتنی بر شبکه عصبی با تاخیر زمانی برای پیش بینی معیارهای مالی بازار سهام ارائه شده و روش پنجره لغزان برای ارزیابی عملکرد پیش بینی کننده، بکار برده شده است. در این مقاله انتخاب ساختار مناسب شبکه، تعداد عملگرهای تاخیری، تعداد بهینه داده های پیشین و پسین و معیار کمّی مناسب برای ارزیابی عملکرد پیش بینی کننده، مورد مطالعه قرار گرفته است. عملکرد این مدل روی شاخص قیمت سهام چهار بنگاه بزرگ اقتصادی در بازار سهام لندن مورد بررسی قرار گرفته است. نتایج به دست آمده، نشان می دهد با روش پیشنهادی، می توان ساختاری انتخاب کرد که متوسط درصد خطا، متوسط مجذور مربعات خطا و معیار رگرسیون خطی خروجی شبکه در حد قابل توجهی کاهش می یابد.
۲.

کاربرد الگوریتم ژنتیک در انتخاب بهترین سناریو برای پیش بینی تقاضای انرژی مصرفی بخش خانگی - تجاری در ایران

کلید واژه ها: پیش بینیالگوریتم ژنتیکتقاضای انرژیبخش خانگی تجاری

حوزه های تخصصی:
تعداد بازدید : ۱۷۶ تعداد دانلود : ۱۶۵
توسعه مدل های پیش بینی انرژی یکی از مراحل مهم در برنامه ریزی های کلان برای تامین پایدار انرژی در راستای توسعه اقتصادی و رفاه اجتماعی است و همواره مورد توجه سیاستگذران و تحلیلگران انرژی بوده است. بخش خانگی- تجاری بزرگترین مصرف کننده انرژی در ایران است و پیش بینی تقاضای این بخش از اهمیت بالایی برخوردار است. در تحقیق حاضر با استفاده از از توابع خطی و نمایی و با ضرایب بدست آمده از الگوریتم ژنتیک به پیش بینی تقاضای انرژی بخش خانگی – تجاری ایران پرداخته شده است. 54 سناریوی مختلف با ورودی های متفاوت مورد بررسی قرار گرفته و از داده های مربوط به سال های 1346 تا 1389 برای توسعه مدل ها و انتخاب سناریوی مناسب استفاده شده است. نتایج نشان داد مدل نمایی با ورودی های ارزش افزوده کل منهای بخش نفت، ارزش ساختمان های ساخته شده، تعدا کل خانوار و شاخص قیمت مصرف انرژی مناسب ترین مدل است. با استفاده از سناریوی انتخابی تقاضای انرژی بخش خانگی-تجاری تا سال 1410 پیش بینی شده است. نتایج نشان می دهد تقاضای انرژی این بخش در سال 1410 به حدود 1180 میلیون بشکه معادل نفت خام می رسد.
۳.

تحلیل آماری و برآورد فاصله اطمینان پیش بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA: مطالعه موردی مصرف ماهانه گاز طبیعی در بخش خانگی ایران

کلید واژه ها: پیش بینیشبکه های عصبیبوت استرپگاز طبیعیالگوریتم PSO

حوزه های تخصصی:
تعداد بازدید : ۲۴۳ تعداد دانلود : ۲۱۹
مصرف گاز طبیعی به عنوان یکی از مهم ترین حامل های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش بینی روند آتی آن می باشد. با معرفی و کاربرد گسترده مدل های مختلف همچون شبکه های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن ها، آگاهی از دقت این مدل ها جهت نیل به هدف پیش بینی دقیق تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به کارگیری شبکه های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده ترین بخش مصرف کننده، به مقایسۀ دقیق تر این پیش بینی ها با استفاده از باز نمونه گیری از نمونه ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با استفاده از باز نمونه گیری با جایگذاری از داده های اردیبهشت ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال های 1389 و 1390 توسط آن ها پیش بینی و فاصله اطمینان 95 درصدی برای پیش بینی ها محاسبه شد. نتایج بررسی معنی داری اختلاف پیش بینی مدل ترکیبی شبکه عصبی با مدل ARIMA و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه ها بود.
۴.

رویکردی نوین در محاسبه سری زمانی سرمایه در ایران: روش الگوریتم بازگشتی با استفاده از الگوریتم ژنتیک (1338-1389)

کلید واژه ها: الگوریتم ژنتیکموجودی سرمایه متغیرنرخ استهلاک متغیرالگوریتم بازگشتی

حوزه های تخصصی:
  1. اقتصاد اقتصاد کلان و اقتصاد پولی مصرف،پس انداز،تولید،اشتغال و سرمایه گذاری سرمایه،سرمایه گذاری،ظرفیت
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۲۴۳ تعداد دانلود : ۲۴۱
به منظور برآورد تابع تولید و همچنین بررسی تغییرات بهره وری و رشد در اقتصاد هر کشوری، به سری زمانی متغیر حجم سرمایه نیازاست. تنوع در روش های پیشنهادی و نیز دشواری محاسبه سری زمانی این متغیر، باعث شده است که داده های موجود برای آن چندان قابل اعتماد نباشد. در میان روش های موجود، روش موجودی پیوسته بیشتر مورد توجه قرار گرفته که این روش نیز در عین برخورداری از ویژگی های مثبت، خالی از اشکالنیست. دراین تحقیق به منظور بهبود روش موجودی پیوسته در برآورد حجم سرمایه، از روش «الگوریتم نویسی» استفاده شده است. از قابلیت های الگوی بسط داده شده در این مطالعه می توان به متغیر؛ «در نظر گرفتن نرخ استهلاک سرمایه در دوره های مختلف»، «در نظر گرفتن متغیر کیفی جنگ و تاثیر آن بر نرخ استهلاک»، «بررسی انواع تابع تولید غیرخطی و خطی به منظور افزایش دقت برآورد و در نظر گرفتن انرژی به عنوان نهاده تولید علاوه بر نیروی کار و حجم سرمایه بر خلاف مطالعات گذشته»، اشاره کرد. نتایج نشان می دهد که سری زمانی محاسبه شده در این مطالعه دارای روندی مشابه، اما با مقداری تفاوت، در مقایسه با سری زمانی گزارش شده توسط بانک مرکزی ایران،است. همچنین نرخ استهلاک برآوردی میانگین برای دوره 1338 تا 1389 برابر با 1/5% است. برآوردها نشان می دهد که در دوران جنگ همواره نرخ استهلاک بالاتر از نرخ میانگین استهلاک بوده است. این نتیجه قدرت الگوریتم بسط داده شدهدر محاسبه نرخ استهلاک و همچنین حجم سرمایه را نشان می دهد.
۵.

بررسی توان پیش بینی الگوهای اقتصادسنجی و شبکه عصبی تورم در ایران

کلید واژه ها: شبکه عصبی مصنوعی (ANN)شاخص بهای کالاها و خدمات مصرفی ایرانالگوی سری زمانی میانگین متحرک خود توضیح انباشته (ARIMA)

حوزه های تخصصی:
  1. اقتصاد اقتصاد کلان و اقتصاد پولی قیمت ها،نوسانات تجاری،دورهای تجاری سطح عمومی قیمت ها،تورم
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۳۲۴ تعداد دانلود : ۳۱۴
تورم به عنوان یکی از بنیادی ترین چالش های اقتصادی، در طول حیات اقتصادی هر کشور شناخته می شود، به همین دلیل پیش بینی روند تورم برای تنظیم سیاست های اقتصادی اهمیت به سزایی دارد. این نیاز موجب توجه جدی به کاربرد مدل های مختلف برای پیش بینی نرخ تورم شده است؛ و بدین منظور مدل های پیش بینی گوناگونی در رقابت با یکدیگر توسعه یافته اند. از این رو این پژوهش با هدف پیش بینی ماهیانه نرخ تورم در ایران برای سال 1390 با استفاده از داده های سری زمانی ماهیانه شاخص بهای کالا و خدمات مصرفی ایران در سال های 1383 تا 1389 انجام شده و اطلاعات مربوط به شاخص بهای کالا و خدمات مصرفی نیز برای سال های مورد نظر از بانک مرکزی جمهوری اسلامی ایران گرفته شده است. برای این منظور از دو الگوی میانگین متحرک هم انباشته خود توضیح (ARIMA) و شبکه عصبی (ANN) استفاده شده و همچنین در این پژوهش به مقایسه الگوهای اقتصادسنجی و شبکه عصبی و توان پیش بینی هر یک از الگوها با در نظر گرفتن میانگین درصد خطای مطلق آنها پرداخته شده است. نتایج پیش بینی با استفاده از این دو الگو نشان داد، که اگرچه هر دو الگوی میانگین متحرک خود توضیح و شبکه ی عصبی، با توجه به میانگین درصد خطای مطلق پیش بینی درون نمونه ای، به ترتیب 86/0 و 94/0 درصد دارای توان پیش بینی بالایی بوده اند، اما الگوی ARIMA به نسبت الگوی ANN از دارای توان پیش بینی بالاتری بوده است. بنابراین در این پژوهش مقادیر پیش بینی شده شاخص بهای کالا و خدمات مصرفی در ایران بر اساس الگوی سری زمانی ARIMA تعیین شده است و نتایج پیش بینی این الگو نشان می دهد، با توجه به روند رو به رشد در شاخص بهای کالا و خدمات مصرفی در ایران برای سال 1390، در پیش گرفتن سیاست های کنترل حجم پول و نقدینگی از طریق اعمال سیاست های پولی و مالی مناسب توسط سیاستگذران می تواند نقش مهمی در کنترل نرخ تورم داشته باشد.
۶.

پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در صنایع کشاورزی و نساجی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

کلید واژه ها: مدیریت سودشبکه عصبیدرخت تصمیم گیری

حوزه های تخصصی:
تعداد بازدید : ۱۶۰ تعداد دانلود : ۱۵۹
امروزه روش های کمی، به یکی ازمهمترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاری های کلان دربازارها تبدیل شده اند. دقت پیش بینی، یکی ازمهم ترین فاکتورهای انتخاب روش پیش بینی است. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده ازشبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظورنه متغیر تأثیرگذار برمدیریت سود به عنوان متغیرهای مستقل واقلام تعهدی اختیاری، به عنوان متغیر وابسته مورد استفاده قرار گرفته است. در این تحقیق دو صنعت کشاورزی و نساجی ازسال 1385 تا سال1390مورد بررسی قرارگرفت. ازروش رگرسیون کمترین مربعات جهت مدل خطی واز شبکه عصبی پیشخور و درخت تصمیم گیریCart جهت بررسی ازطریق تکنیک های داده کاوی استفاده شد. نتایج حاصل ازاین تحقیق نشان دادکه روش شبکه عصبی و درخت تصمیم گیری درپیش بینی مدیریت سود نسبت به روش های خطی دقیق ترودارای سطح خطای کمتری است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل(DAI)، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد(THOD) وحساسیت در پرداخت بابت عملکرد (PPS)درروش های رگرسیون، شبکه عصبی، درختCart دارای بیشترین ارتباط است.
۷.

کاربرد شبکه عصبی مبتنی بر الگوریتم ژنتیک در پیش بینی تقاضای بلندمدت انرژی

کلید واژه ها: پیش بینیشبکه عصبیانرژیالگوریتم ژنتیکتقاضا

حوزه های تخصصی:
تعداد بازدید : ۳۵۰ تعداد دانلود : ۳۴۵
پیش­بینی تقاضای انرژی جهت عرضه به موقع، تنظیم بازار، هدفگذاری میزان صادرات و ایجاد امنیت انرژی اهمیت ویژه­ای دارد. روش­های مختلفی برای پیش­بینی تقاضای انرژی معرفی شده است که در این بین با توجه به روند غیرخطی و پرنوسان تقاضای انرژی، تکنیک­های غیرخطی نتایج مطلوب­تری داشته است. شبکه­های عصبی و الگوریتم ژنتیک از مهمترین و پرکاربردترین تکنیک­های غیرخطی در این زمینه می­باشند که هر یک نقاط ضعف و قوت خاصی دارند. در این مطالعه با ترکیب شبکه عصبی و الگوریتم ژنتیک، نقایص مذکور مرتفع شده و با الگوریتم ترکیبی معرفی شده به پیش­بینی تقاضای انرژی در ایران پرداخته شده است. نتایج مطالعه در پیش­بینی تقاضای انرژی طی سال­های 1346 تا 1390 نشان دهنده قدرت پیش­بینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح­دهندگی متغیرهای توضیحی بکار رفته است.
۸.

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 مصنوعیماشین بردار پشتیبانسود هر سهمشرکت های پذیرفته شده در بورس اوراق بهادار تهرانپیش‎بینی

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 : ۲۳۴ تعداد دانلود : ۲۲۹
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.
۹.

مقایسه عملکرد مدل های خطی وغیرخطی در توضیح سیستم تقاضای تقریباً ایده آل

کلید واژه ها: سیستم تقاضای تقریباً ایده آلرگرسیون به ظاهر نامرتبطشبکه عصبی پیشخور چند لایه

حوزه های تخصصی:
تعداد بازدید : ۲۱۴ تعداد دانلود : ۲۱۲
در اکثر مطالعات تجربی انجام شده با استفاده از سیستم معادلات تقاضای تقریباً ایده آل، کشش های قیمتی و درآمدی حاصل از برآورد این معادلات به توصیه های سیاستی حساسی در حوزه اقتصاد خرد و کلان منجر شده است. این درحالی است که برآورد خطی سیستم یاد شده مورد شک و تردید می باشد. دراین مقاله به بررسی عملکرد سیستم معادلات تقاضای تقریباً ایده آل خطی و غیرخطی پرداخته شده است. به این منظور با استفاده از تکنیک رگرسیون های به ظاهر نامرتبط برای تخمین مدل به روش خطی و از شبکه عصبی پیشخور چند لایه برای تخمین مدل غیرخطی بهره گرفته شده است. نتایج حاصل از برآورد مدل ها مبین این واقعیت می باشند که مدل شبکه عصبی پیشخور دارای خطای کم تر و در نتیجه از عملکرد بالاتری در برآورد سیستم معادلات تقاضا برخوردار می باشد. نتایج مبین وجود تردیدهایی برای کاربرد شاخص قیمت استون جهت خطی کردن برآورد سیستم تقاضای تقریباً ایده آل می باشد. بنابراین برای برآورد معادلات سیستمی، استفاده از مدل غیرخطی تقریباً ایده آل با استفاده از شبکه عصبی مصنوعی توصیه می شود.
۱۰.

ارائه یک الگوی شبکه عصبی برای تخمین روابط هزینه - فعالیت در بودجه ریزی بر مبنای عملکرد

کلید واژه ها: شبکه های عصبی مصنوعیهزینه یابی بر مبنای فعالیتبودجه ریزی بر مبنای عملکردتخمین روابط هزینه

حوزه های تخصصی:
  1. اقتصاد اقتصاد خرد مالیه بخش عمومی بودجه،کسری و قروض بودجه،سیستم های بودجه
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۵۷۲ تعداد دانلود : ۵۶۸
چگونگی مرتبط کردن داده های عملکردی با بودجه به عنوان یکی از مفاهیم اساسی بودجه ریزی بر مبنای عملکرد، از دغدغه های پژوهشگران بودجه ریزی و مدیران است. نحوه انتساب فعالیت ها به منابع و مشخص کردن سهم محرک های منبعی، یکی از پیچیده ترین بخش های بودجه ریزی بر مبنای عملکرد است. در اغلب روش های مرسوم برای هزینه یابی و بودجه ریزی، معمولاً فرض می شود رابطه ای خطی بین فعالیت ها و هزینه ها وجود دارد. در حالی که یک تابع هزینه، در عمل، همیشه خطی نیست و خطی فرض کردن آن، منجر به محاسبات اشتباه در بودجه فعالیت ها، خروجی ها و برنامه ها خواهد شد. در مقاله حاضر، برای حل مسئله تخمین رابطه بین فعالیت ها و منابع (هزینه ها) از رویکرد شبکه های عصبی مصنوعی استفاده شده است. برای آموزش و آزمون مدل شبکه عصبی، از داده های بانک تجارت ایران استفاده شده است. ویژگی متمایزکننده این الگو نسبت به سایر الگوها، در نظر گرفتن روابط بین هزینه – مرکز هزینه، به صورت غیرخطی است. معماری خاص شبکه پیشنهادی (معماری چندلایه پیش خور با ارتباطات پرشی) باعث می شود تا علاوه بر پیش بینی هزینه، مقدار سهم محرک های منبعی نیز از مدل قابل استخراج باشد. مقایسه نتایج به دست آمده از الگوی پیشنهادی برای مقدار محرک ها با نتایج نظرسنجی از خبرگان برای محرک های منبعی، اختلاف قابل قبولی را نمایش می دهد.
۱۱.

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 : ۶۹۳ تعداد دانلود : ۶۸۷
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.
۱۲.

ارزیابی عملکرد الگوهای شبکهی عصبی و خودرگرسیون میانگین متحرک در پیش بینی قیمت نفت خام ایران

کلید واژه ها: قیمتخودرگرسیون میانگین متحرکپیش بینی نفت خام ایرانشبکهی عصبی مصنوعی

حوزه های تخصصی:
  1. اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی نفت،گاز طبیعی،زغال سنگ،مشتقات نفتی پیش بینی قیمت،نوسانات قیمتی،عدم ثبات،نااطمینانی و ریسک
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۶۵۱ تعداد دانلود : ۶۴۹
این مطالعه با هدف معرفی الگوهای مطلوب پیش بینی برای قیمت نفت خام ایران انجام شده است داده های مورد استفاده به صورت هفتگی و شامل دورهی 2010-1997 میباشد و پیش بینی ها برای 10، 20 و 30 درصد داده های یاد شده انجام گرفته است. الگوهای مورد استفاده برای پیش بینی، شامل 4 الگوی شبکهی عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بوده است. شبکه های منتخب شامل شبکهی پیشخور پس انتشار، شبکهی آبشاری پس انتشار، شبکهی المان پس انتشار و شبکهی رگرسیون تعمیم یافته می باشد. هم چنین توابع آموزش مورد استفاده در پیش بینی شامل توابع لونبرگ- مارکوآت و شبهی نیوتنی است. یافته های به دست آمده نشان میدهد برای پیش بینی 10 درصد از داده های قیمت نفت خام، الگوهای شبکهی رگرسیون تعمیم یافته و شبکهی آبشاری پس انتشار با تابع آموزش شبهی نیوتنی، به ترتیب با خطایی کم تر از 1 و کم تر از 2 درصد دارای بهترین عملکرد هستند. برای پیش بینی 20 درصد داده های قیمت نفت خام ایران، شبکهی پیشخور پس انتشار و شبکهی المان پس انتشار با تابع آموزش لونبرگ- مارکوآت، دارای عملکرد بهتر میباشند. در مورد 30 درصد از داده ها نیز شبکهی پیشخور پس انتشار مطلوب تر ارزیابی شده است. هم چنین نتایج نشان میدهد به طور نسبی با افزایش درصد داده های مورد استفاده در پیش بینی، دقت پیش بینیها به ویژه با افزایش از 10 درصد به 20 درصد رو به افول میرود. دقت پیش بینی خودرگرسیون میانگین متحرک نیز پایین تر از الگوهای شبکهی عصبی ارزیابی میشود.
۱۴.

استفاده از تحلیل پوششی داده های پنجره ای برای تحلیل ساختار و روند کارایی شرکت های توزیع برق ایران

حوزه های تخصصی:
تعداد بازدید : ۹۲۵ تعداد دانلود : ۸۸۳
روند کارایی شرکت های توزیع برق ایران از طریق تحلیل پوششی داده های پنجره ای بعد از جداسازی عمودی و تغییر مالکیت آن ها به عنوان یک موضوع مهم در این مقاله بررسی میشود و عوامل محیطی و ساختاری موثر بر کارایی مورد مطالعه قرار می گیرند. بر حسب چگالی مدار، شرکت ها به دو گروه دارای چگالی مدار پایین (گروه1) و بالا (گروه2) تقسیم بندی شده اند. با توجه به نتایج تحقیق، میانگین کارایی پنجره ای گروه های1 و2 با توجه به فرامرز تحت هر دو فرض بازدهی ثابت و متغیر نسبت به مقیاس به ترتیب روند صعودی و نزولی داشته است. با این وجود میانگین کارایی پنجره ای شرکت های گروه 2 در همه پنجره ها بالاتر از گروه 1 بوده است. شرکت های توزیع برق شهرستان شیراز،گلستان ومازندران در گروه 2 عملکرد نامناسبی با توجه به فرامرز و مرز گروهی داشته اند. عملکرد شرکت های دارای چگالی مدار بالاتر شکاف کم تری با عملکرد بالقوه برتر فرامرز دارد. افزایش ضریب بار شبکه باعث کاهش کارایی و افزایش ضریب بار ترانسفورماتور باعث افزایش کارایی در بلندمدت میشود. خصوصیسازی در کوتاه مدت دارای اثر معنیداری بر کارایی نبوده است اما در بلندمدت اثر مثبت معنیداری دارد.
۱۵.

مقایسه مدل شبکه های عصبی مصنوعی با روش های رگرسیون لجستیک و تحلیل ممیزی در پیش بینی ورشکستگی شرکت ها

کلید واژه ها: کلیدواژگان: تحلیل ممیزی؛ رگرسیون لجستیک؛ شبکه عصبیِ مصنوعی؛ پیش بینی ورشکستگی

حوزه های تخصصی:
تعداد بازدید : ۲۱۳۳ تعداد دانلود : ۲۱۲۴
یکی از مهم ترین‌ موضوع های‌ مطرح‌ شده‌ در زمینه‌ مدیریت مالی، این است که سرمایه گذاران فرصت های مطلوب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهند و منابعشان را در فرصت های مناسب سرمایه گذاری کنند. از مهمترین روش‌هایی که می توان با استفاده از آن به بهره گیری مناسب از فرصت های سرمایه گذاری و همچنین جلوگیری از به هدر رفتن منابع کمک کرد، پیش بینی ورشکستگی شرکت ها است. برای این منظور مدل های مختلفی وجود دارد. در این پژوهش جهت پیش بینی ورشکستگی از مدل شبکه های عصبی به همراه مقایسه آن با دو روش آماری رگرسیون لجستیک و تحلیل ممیزی استفاده شده است. در این مقاله علاوه بر معرفی مدل های شبکه های عصبی، یک مدل شبکه عصبی برای پیش بینی ورشکستگی شرکت های تولیدی طراحی شده است که برای استان کرمان مورد استفاده قرار گرفته است. اطلاعات استفاده شده مربوط به دوره زمانی 1386-1374 می باشد. نتایج پژوهش نشان می دهد که مدل ANN از دو روش آماری دیگر دقت بالاتری در پیش بینی دارد. همچنین مدل ANN نشان داد که هیچ کدام از این شرکت های تولیدی در سال بعد از دوره مورد بررسی، ورشکسته نخواهند شد.
۱۶.

کاربرد سیستم های استدلال عصبی- فازی در رتبه بندی اعتباری مشتریان حقوقی بانکها

کلید واژه ها: رتبه بندی اعتباریدرجهی تشخیصسیستم استدلال عصبیفازی سازگار

حوزه های تخصصی:
تعداد بازدید : ۸۶۸ تعداد دانلود : ۸۵۵
امروزه ریسک اعتباری به عنوان یکی از بزرگ ترین عوامل ورشکستگی بانکها و مؤسسات مالی شناخته شده است. به منظور مدیریت و کنترل این ریسک طراحی مدل های رتبه بندی اعتباری در بانکها ضرورتی انکار ناپذیر است. رتبه بندی اعتباری به منظور تعیین احتمال نکول در بازپرداخت تسهیلات اعتباری و از سوی دیگر برای طبقه بندی مشتریان متقاضی تسهیلات اعتباری به دو گروه خوش حساب و بد حساب مورد استفاده قرار میگیرد. تا به حال روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون خطی و لجستیک و شبکه های عصبی در زمینه رتبه بندی اعتباری توسعه یافته اند. در این میان، شبکه های عصبی به دلیل انعطاف پذیری و دقت بالا، در سال های اخیر بیش تر مورد توجه قرار گرفته اند. در این مقاله یک مدل رتبه بندی اعتباری با استفاده از سیستم های استدلال عصبی- فازی جهت رتبه بندی مشتریان حقوقی بانکها ارائه شده است. متغیرهای ورودی این مدل نسبت بدهی، نسبت فعالیت و نسبت ارزش ویژه به مجموع دارایی ها و متغیر خروجی آن احتمال نکول مشتری، در نظر گرفته شده است. پس از آموزش و تست مدل بر اساس داده های بانک کشاورزی طی سال های 1380-1385، مدل ارائه شده با دقت 36/69 درصد وضعیت اعتباری مشتریان را پیش بینی می کند.
۱۷.

بررسی کاربرد الگوریتم ابتکاری ‐ ترکیبی ژنتیک و نِلدر ‐ مید در بهینه سازی پورتفوی

کلید واژه ها: الگوریتم ژنتیکمدل مارکویتزمدیریت سبد سهامتئوری مدرن پورتفویالگوریتم نلدر - میدروش های ابتکاری بهینه سازی

حوزه های تخصصی:
  1. اقتصاد اقتصاد مالی بازارهای مالی انتخاب پرتفوی،تصمیمات سرمایه گذاری
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۵۳۵ تعداد دانلود : ۵۳۰
همچنان مدل پورتفوی مارکویتز در حرفه و مباحث علمی سرمایه گذاری، رویکرد غالب است. در قیاس با رشد روزافزون استفاده از پورتفوی ها و با وجود ادبیات غنی آن، همچنان مشکل ها و سؤال های بی پاسخ فراوانی در این باره وجود دارد. چگونگی انتخاب پورتفوی، از جمله مسائل بحث برانگیز است. انتخاب روش بهینه سازی پورتفوی نیز، یکی از مهم ترین زیرشاخه های این مقوله است. هدف این پژوهش، ارائة ابزاری مفید و کارآمد برای کمک به متخصصان حوزة مالی در عمل و همچنین محققان مالی در تئوری انتخاب پورتفوی است. این پژوهش، علاوه بر بررسی روش های کلاسیک و ابتکاری در بهینه سازی، الگوریتم های ابتکاری را با یکدیگر ترکیب کرده و آن را بر مسئلة بهینه سازی پورتفوی در بورس اوراق بهادار تهران بین سی و پنج شرکت از پنجاه شرکت برتر بازار، اعمال می کند. نتایج تحقیق نشان می دهد که ترکیب الگوریتم های ژنتیک و نِلدر ‐ مید با مسئلة بهینه سازی پورتفوی به خوبی سازگاری دارد و در مقایسه با کاربرد جداگانة الگوریتم ژنتیک، ترکیب با سرعت همگرایی بهتر به پاسخ بهینه و ریسک ‐ بازدهی مناسب تر، عملکرد بهتری را دارد. همچنین نتایجِ مقایسه پورتفوی های روش ترکیبی نشان می دهد که اگرچه سرعت همگرایی و تنوع بخشی پورتفوی اطلاعات ماهانه، بیشتر از پورتفوی سالانه است؛ اما عملکرد ریسک ‐ بازدهی پورتفوی اطلاعات سالانه، بهتر از پورتفوی ماهانه است.
۱۸.

پیش بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی

کلید واژه ها: پیش بینیقیمت سهامشبکه های عصبی فازیالگوریتم های ژنتیک

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 : ۲۰۳۶ تعداد دانلود : ۲۰۱۷
سرمایه گذاری در سهام عرضه شده در بورس اوراق بهادار یکی از گزینه های پرسود در بازار سرمایه است. بازار سهام دارای سیستمی غیر خطی و آشوب گونه است که تحت تاثیر شرایط سیاسی، اقتصادی و روانشناسی می باشد و می توان از سیستم های هوشمند غیرخطی همچون شبکه های عصبی مصنوعی، شبکه های عصبی فازی و الگوریتم های ژنتیک برای پیش بینی قیمت سهام استفاده نمود. در این مقاله به طراحی و ارایه یک مدل پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی و الگوریتم های ژنتیکی و کاهش خطای پیش بینی قیمت سهام با استفاده از آن نسبت به استفاده از تکنیک شبکه عصبی مصنوعی به صورت منفرد پرداخته شده است. در ادامه پس از طراحی و پیاده سازی مدل شبکه های عصبی فازی و الگوریتم های ژنتیک، با استفاده از چهار معیار سنجش خطا، نتایج دو مدل مقایسه شده است. نتایج نشان می دهد که مدل ترکیبی شبکه های عصبی فازی و الگوریتم های ژنتیک پیش بینی های بسیار مناسب تری داشته و نسبت به شبکه عصبی منفرد از سرعت بالاتر و توانایی تقریب قوی تری برای پیش بینی قیمت سهام برخوردار بوده است.
۱۹.

رتبه بندی اعتباری مشتریان حقوقی بانک پارسیان

کلید واژه ها: ریسک اعتباریاعتبارسنجیشبکه عصبی GMDHرگرسیون لاجیت و پروبیت

حوزه های تخصصی:
تعداد بازدید : ۱۴۸۶ تعداد دانلود : ۱۴۷۳
این مقاله با هدف مدلسازی سنجش ریسک اعتباری و اعتبارسنجی مشتریان در بانک پارسیان به روش رگرسیون لاجیت و پروبیت و مدل شبکه های عصبی هوشمند GMDH انجام می شود. بدین منظور اطلاعات و داده های مالی و کیفی یک نمونه تصادفی 400 تایی از مشتریان که تسهیلات دریافت نموده اند مورد بررسی قرار می گیرد. این حجم نمونه از مشتریان دارای حساب منتهی به سال 1388 انتخاب شده اند. در این مقاله پس از بررسی پرونده های اعتباری هر یک از مشتریان، 11 متغیر توضیح دهنده مورد ارزیابی قرار می گیرد. نتایج مقاله ضمن دلالت بر تایید نظریه های اقتصادی و مالی نشان می دهد که عملکرد پیش بینی الگوی شبکه عصبی (درصد پیش بینی های صحیح آن) به مراتب بهتر از الگوهای اقتصادسنجی متعارف لاجیت و پروبیت است و در زمینه عوامل موثر بر ریسک اعتباری نشان می دهد که از بین متغیرهای مذکور، نوع وثیقه و نسبت بدهی دارای بیشترین اثر بر متغیر احتمال نکول می باشند. همچنین سابقه همکاری، نسبت جاری، نسبت آنی و نسبت مالکانه دارای اثر معمولی و سایر متغیرها کم اثر هستند
۲۰.

پیش بینی ورشکستگی شرکت های تولیدی با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: شرکت های تولیدی استان کرمان)

کلید واژه ها: پیش بینیایرانشبکه عصبی مصنوعیورشکستگیشرکت های تولیدی

حوزه های تخصصی:
  1. اقتصاد اقتصاد مالی حاکمیت و مالیه شرکتی ورشکستگی،انحلال
  2. اقتصاد روش های ریاضی و کمی روش های آماری و اقتصادسنجی:موضوعات خاص شبکه های عصبی و موضوعات مربوطه
تعداد بازدید : ۸۸۹ تعداد دانلود : ۸۸۴
یکی از مهم ترین موضوع های مطرح شده در مدیریت مالی، تشخیص فرصت های مطلوب سرمایه گذاری توسط سرمایه گذاران از فرصت های نامطلوب است. یکی از راه هایی که می توان با استفاده از آن به بهره گیری مناسب از فرصت های سرمایه گذاری و همچنین جلوگیری از به هدر رفتن منابع کمک کرد، پیش بینی ورشکستگی شرکت ها است. برای این منظور مدل های مختلفی وجود دارد. در این پژوهش جهت پیش بینی ورشکستگی شرکت های تولیدی استان کرمان، از مدل شبکه های عصبی استفاده شده است.

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

زبان