مرحلۀ چهارم: ادامۀ پروسه تا رسیدن به گیاهان با بهترین مطلوبیت
جزئیات گام های الگوریتم بهینه سازی علف های هرز
مرحلۀ اول: تولید جمعیّت تصادفی اوّلیه و ارزیابی تابع هدف آنها
در این مرحله هر گیاه تعداد معیّنی دانه تولید می کند. تعداد دانه ای که هر گیاه مجاز است تولید کند به میزان برازندگی خود و همچنین ماکزیمم و مینیمم برازندگی کولونی علف های هرز بستگی داشته و این تعداد با افزایش میزان برازندگی به صورت خطّی افزایش خواهد یافت. روشن است که تعداد دانه های تولید شده توسط گیاه وابسته به میزان تناسب گیاه با محیط آن می باشد، این ارتباط به صورت خطّی است یعنی بهترین جواب از جمعیت جاری بیشترین جواب جدید را بدست می دهد و بدترین جواب منجر به تولید کمترین جواب جدید می شود. تعداد جواب ها بین این دو حد به صورت خطّی تغییر می کند.” محرابیان و لوکاس ،۲۰۰۶ “
شکل ‏۳‑۱. شایستگی علف i ام
مرحلۀ دوم: تولید مثل بر مبنای شایستگی و به روز رسانی انحراف معیار
علف های هرز ممکن است با استفاده یا بدون استفاده از سلول های جنسی تولیدمثل انجام دهند که این امر بستگی به نوع گیاه دارد. تولیدمثل جنسی با بهره گرفتن از بذر ها (دانه^[۳۳]) یا هاگ ها انجام می شود. در تولیدمثل جنسی یک گیاه متولّد می شود و از زمانی که تخم بوسیلۀ گرده باربر می شود و به شکل یک دانه در گیاه والد در می آید، زندگی خود را آغاز می کند. سپس آن دانه توسط باد، آب ، حیوانات و غیره پراکنده (پراکندگی محیطی) می شود. تازمانی که دانه می تواند فضا و فرصتی برای رشد بیابد. دانه های مناسب زمانی که شرایط خوب باشد جوانه زده و شروع به رشد می‌کنند. آنها در تعامل با سایر گیاهان همسایه به روییدن خود ادامه می دهند تا زمانی که به گیاهانی بالغ تبدیل شوند. در مرحلۀ نهایی زندگی، آنها نیز به نوبۀ خود به گیاهان گلدار تبدیل شده و دانه تولید می کنند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

مرحلۀ سوم: حذف رقابتی
اگر یک گیاه تولید مثل نداشته باشد از بین خواهد رفت. بنابراین به یک رقابت بین گیاهان برای محدود کردن حداکثر تعداد گیاهان در کولونی نیاز است. بعد از تولید دانه ها در اطراف هر علف، فقط می توانیم به تعداد بیشینه گیاه از پیش تعیین شده (Pmax) از مجموع علف ها و دانه ها را به نسل بعدی انتقال دهیم. گیاهانی که شانس بقاء یافته اند مجدداً بازتولید شده و مراحل فوق را تکرار می کنند و به این ترتیب پاسخ های بدست آمده در هر تکرار از برازندگی بیشتری برخوردار است. این مکانیزم به گیاهان با تناسب پایین شانس تولیدمثل می دهد، و اگر دانه های تولید شده توسط آنها تناسب خوبی در کولونی داشته باشند آن وقت می توانند زنده بمانند. هنگامی که تعداد تکرار ها به حداکثر تعداد مجاز برسد این الگورتیم متوقّف می شود. البته تعداد بیشینۀ گیاه از پیش تعیین شده می تواند با تعداد جمعیت اولیه برابر باشد که در این صورت یکی از پارامترهای الگوریتم حذف می شود.
مرحلۀ چهارم: چک کردن شرایط خاتمه
انواع شرایط خاتمه در روش های فرا ابتکاری
رسیدن به حداقل قابل قبولی از پاسخ
در این مورد که یکی از شرط های توقف می باشد فرض کنید که کلّ هزینه های یک شرکت ۱۰۰۰ واحد پولی می‌باشد و مدیر شرکت تمایل دارد این هزینه به ۸۰۰ واحد کاهش یابد که البته این مورد از دیدگاه مدیریت مقداری مطلوب است. قابل توجه است که مقدار ۸۰۰ نقطۀ بهینه نمی باشد و ممکن است مقدار تابع هدف کمتر از ۸۰۰ واحد نیز بشود. برای مثال در شکل نقطۀ A نقطۀ مطلوب از دیدگاه مدیریت را نشان می دهد که یکی از شرط های توقف می باشد.
شکل ‏۳‑۲.
سپری شدن زمان/ تکرار معین
در این مورد برای به پایان رساندن الگوریتم یک میزان تکرار برای الگوریتم معرفی می کنیم. مثلاً در تکرار ۱۰۰ الگوریتم به اتمام رسیده و تکرار های بعد از ۱۰۰ را نیاز نداریم، هرچند که ممکن است مقدار تابع هدف بعد از تکرار معیّن بهبود یابد.
شکل ‏۳‑۳
سپری شدن زمان/ تکرار معین بدون مشاهدۀ بهبود قابل ملاحظه در نتیجه
اگر در مواردی بعد از اجرای الگوریتم در تکرار های پی درپی مقدار تابع هدف بهبود نیابد یا به میزان غیر قابل توجه بهبود یابد الگوریتم متوقف می شود. مثلاً اگر با n بار تکرار از نقطۀ a تا b بهبود نیابد یا به میزان ناچیز که قابل توجه نباشد بهبود یابد الگوریتم متوقف می شود. در شکل از تکرار a تا تکرار b مقدار تابع هدف ثابت می باشد که باعث می شود الگوریتم متوقف شود.
شکل ‏۳‑۴.
تعداد ارزیابی تابع هدف از پیش تعیین شده (NFE)^[34]
در این روش فرض می شود در تحقیق از سه تکنیک الگوریتم ژنتیک ،الگوریتم توده ذرات و علف های هرز استفاده شده است و برای مقدار تابع هدف عدد ده هزار را در نظر می گیریم که ممکن است در هر الگوریتم در یک تکرار غیر قابل پیش بینی به مقدار تابع هدف از پیش تعیین شده دست یابند.
بررسی مشکلات الگوریتم بهینه سازی علف های هرز IWO
الگوریتم بهینه سازی علف های هرز هرچند که قدرت زیادی در پیش بینی دارد امّا دارای چندین نقطه ضعف می‌باشد. این الگوریتم در مرحلۀ حذف رقابتی، علف هایی را که از مطلوبیت کمتری برخوردار هستند با دانه های خودش که از مطلوبیت بیشتری برخوردارند جایگزین می کند. مشکل این الگوریتم اینجاست که دانه ها و علف های والد در یک منطقه از فضای جستجو هستند و این باعث می شود بعضی از مناطق ، مورد جستجو قرار نگیرد در حالی که بعضی دیگر بیش از حد مورد بررسی قرار می گیرد.
از دیگر ضعف های این الگوریتم این است که ، عملکرد IWO وابسته به نقاط اولیۀ جستجو می باشد. در طول فرایند تکامل، دانه ها در اطراف علف های هرز والد خود پراکنده می شوند و جنبشی ندارند بنابراین برخی از مناطق ممکن است اصلاً مورد جستجو قرار نگیرند و این دو نقطه ضعف منجر به همگرایی زودرس می شود و الگوریتم قادر به پیدا کردن جواب بهینۀ سراسری بویژه برای مسائل چند مدله ، نخواهد شد.
نوآوری در الگوریتم بهینه سازی علف های هرز
در الگوریتم های تکاملی به طور ذاتی، جواب های بهتر دارای تابع هدف بهتری می باشند. (در اینجا بهتر بودن به معنای شانس بیشتر داشتن برای زنده ماندن و تولید مثل است)، بنابراین جواب های نامطلوب اجازه ندارند که تولیدمثل نمایند. بهرحال، این نوع دیدگاه این اصل مهم را که الگوریتم های تکاملی یک روش تکراری و احتمالی هستند را در نظر نمی گیرد و این احتمال وجود دارد که بعضی از جواب های نامطلوب اطلاعات بیشتری نسبت به جواب های مطلوب در طول فرایند تکاملی دارا باشند. علاوه بر این ، اگر امکان بررسی جواب ها در منطقۀ غیرممکن وجود داشته باشد، شاید سیستم خیلی سریع تر و آسان تر به جواب بهینه دست یابد. در نتیجه تکنیک تولید مثل که توسط محرابیان و لوکاس ارائه شده شانس زندگی و تولید مثل را به راه حل های نامطلوب نیز می دهد.
اجزاء و پارامترهای الگوریتم بهینه سازی علف های هرز
الگوریتم بهینه سازی علف های هرز دارای پارامتر های مهمی است که چگونگی انتخاب آنها تأثیر بسزایی در کیفیت و صحّت عمل روش مذبور دارد. این پارامتر ها عبارتند از تعداد جمعیت اولیه ، حداکثر تکرار ، بیشترین تعداد علف ها ، حداکثر و حداقل تعداد دانه، ضریب غیر خطّی و مقدار اولیه و نهایی انحراف معیار می باشد. .” محرابیان و لوکاس ،۲۰۰۶ “
تعداد جمعیت اولیه
تعداد جمعیت اولیه تعداد دانه های اولیه است که در فضای جستجو پخش می شوند. هرگاه تعداد ذرّات زیاد باشند و ذرّات در فضای جستجو به طور یکنواخت توزیع شده باشند، تنوع بین ذرّات زیاد شده و الگوریتم راندمان بالاتری می‌یابد. البته باید توجه شود که تعداد زیاد ذرّات در پیچیدگی الگوریتم ارتباط مستقیم دارد، هرچند نسبت به زمانی که تعداد ذرّات کم است، تعداد تکرار های الگوریتم کمتر است و زمان رسیدن به جواب های بهینه نیز کمتر می باشد.
حداکثر تعداد تکرار
الگوریتم تا زمانی تکرار می شود که تعداد تکرار ها از بیشترین تعداد تکرار کمتر باشد. به عبارت دیگر این پارامتر مشخص کنندۀ تکرارهای الگوریتم است. تعداد تکرار برای بدست آوردن یک نتیجۀ خوب وابسته به نوع مسأله می‌باشد. اگر تعداد تکرار ها بیش از حد کم باشد ممکن است فرایند جستجو قبل از پیدا کردن جواب بهینه متوقف شود، در حالیکه تکرار بیش از حد زیاد باشد منجر به پیچیدگی محاسباتی شده و زمان بیشتری مورد نیاز است.
بیشترین تعداد علف ها
بیشترین تعداد علف، بیشترین تعداد علفی است که در هر تکرار می تواند موجود باشد، اگر تعداد علف ها از این مقدار بیشتر باشد بنابراین علف هایی که شایستگی کمتری دارند حذف می شوند. لازم به ذکر است اگر بیشتر باشد احتمال رسیدن به جواب مطلوب بیشتر می شود.
حداکثر و حداقل تعداد دانه ها
حداکثر و حداقل تعداد دانه ها ( و ) ، به ترتیب بیشترین و کمترین تعداد دانه ای است که هر علف می‌تواند تولید نماید. هرچه تعداد حداکثر و حداقل دانه ها بیشتر باشد ، امکان جستجوی منطقۀ جواب پیچیدگی محاسباتی بیشتر می شود.
مقدار اولیه و نهایی انحراف معیار
مقدار اولیه و نهایی انحراف معیار ( و ) ، در طول الگوریتم و در تکرار های متفاوت علف های موجود دانه های جدیدی که تولید کرده اند، این دانه ها در اطراف والد خود به شکل تصادفی و با توزیع نرمال و انحراف معیار متفاوت پخش می شوند. انحراف معیار در هر تکرار متغیر است و از مقدار اولیه تا مقدار نهایی کاهش می یابد.
تابع هدف ( تابع شایستگی )
میزان شایستگی هر پاسخ محتمل برای حضور در تکرار بعد، با ارزیابی آن پاسخ بر مبنای یک تابع هدف تعیین می‌شود بطور کلّی تابع هدف، برا اساس اهداف و قیود مسأله تعریف می شود. برای بهینه یابی ضرایب الگو، پارامتر ها باید به نحوی تعیین شوند که مقادیر پیش بینی شدۀ متغیر مورد نظر بسیار نزدیک به مقادیر واقعی باشد. روش های مختلفی برای تعریف تابع هدف وجود دارد که در این تحقیق تابع هدف به صورت زیر تعریف شده است.
(۳-۱)
(۳-۲)
که در آن n تعداد کل مشاهدات و مقدار تقاضای فرآورده های سوختی نفتی و مقدار پیش بینی شده برای فرآورده های سوختی نفتی می باشد.
جدول ‏۳‑۱. معرفی پارامتر ها

پارمتر

تعریف

۴۹

۸۳۲/۰

۳-۱۰- روش­های آماری
جهت آزمون فرضیه ­های پژوهش، تعداد ۴۱۰ پرسشنامه در شهر ایلام توزیع شد و تعداد ۳۸۸ پرسشنامه جمع­آوری شد. داده ­های جمع­آوری شده در این پژوهش برای تجزیه و تحلیل داده ­ها از آمار توصیفی،آمار استنباطی استفاده شده است.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

الف)آمار توصیفی
ب) آمار استنباطی: آزمون کولموگروف اسمیرنوف، رگرسیون چندگانه، رگرسیون رتبه­ای و آزمون هم­خطی.
فصل چهارم
تجزیه و تحلیل داده ­ها
۴-۱- مقدمه
پژوهشگر پس از اینکه روش تحقیق خود را مشخص کرد و با بهره گرفتن از ابزارهای مناسب، داده ­های مورد نیاز را برای بررسی سؤالات خود جمع­آوری کرد، اکنون نوبت آن است که با بهره­ گیری از تکنیک­های مناسب آماری که با روش تحقیق و نوع متغیرها سازگاری دارد، داده ­های جمع­آوری شده را دسته­بندی و تجزیه و تحلیل نماید و در نهایت سؤالاتی را که تا این مرحله او را در تحقیق هدایت کرده ­اند، مورد بررسی قرار دهد و سرانجام بتواند پاسخی برای پرسش تحقیق بیابد. انواع روش­های تجزیه و تحلیل داده ­های پژوهش، با توجه به نوع تحقیق، مسئله تحقیق، ماهیت فرضیه ­ها، نوع نظریه­سازی، ابزار به کار رفته برای جمع­آوری اطلاعات و …. متفاوت هستند؛ ولی با این وجود می­توان اذعان نمود که این روش­ها دارای مراحل مشترکی هستند. از این منظر، تجزیه و تحلیل و گزارش­نویسی داده ­های پژوهش، فرآیندی چند مرحله­ ای است که طی آن داده­هایی که از طریق به کارگیری ابزارهای جمع­آوری اطلاعات فراهم آمده­اند؛ خلاصه، کدبندی، دسته­بندی و در نهایت پردازش می­شوند تا زمینه برقراری انواع تحلیل­ها و ارتباط­ها بین این داده ­ها به منظور بررسی سؤالات فراهم آید. بر این اساس در پژوهش حاضر تفسیر و تجزیه و تحلیل داده ­های جمع­آوری شده از جامعه مورد مطالعه، در قالب آمار تحلیل انجام گرفته است. به طوری که ابتدا داده ­های مربوط به هر یک از متغیرها که از پاسخ پرسشنامه ­های استفاده شده منتج شده است، در قالب شاخص­ های عددی آماری توصیف گردیده و شناخت کافی از پراکندگی و ویژگی­های جمعیت­شناختی و توصیف پاسخ ­دهندگان در بخش­های مختلف پژوهش حاصل شده است. در ادامه به بررسی روابط بین متغیرهای موجود در مدل مفهومی پژوهش پرداخته شده است و از طریق الگوهای آماری مناسب، سؤالات پژوهش مورد بررسی قرار گرفته­اند. گذر از مراحل بالا مستلزم استفاده از روش­های تحلیل آماری مناسب و اطمینان از دقت و صحت این استنباط­ها است که در طی پژوهش با حساسیت بالایی، رعایت و بازنگری شده ­اند.
۴-۲- تجزیه و تحلیل داده ­ها
بعد از گردآوری داده ­ها از نمونه معرف جامعه، نوبت به تحلیل داده ­ها می­رسد. در تجزیه و تحلیل داده ­ها سه هدف دنبال می­ شود: توصیف آماری اولیه از داده ­ها (آگاهی اولیه نسبت به داده ­ها)، آزمون برازش داده ­ها و آزمون سؤالات پژوهش (دانایی فرد و همکاران، ۱۳۸۷).
۴-۲-۱- بخش اول: یافته های توصیفی
در این قسمت پس از گردآوری داده ­ها و اطلاعات با بهره گرفتن از آمار توصیفی که شاخص­ های مرکزی و پراکندگی مانند درصد فراوانی، نمودار و جداول مربوط می­باشد به توصیف متغیرهای جمعیت شناختی پرداخته می­ شود.
۴-۲-۱-۱- توزیع فراوانی پاسخ­گویان بر حسب جنسیت:

جدول(۴-۱): توزیع فراوانی پاسخ­گویان بر حسب جنسیت

فراوانی مطلق

درصد فراوانی نسبی

زن

۱۹۶

۵۱%

مرد

۱۹۲

۴۹%

جمع

۳۸۸

۱۰۰%

پس از بیان فرضیه ‌های تحقیق، مدل ها و متغیرهای مورد نیاز برای آزمون به تجزیه و تحلیل آنها پرداخته خواهد شد. داده های مورد نیاز جهت آزمون فرضیه‌ های تحقیق به عنوان منبعی برای تجزیه و تحلیل استفاده خواهند شد. برای تجزیه و تحلیل اطلاعات گردآوری شده از روش های آمار توصیفی، آمار استنباطی و همچنین رسم جداول استفاده خواهد شد. استفاده از آمار توصیفی با هدف تلخیص اطلاعات جمع آوری شده و شناخت بیشتر جامعه مورد بررسی صورت خواهد پذیرفت. زیرا هدف آمار توصیفی، توصیف، استخراج نکات اساسی و ترکیب اطلاعات به کمک زبان اعداد است. هدف آمار استنباطی، به طور کلی انجام استنباط درباره پارامترهای جامعه از طریق تجزیه و تحلیل اطلاعات موجود در داده‌های نمونه و همچنین سنجش عدم اطمینانی است که در این استنباط ها وجود دارد. در این راستا فرضیه های تحقیق با روش های مناسب آماری توسط نرم افزارهای excel و matlab مورد استفاده آزمون قرار خواهند گرفت. نرم افزار اکسل برای گردآوری و دسته بندی اطلاعات و نرم افزار مطلب برای تحلیل اطلاعات مورد استفاده قرار خواهد گرفت.

همچنین از آزمون نرمال بودن سری زمانی داده ها برای بررسی نرمال بودن بازده پرتفوی استفاده می شود. در هنگام بهینه سازی سبد سهام پیش فرض هایی در نظر گرفته می شود که مهم ترین آن ها فرض نرمال بودن تابع توزیع بازده پرتفوی تشکیل شده است. در این آزمون فرضیات، به صورت زیر بیان شده و نتایج حاصل از آزمون کولموگروف- اسمیرنوف با بهره گرفتن از بازده های روزانه در سطح اطمینان ۹۵% محاسبه خواهد شد.
۰H: توزیع داده ها نرمال است.
۱H: توزیع داده ها نرمال نیست.
در صورتی که سطح معنی داری بازده روزانه سهام بیشتر از ۰٫۵ باشد فرضیه۰H تایید شده لذا با اطمینان ۹۵% می توان گفت تابع توزیع بازده سبد سهام از توزیع نرمال برخوردارند.
سایر آزمون های مورد استفاده در پژوهش به شرح ذیل هستند:
آزمون بازخورد: آزمون بازخورد جهت محاسبه ریسک مربوط به سبدهای سهام در دوره مورد مطالعه می باشد.
آزمون بررسی همگرایی شبکه عصبی: که مبتنی بر الگوریتم خاصی است نشان از تراکم کامل داده ها در یک مسیر و حول نقاط مشخص دارد.

۱-۱۴: چارچوب فصول پژوهش

فصل اول: در این فصل به توجیه طرح کلی مساله و در واقع امکان سنجی طرح و تدوین سوالات، مدل و فرضیه ها پرداخته شد.
فصل دوم: این فصل با عنوان ادبیات و پیشینه تحقیق در سه بخش ارائه می شود که بخش اول مبانی نظری شبکه های عصبی شامل تعاریف، اصول، اهداف، دیدگاه های مختلف و… خواهد بود. بخش دوم پیشینه تحقیق می باشد که شامل پیشینه تحقیق داخلی و خارجی خواهد بود.
فصل سوم: این فصل با عنوان روش شناسی تحقیق به ارائه روش های مختلف و ابزارهای متفاوت برای گردآوری و تجزیه و تحلیل اطلاعات خواهد پرداخت. آزمون های روایی و پایایی و چگونگی اختصاص سوالات به متغیرها در این فصل ارائه می گردد.
فصل چهارم: این فصل با عنوان تجزیه و تحلیل یافته های تحقیق با ارائه جداول، نمودار و فرمول های خاص، اطلاعات جمع آوری شده را جهت دستیابی به پاسخ فرضیات تجزیه و تحلیل خواهد کرد. بحث پیرامون نتایج فرضیه ها در این فصل و ارائه نتایج کلی و مقایسه نتایج با پژوهش های صورت گرفته در فصل پنج اتفاق خواهد افتاد.
فصل پنجم: در این فصل ابتدا خلاصه ای از پژوهش و سپس نتایج حاصل از پژوهش ضمن تحلیل نتایج عنوان می گردد. پیشنهادهایی برای استفاده کنندگان از نتایج پژوهش و پیشنهاد برای پژوهش های آتی نیز در ادامه مطرح خواهد شد.

فصل دوم

ادبیات و پیشینه پژوهش

۲-۱: مقدمه

در طی چند دهه ی اخیر شاهد شبکه های عصبی مصنوعی حضور موفقی در مباحث مدیریت و مالی داشته اند و مقالات بسیاری در این زمینه ارائه شده و ایده ی آموزش برای حل مسائل شناسایی الگوهای پیچیده با بهره گرفتن از دیدگاه عامل های داده هوشمند برای محققان دانشگاهی بسیار چالش برانگیز شده است. شبکه های عصبی یک ابزار ارزشمند برای دامنه ی گسترده ای از حوزه های مدیریت است که به عنوان یک جزء حیاتی اغلب سیستم های داده کاوی، باعث تغییر روش نگاه سازمان به ارتباط بین داده ها و استراتژی شرکت می شود(لیسبو، ۲۰۰۰). به هر حال عملکرد مغز و اعصاب انسان با توجه به میلیونها سال تکامل می تواند به عنوان کاملترین و کارآمدترین الگو برای تشخیص وقایع پیرامون خود باشد. طی سال ها عصب شناسان و روانشناسان تلاش کردند که بفهمند مغز بشر چگونه کار می کند. این تلاش منجر به ایجاد هوش مصنوعی شد(منهاج، ۱۳۷۹).
تحقیقات و علاقه مندی به شبکه های عصبی مصنوعی از زمانی شروع شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با پردازشگرهای متداول شناخته شد. نگرش نوین در مورد کارکرد مغز نتیجه ی تفکراتی بود که در اوایل قرن بیستم درمورد ساختار مغز به عنوان اجتماعی از اجزای محاسباتی کوچک به نام نرون ۶ شکل گرفت. مغز انسان از حدود ۱۰^۱۱ (یکصد میلیارد نرون) تشکیل شده است که بین آنها تقریبا ۱۰^۱۰ تا ۱۰^۱۴ ارتباط تصور می شود، یعنی یک شبکه بسیار پیچیده ارتباطی وجود دارد که باعث می شود مغز انسان به عنوان یک پردازشگر موازی عمل کند (بیل و جکسون، ۱۹۸۰) ^[۳]. شبکه های عصبی نوعی مدلسازی ساده انگارانه از سیستم های عصبی واقعی هستند که کاربرد فراوانی در حل مسائل مختلف در علوم دارند. حوزه کاربرد این شبکه ها آنچنان گسترده است که از کاربردهای طبقه بندی گرفته تا کاربردهایی نظیر درون یابی، تخمین، آشکارسازی و … را شامل می شود. شاید مهمترین مزیت این شبکه ها، توانایی وافر آن ها در کنار سهولت استفاده از آن ها باشد.
همچنین تاثیر بورس اوراق بهادار در توسعه اقتصادی یک کشور، امری بدیهی است. بازار سرمایه یکی از نهادهایی است که می تواند نقش بسزایی در گذار از اقتصاد توسعه نیافته به اقتصاد توسعه یافته ایفا کند. چرا که این بازار می تواند با تخصیص بهینه منابع و هدایت سرمایه های سرگردان به سمت سرمایه گذاری های مولد، به افزایش تولید کالا و خدمات در جامعه کمک نماید. مهمترین هدف این بازار این است که با اجرای فرایند سالم سازی و شفافیت، پس اندازکنندگانی که دارنده منابع مالی می باشند و هدف کسب سود و بازده معقول دارند را به اشخاص حقوقی و واحدهای اقتصادی که برای توسعه فعالیت های خود نیاز به منابع مالی دارند، پیوند دهد.( چائوهان و همکاران، ۲۰۱۴) ^[۴]. در واقع می توان گفت که یکی از وظایف اساسی بورس اوراق بهادار، به جریان انداختن سرمایه ها و تخصیص بهینه منابع می باشد. برای سهیم شدن در یک فعالیت اقتصادی بزرگ که نه اداره آن به تنهایی امکان پذیر است و نه سرمایه لازم برای آن در اختیار است، می توان با خرید سهام یکی از شرکت ها در صنعت مورد نظر به طور مستقیم در آن شریک شد و دارای حقوق متعلقه آن شرکت، به نسبت سهامی که داریم در سود دهی مستقیم و یا افزایش ارزش ناشی از روند رو به رشد شرکت سهیم شد. هدف سرمایه گذار منطقی این است که از میان اوراق بهادار، اوراق بهاداری را انتخاب کند که دارای بیشترین بازدهی، با یک ریسک منطقی نسبت به سایر اوراق بهادار باشد. برای تصمیم گیری های اقتصادی نیاز به اطلاعاتی است که بتوان با کمک آنها منابع موجود و در دسترس را به نحوی مطلوب تخصیص داد(دوادوس و همکاران، ۲۰۱۳). ^[۵] یکی از مهمترین عوامل در تصمیم گیری صحیح، اطلاعات مناسب و مرتبط با موضوع تصمیم است، که اگر به درستی فراهم و پردازش نشوند، اثرات منفی برای فرد تصمیم گیرنده در پی خواهد داشت. در بازار سرمایه، پایه اولیه معاملات را وجود اطلاعات مرتبط، شکل می دهد و از این رو است که اطلاعات را گرانبهاترین دارایی در بازار سرمایه می دانند. این اطلاعات از سوی سرمایه گذاران و تحلیلگران مربوط به سرمایه گذاری صورت می پذیرد(عسگری،۱۳۸۳). باید توجه داشت در شرایطی که دستیابی به اطلاعات امکان پذیر نباشد سرمایه گذاران مجبور هستند از طریق براوردهای ذهنی، تحلیل های خود را درباره بازده آتی سهام شکل دهند. در واقع تعدد زیاد و ناشناخته بودن عوامل موثر بر بورس اوراق بهادار، موجب عدم اطمینان در زمینه سرمایه گذاری شده است. روشن است که وجود عدم اطمینان، ناخوشایند است ولی وجود آن اجتناب ناپذیر است.
یک عامل بسیار مهم که تصمیمات سرمایه گذاران را تحت تاثیر قرار می دهد بازده سرمایه گذاری ها می باشد. اگر بتوان بازده سرمایه گذاری را پیش بینی کرد و مدلی برای آن ارائه داد و از این طریق تا حد زیادی عدم اطمینان ها را از بین برد، می توان به افزایش سرمایه گذاری ها در بورس اوراق بهادار کمک کرد. یکی از دارایی های اصلی در بازار های مالی، سهام عادی شرکت ها می باشد و برای سرمایه گذاران این سوال مطرح است که آیا می توان بازده آتی سهام را پیش بینی نمود؟
تحقیقات زیادی در زمینه بررسی رفتار سهام در بازار اوراق بهادار صورت گرفته است که در نتیجه این تحقیقات مدل هایی جهت پیش بینی بازده آتی سهام ارائه شده است که هر کدام از این مدل ها با انتقادات و حمایت هایی همراه بوده است. پر واضح است که عوامل زیادی میزان بازده آتی سهام را تحت تاثیر قرار می دهند و در واقع ضعف اصلی تحقیقات انجام شده در این زمینه این است که همه ی آنها به بررسی تاثیر چند عامل محدود در میزان بازده آتی سهام پرداخته اند. اما هیچکدام از از این تحقیقات به بررسی جامعی از متغیرهای اصلی تاثیرگذار بر بازده سهام نپرداخته اند و نتوانسته اند مدل جامعی برای پیش بینی بازده آتی سهام ارائه دهند. با توجه به مسائل فوق، در این تحقیق برآنیم که به بررسی تاثیر برخی متغیرهای مالی در پیش بینی بازده آتی سهام با بهره گرفتن از شبکه عصبی و رگرسیون خطی بپردازیم و بادر نظر گرفتن تمامی این عوامل تاثیرگذار بر قیمت و بازده سهام، قیمت و بازده را با بهره گرفتن از دو روش فوق پیش بینی نماییم و به سوال اصلی پژوهش مبنی بر پیش بینی قیمت و بازده سهام با بهره گرفتن از شبکه های عصبی مصنوعی، پاسخ دهیم.

۲-۲: شبکه عصبی مصنوعی (ANN)

ایده پیدایش شبکه‌های عصبی مصنوعی با این سوال آغاز شد که آیا کامپیوتر می تواند همان نوع از محاسباتی را که یک فرد هوشمند انجام می دهد به کار گیرد؟
بسیاری از دانشمندان عقیده داشته و دارند که این بحث باید مورد توجه قرار گیرد. شبکه‌های عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی می‌گشود. کامپیوترهای عمومی از یک الگوریتم استفاده می‌کنند یعنی برای حل مسائل از یک سری دستورات از پیش تعیین شده پیروی می‌کنند مگر در مواقع ویژه‌ای که کامپیوتر نیاز به یک‌سری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از کامپیوترهای عمومی به مسائلی که ما قبلا فهمیده‌ایم و روش حل آنها را شناخته‌ایم محدود می‌کند و تنها سرعت عمل و قدرت در حل نمونه‌های بزرگتر را به همراه دارند. اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که واقعا ما نمی‌دانیم چگونه باید آنها را انجام دهیم.
یک برنامه نرم افزاری یا تراشه نیمه هادی است که بتواند همانند مغز انسان عمل نماید. در واقع یک شبکه عصبی مصنوعی ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد. این سیستم از شمار زیادی عناصر پردازشی به نام نرون، تشکیل شده است که برای حل یک مسأله با هم هماهنگ عمل می کند. ANN ها، نظیر انسانها، با مثال یاد می گیرند و با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را، به ساختار شبکه منتقل می کند. به همین خاطر به این سیستم ها، هوشمند گفته می شود چرا که بر اساس محاسبات روی داده های عددی یا مثال ها، قوانین کلی را یاد می گیرد .
شبکه عصبی مصنوعی یا به اختصار شبکه عصبی، یک ابزار محاسباتی الهام گرفته از مغز انسان است (نجاتی‌ اجی بیشه، ۱۳۸۷). الهام از مغز انسان، شبکه های عصبی مصنوعی را به مجموعه هایی از روش های ساده و در عین حال قدرتمند محاسباتی تبدیل نموده است. ویژگیهایی همچون قدرت یادگیری و انطباق، قدرت تعمیم، پردازش زمینهای اطلاعات، تحمل خطا و یکنواختی تحلیل و طراحی (راعی، ۱۳۸:ص۱۴۶)، باعث میشود شبکه های عصبی توان پردازش بالایی داشته و قادر به انجام موفقیتآمیز اعمالی مانند تخمین توابع پیچیده غیرخطی و تشخیص و طبقه بندی الگوها باشند. ساختار شبکه عصبی معمولاً یک شبکه یا گراف چند لایه با ارتباط های ساده بین لایه هاست. در هر لایه یک یا چندین واحد محاسباتی به نام گره یا نرون مصنوعی وجود دارد که در حقیقت الگویی ساده از نرونهای عصبی مغز انسان هستند. نقش نرونها در شبکه عصبی، پردازش اطلاعات است و این امر در شبکه های عصبی مصنوعی به وسیله یک پردازشگر ریاضی که همان تابع فعالسازی (Barnes, B.R, 2007) است، انجام می شود. تابع فعالسازی یا تابع عملیاتی، با توجه به مسئله ای که قرار است به وسیله شبکه عصبی حل شود و از سوی طراح انتخاب می شود. یک شبکه عصبی مصنوعی در ساده ترین حالت دارای یک لایه ورودی و یک لایه خروجی است. امّا شبکه با لایه های پنهان، دارای توانایی های بیشتری است. میتوان ثابت کرد که یک شبکه عصبی پیشخور با یک لایه پنهان، تابع فعالسازی سیگموئید در لایه پنهان، تابع فعالسازی خطی در لایه خروجی و تعداد نرونهای کافی در لایه پنهان، قادر است هر تابعی را با دقت دلخواه تقریب بزند. شبکه شبیه یک سیستم ورودی- خروجی عمل میکند و ارزش نرونهای ورودی را برای محاسبه ارزش نرونهای خروجی مورد استفاده قرار میدهد. هر کدام از ارتباطهای بین نرونها در لایه های مختلف وزن مخصوص به خود دارند که شبکه در حقیقت با تعدیل این اوزان در طی مرحله آموزش، الگوی بین متغیرهای خروجی و ورودی را یاد میگیرد. به طور کلی، شبکه‌های عصبی را میتوان بر حسب روش های یادگیری، به دو نوع یادگیری با سرپرست (Cronin, J. j., and Taylor, S. A ,1994) و یادگیری بدون سرپرست (Fausett, L, 1994) تقسیم بندی کرد. در یادگیری با سرپرست یا معلم، پاسخ (خروجی) صحیح برای هر الگوی ورودی به شبکه داده می شود. وزنها به گونه ای تعیین می شوند که شبکه، جوابهایی نزدیک به جوابهای صحیح شناخته شده را ایجاد کند. در جریان اصلاح مکرر وزنها، یک شبکه آموزش می بیند. با تکرار فرایند یادگیری، شبکه مقادیر صحیح وزنها را شناسایی می‌کند و خطا را کاهش می دهد. برای مجموعه مشخصی از ورودی ها، خطا عبارت است از تفاضل بین مقدار واقعی و خروجی شبکه. در یادگیری، بدون سرپرست یا بدون معلم، برای هر الگوی ورودی موجود در مجموعه آموزشی، نیازی به پاسخ واقعی نیست. در این یادگیری، شبکه ساختار اساسی داده ها و همبستگی بین الگوهای موجود در داده ها را کشف و الگوها را در طبقاتی مناسب سازماندهی می کند. بر حسب ساختار نیز شبکه های عصبی مصنوعی به دو نوع شبکه پیشخور (Filiz, z 2007) و شبکه بازگشتی (Franklin, B., Niteci, D, 2005) تقسیم بندی می شوند. شبکه های پیشخور که در آنها حلقه بازخور وجود ندارد و شبکه‌های بازگشتی که دارای حلقه بازخور بوده و نرونها در هر لایه اطلاعات را هم از لایه های ماقبل و هم از لایه های بعدی می گیرند.
شکل زیر، یک شبکه عصبی نوعی را نمایش می دهد.

شکل۲-۱٫ یک نمونه شبکه عصبی
مفروضات زیر در شبکه های عصبی مصنوعی مورد توجه قرار میگیرد: (فوست، ۱۹۹۴)^[۶]
فرایند پردازش اطلاعات در واحدهای ساده ای به نام نرون صورت می گیرد. این نرونهای مصنوعی یا به اختصار نرون، در حقیقت نمونه های بسیار ساده از نرونهای مغزی اند.
اطلاعات در مسیرهای ارتباطی بین نرونها رد و بدل می شوند.
هر کدام از خطوط ارتباطی بین نرونها دارای وزن هستند.
هر نرون از یک تابع عملیاتی (معمولاً غیرخطی) استفاده می کند، تا با اعمال آن روی ورودی نرون (مجموع اطلاعات وزن دار شده)، خروجی مشخصی ایجاد کند.
شبکه عصبی توسط الگوی ارتباطی بین لایه های مختلف شبکه، تعداد نرونها، تعداد لایه‌ها، الگوریتم یادگیری و تابع عملیاتی نرون، شناسایی و تعریف می شود. امّا یک قانون کلی درباره اندازه استاندارد این مؤلفه ها برای هر شبکه و در هر کاربردی وجود ندارد. در بیشتر موارد یک روش ابتکاری است که در آن شبکه های چند لایه با تعداد نرونهای متفاوت در هر لایه، نرخهای یادگیری متفاوت و توابع فعالسازی گوناگون آموزش می بینند و سپس بهترین شبکه انتخاب میشود. در مرحله یادگیری، شبکه از طریق تعدیل وزنها، آموزش می‌بیند تا قادر به پیش بینی یا طبقه بندی صحیح بروندادهای هدف بر اساس مجموعه ای از دروندادها باشد(تاورونگ، ۲۰۱۳). ^[۷]

۲-۳: چرا ANNs ارزش مطالعه کردن دارند؟

شبکه های عصبی به دلیل پردازش های موازی از سرعت پردازش بالایی برخوردار است. شبکه های عصبی توان بالقوه ای برای حل مسائلی دارند که شبیه سازی آن ها از طریق منطقی و یا سایر روشها مشکل و یا غیر ممکن است. همانند مغز انسان که به طور پیوسته در حال یادگیری و انطباق با محیط هستند. به این معنی که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن رخ داد، می تواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد. در شبکه عصبی، عدم عملکرد صحیح قسمتی از نرون ها، موجب از کارافتادگی کامل مغز نمی شود و امکان اتخاذ تصمیم صحیح نیز وجود دارد. این روش قادر است برای داده ها در شرایط عدم اطمینان (اعم از آنکه فازی باشند و یا به طور ناقص با دریافت noise دریافت شده باشند، جواب منطقی ارائه دهند.

۲-۴: ویژگی های شبکه های عصبی

شبکه های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند ویژگی هایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگو، رباتیک، کنترل و به طور کلی در هر جا که نیاز به یادگیری یک نگاشت خطی یا غیرخطی باشد، ممتاز می نماید. این ویژگس ها به شرح ذیل هستند: (منهاج، ۱۳۸۴)
قابلیت یادگیری
استخراج نتایج تحلیلی از یک نگاشت غیر خطی که با چند مثال مشخص شده است، کار ساده ای نمی باشد. زیرا نرون یک دستگاه غیرخطی است و در نتیجه یک شبکه عصبی که از اجماع این نرون ها تشکیل می شود نیز یک سیستم کاملا پیچیده و غیرخطی خواهد بود. به علاوه، خاصیت غیرخطی عناصر پردازش در کل شبکه توزیع می گردد. پیاده سازی این نتایج با یک الگوریتم معمولی و بدون قابلیت یادگیری نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند بسیار سودمند به نظر می رسد.
قابلیت یادگیری، یعنی توان تنظیم پارامترهای شبکه (وزن های سیناپتیکی) در مسیر زمان که محیط شبکه تغییر می کند و شبکه شرایط جدید را تجربه می کند. با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن (وضعیت خاص) رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد. دیگر اینکه، اطلاعات در شبکه های عصبی در سیناپس ها ذخیره می گردد و هر نرون در شبکه، به صورت بالقوه از کل فعالیت سایر نرون ها متاثر می شود. در نتیجه، اطلاعات از نوع مجزا از هم نبوده بلکه متاثر از کل شبکه می باشد.
پراکندگی اطلاعات ؛ پردازش اطلاعات به صورت متن
آنچه که شبکه فرا می گیرد؛ اطلاعات یا دانش؛ در وزن های سیناپسی منتشر می باشد. رابطه یک به یک بین ورودی ها و وزن های سیناپتیکی وجود ندارد. می توان گفت که هر وزن سیناپسی مربوط به همه ورودی هاست ولی به هیچ یک از ورودی ها به طور منفرد و مجزا مربوط نیست. به عبارت دیگر هر نرون در شبکه، از کل فعالیت سایر نرون ها متاثر می باشد. در نتیجه اطلاعات به طور متن توسط شبکه های عصبی پردازش می شوند. بر این اساس چنانچه بخشی از سلول های شبکه حذف شوند و یا عملکرد غلط داشته باشند، باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگر چه این احتمال برای تمامی ورودی ها کاهش یافته ولی برای هیچ یک از بین نرفته است.
قابلیت تعمیم
پس از آنکه مثال های اولیه به شبکه آموزش داده شد، شبکه می تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیزم تعمیم، که همانا چیزی جز فرایند درون یابی نیست به دست می آید. به عبارت روشن تر، شبکه تابع را یاد می گیرد، الگوریتم را می آموزد و با رابطه تحلیل مناسبی برای تعدادی نقاط در فضا به دست می آورد.
پردازش موازی
هنگامی که شبکه عصبی در قالب سخت افزار پیاده می شود، سلول هایی که در یک تراز قرار می گیرند می توانند به طور همزمان به ورودی های آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش می شود. در واقع چنین سیستمی، وظیفه کلی پردازش بین پردازنده های کوچکتر مستقل توزیع می گردد.

۳-سرمایه ناکافی :
در صورتی که سرمایه کافی نباشد شرکت ممکن است قادر به پرداخت هزینه های عملیاتی وتعهدات اعتباری درسررسید نگردد .بااین حال دلیل اصلی مشکل معمولا سرمایه ناکافی نیست وناتوانی در مدیریت اثربخش سرمایه مسئله اصلی است
۴-خیانت وتقلب:
تعداد اندکی از ورشکستگی ها با برنامه ریزی .ساختگی وبراثر تقلب می باشد
جونا ایابنی(۲۰۰۰)نیز شاخصهای نشان دهنده ورشکستگی (وضع وخیم مالی)شرکت رابه صورت زیرتقسیم کرده است :
-کاهش سود نقدی :اگردرطی زمان سودنقدی شرکت روبه کاهش مستمر باشد این امررامی توان نشانه ای برای ورشکستگی تلقی کرد .

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

-بستن کارخانه ها یاشعبه های شرکت.
-زیانها:زیانهای عملیاتی منجربه ناتوانی از پرداخت سودهای نقدی یا افزایش سرمایه گذاری می شود این امر شرکت رابه سوی ورشکستگی سوق می دهد .
-زیاد بودن فصول کم کاری وتوقف عملیات .
-استعفای مدیران ارشد:مدیران ارشد یک سازمان در جایگاهی هستند که می توانند عملکرد بعدی سازمان راببینند بنابراین انها می توانند زودتر استعفا دهند وبه شرکتهای که پتانسیل بهتری برای مقاومت دربرابر ناملایمات اقتصادی دارند برونداین استعفا می تواند یک نشانه عملکرد ضعیف باشد.
-افت قیمت سهام:
قیمت های سهام نشان دهنده ارزشی هستند که بازار برای شرکت قائل است بی ثباتی وکاهش قیمت سهام ممکن است منجر به درک شرکت از سوی سهامداران با فروش سهام گردد واعتبار دهندگان نیز عملکرد شرکت رابا قیمت سهام ان ارزیابی می کنند (ایابنی،۲۰۰۰)
۲-۵تئورهای مربوط به ورشکستگی :
توسعه مدلهای تجربی که به طور موفق شرکتهای را که به سوی ورشکستگی می روند ازشرکتهای غیر ورشکسته جدا می کند یک پیشرفت فوق العاده دانش مالی است (اسکات،۱۹۸۱)
تئوری های مختلف مربوط به ورشکستگی از سالها قبل ظاهر شده بود روش های اماری متفاوتی برای رسیدن به این موفقیت وپیشرفت استفاده شد از ریاضیات درتشریح این نتایج تجربی استفاده گردید در ادامه شرح مختصری از چند تئوری ورشکستگی اورده شده است .
مروین (۱۹۴۰)تشریح کرد که تئوری تحلیل های اعتباری مبتنی بر این فرض است که موقعیت واحدهای تجاری در دوره های مالی سنجیده می شوند واین امکان وجود دارد که بین واحدهای تجاری دارای مشکل وبدون مشکل به وسیله امتحان نسبت های اعتباری مشخص تمایزحاصل شود
تئوری تحلیلهای نسبتی بیوردر سال ۱۹۶۶از مدل جریان وجوه نقد استفاده می کند .مدل جریان وجوه نقد وسیله ای برای تشریح نسبتهایی است که مورد ازمون قرار گرفته اند ورشکستگی در اصطلاح می تواند به این شکل تعریف شود :زمانی که ذخایر یک شرکت کاهش یافته وشرکت به جایی می رسد که دیگر قادر به پرداخت تعهداتی که سررسید شده اند نمی باشد .بیور (۱۹۶۶)چهار قضیه را برای این تئوری مطرح کرد ۱.ذخایر بزرگتر احتمال ورشکستگی کمتر ۲.داراییهای نقدشدنی بیشتر ورشکستگی کمتر ۳.مبلغ بدهی ها بیشتر احتمال ورشکستگی بالاتر۴.هزینه های عملیاتی بیشتر احتمال ورشکستگی بالاتر.
بلوم(۱۹۷۴)تئوری رفتاری یا نشانه های ورشکستگی را مطرح نمود .تئوری او براین موضوع تاکید داشت که چگونه رفتار اقتصادی متغیرهای اقتصادی بنیادی انچه راکه در صورتهای مالی توصیف شده است پیش بینی می کند این تئوری همچنین محدودیت های ذاتی داده های حسابداری که درصورتهای مالی است روشن ساخت .
اسکات(۱۹۸۱) یک تئوری جدید ورشکستگی را بااستفاده از نمونه های تجربی وتئوریکال قبلی ارائه کرد اوبه این نتیجه رسید که پیش بینی ورشکستگی هم به طور تجربی قابل اجرا است وهم تشریح تئوری دارد .
دی اونی(۱۹۸۹)یک مدل ورشکستگی سازمان یافته را براساس تئوری اینده نگری ارائه کرد مدل او به ویژگی های غیر مالی که برشرکت تاثیر می گذارد توجه می کند همچنین رویکرد پیش بینی کنندگی را به وسیله توجه به استرتژی برای بقا فراهم می سازد .
باتاچیرما(۱۹۹۵)یازده قاعده مربوط به وجوه نقد را که چرخه فعالیت وعمریک شرکت را درمیان مراحل مختلف رشد ورکود تعیین میکند تشریح کرد این موضوع برای شناسایی یک نسبت تعیین کننده استفاده شد که در نتیجه این نسبت نسبت درامد به جریان خروجی وجوه نقد بود(هریسون۲۰۰۵ )
۲-۶ روش های کنونی پیش بینی ورشکستگی
در پیش بینی ورشکستگی از دوروش کلی استفاده می شود یکی استفاده از شاخصهای کلیدی ودیگری تحلیل بنیادی
شاخصهای کلیدی ورشکستگی قریب الوقوع را نشان می دهد در صورتی که تحلیل بنیادی با احتمال ورشکستگی رابین دو تا پنج سال اینده پیش بینی می کند.برخی از شاخصهای کلیدی را می توان در پیش بینی ورشکستگی مورد استفاده قرار داد عبارتند از :
۱-فزونی جمع بدهی به جمع دارایی
۲-فزونی بدهی جاری به دارایی جاری
۳-تجزیه مکرر سفته های موعود رسیده وتسهیلات کوتاه مدت بانکی
۴-صدور چک های وعده دار وتجدید انها در سررسید
۵-نکول بدهی وقصور در واریز انها
۶-کمتر بودن وصولی های نقدی از مبالغ لازم برای پرداخت تعهدات در بودجه نقدی
تحلیل بنیادی براساس تغییروتفسیر نسبت های مالی انجام می شود البته با بهره گرفتن از تفسیر چند نسبت مشخص
۲-۷ هزینه های ورشکستگی
هزینه های ورشکستگی انقدر مهم است که برروی این تاثیر می گذارند که ما چقدر بدهی ایجاد کنیم ومقداربهینه این بدهی در ساختار سرمایه چه قدر است برای مثال در مدل مود گیلیانی ومیلر در سال ۱۹۵۸که از مالیات وامکان ورشکستگی صرف نظر کرده بودند نرخ بدهی به سرمایه برای انتشار بدهی وحد مطلوب ان مهم نبود ولی انها نشان دادند که در بازارهای کارا ورفتار سرمایه گذاران منطقی ارزش شرکت با ساختار سرمایه متفاوت تفاوتی وجود ندارد استیگنیتز در سال ۱۹۶۹نشان دادند که حتی اگر احتمال ورشکستگی وجود داشته باشد باز هم نتایج یکسان خواهد بود وتفاوتی وجود ندارد اما این تا وقتی است که هزینه های معاملات در مورد ورشکستگی وجود نداشته باشد
اقای باکستور در سال ۱۹۶۷هزینه های ورشکستگی را درصدی از ارزش شرکت می داند که درصد ان را ۲۰درصد می داند گیرث(۱۹۷۱)وون هورن (۱۹۷۶)نیز همین عقیده را داشتند (گروبر ۱۹۷۷)
هزینه های ورشکستگی را گروبربه دو دسته مستقیم وغیر مستقیم تقسیم می کند البته این را هم باید بدانیم که تمامی هزینه های ورشکستگی قابل اندازه گیری نیستند وفقط هزینه های مستقیم قابل اندازه گیری هستند
هزینه های مستقیم هزینه هایی مانند کارمزد حسابداران .کارمزد وکیلان ودیگر کارمزد های حرفه ای وارزش زمانی سپری شده در پذیرش ورشکستگی هستند وهزینه های غیر مستقیم ورشکستگی مانند از دست دادن فروش .از دست دادن سود. عدم توانایی دریافت اعتبار وعدم انتشار اوراق بهادار
باکستور (۱۹۷۶)-مکلینگ و ینسن (۱۹۷۶)ذکر کردند که فروش شرکتها وسود شرکتها کاهش یافته وهمچنین ارزش شرکت کاهش می یابد .چون به عقیده این ها ورشکستگی بیشتر روی خریداران بالقوه تاثیر می گذارد وامکان اینکه اینها کالا را نخرند زیاد است . البته این امکان وجود دارد که این موردی باشد خریداران بالقوه واستفاده کنندگان از صورت های مالی .صورت های مالی ووضعیت مالی شرکتها را جانشین ویژگی عملیات وخصوصیات عملیات شرکت ها فرض می کنند واگر وضعیت مالی بد باشد خریدار بالقوه در مورد کالا نیز همین فکر را می کند البته یادمان باشد که هزینه های مستقیم مربوط به هزینه های غیر مستقیم می باشد (گروبر۱۹۷۷)
هزینه های غیر مستقیم را فرصتهای از دست رفته می دانیم که غیر قابل اندازه گیری می باشد یک تصویر برجسته از فرایند ورشکستگی این است که مدعیان از عامل هایی مانند وکیلان وحسابداران ومشاوران حرفه ای گوناگون استفاده می نمایند تا بتوانند ادعای خود را بیشتر ارزشیابی نمایند
هزینه های مربوط به ورشکستگی به سه چیز بستگی دارند :احتمال ورشکستگی .هزینه هایی که شرکت ناگزیراست هنگام بحران مالی تحمل کند واثرمعکوسی که پدیده ورشکستگی به صورت بالقوه می تواند برعملیات کنونی شرکت بگذارد به عنوان مثال شرکتهای با درامد نا مطمئن تر ویا شرکتهایی که ارزش ان در گرو بهره مند شدن از فرصتهای رشد است ناگریزند وام کمتری بگیرند
۲-۸تکنیک های پیش بینی ورشکستگی
تکنیک های مورد استفاده درساخت مدلهای پیش بینی ورشکستگی در سه گروه طبقه بندی می شوند
۱-تکنیک های اماری ۲-تکنیک های هوش مصنوعی ۳-مدلهای نظری
۲-۹انواع ورشکستگی
ورشکستگی را می توان به سه نوع تقسیم نمود :
۱-ورشکستگی عادی
۲-ورشکستگی به تقصیر
۳-ورشکستگی به تقلب
۲-۹ چارچوب نظری
دراین تحقیق ۷متغیر یا نسبت مالی را برای تجزیه وتحلیل مورد استفاده قرار داده است که به ترتیب عبارتند از
۱)گردش وجوه نقد عملیاتی تقسیم بربدهی های جاری
ارزش پایین این نسبت احتمال شکست مالی بیشتری رادارا می باشد
ویلد وهمکارانش (۲۰۰۱-۱۹۹۸)ومیلزویامامورا(۱۹۹۸)ودنیس(۱۹۹۴)این نسبت را به عنوان مقیاسی برای اندازه گیری توانایی شرکت برای پرداخت تعهدات کوتاه مدت توصیه کرده اند
۲)پوشش جریان وجوه نقد از بهره
این مقیاس توانایی شرکت برای خدمات (پوشش)تعهد بهره روی بدهی هاست ارزش بالای این نسبت به عنوان شانس کمتر عدم پرداخت روی پرداخت بهره بوسیله شرکت می باشد وایت وهمکارانش (۱۹۹۸)وفراسروارمیستون(۲۰۰۱) این نسبت را مقیاسی برای ارزیابی قدرت مالی شرکت توصیه کرده اند.

مارچسی و مورو^[۱۳۷] (۲۰۰۵) با مطالعه رویکرد نوینی برای اجرای پروسه پیش بینی قیمت سهام که به صورت مفهومی توضیح داده شده بود و از الگوریتم ژنتیک به عنوان معمار شبکه های عصبی استفاده کرده بود پرداخته است. نتایج تحقیق نشان دهنده بهبود جواب های پیدا شده توسط این الگوریتم پیشنهادی داشتند اما این بهبود، معنادار نبود.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

پن و تیلاراتن^[۱۳۸] (۲۰۰۵) به بررسی تعدادی از جنبه های انتخاب مشخصه های ورودی و تعداد لایه های پنهان و تعداد نورون های هر لایه در شبکه عصبی عملی برای پیش بینی شاخص بازار سهام استرالیا^[۱۳۹] AORD پرداخت. در این تحقیق که به پیش بینی جهت تغییرات شاخص پرداخته است، شبکه عصبی بهبود یافته توانست تا ۸۰ درصد پیش بینی صحیح داشته باشد.
کیم و همکاران^[۱۴۰] (۲۰۰۵) به بررسی یک متد ترکیبی از شبکه های عصبی تأخیری TDNNs^[141] و الگوریتم ژنتیک در زمینه شناسایی الگوهای قیمتی بازار سهام پرداخته و نشان داده است که الگوریتم ترکیبی GA-TDNNs که پیشنهاد شده است داراری عملکرد بهتری نسبت به TDNN استاندارد و شبکه های عصبی معمولی در شناسایی الگو دارد.
کاو و همکاران^[۱۴۲] (۲۰۰۵) از شبکه عصبی مصنوعی برای پیش بینی جهت تغییرات قیمت سهام برای شرکت های حاضر در بورس شانگهای استفاده کرده و نتایج به دست آمده از شبکه های تک متغیره و چند متغیره عصبی حاکی از برتری آنها نسبت به مدل های خطی داشته و این برتری از لحاظ آماری معنادار بوده است. نویسنده نتیجه گرفته است که شبکه های عصبی می توانند در زمینه پیش بینی در بازارهای نوظهور مانند چین خوب عمل کنند.
یاماشیتا و هیراساوا^[۱۴۳] (۲۰۰۵) با بهره گرفتن از شبکه عصبی چند شعبه ای^[۱۴۴] برای پیش بینی قیمت سهام و شبیه سازی تغییرات آن استفاده کرده و آزمایش خود را بر روی NIKKEI 225 برای پیش بینی یک دوره جلوتر متمرکز کرده است و در نهایت به برتری معنادار این شبکه عصبی نسبت به مدل های خطی و برتری غیر معنادار نسبت به شبکه های عصبی معمولی رسیده است.
اوکانر و مادن^[۱۴۵] (۲۰۰۶) کارایی استفاده از اندیکاتورهای خارجی همچون قیمت کالا و نرخ مبادله ارز را بر پیش بینی جهت تغییرات قیمت بررسی می کند. مورد مطالعه، شاخص داو جونز^[۱۴۶] بوده و نتایج به دست آمده نشان دهنده افزایش کارایی معنادار شبکه عصبی با وارد شدن متغیرهای خروجی است.
دوتا و همکاران^[۱۴۷] (۲۰۰۶) به مدل سازی بازار سهام هند^[۱۴۸] با بهره گرفتن از شبکه های عصبی پرداخته و سپس نتایج را بررسی و کارایی این شبکه را با مدل های کلاسیک مقایسه کرده است. نتایج نشان دهنده برتری شبکه عصبی پیش رو نسبت به مدل های سری زمانی و رگرسیون چند متغیره دارند.
کانتنینو و همکاران^[۱۴۹] (۲۰۰۶) به آنالیز regime switching و شبکه عصبی مصنوعی با معیارهای نوسان پذیری و پیش بینی های خارج از واقعیت در بازار سهام قبرس Cyprus stock exchange پرداخته و با مقایسه مدل های مذکور در دو معیار گفته شده، به این نتیجه رسیده است که شبکه عصبی عملکرد قابل قبول تری را ارائه می کند ولی این عملکرد بهتر از لحاظ آماری معنادار نیست.
بلینسکی و فسرک^[۱۵۰] (۲۰۰۶) قیمت اوراق اختیار را به وسیله شبکه عصبی پس خور بازگشتی مطالعه و پیش بینی رده و نتایج به دست آمده را با مدل بلک شولز black-scholes model، مدل بلک شولز با نوسان ضمنی volatility black-scholes model with pure implied در یک بازه پنج ساله بررسی کرده و نتایج حاکی از برتری معنادار شبکه عصبی پس خور بازگشتی نسبت به الگوریتم های کلاسیک بلک شولز داشتند.
پاندا و وی^[۱۵۱] (۲۰۰۶) به پیش بینی شاخص بازار سهام هند به وسیله شبکه عصبی پرداخته و نتایج آن را با دو مدل کلاسیک شامل مدل قدم زدن تصادفی و مدل خطی اتورگرسیو^[۱۵۲] مقایسه کرده و برای این کار از شش شاخص استفاده کرده است. نویسندگان مقاله به این نتیجه رسیدند که عملکرد شبکه عصبی در مجموع از مدل های رقیب مذکور برتر است.
لیانگ^[۱۵۳] (۲۰۰۶) مطالعه ای بر روی رابطه پیچیده میان جهت تغییرات قیمت و جریان اطلاعات سهام را بر مبنای آنتروپی جریان اطلاعات سهام انجام داده است. شدت جریان اطلاعات سهام و رابطه آن با تغییرات قیمت، توسط شبکه عصبی برآورد و اندازه گیری شده و البته در نهایت رابطه معناداری میان جریان اطلاعات و قیمت سهام شناسایی شد.
کوپلن^[۱۵۴] (۲۰۰۷) با ارائه مدلی برای مدل سازی فرایند شبکه عصبی در پیش بینی جهت تغییرات قیمت سهام، به مطالعه مشکلاتی در زمینه پیش بینی جهت تغییر قیمت پرداخته است که به وسیله تغییراتی در شبکه عصبی طراحی شده، کاهش یافته و پیش بینی های مالی دقیق تری را ارائه می نماید.
شن و همکاران^[۱۵۵] (۲۰۰۷) با پیشنهاد شبکه عصبی تأخیری با الگوریتم یادگیری adaptive learning و pruning algorithm به پیش بینی تغییرات غیر خطی شاخص سهام پرداخته است. نتایج شبیه سازی و مقایسه نشان می دهد که پیش بینی به این روش نه تنها نسبت به روش های کلاسیک دقیق تر است، بلکه مدلی با پیچیدگی کمتر نیز تخمین می زند.
خان و همکاران^[۱۵۶] (۲۰۰۸) با مقایسه شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک و شبکه عصبی پس خور بازگشتی در مورد مقایسه نرخ تغییرات قیمت سهام، به این نتیجه رسید که شبکه عصبی پس خور بازگشتی بر مبنای الگوریتم ژنتیک عملکرد بهتری نسبت به الگوریتم رقیب خود به صورت معنادار دارد.
یلدیز و همکاران^[۱۵۷] (۲۰۰۸) شبکه عصبی کارای سه لایه با الگوریتم پس خور بازگشتی طراحی کرده و به پیش بینی جهت تغییرات شاخص بازار سهام استانبول پرداخته است. به عنوان نتیجه، دقت پیش بینی انجام شده توسط این شبکه بیش از ۷۴ درصد بوده که نسبت به الگوریتم های کلاسیک برتری معناداری دارد.
اس دی و دی ای^[۱۵۸] (۲۰۰۸) به بررسی سوددهی استراتژی معاملاتی در بازار سهام بر مبنای پیش بینی جهت تغییرات قیمت سهام پرداخته است. نمونه مورد مطالعه شاخص نزدک^[۱۵۹] بوده است و الگوریتم پیشنهادی جهت پیش بینی شاخص نیز شبکه عصبی معرفی شده است. نتایج تحقیق نشان دهنده کارا بودن استراتژی معاملاتی از لحاظ آماری نسبت به روش قدم زدن تصادفی می باشد.
گورسن و کایاکوتلو^[۱۶۰] (۲۰۰۸) کارایی مدل شبکه عصبی، شبکه عصبی جاری^[۱۶۱]، شبکه عصبی دینامیک^[۱۶۲]، و ترکیب شبکه عصبی با الگوریتم های GARCH و EGARCH را مقایسه و بررسی کرده است و برای این بررسی از دو معیار MSE و MAD بهره گرفته شده است. تحقیق مورد نظر در بازار سهام استانبول صورت گرفته است.
سی دی و ام^[۱۶۳] (۲۰۰۹) modified NN را مطالعه و پیش بینی کرده است که استراتژی خرید، نگهداری و فروش به صورت بهینه چگونه باشد تا شاخص بازار سهام بیشترین سود را عاید سرمایه گذار کند. نتایج به دست آمده نشان دهنده کارایی مثبت شبکه نسبت به تحلیل تکنیکال دارد اما این کارایی معنادار نبوده است.
ای ال و همکاران^[۱۶۴] (۲۰۰۹) با اجرا کردن یک مقایسه در بازار سهام برزیل^[۱۶۵]، دو متد شبکه عصبی و adaptive exponential smoothing را مقایسه کرده و موضوع مقایسه را نیز پیش بینی جهت تغییرات شاخص سهام تعیین کرده است. نتایج نشان دهنده برتری معنادار شبکه عصبی بوده است.
کاو و همکاران^[۱۶۶] (۲۰۰۹) نشان می دهد که شبکه های عصبی توانایی از بین بردن غیرخطی بودن موجود در داده های مالی را داشته و می توانند پیش بینی های خوبی را در مورد مدل های پیچیده غیر خطی انجام دهند. نتایج بین شبکه عصبی و متدهای کلاسیک آماری برای بازار سهام پرتغال^[۱۶۷] مقایسه شده است.

۲-۶-۲- کاربرد شبکه عصبی در تعیین استراتژی مبادله سهام

شبکه های عصبی نشان داده اند که قادر به پیش بینی سهام با نوسان بالا و غیرخطی را با قدرت یادگیری بالای خود دارند. شبکه های عصبی پیش رو، متدوال ترین معماری شبکه های عصبی هستند که در پیش بینی سهام به کار می روند. در این شبکه ها جریان اطلاعات فقط در یک جهت، از لایه ورودی به لایه میانی و از لایه میانی به لایه خروجی می باشد.
وایت^[۱۶۸] (۱۹۹۸) با بهره گرفتن از شبکه های عصبی پیش رو سه لایه به پیش بینی قیمت سهم IBM پرداختند. آنها از داده های قیمتی ۵۰۰۰ روز برای پیش بینی، که ۱۰۰۰ تای آن جهت آموزش شبکه های عصبی به کار گرفته شدند استفاده کردند. نتایج، به قدر کفایت و در حد مورد انتظار نبود، اما آنها اثبات کردند که شبکه های عصبی کارایی خوبی در پیش بینی بازار سهام دارند.
در مجامدر و حوساین^[۱۶۹] (۲۰۰۰) قیمت بسته شدن شاخص سهام هندوستان^[۱۷۰] توسط شبکه های عصبی پیش بینی شد. در این تحقیق از داده های ده سال برای آموزش و تست شبکه استفاده شده و همچنین نویسندگان یک شبکه عصبی بهینه شده با معماری تلفیقی از شبکه عصبی پس خور بازگشتی سه لایه با ده نورون و شبکه عصبی پیش رو سه لایه با پنج نورون در ادامه طراحی کرده و توانستند بالاترین دقت خود را به ۸۹٫۶۵ درصد و میانگین دقت خود را به ۶۹٫۷۲ درصد برسانند.
بسیاری از محققان در مورد مقایسه نتایج عملی به دست آمده از شبکه های عصبی مصنوعی و مدل های رگرسیون خطی در پیش بینی سهام پرداخته اند. منتری و همکاران^[۱۷۱] (۲۰۱۰) به مطالعه مقایسه ای نوسان پذیری BSE Sensex 30 و NSE Nifty 50 پرداخته و نتایج به دست آمده از گارچ، ای گارچ، جی گارچ و آی گارچ را با پرسپترون های چند لایه مقایسه کرده است.
^[۱۷۲]GARCH یک مدل توسعه یافته از ^[۱۷۳]ARCH می باشد. ARCH یک رویکرد اقتصادی آنالیز نوسانات سری های زمانی در بازارهای مالی می باشد. GARCH برای از بین بردن محدودیت ARCH در کار با محدودیت های غیر منفی به وسیله واریانس شرطی معرفی شده. EGARCH^[174] یک توسعه از GARCH و چارچوبی برای مدل کردن نوسانات کمتر از عکس العمل سرمایه گذاران می باشد. IGARCH^[175] یک بسط دیگر از مدل GARCH محدود می باشد که تمامی پارامترها را در یک پارامتر تلفیق می کند و لذا یک GARCH تک ریشه ای خوانده می شود.
نویسنده اطلاعات چهارده سال را استفاده کرده و نشان داد که اگرچه نوسانات کسب شده توسط MLP کمتر بوده است، ولی این تفاوت از لحاظ آماری معنادار نبوده است. دونالدسون و کمسترا^[۱۷۶] (۱۹۹۷) نیز کارایی همان مدل ها را با ANN-GARCH مقایسه کرده اند. آنها برای این کار از بازده های روزانه مربوط به چهار بازار بین المللی لندن، توکیو، نیویورک و تورنتو استفاده کرده و نتایج نشان دهنده برتری شبکه عصبی تک لایه نسبت به مدل های دیگر است.
تیلاکاراتن و همکاران^[۱۷۷] (۲۰۰۷) به پیش بینی سیگنال های معملاتی AORD برای یک روز جلوتر پرداخته و به عنوان ورودی از شاخص S&P 500 آمریکا، شاخص FTSE 100 انگلستان، شاخص CAC 40 فرانسه، شاخص DAX آلمان و قیمت بسته شدن خود AORD استفاده کرده اند. برای پیش بینی از دو شبکه عصبی پیش رو و شبکه عصبی احتمالی استفاده کردند و ارزیابی نتایج بر مبنای نرخ کلاس بندی درست سیگنال ها، نشان دهنده برتری هر دو این شبکه ها از مدل های کلاسیک بود.
شیرهلت و دگلی^[۱۷۸] (۱۹۹۶) شاخص S&P 500 را با بهره گرفتن از MLP و PROBABLISTIC NN پیش بینی کرده اند. ورودی های این شبکه ها قیمت های بسته شدن S&P 500، و نرخ های مبادلاتی YEN، POUND و مارک برای یک سال بوده است. نتایج نشان دهنده برتری معنادار Probabilistic NN نسبت به MLP بودند.
چارخا^[۱۷۹] (۲۰۰۸) به صورت همزمان به پیش بینی روند سهام و قیمت سهام با بهره گرفتن از شبکه های عصبی پیش رو و شبکه های عصبی پس خور بازگشتی پرداخته است. آنها آزمایش خود را بر روی اطلاعات NSE (National Stock Exchange) انجام دادند و نتایج به دست آمده حاکی از برتری شبکه های پس خور نسبت به شبکه های پیش رو در پیش بینی روند به میزان بیست درصد بودند. با این حال شبکه های پیش رو در زمینه پیش بینی قیمت قدرت مندتر تشخیص داده شده و صحت بالاتری در پیش بینی از خود نشان دادند.
سوتی بنجارد و پرم چایسوادی^[۱۸۰] (۲۰۱۰) به پیش بینی بازار سهام تایلند با بهره گرفتن از شبکه های پس خور بازگشتی پرداختند. آنها از داده های ۱۲۴ روزه برای آموزش و معیارهای MSE و MAPE برای اندازه گیری نرخ خطا استفاده کردند. نتایج نشان دادند که شبکه عصبی توانایی بالاتری در کسب سود نسبت به استراتژی های کلاسیک سرمایه گذاری دارد.
در یاو و همکاران^[۱۸۱] (۱۹۹۹)، شاخص سهام کولالامپور^[۱۸۲] با بهره گرفتن از شبکه های عصبی پس خور بازگشتی و ورودی های تحلیل تکنیکال و مقادیر شاخص پیش بینی شده است. پایگاه داده از سال ۱۹۸۴ تا ۱۹۹۱ تعیین شده است و نتایج به دست آمده با مدل ARIMA مقایسه شده اند و حاکی از برتری شبکه های عصبی دارند.
تنموژی^[۱۸۳] (۲۰۰۶) بازده روزانه BSE را با بهره گرفتن از MLP پیش بینی کرده است. مجموعه داده ها شامل مقادیر BSE برای ۱۷ سال بوده است. آنها به نتایج رضایت بخشی در این مورد رسیده و به این نتیجه رسیدند که مقادیر روز قبل بر پیش بینی روز بعد اثر بسیار زیادی داشته و می تواند به پیش بینی دقیق کمک کند.
ژانگ^[۱۸۴] (۲۰۰۴) جهت پیش بینی سیگنال های خرید و فروش، شبکه عصبی چند لایه پس خور بازگشتی در داده کاوی مالی به کار برده است. پژوهش از داده های هفت ساله شاخص شانگهای^[۱۸۵] از سال ۱۹۹۵ تا ۲۰۰۳ استفاده کرده است. آنها نشان دادند که مدل پیشنهادی از استراتژی خرید و نگهداری^[۱۸۶] بهتر عمل کرده و دقت ۸۵ درصدی از خود نشان می دهد.
یلدیز^[۱۸۷] (۲۰۰۸) از یک شبکه عصبی چند لایه پیش رو همراه با الگوریتم پس خور بازگشتی برای پیش بینی جهت تغییرات سهام استانبول^[۱۸۸] استفاده کرده اند. ۱۹۰۵ مشاهده در این تحقیق استفاده شده و پارامترهای ورودی شامل بالاترین قیمت، پایین ترین قیمت، قیمت بسته شدن و نرخ مبادله دلار می باشند؛ نتایج نشان دهنده دقت ۷۴ درصدی پیش بینی در جهت بوده است.
به منظور بهبود نتایج تحقیقات انجام شده، برخی از محققان به ترکیب الگوریتم پس خور بازگشتی با الگوریتم های دیگر پرداخته اند. در فنگ و چنگ^[۱۸۹] (۲۰۰۹)، محققان برای پیش بینی شاخص شانگهای از Levenberg – Marquardt Backpropagation در یک شبکه پیش رو سه لایه استفاده کردند. نتایج نشان دهنده عملکرد بهتر این الگوریتم نسبت به حالت معمول داشتند.
خان و بندوپادیایا^[۱۹۰] (۲۰۰۸) به مقایسه الگوریتم پس خور بازگشتی با الگوریتم پس خور بازگشتی بر مبنای ژنتیک برای پیش بینی قیمت سهام به صورت روزانه استفاده کردند. نتایج الگوریتم مبتنی بر ژنتیک نسبت به حالت عادی برتری داشت. مجموعه داده ها مربوط به Maruti برای دو سال بودند و دقت کسب شده توسط الگوریتم ژنتیک بنیان ۹۸ درصد در مقابل ۹۳ درصد برتری داشتند.
در مهرآرا و همکاران^[۱۹۱] (۲۰۱۰) نویسندگان به بررسی و مقایسه MLP با الگوریتم پیش رو پس خور بازگشتی و GDMH^[192] با الگوریتم ژنتیک برای پیش بینی شاخص سهام تهران (TEPIX) پرداخته و نتایج حاصل از برتری GDMH با الگوریتم ژنتیک داشتند.
یک مطالعه مقایسه ای در قاح^[۱۹۳] (۲۰۰۷) برای شاخص صنعتی داوجونز انجام شد که در آن MLP، adaptive neuro-fuzzy و شبکه های عصبی پیش رو با یکدیگر مقایسه شدند. در این مطالعه، داده های ده ساله داوجونز به صورت میانگین مورد استفاده قرار گرفتند. آنها با مقایسه زمان حل، نرخ بیش برازش و همبستگی ها نشان دادند که که شبکه های عصبی معمولی نسبت به دو الگوریتم دیگر زمان زیادتری برای حل نیاز داشته و بیشتر دچار بیش برازش می شوند.
لی و ژیونگ^[۱۹۴] (۲۰۰۵) به پیش بینی شاخص شانگهای با بهره گرفتن از شبکه های عصبی فازی^[۱۹۵] پرداختند. مجموعه داده های استفاده شده مربوط به بازه مارس ۲۰۰۴ تا مارس ۲۰۰۵ بوده و نتایج نشان دهنده برتری شبکه عصبی فازی نسبت به شبکه عصبی معمولی داشتند.
مندژیک و جاروسویک^[۱۹۶] (۲۰۰۷) با بهره گرفتن از neuro – evolutionary of NN with GA به پیش بینی بازار سهام آلمان (DAX) پرداخته و به عنوان ورودی از مقادیر DAX، بازار سهام توکیو (NIKKEI 225)، بازار سهام نیویورک (DJIA) و نرخ های مبادلاتی یورو / دلار و دلار / ین استفاده شدند. بازه تحقیق از آپریل ۲۰۰۴ تا آگوست ۲۰۰۴ بوده و نتایج نشان دهنده برتری neuro-evolutionary نسبت به مدل های رقیب خود داشتند.
نائینی و همکاران^[۱۹۷] (۲۰۱۰) به پیش بینی بازار سهام با بهره گرفتن از MLP، Elman recurrent NN و feed forward و رگرسیون خطی پرداختند. مجموعه داده های استفاده شده در این تحقیق از سال ۲۰۰۰ تا ۲۰۰۴ برای شاخص بورس تهران بوده و یافته ها، حاکی از برتری MLP NN و رگرسیون خطی داشتند. اما آنها به این نتیجه رسیدند که برای پیش بینی جهت تغییرات، استفاده از Elman recurrent NN و رگرسیون خطی مناسب تر می باشد.
فنگ و همکاران^[۱۹۸] (۲۰۰۶) به پیش بینی شاخص با بهره گرفتن از Elman recurrent NN به همراه ژنتیک پرداخت. تحقیق با بهره گرفتن از صف های قیمت های باز شدن و بسته شدن سهم shentiandi پرداخته و اعلام کردند که Elman قابلیت بسیار زیادی در تخمین جواب شدنی در پیش بینی بازار سهام دارد.
یاماشایتا^[۱۹۹] (۲۰۰۵) با پیشنهاد یک شبکه عصبی چند شعبه^[۲۰۰] به پیش بینی بازار سهام توکیو پرداختند. آنها اعلام کردند که الگوریتم پیشنهادی دارای قابلیت بالاتری نسبت به شبکه عصبی معمولی در تخمین جواب های با دقت بالا می باشد.

۲-۶-۳- کاربرد داده کاوی در بازار سهام

لیاو و چاو^[۲۰۱] (۲۰۱۳) با توضیح در مورد مزایای سرمایه گذاری در بازارهای بین المللی و تشکیل پرتفوی جهانی از سهام، به بررسی حرکت قیمت سهام در بازار مشترک سهام چین – تایوان ECFA^[202] به وسیله داده کاوی پرداخته و با بهره گرفتن از تکنیک های قواعد تلازمی^[۲۰۳] و تکنیک های خوشه بندی^[۲۰۴] به خوشه بندی و دسته بندی سهام موجود در بازار پرداختند و در انتها نیز به این نتیجه رسیدند که سهام الکترونیک، مالی و بیمه در بازار تایوان و سهام مسکن، ارتباطات و مالی در بازار هنگ کنگ دارای حرکت قوی و آینده داری در این بازار هستند. آنها برای این مطالعه از بیست شاخص سهام برای خوشه بندی و پیدا کردن قواعد تلازمی استفاده کردند.
لیاو و همکاران^[۲۰۵] (۲۰۱۱) با تأکید بر مزایای سرمایه گذاری در پرتفوهای بین المللی، بیان می کنند که با تمایل جاری نسبت به کار در بازارهای جهانی، اهمیت درک و پیش بینی نرخ مبادله ارز زیادتر می شود. آنها با بررسی رابطه میان نرخ مبادله ارز و شاخص های بازار بین المللی تایوان به وسیله قواعد تلازمی، به تولید قوانینی برای تولید پرتفوهای بهینه سرمایه گذاری در بازار تایوان با در نظر گرفتن نرخ مبادله ارز پرداخته و با بهره گرفتن از داده کاوی قوانینی را برای استفاده در روش تشکیل پرتفو مارکویتز تشریح کرده اند.