تعمیم دهی : این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را بدست آورده، نتایج این آموخته ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.
پایداری – انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.(نوری بروجردی،اسگندری،۱۳۸۸، ۶)
شبکه عصبی در شرایطی بکار می رود که ساختار مسائل روشن نیست و باید نوعی روند- شناسی یا بازشناسی الگو صورت گیرد. مدیران مؤسسات مالی، نهادهای مالی در عمل با بسیاری از این شرایط مواجه اند.
شبکه عصبی از دیگر روش های طبقه بندی نمونه به شمار می آید که در آن، فرض خطی بودن روابط میان متغیرها الزامی نمی باشد. استقلال متغیرهای توضیحی حذف شده است و در آن روابط پنهان بین متغیرهای توضیحی به عنوان یک متغیر اضافی وارد تابع می شود. در مورد شرکتها که اطلاعات کمتری نسبت به شخصیتهای حقیقی دارند بیشتر بکار رفته است. برای شناخت الگوهایی که در داده ها وجود دارند بسیار مفید هستند، خصوصاً در مواقعی که نوع رابطه بین هدف (به عنوان مثال ارزیابی وضعیت اعتباری) و متغیرهای ورودی (مثلا ویژگی های جمعیتی) نامشخص و یا پیچیده باشد.

( 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. )

شبکه های عصبی روش محاسبه ای متفاوت با روش های متداول می باشند. محاسباتی که با روش های معمولی انجام می شود از نوع برنامه ریزی شده است و در آنها الگوریتم ها و مجموعه هایی از قواعد به کار می روند تا مسأله را حل کنند. در این روشها اگر الگوریتمی در دست نباشد یا الگوریتم پیچیده باشد، راه حلی برای مسأله وجود نخواهد داشت. اما در محاسباتی که شبکه عصبی اجرا میکند به الگوریتم و مجموعه قواعد نیاز نیست.
تحقیقات به عمل آمده ثابت نموده که شبکه های عصبی نسبت به روش های قبل از خود در ارزیابی نمودن اعتبار مشتریان از صحت بیشتری برخوردار بوده اند و این متد قابلیت ترکیب با سایر متدها را دارد و تأیید شده که ترکیب آن با سایر متدها بیشترین صحت را بدنبال داشته است.
علیرغم برتری روش های شبکه های عصبی، انتقاداتی نیز بر آن وارد می باشد.
وقتی روابط بین متغیرها غیر خطی باشد یکی از مناسبترین ابزارها، شبکه عصبی است. اما علیرغم برتری روش های شبکه‌های عصبی، این روش محدودیت‌هایی نیز دارد که به کارگیری آن را محدود می‌کند.
۱ـ دسته بندی دودویی (باینر): داده‌های ورودی به راحتی می‌تواند به صورت (۱ و ۰) ارائه گردند. اما دسته بندی داده‌های چند کلاسه به طور نامناسبی صورت می‌گیرد. مثلا دسته بندی وضعیت اقامت (دوران سکونت) در۵۰ ایالت امریکا در درخت تصمیم گیری به طور طبیعی صورت می‌پذیرد. اما در شبکه عصبی این کار مشکل است.
۲ـ شبکه عصبی یک مدل قابل درک نیست. شبکه عصبی بیشتر “جعبه سیاه” است و توضیح چرایی نتایج مشکل و یا غیر ممکن است.
۳ـ همراه با به کارگیری شبکه عصبی در سیستم کامپیوتر، شرکت‌ها و سازمان‌ها نیاز به مفسران یا خبرگان ماهر دارند.
۴ـ برای افراد غیرفنی توضیح و توجیه چگونگی تعمیم خیلی مشکل است.
زیریلی^[۹۲] بزرگترین چالش به کار گیری شبکه‌های عصبی در امور مالی را چنین توصیف می‌کند:
بزرگترین چالش در به کارگیری شبکه‌های عصبی در مسائل مالی خود شبکه نیست بلکه شیوه تبدیل و فرآورش داده‌های ورودی جهت ارائه به شبکه و شیوه تفسیر نتایج خروجی شبکه است.
۵ـ یکی دیگر از این محدودیتها، می توان به مشکل بودن فرایند آموزش در آن اشاره کرد که تا حد زیادی کاربرد آن را محدود نموده است.(زیریلی،۱۹۹۷، ۲۰)
با توجه به دو ویژگی اساسی شبکه های عصبی یعنی یادگیری یا نگاشت پذیری براساس ارائه داده‌های تجربی و ساختار پذیری موازی، این شبکه‌ها در مسائل گوناگون مدیریتی کاربردهای مختلفی پیدا کرده‌اند
ماو و مهی‌الدین^[۹۳] کاربردهای شبکه‌های عصبی را به شرح زیر بر می‌شمارند.
۱ـ دسته بندی الگو^[۹۴] : وظیفه دسته بندی الگو برای تخصیص یک الگو از داده‌ها به یکی از دسته‌ه ای از پیش تعیین شده، به وسیله بردار ویژگی است. یکی از کاربردهای آن رتبه بندی اوراق قرضه است.
۲ـ خوشه یابی^[۹۵] : در خوشه یابی دسته‌ه ای شناخته شده برای داده‌های آموزشی وجود ندارد. در حقیقت طبقه بندی الگو بدون سرپرستی است. یک الگوریتم خوشه‌یابی، تشابه بین الگوها را کشف می‌کند و الگوهای مشابه را در یک خوشه قرار می‌دهد. این کار در استخراج داده‌ها و داده کاوی کاربردهای زیادی دارد.
۳ـ تخمین تابع^[۹۶] : فرض می‌کنیم در یک مجموعه، n الگوی آموزشی از زوج‌های مرتب (ورودی و خروجی) از یک تابع ناشناخته (همراه با پارازیت) وجود داشته باشد. وظیفه تخمین تابع، یافتن یک تخمین از تابع ناشناخته است. یک مثال مدیریتی می‌تواند تخمین یک تابع غیر خطی ناشناخته که رابطه بین نارضایتی کارکنان به عنوان ورودی و میزان تولید به عنوان خروجی باشد.
۴ـ پیش بینی^[۹۷] : با وجود یک مجموعه n عنصری y₍₊₁₎, y₍₊₂₎,…y_(t­n) در یک توالی زمانی t₁, t₂, … t_n وظیفه شبکه پیش بینی نمونه y(t_n+1) در برخی از شرایط t_n+1‌ است. پیش بینی بازار سهام، ورشکستگی شرکت‌ها و… نمونه‌هایی از کاربرد شبکه‌ها و پیش بینی مسائل مدیریتی است.
۵ـ بهینه سازی : هدف یک مساله بهینه سازی، یافتن راه حلی است که ضمن صدق در یک مجموعه از محدودیت‌ها، تابع هدف را نیز حداکثر یا حداقل نماید. به عنوان نمونه، مساله فروشنده دوره گرد یک مساله بهینه سازی است. شبکه‌های عصبی می‌توانند با مدل‌های بهینه سازی پاسخ‌های مناسبی را برای این مسئله بدست آورند.
۶ـ حافظه انجمن^[۹۸] : در حافظه انجمن یا حافظه آدرس‌دهی محتوایی می‌توان به وسیله محتوای داده‌ها به آنها دسترسی پیدا کرد. محتوای موجود در حافظه می‌تواند حتی با یک ورودی ناقص یا محتوای به هم ریخته بازخوانی شود. در حالی که در مدل‌های محاسباتی کامپیوتری یک داده موجود در حافظه فقط از طریق آدرس آن قابل دسترسی است. اگر در محاسبه آدرس اشتباهی رخ دهد ممکن است یک مورد کاملاً متفاوتی بازخوانی شود.مدیر می‌تواند با بهره گرفتن از این کاربرد، اطلاعات مربوط به امور مورد نظر را با در دست داشتن اطلاعات مختصری در مورد آن موضوع در اختیار گیرد.
۷ـ کنترل^[۹۹] : هدف در یک مدل کنترل، ایجاد ورودی کنترل به نحوی است که سیستم مسیر مطلوبی را که توسط مدل مرجع تعیین شده است را دنبال کند. زمانبندی مشاغل، ماشین‌ها و سایر منابع در سیستم‌های ساخت منعطف، اهمیت بالایی دارد.
شبکه عصبی در اکثر موارد می‌تواند بهترین قاعده را برای انجام بهینه فعالیت‌ها پیدا کند. دلوین^[۱۰۰] و همکاران کاربرد شبکه‌های عصبی در امور مالی را به این صورت بیان می‌کنند :
الف ـ شبیه سازی مالی
ساختار مالی عملیات تجاری بسیار پیچیده و پویاست، به کمک سیستم‌های عصبی مصنوعی، می‌توان مدلی از محیط مالی شرکت ساخت که ویژه آن شرکت باشد و در طول زمان متناسب با تغییر ساختار مالی شرکت پویایی خود را حفظ کند. سه حوزه اصلی اینکار عبارتند از:
۱ـ پیش بینی برآورد آتی : در مواردی که در حوزه‌های “پیش بینی مالی” مدل، روابط مشخص و تعریف شده نداشته باشد. می‌توان از مدل‌های شبکه عصبی استفاده کرد. می‌توان شبکه عصبی را طوری طراحی و آموزش داد که رفتار سرمایه گذاران نسبت به تحولات شرکت یا تغییرات کلی شرایط مالی تقلید کند. این مدل‌ها می‌توانند جایگزین مدل‌های آماری مثل رگرسیون خطی و… شوند.
۲ـ ارزشیابی : به کمک شبکه‌های عصبی می‌توان ارزش سهام و دارایی‌هایی را که می‌خواهیم خریداری کنیم، برآورد کنیم در این مهم باید فرایند ارزشیابی انسانی شبیه سازی گردد. سیستم می‌تواند به طور خودکار نسبت به تغییرات در رویه‌های عملی تحلیلی و ضوابط انتخاب تصمیم- گیرندگان در طول زمان، خود را سازگار کند، این مدل‌ها مبتنی بر پایگاه‌های اطلاعاتی عمده هستند.
۳ـ تصویب اعتبارات : تعیین سقف اعتباری یک امر زمان بر و کاربر است. می‌توان با شبکه عصبی سیستم تصویب اعتبارات را به نحوی طراحی و آموزش داد که اطلاعات ورودی آن داده‌های مربوط به مشتریان و داده‌های خروجی مطلوب آن، تصمیمات واقعی تحلیلگران اعتباری باشد. در اینجا هدف سیستم تقلید از تصمیم گیرنده انسانی در اعطا یا رد اعتبار و تعیین نقض‌های اعتباری است.
ب ـ نهادهای مالی
۱ـ ارزیابی خطر وام‌دهی، ورشکستگی: موسسات نیز می‌توانند به کمک سیستم‌های عصبی در مورد بررسی تقاضای وام و تصمیم در مورد پرداخت یا عدم پرداخت تصمیم بگیرند.
۲ـ مدیریت بدره دارایی‌ها و اوراق بهادار: موسسات مالی بایستی گلچینی از سهام، اوراق قرضه، وام‌های رهنی، دارایی های فیزیکی را انتخاب کنند. با توجه به نوسانات دائم اقتصادی و مالی این کار بسیار مشکل است. با عنایت به ماهیت سازمان نایافته فرایند مدیریت بدره^[۱۰۱] و عدم اطمینان از اوضاع اقتصادی و پراکندگی و کمبود اطلاعات، عرصه مناسبی برای طراحی مدل‌های شبکه عصبی در این زمینه بوجود آمده است.
۳ـ قیمت گذاری اوراق بهادار جدید: موسسات تامین مالی^[۱۰۲] در کشورهایی با بازار سرمایه توسعه یافته، قیمت گذاری اوراق بهادار جدید را انجام می‌دهند. اینکار فرایند پیچیده‌ای است که بر نرخ بازده شرکت تأثیری مستقیم دارد. اطلاعات مربوط به صادر کنندگان اوراق ممکن است ناقص باشد، یا فرم عرضه اطلاعات غیر استاندارد باشد. ولی باز هم می‌توان برای این قیمت گذاری از شبکه‌های عصبی استفاده کرد. به طور مشابه این کار را می‌توان در مورد قیمت گذاری اولیه سهام نیز انجام داد.
مراحل طراحی و اجرای مدل در شبکه های عصبی به شرح زیر انجام می شود :
همه داده ها را در یک جا جمع می کنیم.
داده ها را به دو گروه داده های آزمونی و داده های یادگیری تقسیم می کنیم.
داده ها را به شکل ورودی های مناسب برای ورود به سیستم تبدیل می کنیم.
معماری شبکه را انتخاب می کنیم، آموزش می دهیم و سپس آزمون می کنیم. سه مرحله فوق را هر مقدار لازم است، تکرار می کنیم.
از شبکه حاصلی استفاده می کنیم.
شبکه های عصبی را می توان با توجه به معیارهای زیر تقسیم کرد (ماندیک^[۱۰۳]،۲۰۰۱، ۲)
مدل محاسباتی
قواعد یادگیری (یادگیری با سرپرست^[۱۰۴]، بدون سرپرست^[۱۰۵]، زوجی^[۱۰۶] )
معماری شبکه (شبکه های پیش رو و پسرو)
۳-۸-۲ : ماشین بردارپشتیبان
در سال ۱۹۶۵ محققی روسی به نام ولادیمیر وپنیک گامی بسیار مهم در طراحی طبقه بندی- کننده ها برداشت. وی نظریه آماری یادگیری را به صورت مستحکم تری بنا نهاد و ماشینهای بردار- پشتیبان را بر این اساس ارائه داد.
در هنگام تلاش برای کشف الگوها و مدل های طبقه بندی ، یادگیری ماشین می تواند یک ابزار قوی بشمار رود (جانا و ماتجاز^[۱۰۷]،۲۰۰۱، ۸). ماشین بردار پشتیبان در واقع یک طبقه بندی کننده دودوئی است که دو کلاس را با بهره گرفتن از یک مرز خطی از هم جدا می کند. در این روش با بهره گرفتن از تمامی باند ها و یک الگوریتم بهینه سازی ، نمونه هایی که مرز ها ی کلاسها را تشکیل می دهند به دست می آورند (وپنیک و چروننکیس^[۱۰۸]،۱۹۹۱، ۱۵).
در این روش مرز خطی بین دو کلاس به گونه ای محاسبه می شود که :
۱- تمام نمونه های کلاس +۱ در یک طرف مرز و تمام نمونه های کلاس -۱ در طرف دیگر مرز واقع شوند.