ارزیابی میزان اثربخشی الگوهای جریان وجوه نقد و مدل برنامه ریزی ژنتیک در پیش بینی درماندگی مالی 

قسمتی از متن پایان نامه :

-7-10) شبکه های عصبی مصنوعی[1]: شبکه های عصبی مصنوعی(ANN) ابزار مدل بندی انعطاف پذیر و    غیر پارامتریک هستند. آنها می تونند هر تابع پیچیده ای را با دقت مورد نظر اجرا کنند.   یک شبکه عصبی مصنوعی نوعا از چندین لایه متشکل از تعداد زیادی عناصر محاسبه گر ساخته شده می باشد که این عناصر محاسبه گر را اصطلاحا گره می نامند. هر گره یک سیگنال ورودی از دیگر گره ها،  یا ورودی های خارجی دریافت می کند و پس از پردازش سیگنال ها به صورت محلی به واسطه یک تابع تبدیل یک سیگنال تبدیل شده به گره دیگر یا نتیجه نهایی ارسال  می کند. ANNها به واسطه ساختار شبکه ها، تعداد لایه ها، تعداد گره ها در هر لایه و چگونگی اتصال لایه ها،   دسته بندی می شوند. یکی از رایج ترین ANNها پرسپترون چند لایه ای[2](MLP)می باشد که در آن تمام گره ها و لایه ها به صورت پس انتشار مرتب شده اند. نخستین یا پایین ترین لایه، لایه ورودی نامیده می گردد که در آن اطلاعات خارجی دریافت می گردد. آخرین یا بالاترین لایه،  لایه خروجی نامیده میشود،  جایی که شبکه مدل راه حل را ایجاد می کند. در این بین یک یا چند لایه مخفی هست که برایANNها در تشخیص الگوهای پیچیده موجود در داده ها ضروری می باشد. تمامی گره ها در لایه های همجوار با بهره گیری از کمانی غیر حلقه ای به لایه های بالاتر اتصال داد ه شده اند. پرسپترون سه لایه ای (یک لایه مخفی و یک گره خارجی ) در شکل( 2-1) نشان داده شده می باشد. اینMLP سه لایه ای از رایج ترین ساختار برای مسائل طبقه بندی دو گروهی نظیر پیش بینی ورشکستگی می باشد (لی و دیگران، 2005). نخستین کوشش در جهت بهره گیری ازANNها برای پیش بینی ورشکستگی توسط آدام و شاردا (1990) صورت گرفت. در مطالعه آنها از شبکه های پس انتشار سه لایه بهره گیری گردید و نتایج حاصل از آن با تحلیل تشخیصی چند متغیره مقایسه گردید. پس از آن مطالعات بسیاری از شبکه های عصبی برای پیش بینی بهره گیری کردند. در این زمینه بخصوص(پیش بینی ورشکستگی) از کاربرد شبکه عصبی معمولا از نسبت های مالی (ویژگی های مالی) به عنوان متغیر های ورودی و وضعیت شرکت(ورشکسته یا غیر ورشکسته) به عنوان خروجی شبکه در نظر گرفته می شوند و در لایه های مخفی الگو ها و روابط موجود بین متغیرهای ورودی و خروجی با در نظر داشتن هدف شبکه مشخص می گردد. به این ترتیب شبکه آموزش می بیند. در ارتباط با یک نظاره (شرکت) جدید با بهره گیری از الگوهای مشخص شده در مرحله آموزشی و نسبت های مالی اقدام به پیش بینی وضعیت آتی می کند.
 

 

 

 

 

 

تصویر(1-2)شبکه عصبی 3 لایه ای پرسپترون

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

2-7-11) الگوریتم ژنتیک[3]: در دهه هفتاد میلادی دانشمندی از دانشگاه میشیگان به نام جان هلند ایده بهره گیری از الگوریتم ژنتیک را در بهینه سازی مهندسی مطرح نمود. ایده اساسی این الگوریتم انتقال خصوصیات مورثی توسط ژن هاست. الگوریتم ژنتیک یک روش جستجوی احتمالی می باشد که از شبیه سازی تکامل زیستی و طبیعی بهره گیری  می کند. الگوریتم ژنتیک با بکار گیری اصل بقای برترین ها برای تولید تخمین های هر چه بهتر یک جواب  (کروموزوم ها) روی جمعیتی از جواب های بالقوه اقدام می نماید (گولدبرگ[4]،1989)                                .                                                                                                                                                                               مراحل الگوریتم ژنتیک در تصویر( 2-2) نمایش داده شده می باشد. توضیح کاملی از مکانیسم و نحوه عملکرد الگوریتم ژنتیک توسط فقیه (1383) ارائه شده می باشد.  اولین خصوصیت مثبت الگوریتم دستیابی به نقطه بهینه کلی بجای نقطه بهینه محلی می باشد.   یعنی همیشه در حد بسیار مطلوبی می توان  به پاسخ این الگوریتم اعتماد نمود و اینکه پاسخی که می بایستی به احتمال زیاد بهترین پاسخ ممکن می باشد.

به علاوه، این الگوریتم به همین شکل موجود در حل انواع مسائل می تواند به کار رود و نیازی به تغییرآن نیست. در واقع تنها کاری که در مورد هر مساله بایستی انجام دهیم این می باشد که جواب های مختلف را به شکل کروموزوم ها بازنمایی کنیم. اما مشکل اصلی الگوریتم ژنتیک علیرغم سادگی پیاده سازی،  هزینه اجرای آن می باشد.   اغلب حل یک مسئله نیازمند تولید چندین هزار نسل از کروموزوم هاست و این مسئله نیاز به زمان زیادی دارد و همین امر گاهی بهره گیری از الگوریتم را با مشکل مواجه می کند.   همچنین یکی دیگر از معضلات الگوریتم ژنتیک این می باشد که این الگوریتم لزوما منجر به بهترین جواب ممکن نمی گردد.  فرانکو وارتو[5] (1998) از الگوریتم ژنتیک برای پیش بینی ورشکستگی بهره گیری نمود نمونه او متشکل از 500 شرکت، شامل 236 شرکت ورشکسته و264 شرکت   غیر ورشکسته می باشد. نتایج این پژوهش بیانگر دقت پیش بینی 93% یکسال قبل از ورشکستگی و 91.6% دو سال قبل از ورشکستگی می باشد. همچنین در این پژوهش با مقایسه مدل الگوریتم ژنتیک و مدل های سنتی پیش بینی،  را بر برتری فرایند ژنتیکی داده گردید زیرا این مدل علاوه بر فارغ بودن از مفروضات محدودکننده،  نسبت به مدل های سنتی از دقت بالاتری نیز برخوردار هستند. در مدل های سنتی با افزایش فاصله زمانی با زمان وقوع ورشکستگی دقت مدل به شدت کاهش می یابد در حالی که این کاهش دقت در مورد مدل هایGA بسیار کمتر می باشد. از دیگر مطالعات انجام شده در این زمینه می توان به شین اما[6] (2002) و مک کی و لنزبرگ[7] (2002) تصریح نمود(فرج زاده، 1386)

[1] Artificial Neural Network
[2] Multi-Layer Perceptron
[3] Genetic Algorithms

[4] Goldberg
[5] Varetto
[6] Shin and Lee
[7]McKee and Lensberg

سوالات یا اهداف پایان نامه :