انتخاب نسبت های مالی برای پیش بینی بحران کسب و کارمطالعه موردی شرکت های پذیرفته شده در بورس اوراق بهادار 

قسمتی از متن پایان نامه :

اولین الگوریتم برای طبقه بندی و دسته بندی الگوها در سال 1936 توسط فیشر ارائه گردید و معیار آن برای بهینه کردن، کم کردن خطای طبقه بندی داده های آموزشی بوده می باشد. بسیاری از الگوریتم ها و روش هایی که تاکنون نیز برای طراحی طبقه بندی کننده ها ارائه شده می باشد، از همین استراتژی پیروی می کنند. در این روش ها، طبقه بندی کننده ی طراحی شده دارای خاصیت تعمیم دهندگی کمی می باشد. اگر طراحی طبقه بندی کننده ی الگو را بعنوان یک مساله بهینه سازی در نظر بگیریم، بسیار ی از این روش ها با مشکل بهینه سازی محلی در تابع مواجه اند و در دام بهینه سازی محلی گرفتار می آیند. در سال 1965 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 ماشین های بردار پشتیبان را بر این اساس ارائه داد. ماشین های بردار پشتیبان دارای خواص زیر هستند:

  • طراحی طبقه بندی کننده با حداکثر تعمیم 2ـ رسیدن به نقطه بهینه کلی تابع 3ـ تعیین خودکار ساختار و توپولوژی بهینه برای طبقه بندی کننده 4ـ مدل کردن توابع فرق غیرخطی با بهره گیری از هسته های غیر خطی و مفهوم حاصل ضرب داخلی در فضاهای هیلبرت.
  • SVM  الگوریتمی می باشد که نوع خاصی از مدل های خطی را می یابد که حداکثر حاشیه ابرصفحه را حاصل می کنند. حداکثر کردن حاشیه ابر صفحه منجر به حداکثر شدن تفکیک بین طبقات می گردد. به نزدیک ترین نقاط آموزشی به حداکثر حاشیه ابرصفحه، بردارهای پشتیبان اطلاق می گردد. تنها از این بردارها (نقاط) برای مشخص کردن مرز بین طبقات بهره گیری می گردد(شین و همکاران[1]، 2005).
    اگر داده ها به صورت خطی مجزا از هم باشند، SVM به ماشین های خطی برای تولید یک سطح بهینه که داده ها را بدون خطا و با حداکثر فاصله میان صفحه و نزدیکترین نقاط آموزشی(بردارهای پشتیبان) تفکیک می نماید، آموزش می د هد. اگر نقاط آموزشی را به صورت[xi,yi] و بردار ورودی ∈Rn xi و ارزش طبقه i =1,…,l  و  {1,1ـ}∈ yi  تعریف کنیم ، آنگاه در حالتی که داده ها بصورت خطی قابل تفکیک هستند، قواعد تصمیم گیری که تعریف می گردد و توسط یک صفحه بهینه که طبقات تصمیم گیری باینری را تفکیک می کند، به صورت معادله زیر می باشد:

    (1)

     

     

     

     

    که در آن Y خروجی معادله، yi ارزش طبقه نمونه آموزشی Xi  و.  نشان دهنده ضرب داخلی می باشد. بردار x=(x1,x2,x3,…,xn) نشان دهنده یک داده ورودی و بردارهای xi و i =1,..,N بردارهای پشتیبان هستند. در معادله l ، پارامترهای b و αi تعیین کننده ابر صفحه هستند. اگر داده ها به صورت خطی قابل تفکیک نباشند، معادله l به معادله زیر تغییر می یابد:

    (2)

     

     

    تابعK(X,Xi)، تابع کرنلی می باشد که برای ایجاد ماشین هایی با انواع مختلفی از سطوح تصمیم گیری غیر خطی در فضای داده ها، ضرب های داخلی تولید می کند.  به عنوان مثال، سه نوع تابع کرنل که در مدل SVM  بکار می رود، عبارتند از:

  • ماشین چند جمله ای با تابع کرنل
  • که در آنd ، درجه کرنل چندجمله ای می باشد.

    شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     
  • ماشین تابع پایه شعاعی با تابع کرنل
  • که در آن δ پهنای باند کرنل تابع پایه شعاعی می باشد.

  • ماشین NN دو لایه با تابع کرنل
  •  

     

    که در آن v و c پارامترهای تابع زیگموییدی ](X • Xi)[ S هستند به نحوی که نامعادله c v مستقر باشد(وانگ، 2005). فرآیند یادگیری برای ایجاد توابع تصمیم گیری دارای ساختاری دو لایه می باشد. SVM  از تئوری بهینه سازی برای طبقه بندی که براساس تئوری یادگیری آماری، خطای طبقه بندی را به حداقل می رساند، بهره گیری می کند. نمودار 2-4 ، فرایند مدل SVM  را نشان می دهد.
    [1] . Shin & et al

    سوالات یا اهداف پایان نامه :

     

    ـ مطالعه درجه دقت الگوی استخراجی در پیش بینی بحران کسب وکار شرکتهای پذیرفته شده در بورس اوراق بهادار