ارزیابی قدرت پیش بینی کنندگی ساختارهای مختلف شبکه های عصبی با تاکید بر پیش بینی ورشکستگی در بورس تهران
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان - دانشکده مدیریت و حسابداری
- نویسنده سجاد عبدی پور
- استاد راهنما احمد ناصری مسعود برکاتی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1391
چکیده
یکی از راه های کمک به سرمایه گذاران و شرکت ها ارایه الگوهای پیش بینی ورشکستگی درباره شرکت ها است. در ابتدا در پیش بینی ورشکستگی از روش های مختلف آماری مانند تحلیل ممیز ، رگرسیون و تحلیل لوجیت استفاده می شده است. اما بعدها توسعه و پیشرفت علم و کسب آگاهی در خصوص توانایی های هوش مصنوعی (ann) (در زمینه شناسایی و دسته بندی الگوها می باشد) محققین توانستند از شبکه های عصبی برای پیش بینی ورشکستگی استفاده کنند. تحقیق حاضر با استفاده از شبکه های عصبی به پیش بینی ورشکستگی شرکت هایی در بورس اوراق بهادار تهران می پردازد که در بازه زمانی 1388-1380 در این بازار فعالیت داشته اند. در این راستا از دو نوع شبکه عصبی پیشخور اما با الگوریتم های یادگیری کاملا متفاوت استفاده کرده ایم. جامعه آماری اولیه این تحقیق شامل 80 جفت شرکت سالم و ورشکسته بوده است (ورشکسته با توجه به تعریفی که در ماده 141 قانون تجارت ایران در مورد شرکت های ورشکسته وجود دارد). الگوریتم های مورد استفاده در این تحقیق از شبکه عصبی پرسپترون چندلایه (mlp) و شبکه تابع پایه شعاعی (rbf) استفاده شده است. برای آموزش شبکه اول از الگوریتم یادگیری انتشار بازگشتی خطا (bp) و برای آموزش دومین شبکه از الگوریتم ترکیبی ( با نظارت و بدون نظارت ) استفاده شده است. نرم افزار مورد استفاده برای ایجاد مدل شبکه عصبی نرم افزار matlab می باشد. نتایج دست آمده در این تحقیق نشان از کارایی بالای مدل شبکه های عصبی ارائه شده دارد. میزان پیش بینی صحیح شبکه های استفاده شده در این تحقیق به ترتیب اعداد 95.7% و 91.4 % را برای شبکه های mlp و rbf نشان می دهد. نتایج نشان می دهد شبکه mlp در خصوص تشخیص شرکت های سالم و ورشکسته عملکرد نسبتا بالاتری نسبت به شبکه rbf از خود نشان داده است ، همچنین پیش بینی های صورت گرفته توسط شبکه mlp از دقت نسبتا بالاتری نسبت به شبکه rbf برخوردار است.
منابع مشابه
طراحی مدل پیش بینی ورشکستگی شرکت ها به وسیله شبکه های عصبی فازی (مطالعه موردی:شرکت های بورس اوراق بهادار تهران)
در این مقاله به منظور پیش بینی درصد ورشکستگی شرکت های بورسی از مدلهای شبکه عصبی فازی استفاده گردیده که توانایی کار در محیط پویا و غیر قطعی را امکان پذیر می سازد. در این میان با استفاده از منطق فازی متغییر های مختلف کلامی به منظور تعریف هر شاخص مشخص گردیده است و با ایجاد توابع عضویت هر کدام با استفاده شبکه عصبی به ایجاد یک سیستم یادگیرنده اقدام شده است. از میان مدل های مختلف شبکه عصبی،شبکه پرسی...
متن کاملکاربرد مدلهای شبکه عصبی در پیش بینی ورشکستگی اقتصادی شرکتهای بازار بورس
یکی از پیشرفته ترین مدلهای پیش بینی کننده ورشکستگی٬ مدل «شبکه عصبی مصنوعی» است. مطابق نتایج تحقیق ساختار اصلی پرسپترون سه و چهار لایه برای پیش بینی ورشکستگی شرکتها به مدلهایی شبیه یکدیگر منتهی می شود که در این میان شبکه سه لایه از قدرت پیش بینی بیشتری نسبت به شبکه چهار لایه برخوردار است.این تحقیق نشان می دهد که «به کارگیری مدلهای مبتنی بر شبکه عصبی توانایی مدیریتهای مالی را برای مقابله با نوسان...
متن کاملپیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی
اندازه و روند شاخصهای قیمت سهام یکی از مهمترین عوامل تاثیرگذار بر تصمیمات سرمایه گذاران در بازارهای مالی میباشد. جهت پیشبینی بازار از تکنیکهای مختلفی استفاده شده است که معمولترین آنها روشهای رگرسیون و مدلهای 3ARIMA هستند اما این مدلها در عمل جهت پیشبینی بعضی از سریها ناموفق بودهاند. در تحقیق حاضر برای پیشبینی شاخص کل بورس از مدل شبکههای عصبی پیش خور4 با قانون یادگیری پس انتشار خطا5 در...
متن کاملپیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی
آگاهی از وضعیت مالی شرکت های بازار سرمایه همیشه یکی از دغدغه های سهامداران و تحلیلگران اقتصادی است؛ از این رو تحلیل گران و محقیق بازار های مالی همیشه به دنبال روش هایی برای پیش بینی شرایط آتی شرکت های حاضر در بازار سرمایه بودند. تحقیق پیش رو نیز به دنبال ایجاد مدلی برای پیش بینی ورشکستگی شرکت های حاضر در بازار بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی است. در این تحقیق از نسبت های مالی...
متن کاملکاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان - دانشکده مدیریت و حسابداری
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023