پیش بینی ارزش افزوده اقتصادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران 

قسمتی از متن پایان نامه :

.

21-2 پردازش اطلاعات در شبکه‌های عصبی مصنوعی

شبکه شامل یک لایه ورودی، یک لایه خروجی و یک یا چند لایه مخفی بین لایه های ورودی و خروجی می­شوند. لایه های میانی روابط بین لایه ورودی و خروجی هستند که اوزان عناصر پردازشگر ارتباط غیر خطی بین متغییرهای لایه ورودی (مستقل) و لایه خروجی (وابسطه ) را مستقر می کنند( خازم، 2007، 54)[1] .

پردازش اطلاعات در شبکه‌های عصبی مصنوعی از سه بخش اصلی تشکیل شده می باشد:

ورودی‌ها

هر ورودی[2] مربوط به یک صفت منحصر به فرد می باشد. برای مثال اگر مسئله قیمت‌گذاری عرضه عمومی اولیه یک شرکت در میان باشد، صفت می‌تواند قیمت یا عواید حاصل از فروش باشد. ارزش صفت‌ها، ورودی‌های شبکه را تشکیل می‌دهند.

خروجی‌ها

خروجی[3] شبکه، پاسخ مسئله‌ای می باشد که در پی حل آن هستیم. برای مثال در مسئله تصویب وام، خروجی شبکه عصبی مصنوعی ممکن می باشد به جای بله یا خیر، 0 یا 1 باشد. در ضمن لایه‌ای که خروجی آن، خروجی نهایی شبکه باشد، به لایه خروجی و لایه‌های دیگر به لایه‌های میانی موسومند.

 

 

وزن‌ها

وزن‌ها[4] عناصر اصلی شبکه‌های عصبی مصنوعی هستند که قدرت نسبی یا ارزش ریاضی داده‌های ورودی اولیه و ارتباطات متنوع انتقال‌دهنده داده‌ها از یک لایه به لایه دیگر را نشان می‌دهند. به اظهار دیگر، وزن‌ها اهمیت نسبی هر عنصر پردازشگر را مشخص می‌کنند. وزن‌ها از اهمیت زیادی برخوردارند، چراکه یادگیری[5] شبکه از طریق تعدیل مکرر آنها صورت می‌گیرد( لوبیک، 2001، 38)[6].

تابع جمع

توابع جمع متوسط وزن‌های همه عناصر ورودی را برای هر یک از عناصر پردازشگر مشخص می‌کنند. این تابع اساساً به عنوان ماشه نرون اقدام می کند و گاهی اوقات آستانه تحریک[7] نیز نامیده می گردد.

تابع انتقال

ارتباط بین سطح فعال‌سازی درونی و خروجی شبکه می‌تواند خطی یا غیرخطی باشد. چنین روابطی توسط تابع انتقال[8] (تابع محرک) اظهار می گردد. توابع انتقال بسیاری مانند تابع محرک خطی، تابع محرک آستانه‌ای دو مقداره حدی، تابع محرک زیگموئید هست. انتخاب دقیق تابع انتقال می‌تواند تعیین‌کننده کارایی شبکه باشد. در اقدام تعداد محدودی از توابع محرک مورد بهره گیری قرار می‌گیرند. در اینجا به تبیین تابع محرک زیگموئید اکتفا می گردد.

یادگیری

یادگیری شبکه را در آغاز بایستی از این دیدگاه مورد مطالعه قرار داد که چگونه باد یادگیری را در شبکه عصبی به کاربرد. شبکه‌های عصبی مصنوعی مانند بشر از طریق خطاهایش یاد می‌گیرد. قابلیت یادگیری در شبکه‌های عصبی یعنی توانایی تنظیم پارامترهای شبکه در مسیر زمان که محیط شبکه تغییر می کند و شبکه شرایط جدید را تجربه می کند، با این هدف که اگر شبکه برای وضعیت خاصی آموزش دید و تغییر کوچکی در شرایط محیطی آن رخ داد، شبکه بتواند با آموزش[9] مختصر برای شرایط جدید نیز کارآمد باشد.

 

کاگنیترون ابتدایی ترین مدل چند لایه یادگیری شبکه عصبی می باشد که در دهه 1980 توسعه پیدا نمود  (ویلو،2002، 91)[10].

این نوع شبکه عصبی جریان بی جهتی میان تمام نرونها در ساختار شبکه می باشد.

تعداد لایه های یک شبکه، الگوی برقراری ارتباط میان عناصر پردازشگر، استراتژی تغییر اوزان و انتخاب تابع انتقال یادگیری و فرآیند آموزش یک شبکه را تعیین می کنند. فادلالا و لین (2001) اظهار داشتند که، ویژگی های شبکه شامل ساختار شبکه، تعداد لایه های پنهان در قوانین یادگیری شبکه تاثیر می­گذارند( خازم، 2007، 54)[11] .

می‌توان فرایند یادگیری را به دو نوع تقسیم نمود: یادگیری باناظر و یادگیری بدون‌ناظر.

یادگیری باناظر

یادگیری باناظر[12] مبتنی بر آموزش می باشد. هدف از این نوع یادگیری حذف تفاوت‌های بین الگوهای خروجی مطلوب و واقعی می باشد. در این نوع یادگیری بایستی شبکه عصبی را قبل از عملیاتی شدن آموزش دهیم. فرایند آموزش شبکه عصبی شامل ارائه داده‌های ورودی و خروجی به شبکه می باشد. داده‌هایی که در فرایند آموزش مورد بهره گیری قرار می‌گیرند را مجموعه داده‌های آموزش[13] می‌نامیم. این فاز آموزش زمان زیادی می‌برد و هنگامی کامل می گردد که شبکه عصبی خروجی‌های مورد نیاز را برای سری معین داده‌ها فراهم نماید. زمانیکه آموزش تکمیل گردید، وزن‌ها تعیین شده و برای عملیات واقعی مورد بهره گیری قرار می‌گیرند( هایکن، 1999، 64)[14].

[1].Khazem,2007,54

[2]. input

[3]. output

[4]. weight

[5]. learning

[6].Lubic ,2001,38

[7]. activation level

[8]. transfer function

[9]. training

[10].Willow 2002,91

[11].Khazem,2007,54

[12]. supervised learning

[13]. training data set

[14].Haykin 1999,64

سوالات یا اهداف پایان نامه :

 

سوالات پژوهش

  1. آیا شبکه های عصبی توانایی پیش بینی ارزش افزوده اقتصادی شرکتهای مورد مطالعه را دارد؟
  2. آیا می توان با بهره گیری از شبکه عصبی و نسبتهای مالی به پیش بینی ارزش افزوده اقتصادی و دارایی های مالی در آینده بپردازیم؟
  3. ایا پیش­بینی ارزش افزوده اقتصادی شرکتها از طریق شبکه عصبی نسبت به رگرسیون خطی برتری دارد؟

6-1 اهداف پژوهش

هدف ابتدایی این پژوهش پیش بینی ارزش افزوده اقتصادی اوراق بهادار می باشد که می توان از آن برای سرمایه گذاری بهره گیری نمود.

پیش بینی بازده دارایی های در طول زمان برای کسب منفعت و سود بیشتر همیشه مورد توجه بوده می باشد اما در این پژوهش ارزش افزوده اقتصادی به عنوان گامی بلند تر برای رسیدن به سرمایه گذاری بهتر دست یابیم و در حسابداری مالی این امر برای سهام داران را می توان ارائه نمود . در پزوهش هایی که تا به حال انجام شده می باشد روش های بسیاری برای پیش بینی ارزش افزوده اقتصادی ارائه شده می باشد اما تا کنون به یک روش یگانه که بهترین روش برای پیش بینی ارزش افزوده اقتصادی پیدا نمود نشده می باشد به همین دلیل در این پژوهش به دنبال پیدا نمود روشی برای پیش بینی بهتر ارزش افزوده اقتصادی شرکت ها ها هستیم.

از اهداف دیگر این پژوهش می توان به بهبود پیش بینی های ارزش افزوده اقتصادی و جستجو برای یافتن روش های بهتر با کارایی بیشتر و سرعت اقدام بیشتر تصریح نمود.

پایان نامه پیش بینی ارزش افزوده اقتصادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران

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

پایان نامه پیش بینی ارزش افزوده اقتصادی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران

پایان نامه - تز - رشته حسابداری