بورس اوراق بهادار تهران، سیستم هوشمند هیبریدی، بورس اوراق بهادار

دانلود پایان نامه

باو و یانگ (2008) در مقالۀ “سیستم هوشمند معامله سهام توسط تأیید نقاط برگشت و استدلال احتمالاتی” یک سیستم هوشمند معاملات مالی از طریق یک رویکرد جدید پیشنهاد دادند: استراتژی یادگیری معامله توسط مدل احتمالی از ارائۀ سطح بالای سریهای زمانی، نقاط بازگشت و اندیکاتورهای تکنیکال. نتایج بدست آمده حاکی از آن بود که مدل پیشنهادی نتایج قابل توجهی در دامنه آشوب که پیش بینی در این دامنه در گذشته به نظر غیرممکن میآمد، داشته است (Bao & Yang, 2008).
زایدوناس و همکاران (2009) در مقاله خود، سیستم خبرهای برای حمایت از تصمیماتی که مربوط به انتخاب اوراق بهادار هستند، بر پایۀ تجزیه و تحلیل مالی طراحی کردند. این سیستم از طریق ارزیابی عملکرد کلی شرکت پرتفوی انتخاب میکند و در این سیستم مؤسسات تجاری با توجه به صنعت مربوطه شان طبقه بندی شدهاند. این سیستم فقط از معیارهای مبتنی بر تکنیک بنیادی استفاده میکند. آستانهها برای نسبتهای مالی توسط خبرگان تعیین شدهاند. مجموعهای از 1406 قاعدۀ تولید در کل مورد استفاده قرار گرفتهاست. ارزیابی نتایج سیستم از طریق کاربرد در بورس اوراق بهادار آتن انجام شده است(Xidonas et al, 2009).
زارعی، زرندی و کرباسیان (2009) در مقالۀ ” یک سیستم خبرۀ جدید برای انتخاب پرتفوی سهام با استفاده از رویکرد تکنیکال و بنیادی به طور موازی” سیستم خبرهای ارائه میکند که دو فاز دارد. در فاز اول از هر دو دادههای تکنیکی و بنیادی برای تخمین بازده و ریسک استفاده میکند. در فاز دوم مقادیر تخمین زده شده با ترجیحات سرمایه گذاران برای تولید پرتفوی مناسب تجمیع میشوند. فاز اول شامل دو سیستم خبره است که هرکدام از آنها برای تخمین بنیادی یا تکنیکی مسئولند. در سیستم خبره تکنیکال برای هر سهم 27 کاندید شناسایی شده است و با استفاده از روش خوشهبندی مبتنی بر مجموعه های خشن (RC) متغیرهای موثر انتخاب شدهاند. سپس برای هر سهام دو قاعده پایه فازی با روش C-Mean فازی و رویکرد TSK پرورش داده شدهاند. در طوفان فکری با خبرگان بازار سهام تعیین شده اند. مقادیر تخمین زده شده ریسک و بازده در فاز دوم با ترجیحات کاربر تجمیع شده و نهایتاً یک قاعده پایه فازی با چهار قاعده این مقادیر را پردازش کرده و رتبهبندی میکند(Zarei, Zarandi, Karbasian,2009).
فسنقری و منتظر (2010) سیستم خبرهای پیشنهاد دادند که هدف آن ارزیابی سهامهای بورس اوراق بهادار تهران برای ساختن پرتفوی و پیشنهاد آن به مشتریان هدف در بورس اوراق بهادار تهران است. این سیستم سهامها را با توجه به نسبتهای تحلیل بنیادی و معیارهای کیفی از بورس اوراق بهادار تهران رتبه بندی میکند. ورودیهای سیستم با استفاده از سه متغیر زبانی پایین، متوسط، بالا توسط تابع عضویت مثلثی مدلسازی شدهاند. پارامترهای تابع عضویت و تعداد قواعد تولید در پایگاه دانش توسط روش دلفی فازی که دانش چندین خبره را تجمیع میکند معین شدهاند. ریسک متحمل شده نیز در فرآیند رتبهبندی آمیخته شده است. بنابراین پیشنهاد پرتفوی با ترجیحات سرمایه گذار وفق داده شده است. نتایج سیستم با نظرسنجی از خبرگان اعتبارسنجی شده است. عوامل انتخابی برای پیشنهاد پرتفوی در این سیستم عبارتند از: بازار سهام، قواعد فروش، سود هر سهم (EPS)، پروژه ها، صاحبان سهام، گزارش حسابرسی قانونی، سهام شناور (Fasanghari & Montazeri, 2010).
2-4-2 تجزیه و تحلیل مالی:
موی و مک کارتی (1987) سیستم FSA را طراحی نمودند. این سیستم یک تحلیلگر صورتهای مالی بود که برای تصمیمگیریهای مالی به کار میرود. آنها اعتقاد داشتند که تصمیمگیری مالی از دو فاز تشکیل شده است: فاز آشنا سازی و فاز استدلال. FSA اولین مرحله را با اعمال تکنیکهای AI بر فاز آشنا سازی تجزیه و تحلیل مالی شروع میکند. این سیستم میتوانست دادههای ضروری را از صورت های مالی و ترازنامه استخراج کند و نسبتها را تجزیه و تحلیل نماید. دو پایگاه دانش سیستم را حمایت میکنند: یکی شامل دانش مالی و حسابداری و دیگری شامل ساختارهای معنایی (Mui, & McCarthy, 1987) .
پاچکو و همکاران (1996) در مقاله ” سیستم هوشمند هیبریدی به کار برده شده در تجزیه و تحلیل صورت مالی” یک سیستم هوشمند هیبریدی مرکب از شبکه عصبی (ماژول استقرایی) و یک سیستم خبره فازی (ماژول قیاسی) برای تشخیص و نشان دادن آلترناتیوها برای مسائل مالی طراحی نمودند. این سیستم متدولوژی سنتی تجزیه و تحلیل صورتهای مالی را مدلسازی میکند و مسئلۀ مالی را تشخیص میدهد و راه حلهای جایگزین ممکن را پیشنهاد میدهد (Pacheco et al, 1996).
ماتساتسینیس، دامپوس و زپونیدیس (1997) در مقالهای با عنوان ” کسب دانش و ارائۀ آن برای سیستم خبره در زمینۀ تجزیه و تحلیل مالی” متدولوژی کاملی برای کسب دانش برای توسعۀ سیستم خبره در زمینه تجزیه و تحلیل مالی ارائه میدهد. این متدولوژی در توسعۀ سیستم حمایت از تصمیم چند معیاره مبتنی بر دانش (FINEVA) برای ارزیابی عملکرد شرکت و امکان ادامه حیات مورد استفاده قرار گرفته است. این متدولوژی بر پایۀ مصاحبه با خبرگان تحلیل مالی بنا شده است (Matsatsinis, Doumpos & Zopounidis, 1997).
شو، چن و شیو (2009) در مقالهشان رویکرد جدیدی در توسعۀ سیستم خبره برای ارزیابی کیفیت مالی واحد تجاری ارائه نمودند. این رویکرد مضمون دانش را به دامنۀ دانش صورت های مالی و دانش عملیاتی فرآیند تحلیلی تحلیلگران، تقسیم میکند. که اولی ارائه دهندۀ رابطۀ تعریف شدۀ آیتمهای حسابداری صورتهای مالی و دیگری ارائه دهندۀ فرآیند استدلال. آنها آنتولوژی (هستی شناسی) را برای مدلسازی مضمون دامنه دانش و قواعد تصمیمگیری را برای ارائۀ دانش عملیاتی به کار بردند. این سیستم Protege را به عنوان پایۀ دامنۀ دانش و JESS را به عنوان پایۀ دانش عملیاتی در یک سیستم خبره کامل تجمیع میکند (Shue, Chen & Shiue, 2009).
2-4-3 برنامهریزی مالی:
لی و نام (1997) یک سیستم سرمایهگذاری پس انداز هوشمند به نام HYPER- SAVINGS توسعه دادند که میتوانست بهترین پرتفوی پس انداز شامل انواع محصولات از چندین بانک را بسازد. مدل اصلی در این سیستم، مدل برنامهریزی عدد صحیح است. به دلیل استفاده از این مدل باید اطلاعات درمورد سرمایه گذاران، محصولات، مؤسسات و شرایط مالی جاری، برای فرمولبندی مدل برنامهریزی عدد صحیح، تفسیر شوند و این کار توسط پذیرش UNIK- IP، کمک مدل دانش پایه برنامهریزی عدد صحیح انجام میشود (Lee & Nam, 1997).
2-4-4 رتبهبندی اوراق قرضه:
کیم و لی (1995) در مقالهای با عنوان “سیستم خبره رتبهبندی اوراق قرضه برای شرکتهای صنعتی” سیستم خبرهای برای انجام وظیفۀ رتبهبندی اوراق قرضه طراحی کردند و این سیستم را ArBor- I نامیدند (Keem & Lee, 1995).
شین و هان (1999) در مقالۀ خود رویکرد یادگیری ماشینی با استفاده از الگوریتمهای ژنتیک برای یافتن بردار وزن بهینه یا نزدیک به بهینه را ارائه نمودند. آنها این بردارهای اوزان را بر رویه رتبهبندی مسئلۀ CBR اعمال کردند. تجمیع الگوریتمهای ژنتیک و CBR منافع هر دو سیستم را جمعآوری میکند. آن ها رویکرد پیشنهادیشان را در رتبهبندی اوراق شرکتهای سهامی اجرا نمودند (Shin & Han, 1999).
2-4-5 ارزیابی ریسک ورشکستگی:
المر و بوروسکی (1988) یک سیستم خودکار مبتنی بر قاعده که تجزیه و تحلیل یک تحلیلگر پس انداز و وام (S&L) را مدلسازی میکند، ارائه کردند. نتایج بدست آمده از اجرای مدلشان بیانگر این است که سیستم خبرۀ پیشنهادی بیشتر یک پیشگوی قوی ورشکستگی S&L است تا مدلهای پیشگویی مبتنی بر تجزیه و تحلیل آماری. سیستم خبرۀ آنها مؤسسات را به دو دسته S&L سنتی و غیر سنتی دستهبندی می کند (Elmer & Borowski, 1988).
2-4-6 سرمایهگذاری
مایرز (1988) در مقالۀ خود با نام یادداشتهایی بر سیستم خبره برای بودجه بندی سرمایهای به معرفی سیستم خبرهای میپردازد که برای تصمیمگیری در مورد سرمایهگذاری ثابت شرکت به کار میرود. گروهی که شامل وی نیز میشد اولین نسخۀ این سیستم را در مارس 1985 ارائه نمودند. سیستم به سه قسمت ورودی، ارزیابی و تجزیه و تحلیل تقسیم میشود. این سیستم یک سیستم خبرۀ مرکب است که چندین تکنولوژی هوش مصنوعی را با هم ترکیب میکند شامل سلسله مراتب وراثت مشروط، استدلال مبتنی بر مدل و استنباط مبتنی بر قیود (Myers, 1988).
والنتاین (1988) در مقالۀ استفاده از سیستمهای خبره در سرمایهگذاری، در مورد کاربرد سیستمهای خبره در سرمایهگذاری بحث میکند و به بررسی استفاده از قاعدهها و طبیعت آنها، خصوصیت سیستمهای خبره و استفاده از آنها در مباحث سرمایهگذاری میپردازد (Valentine, 1988).