یادگیری ماشین

نوسانات زیاد قیمت نفت خام به عنوان منبع اصلی انرژی و ماده اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش بینی روند قیمت آنرا دوچندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش بینی قیمت نفت خام با استفاده از الگوی های غیرخطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، شبکه حافظه طولانی کوتاه مدت و شبکه عصبی واحدهای برگشتی گیت دار مدلسازی شده است سپس توانمندی آن ها نسبت به یکدیگر و مدل معیار مقایسه، و دقت پیش بینی آن ها با استفاده از روش خطای مربعات میانگین اشتباهات ارزیابی شده است. نمونه مورد مطالعه داده های نفت خام برنت دریای شمال از تاریخ 01/08/2007 لغایت 31/ 05/2024 به صورت روزانه و ماهانه و سالانه است. نتایج پژوهش نشان می دهد که معماری شبکه در این مدل ها نسبت به مدل های پیشین، در استخراج اطلاعات از داده ها توانمندتر بوده و زمان دستیابی به قیمت های آینده بهبود بخشیده شده است. همچنین از میان الگوهای غیرخطی، الگوی شبکه بازگشتی گیت دار در فرکانس های مختلف پیش بینی دقیق تر و با خطای کمتری از قیمت نفت را به دست می دهد

هدف: هدف اصلی این تحقیق انجام یک تحقیق جامع با هدف شناسایی تمامی عوامل موثر در طراحی و عملکرد بهینه سیستم های نظارت هوشمند برای کشف تقلب است. این شامل تجزیه و تحلیل دقیق انواع تقلب مالی، انواع داده های مورد استفاده برای سیستم های تشخیص تقلب (اعم از مالی و غیر مالی) و شناسایی موثرترین الگوریتم های یادگیری ماشینی و یادگیری عمیق است. علاوه بر این، هدف این تحقیق ایجاد معیارهای مناسب برای اندازه گیری کارایی آنها و شناسایی چالش ها در طراحی سیستم های نظارت هوشمند است. در نهایت، این تحقیق به دنبال پیش بینی فرآیند تحقیقات آینده است تا بتواند به این چالش ها پاسخ دهد.   روش: این پژوهش با استفاده از روش تحقیق توصیفی، به بررسی دقیق منابع از جمله مقالات منتشر شده در مجلات بین المللی، مقالات همایش ها و بویژه مقالات نمایه شده در پایگاه اسکوپوس و مجلات معتبر داخلی پرداخته است. دامنه زمانی یک دوره 20 ساله را در بر می گیرد که منتهی به سال 1401 می شود. برای اطمینان از صحت و دقت تجزیه و تحلیل، از نرم افزار MAXQDA برای کدگذاری و برگه های تجزیه و تحلیل استفاده شد، در حالی که از نرم افزار VOS Viewer برای تحلیل کلمات کلیدی و ترسیم نقشه جامع تحقیق استفاده شد.   یافته ها: این تحقیق با بررسی تحقیقات سیستم های کشف تقلب در دو دهه گذشته به ارائه مدل مفهومی تحقیقات کشف تقلب آتی منجر شده است که با ادغام داده های مالی و غیرمالی، از جمله معیارهای زیست محیطی، اجتماعی و حکمرانی ( ESG )، یک تغییرپارادیم جدی در تحقیقات این حوزه را موجب می شود. این رویکرد با رفع محدودیت های موجود در کشف تقلب و با در نظر گرفتن طیف وسیع تری از متغیرها، موجب افزایش دقت و شفافیت سیستم های تشخیص تقلب می شود.   نتیجه گیری: این پژوهش با تجزیه و تحلیل تحقیقات قبلی انجام شده در این زمینه و شناسایی چالش ها و روندهای آتی، به گسترش حوزه دانش کمک می کند. خروجی این تحقیق شامل تجزیه و تحلیل دقیق چالش های حاضر در طراحی سیستم های نظارت هوشمند و استخراج روندهای تحقیقات آتی است. با پرداختن به این چالش ها و روندها، تحقیقات آینده می توانند به طور قابل توجهی، طراحی و اجرای سیستم های نظارت هوشمند را بهبود بخشد و از اثربخشی آنها در شناسایی و پیشگیری از تقلب مالی، اطمینان حاصل نمایند.

هدف: این پژوهش با هدف بهینه سازی پرتفوی سرمایه گذاری از طریق ترکیب تحلیل پوششی داده ها و یادگیری ماشین با استفاده از داده های چندمنبعی در بورس اوراق بهادار تهران انجام شده است. هدف اصلی ارایه یک مدل پیشرفته برای انتخاب سهام و بهینه سازی پرتفوی به گونه ای است که سرمایه گذاران بتوانند استراتژی های کارآمدتری را نسبت به روش های سنتی اتخاذ کنند. روش شناسی پژوهش: در این مطالعه، ابتدا از مدل تحلیل پوششی داده ها برای ارزیابی کارایی سهام از نظر بازده تاریخی و همبستگی دارایی استفاده شده است. سپس با استفاده از ماشین بردار پشتیبان و ترکیب داده های چندمنبعی، روند حرکت قیمت سهام پیش بینی شده است. به منظور بهبود دقت مدل، روش های جستجوی تصادفی و شبکه ای برای تنظیم بهینه هایپرپارامترهای الگوریتم به کار گرفته شده است. در نهایت، داده های حاصل در یک مدل بهینه سازی پرتفوی ادغام شده و استراتژی سرمایه گذاری پیشنهادی تدوین شده است. یافته ها : نتایج تجربی بر روی داده های بورس اوراق بهادار تهران نشان داد که مدل پیشنهادی قادر به بهبود عملکرد استراتژی های سرمایه گذاری در مقایسه با روش های سنتی است. نسبت های شارپ و سورتینو نشان دهنده برتری مدل پیشنهادی نسبت به استراتژی حداقل واریانس سراسری بوده اند. همچنین مشخص شد که استفاده از یک استراتژی سرمایه گذاری کم تنوع می تواند کارایی بیشتری نسبت به استراتژی های کاملا متنوع ارایه دهد. اصالت/ارزش افزوده علمی: این پژوهش با ارایه یک مدل ترکیبی از تحلیل پوششی داده و یادگیری ماشین، رویکردی نوین برای انتخاب سهام و بهینه سازی پرتفوی پیشنهاد می دهد. استفاده از داده های چندمنبعی و روش های پیشرفته یادگیری ماشین، دقت پیش بینی و تصمیم گیری سرمایه گذاران را بهبود بخشیده و زمینه را برای تحقیقات آینده در حوزه هایی مانند استفاده از مدل های فازی، الگوریتم های فرا ابتکاری و تحلیل روابط بین شاخص های مالی فراهم می کند.

کیفیت حسابرسی برای استفاده کنندگان اطلاعات حسابداری جهت ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت اهمیت دارد. با این بیان، هدف اصلی پژوهش حاضر ارائه الگوی کیفیت حسابرسی(عوامل ورودی، فرایند، خروجی و زمینه ای) جهت استفاده در تصمیمات سرمایه گذاران و فعالان بازارهای مالی است. برای دسترسی به هدف پژوهش انواع مدل های آماری و یادگیری ماشین در دستیابی به الگویی بهینه در پیش بینی مدل تصمیم سرمایه گذاری استفاده شده است. به منظور ارزیابی عملکرد مدل های یادگیری ماشین از دو معیار دقت پیش بینی مدل و ناحیه سطح زیر منحنی استفاده شده است. در نهایت به منظور انتخاب مدلی که بهترین عملکرد را برای پیش بینی مدل تصمیم سرمایه گذاری دارد، از منحنی مشخصه عملکرد سیستم استفاده شده است. نتایج پژوهش نشان داد پس از محاسبه متوسط دقت پیش بینی، مدل های قوانین استنتاجی، K نزدیک ترین همسایه و ماشین بردار پشتیبان تکاملی به ترتیب دارای بالاترین دقت پیش بینی 29/84 درصد 74/78 درصد و 01/77 درصد در بین مدل های یادگیری ماشین هستند. همچنین براساس نتایج منحنی مشخصه عملکرد سیستم مدل قوانین استنتاجی با دقت پیش بینی 29/84 درصد در پیش بینی مدل تصمیم سرمایه گذاری بهترین عملکرد را دارد و به عنوان مدل بهینه انتخاب شد. یکی از راه های کمک به تحلیلگران سرمایه گذاری و فعالان بازارهای مالی، ارائه الگوهای پیش بینی درباره دورنمای اطلاعات شرکت است. هرچه پیش بینی ها به واقعیت نزدیک تر باشد، مبنای تصمیم های صحیح تری قرار خواهند گرفت. کیفیت بالای حسابرسی می تواند به تحکیم گزارشگری مالی شفاف و افزایش دقت در ارزیابی وضعیت مالی شرکت ها منجر شود که به نوبه خود، بر کیفیت تصمیم گیری های مالی سرمایه گذاران و افزایش کارآیی بازارهای مالی تأثیر می گذارد. روش های آماری و داده کاوی می توانند تا حد زیادی یک سیستم پشتیبانی برای تصمیم گیری سرمایه گذاران ارائه دهد. از این رو در این پژوهش انواع مختلف مدل های آماری و یادگیری ماشین توسعه داده شد. نتایج پژوهش می تواند درک بهتری از چگونگی تاثیر کیفیت حسابرسی از منظر عوامل ورودی، فرایند، خروجی و زمینه ای بر مدل تصمیم مطابق با دیدگاه محتوای اطلاعاتی و نظریه سودمندی تصمیم برای تصمیم گیری به استفاده کنندگان اطلاعات حسابداری ارائه نماید.

بازار سهام به عنوان یکی از اجزای حیاتی بازار سرمایه، بخش مهمی از اقتصاد کشور است که می تواند جریان سرمایه را مدیریت و تخصیص سرمایه را بهینه کرده و از این طریق به رشد و توسعه اقتصادی کمک کند. پیش بینی هرچه دقیق تر روند بازار سهام می تواند با کاهش ریسک، به تصمیم گیری سرمایه گذاران برای کسب بازده بیشتر کمک کند. به طور کلی بازار سهام همواره در حال تغییر است و عوامل زیادی بر روند حرکت این بازار اثر می گذارند لذا پیش بینی الگوهای حرکتی در بازا سهام نیازمند داشتن اطلاعات کافی از گذشته بازار و عوامل اثرگذار بر آن می باشد. این مقاله ضمن پیش بینی شاخص کل بازار سهام ایران، به دنبال تفسیر مدل و مشخص کردن اثرگذارترین متغیر اقتصادی بر پیش بینی شاخص کل می باشد. برای این منظور از داده های روزانه بازار سهام و متغیرهای کلان اقتصادی طی دوره 1394-1401 استفاده شده است. همچنین از مدل های یادگیری ماشین برای پیش بینی و از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیش بینی و تعیین بااهمیت ترین متغیر اقتصادی در مدل پیش بینی استفاده شده است. براساس نتایج بدست آمده از میان روش های گروهی مبتنی بر درخت، مدل پیشنهادی این مطالعه یعنی ExtraTrees بهترین عملکرد را بر اساس معیارهای خطا در پیش بینی دارد. درمورد مبحث اهمیت ویژگی نیز بر اساس مدل ExtraTrees، به ترتیب دلار نیمایی، نرخ بیکاری، دلار بازار آزاد و نقدینگی با اهمیت ترین متغیرهای اقتصادی اثرگذار بر مدل پیش بینی می باشند. همچنین براساس سایر مدل های استفاده شده در پژوهش، نقدینگی مؤثرترین متغیر بر روند شاخص سهام می باشد. در نهایت می توان گفت که مؤثرترین متغیر های پولی بر شاخص بازار سهام در ایران متغیرهای نقدینگی و نرخ ارز می باشند لذا سیاست گذاران پولی و سرمایه گذاران بازار سهام در تصمیم گیری های خود باید به تغییرات این متغیرها حساسیت بیشتری نشان دهند.

زمین لغزش به عنوان یکی از خطرناک ترین مخاطرات طبیعی در نواحی کوهستانی همواره تأسیسات انسانی به ویژه جاده ها و محورهای ارتباطی را تهدید می کند و رخداد آن خسارات جانی و مالی بسیاری را همراه دارد لذا مطالعه و شناخت این مخاطره در جهت پهنه بندی خطر وقوع آن امری ضروری است. هدف از این پژوهش پهنه بندی خطر وقوع زمین لغزش در جاده ماسال به گیلوان با استفاده از الگوریتم شبکه عصبی می باشد. الگوریتم شبکه عصبی جزوه یکی از بهترین مدل های یادگیری ماشینی شناخته می شود که در عین سادگی توانایی حل مسائل پیچیده در امر پیش بینی و طبقه بندی را دارد. لذا در این جهت برای پهنه بندی خطر وقوع زمین لغزش 9 عامل تأثیرگذار به ترتیب: 1- زمین شناسی 2-پوشش گیاهی 3- شیب 4- کاربری اراضی 5- فاصله از جاده 6-جهت شیب 7- ارتفاع 8- فاصله از گسل 9- فاصله از رودخانه استفاده شده است. بنابراین داده ها بعد از تهیه و پیش پردازی وارد نرم افزار متلب 2018 شده و مدل سازی الگوریتم شبکه عصبی با 9 نورون ورودی 8 نورون میانه و 1 نورون خروجی طراحی و اجراشده و نتایج نشان داد که چهار عامل که بیش ترین ارزش وزنی را داشته به ترتیب مربوط به لایه های شیب با مقدار 24/0 درصد، پوشش گیاهی با مقدار 17/0 درصد، عامل فاصله از گسل با مقدار 14/0 درصد، زمین شناسی با مقدار 11/0 می باشد. و صحت سنجی نهایی از خروجی با استفاده از نمودار ROC نشان داد که مقدار AUC عدد 854/0 در بخش آموزش و 971/0 در بخش تست شبکه هر دو در حالت بسیار مطلوب قرار دارند و میزان خطا بسیار پایین است.