مجتبی صالحی؛ فاطمه گرشاسبی
چکیده
در این پژوهش یک روش نوین ترکیبی برای پیشبینی شاخص کل بورس اوراق بهادار تهران ارائه شده است که همزمان از الگوریتم رقابت استعماری به‌عنوان روش انتخاب ویژگی و شبکه فازی عصبی انطباق انطباق‌پذیر به‌عنوان تابع پیشبینی کننده استفاده مینماید. برای انجام این امر از 68 ویژگی مؤثر بر بازار بورس اوراق بهادار؛ که شامل شاخصهای ...
بیشتر
در این پژوهش یک روش نوین ترکیبی برای پیشبینی شاخص کل بورس اوراق بهادار تهران ارائه شده است که همزمان از الگوریتم رقابت استعماری به‌عنوان روش انتخاب ویژگی و شبکه فازی عصبی انطباق انطباق‌پذیر به‌عنوان تابع پیشبینی کننده استفاده مینماید. برای انجام این امر از 68 ویژگی مؤثر بر بازار بورس اوراق بهادار؛ که شامل شاخصهای اقتصادی، شاخصهای بورس ایران و سایر کشورها، شاخصهای تحلیل فنی و شاخصهای شمعدان ژاپنی بهصورت روزانه در بازه زمانی 1389-1395 به‌عنوان ورودی مدل استفاده شده است. همچنین، شاخص کل بورس اوراق بهادار روز آتی به‌عنوان متغیر هدف مسئله مسأله در نظر گرفته شده است. نتایج به‌دست‌آمده نشان می‌دهد که مدل ترکیبی شبکه عصبی- فازی انطباق انطباق‌پذیر و الگوریتم رقابت استعماری پیشبینیهای بسیار مناسبتری داشته و به نسبت شبکههای عصبی منفرد از سرعت بالاتر و توانایی تقریب قویتری برای پیشبینی شاخص کل بورس اوراق بهادار برخوردار بوده است.
مجتبی صالحی؛ علیرضا کرد کتولی
چکیده
ریسک اعتباری که به معنی احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید تعبیر می‌شود به‌عنوان یکی از عوامل ورشکستگی مؤسسات مالی قلمداد می‌شود. بدین منظور از تکنیک‌های داده‌کاوی نظیر شبکه عصبی، درخت تصمیم، شبکه بیز، k نزدیک‌ترین همسایه و ماشین بردار پشتیبان برای دسته‌بندی مشتریان به مشتریان پر ریسک و کم ریسک استفاده ...
بیشتر
ریسک اعتباری که به معنی احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید تعبیر می‌شود به‌عنوان یکی از عوامل ورشکستگی مؤسسات مالی قلمداد می‌شود. بدین منظور از تکنیک‌های داده‌کاوی نظیر شبکه عصبی، درخت تصمیم، شبکه بیز، k نزدیک‌ترین همسایه و ماشین بردار پشتیبان برای دسته‌بندی مشتریان به مشتریان پر ریسک و کم ریسک استفاده شده است. در این مقاله یک روش ترکیبی از الگوریتم بهینه‌سازی رقابت استعماری و شبکه عصبی برای افزایش دقت دسته‌بندی در ارزیابی و سنجش ریسک اعتباری مشتریان بانکی ارائه می‌دهد. این روش با شناسایی زیر‌مجموعه‌ی ویژگی‌های بهینه و حذف ویژگی‌های غیرضروری از تمامی ویژگی‌های موجود در داده‌ها به کاهش ابعاد مسئله و افزایش دقت طبقه‌بندی می‌‌پردازد. رویکرد پیشنهادشده بر روی مجموعه داده‌های واقعی پایگاه داده UCI و همچنین داده‌های واقعی یک بانک خصوصی ایرانی به‌منظور اعتبارسنجی اعمال شد. نتایج تجربی به‌دست‌آمده نشان داد میزان خطای شبکه عصبی برای مجموعه آزمون با انتخاب ویژگی‌های مؤثر و حذف ویژگی‌های کم اثر توسط الگوریتم بهینه‌سازی صفر و یک رقابت استعماری کاهش می‌یابد. بعلاوه، برای سایر روش‌ها طبقه‌بندی استفاده شده، میزان خطای داده آزمون در حد قابل قبولی باقی می‌ماند. برای اولین بار در این مقاله از الگوریتم رقابت استعماری برای ارزیابی ریسک اعتباری مشتریان بانکی استفاده شده است.
