شبکه عصبی پیچشی

در سال های اخیر مقالات و پژوهش های زیادی در زمینه ی استفاده از روش های یادگیری ماشینی و معاملات الگوریتمی در بازارهای مالی به منظور کسب بازدهی منتشر شده است. هدف این پژوهش ایجاد یک سیستم معاملاتی خودکار با استفاده از پردازش تصویر به وسیله ی شبکه عصبی پیچشی است. بدین منظور، در ابتدا پس از دریافت داده های مورد نیاز برای سهام منتخب، 28 اندیکاتور تحلیل تکنیکال انتخاب و مقادیر هر کدام به صورت جداگانه برای هر سهم محاسبه شد. سپس سری های زمانی این اندیکاتورها به تصاویر 2 بعدی تبدیل شده و در نتیجه برای هر داده روی سری زمانی قیمت سهم، یک تصویر دو بعدی با ابعاد 28×28 ساخته شد. پس از برچسب گذاری هر تصویر با یکی از برچسب های خرید، فروش و نگهداری، این تصاویر به شبکه عصبی پیچشی وارد شدند. همچنین برای بررسی بازدهی و ریسک سیستم ارائه شده، یک روش برای خرید و فروش بر اساس نتایج مدل در زمان گذشته معرفی شده است. نتایج پژوهش نشان می دهد که در 80% موارد، این روش بازدهی بیشتری نسبت به استراتژی مرسوم خرید و نگهداری کسب کرده است. همچنین همواره از نظر معیارهای ریسک انحراف معیار و بیشترین افت بهتر عمل می کند. همچنین، نتایج نشان دهنده ی تأثیر زیاد کارمزد معاملات بورس اوراق بهادار تهران بر روی بازدهی مدل است. به گونه ای که مدل چند برابر سود کسب شده را برای پرداخت کارمزد از دست می دهد.

در این پژوهش ضمن نگاه بر سیر تکامل ادبیات پیش بینی درماندگی مالی، به ارائه یک مدل یادگیری عمیق پرداخته شده است. در این روش به شکلی مراحلی که روش های پیشین برای پیش بینی درماندگی طی کرده اند،  کوتاه تر و خودکارتر شده است. در نهایت، به مقایسه دقت پیش بینی مدل توسعه داده شده با مدل های پیشین در این حوزه پرداخته شده است. در این پژوهش یک شبکه عصبی پیچشی به عنوان یک مدل یادگیری عمیق که داده های 14 متغیر مرتبط با پیش بینی درماندگی مالی را در طول 3 سال متوالی واکاوی می کند، برای پیش بینی درماندگی مالی مورداستفاده قرار گرفته است.بدر این راستا، به منظور جلوگیری از خطاهای احتمالی تعمیم پذیری، از روش K-fold برای نمونه گیری فرعی استفاده شده است که داده های 300 نمونه را مورد بررسی قرار می دهد. در نهایت، با استفاده از آزمون ناپارامتریک Wilcoxon به بررسی معنی دار بودن اختلاف دقت پیش بینی ارائه شده میان مدل توسعه داده شده و مدل های پیشین پرداخته شده است. نتایج این پژوهش نشان می دهد مدل شبکه عصبی پیچشی به شکل معنی داری در سطح اطمینان 95 درصد مدل های پیش بینی درماندگی سابق از جمله رگرسیون لجستیک و ماشین بردار پشتیبان را در دقت پیش بینی شکست می دهد.

هدف این پژوهش پیش بینی قیمت سهام با استفاده از دو نوع شبکه عصبی در بورس اوراق بهادار تهران است. شبکه های عصبی بازگشتی [1] عموماً در پیش بینی داده های سری زمانی توانایی خوبی دارند، اما شبکه ی عصبی پیچشی [2] عمدتا برای کاربردهایی چون بینایی کامپیوتر استفاده می شوند. برای انجام این پژوهش از زبان پایتون در ویرایشگر VS code استفاده شده است. جامعه آماری این پژوهش بورس اوراق بهادار تهران می باشد. حجم نمونه آماری این پژوهش شامل داده های سه نماد بورس اوراق بهادار تهران به شرح ایران خودرو، البرز دارو و توسعه معادن روی ایران است. در این پژوهش از هشت ویژگی قیمت در چارچوب زمانی روزانه از تاریخ 1380 تا تاریخ 1400 استفاده می شود که شامل بالاترین قیمت، پایین ترین قیمت، قیمت بسته شدن، قیمت باز شدن، ارزش معاملات، حجم معاملات، اختلاف قیمت بسته شدن دو روز متوالی، و بازده روزانه است. برای ارزیابی عملکرد مدل ها از سه معیار خطای میانگین خطای مطلق، ریشه میانگین مربعات خطا و ضریب تعیین استفاده شده است. نتایج نشان می دهد که مدل شبکه عصبی پیچشی توانایی پیش بینی با دقت خوبی را دارا می باشد. شبکه های عصبی بازگشتی از بهترین نوع شبکه ها برای پیش بینی قیمت هستند، اما نتایج نشان می دهد که شبکه عصبی پیچشی عملکرد بهتری از شبکه عصبی حافظه کوتاه مدت ماندگار داشته است. نتایج نشان می دهد که مدل های یادگیری عمیق در صورتی که در انتخاب ویژگی هایی (متغیرهای مستقل) که بتوانند بیشترین میزان معناداری را در تفسیر علل فراز و فرودهای قیمت در دوره های رونق و رکود بازار داشته باشند، قابلیت و توانایی پیش بینی قیمت، با دقت قابل قبول را خواهند داشت. [1] . Recurrent Neural Network (RNN) [2] . Convolutional neural network (CNNs)

هدف: هدف اصلی پژوهش حاضر، توسعه مدلی دقیق، کارآمد و مبتنی بر الگوریتم های یادگیری عمیق برای پیش بینی ریسک حسابرسی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، و بررسی پیامدهای کاربردی این مدل در ارتقاء کیفیت قضاوت و تصمیم گیری حرفه ای حسابرسان است. این پژوهش در پاسخ به محدودیت های روش های سنتی ارزیابی ریسک حسابرسی که اغلب در شناسایی ناهنجاری ها، پیچیدگی روابط غیرخطی و وابستگی های زمانی ناکارآمد هستند، انجام شده است. روش : پژوهش حاضر از نوع کاربردی و مبتنی بر داده های واقعی است. جامعه آماری پژوهش شامل 150 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1392 تا 1402 می باشند. داده ها با استفاده از روش غربال گری انتخاب شده و از منابع رسمی مانند سامانه کدال، بانک مرکزی و صورت های مالی حسابرسی شده استخراج شده اند. ریسک حسابرسی به صورت یک متغیر ساختگی و با استفاده از وقوع خطاهای نوع اول و دوم در گزارش حسابرسی تعریف شده است. متغیرهای پیش بین شامل 40 متغیر در سه سطح اصلی (ویژگی های حسابرس، ویژگی های صاحبکار، و شرایط اقتصاد کلان و بازار سرمایه) هستند. از آزمون t برای انتخاب مهم ترین متغیرها استفاده شده و در نهایت 25 متغیر وارد مدل شدند.سه الگوریتم یادگیری عمیق شامل: ماشین بردار پشتیبان، شبکه عصبی پیچشی و شبکه عصبی بازگشتی، جهت آموزش مدل و ارزیابی عملکرد آن استفاده شدند. برای سنجش دقت مدل ها از ماتریس اغتشاش، صحت و خطای نوع دوم استفاده گردید. داده ها به روش تصادفی 50 بار به دو دسته آموزش (75%) و آزمون (25%) تقسیم شدند. یافته ها: نتایج نشان داد الگوریتم RNN با دقت 96.4 درصد، بهترین عملکرد را در پیش بینی ریسک حسابرسی داشت. الگوریتم SVM نیز با دقت 89.6 درصد عملکرد قابل قبولی ارائه کرد، در حالی که CNN با دقت 85.8 درصد پایین ترین دقت را ثبت نمود. الگوریتم RNN توانست با نرخ خطای نوع دوم 2.7 درصد، الگوی مناسبی از روابط زمانی و غیرخطی بین متغیرها را استخراج کند. آزمون t و آزمون کای دو نشان دادند که متغیرهایی نظیر اندازه شرکت، نقدینگی، سودآوری، تخصص مالی هیأت مدیره، استقلال حسابرسی و نرخ تورم، اثر معناداری بر ریسک حسابرسی دارند. همچنین متغیرهایی مانند تغییر حسابرس، رتبه بندی مؤسسه حسابرسی و تخصص حسابرس، با ریسک حسابرسی ارتباط معناداری دارند. نتیجه گیری: یافته ها حاکی از آن است که الگوریتم های یادگیری عمیق، به ویژه RNNمی توانند ابزارهای مؤثری برای ارتقاء دقت قضاوت حرفه ای در ارزیابی ریسک حسابرسی باشند. این مدل ها با توانایی بالا در استخراج الگوهای پنهان و وابستگی های زمانی، امکان تصمیم گیری آگاهانه تر و سریع تر را برای حسابرسان فراهم می کنند. از منظر کاربردی، این پژوهش می تواند به نهادهای نظارتی مانند سازمان حسابرسی، سازمان بورس و مؤسسات حسابرسی در تدوین راهکارهای دقیق تری برای ارزیابی ریسک کمک کند. همچنین، سرمایه گذاران و تحلیل گران بازار سرمایه می توانند با اتکاء به پیش بینی دقیق ریسک حسابرسی، تصمیمات شفاف تر و مبتنی بر داده اتخاذ نمایند.