X
تبلیغات
دنیای حسابداری - کاربرد هوش مصنوعی در حسابداری و امور مالی

دنیای حسابداری

کاربرد هوش مصنوعی در حسابداری و امور مالی

کاربرد هوش مصنوعی در حسابداری و امور مالی

 

محمد امین زارعی

 

هوش مصنوعی

هوش مصنوعی ترکیبی از علوم کامپیوتر، فیزیولوژی، فلسفه، ریاضیات، آمار و زبان شناسی است که سعی در شبیه سازی ویژگی های انسانی از طریق سیستم های کامپیوتری دارد (10). هوش مصنوعی ساخت تجهیزات و نر مافزا رهای کاربردی است که بسیاری از رفتارهای خاص انسان مانند استدلال، یادگیری، حل مساله و شناخت را تقلید می کند )عرب مازار یزدی و سایرین، 1385). هوش مصنوعی در زمینه های مختلفی از جمله یادگیری، بازی شطرنج، اثبات قضایای ریاضی، نوشتن اشعار و تشخیص بیماری کاربرد دارد. برای توضیح کاربردهای هوش مصنوعی ابتدا باید مفاهیم و بحث هایی از آن مطرح شوند( کلاته رحمانی و چهارده چریکی،1389).

هوش مصنوعی علاوه بر علاوه بر کاربرد هایی که در زمینه های مختلف دارد مدت هاست که جایگاه خود را در حسابداری و امور مالی پیدا کرده است. محققان حسابداری تکنولوژی ها و تکنیک های هوش مصنوعی را با موفقیت هایی چند، برای کارهای خاصی در گزارشگری و تحلیل مالی (لم،2004) حسابرسی و اطمینان بخشی (کو و لو،2004) و در محدوده های دیگر به کار برده اند. با توجه به گسترده بودن این مباحث، چهار مورد از آن ها که نقش عمده تری در تشریح کاربرد هوش مصنوعی در حسابداری و امور مالی دارند، توضیح داده شده است:  سیستم های خبره، شبکه ی عصبی، الگوریتم ژنتیک،  و منطق فازی.

 

سیستم خبره

ريچارد باس عنوان مي دارد سيستم متخصص )خبره) يكي از شاخه هاي هوش مصنوعي است كه با گردآوري دانش تخصصي و اطلاعات كارشناسي دريك حوزه خاص واستفاده از منطق مي كوشد تا دركنار متخصصا ن و همپاي آنان به عرضه خدمات تخصص ي بپردازد .به عبارت ديگر اين سيستمها نرم افزارهاي كامپيوتري هوشمندي هستند كه درآنها نقش تخصصي كارشناسان به صورت مجموعه هاي اطلاعات علمي گرد آمده است) حبيبي پيركوهي و شائمي برزكي،1384).

 

اصطلاح سیستم خبره از سیستم هاي خبره دانش محور مشتق شده است. سیستم خبره، سیستمی است که دانش انسانی را بوسیله کامپیوتر، براي حل مسائلی که غالبا نیازمند تخصص انسانی است، به کار می برد. در واقع سیستم خبره، روشی براي گنجاندن دانش افراد خبره در کامپیوتر است ، گامی در جهت بناي هوش مصنوعی . این سیستم ها می کوشند جنبه هایی از دانش و استدلال انسانی را در کامپیوتر بگنجانند تا به تحلیل مسائل غ امض پرداخته و به نتایجی مناسب برسند (27).

 

 

 

تعهد خرید : سیستم هاي خبره امکان بکارگیري استانداردهاي سازمانی منسجم تر را براي ارزیابی درجه امکان خطرات متفاوت (آتش سوزي ، سیل ، سرقت ، و غیره) افزایش داده است . پایگاه دانش لازم براي سیستم هاي تعهد خرید شامل اطلاعات خاص صنعت در مورد تجهیزات ایمنی و اقدامات انجام شده براي کاهش خطر و نیز تکنیک هاي ارزیابی سطح خطر است. شاید بهترین مقطع زمانی براي طراحی سیستم هاي کامپیوتري در این رشته، هنگام تجدید بیمه نامه ها باشد، چرا که در آن زمان اطلاعات بسیار زیادي در شکل قابل فهم براي ماشین ، وجود دارد (شوازی و ابزری،1387).

اندوخته سازي: چقدر از درآمدهاي جاري را باید براي مطالبات احتمالی آینده بابت جبران خسارات کنار گذاشت ، سوال مهمی است . سیستم هاي خبره در این مورد نیز می توانند به منزله ابزاري براي تخصیص همه جانبه و منسجم منابع براي پاسخ گویی به تقاضاهاي ناشناخته به کار روند(شوازی و ابزری،1387).

بانکداري: بانک ها نیز وام هاي مصرفی مختلف، وام هاي رهنی، و حداعتباري به مشتریان خود ارائه می دهند . به علاوه، براي خدمات حواله ها و انتقال وجوه، عملیات خرید و فروش ارز و سایر معاملات بانکی می توان از سیستم هاي خبره استفاده کرد. سیستم هاي مشاوره ارز خارجی توان آن را دارند که به طور کیفی در شرایط مختلف بازار ، استراتژي هاي مختلف اختیار معامله ارزي  و روش هاي تامینی دیگر را ارزیابی و راه حل هایی توصیه کنند. چنین سیستم هایی معمولا ابزارهاي تحلیل پیچیده اي دارد که عملیات آربیتراژ ارزي را ارزیابی کرده و می تواند استراتژي هاي معاملاتی جایگزینی تحت شرایط متفاوت بازار عرضه کند(شوازی و ابزری،1387).

برنامه ريزي استراتژيك : سيستمهاي خبره در انتخاب و اجراي يك برنامه ريزي استراتژيك اينك در خدمت مديران هستند . اگر نقطه شروع و عطف كار مديريت را برنامه ريزي استراتژيك بدانيم انگاه اهميت اين سيستمها بيشتر مشخص مي شود. همانطور كه سابرامانيام (2002) عنوان مي دارد سيستمهاي خبره جهت انتخاب يك تكنيك برنامه ريزي استراتژي ك با اين ديدگاه توسعه يافته اند كه مديران در انتخاب يك ابزار برنامه ريزي استراتژيك با محدوديتهاي زيادي مواجه اند .از جمله زمان ،مهارت، منابع مالي،مشاوران متخصص و مانند اينها) حبيبي پيركوهي و شائمي برزكي،1384).

مديريت توليد و عمليات : در سالهاي اخير با افزايش پيچيدگي صنايع توليد و نياز به كارائي بيشتر ،چرخه عمر كوتاه تر محصول،انعطاف پزيري بالاتر ،كيفيت بيشتر محصول ،رضايت مشتري و بر اوردن انتظارات او و هزينه كمتر،چهره عمليات توليد را ت غيير داده است . چالش عمده سازمان ها در در اين زمان چگونگي انطباق با اين تغييرات محيط تجاري است بطوريكه دستيابي به كسب مزيت رقابتي از طريق مسير انتخابي نيز حاصل شود) حبيبي پيركوهي و شائمي برزكي،1384).

ارتباطات مالي : سيستمهاي خبره دربنگاه هاي مالي براي نظارت بر اطلاعات مورد انتظار و يافتن كلاه برداريهااستفاده مي شود .سيستم خبره مي تواند جايي كه حجم اطلاعاتي كه بايد پرداز ش شود بسيار زياد است بسيار مفيد باشد .اين سيستم مي تواند همچون يك حسابرس پاسخگوي شم ار فراوان ارباب رجوعها باشد .با استفاده ااز اين سيستمها يك كمپاني مي تواند به حسابرسي يك دوره 18 ماهه درطول يك دوره يكماهه بپردازد .بنابراين شركت مي تواند عمليات آنرمال خود را سريعتر از قبل متوقف سازد .اين بهره وري سازماني رابعلاوه كارائي و اثر بخشي افزايش مي دهد) حبيبي پيركوهي و شائمي برزكي،1384).

مديريت بازار يابي: مزيت هاي بالقوه و كاربرد گسترده سيستم هاي خبره انها را قادر به ياري مديران در زمينه بازاريابي و مديريت بازار نيز ساخته است. در مورد كاربرد هاي سيستمهاي خبره در اين زمينه مي توان به كار مك دونالند (1989) اشاره كرد .اوخسامر و ديگران (1992) به برر سي روند بكار گيري سيستم هاي خبره در بازار يابي بين المللي پر داخته اند . ژوان و بارل (2002،1997،1995) در زمينه استفاده از سيستمهاي خبره در بازار يابي كوششهاي زيادي انجام داده اند .انها استفاده از يك سيستم مختلط براي بر نامه ريزي استراتژيك بازار يابي را معرفي كرده اند و در مقاله اي ديگر به بررسي مسايل كاستيهاي همراه با سيستم هاي خبره پر داخته اند) حبيبي پيركوهي و شائمي برزكي،1384).

 

شبکه عصبی مصنوعی

بسیاري از مسائل همچون شناسایی بصري و گفتاري که یا ناممکن است و یا به دشواري با کامپیوترهاي الگوریتمی انجام پذیر است، به راحتی توسط مغز حل و فصل می شود. چنین موضوعی بسیار شگفت آور است چرا که سرعت معمول محاسبات کامپیوتري چندین میلیون عملیات در ثانیه است، حال آن که سرعت عملیات واحدهاي مغزي از تقریبا 10 واکنش در ثانیه بیشتر نیست. دلیل این وضعیت غالباً به ماهیت طراحی مغز بر می گردد. در این طراحی، شبکه هاي مغزي به طور بسیار موازي شکل گرفته اند، و این قابل مقایسه با ساخت ردیفی کامپیوترها نیست. این وضعیت آن چنان از قوت برخوردار است که بسیار بر این باورند که اگر بشود فرآیند کارکرد مغز را تا حدي شبیه سازي کرد، در آن صورت امکان حل مسائلی پدید می آید که با روش هاي سنتی ریاضیات، قابل حل نیستند. شبکه هاي عصبی گامی ابتدائی در جهت دستیابی به این مهم است (14).

شبکه عصبی مصنوعی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز و پردازش اطلاعات است. مفهوم بنیادی شبکه های عصبی، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحد های پردازشی (نورون) مرتبط با شبکه ها تشکیل شده اند سلول عصبی بیولوژیکی یا نورون، واحد سازنده ی سلول عصبی در انسان است (جعفریه و همکاران، 1385).

 

 

 

 

 

سیستم عصبی مصنوعی در امور مالی کاربرد هایی دارد که مهمترین آن ها عبارتند از:

پیشبینی روند قیمت سهام: پیش بینی قیمت یا بازده سهام کار ساد های نیست؛ زیرا عوامل بازاری بسیاری در تعیین آن دخالت دارند که تمام این عوامل را نمی توان صرفاً در تحلیل تکنیکی )فقط داد ههای تاریخی مربوط به حرکت قیمت و حجم معاملات سهام را برای پیش بینی حرکت آتی قیمت مطالعه می کند( در نظر گرفت )تهرانی و عباسیون، 1387) بنابراین ثابت شده است که استفاده از ابزارها و الگوریتم های محاسباتی پیچیده تر مانند شبک ههای عصبی مصنوعی از مدل سازی فرایندهای غیر خطی که منتج به قیمت و روند سهام می شوند، پاس خهای بهتری از روش های آماری به دست می دهند )عرب مازار یزدی و دیگران،1385).

حسابرسی: کاربرد ANN در حسابرسی می تواند به فرایند بررسی تحلیلی  )کاسکیوارا، 2004 (، تصمیمات تداوم فعالیت )اتریج، 2000 ؛ کو و لو 2004 ( و موارد دیگر کمک می کند ( کلاته رحمانی و چهارده چریکی،1389).

ارزشیابی : به کمک مدل شبکه هاي عصبی و مدل هاي ترکیبی، می توان ارزش اوراق بهادار و دارایی هایی دیگري را که می خواهیم خریداري کنیم، برآورد کنیم. در این مورد باید فرایند ارزشیابی انسانی را شبیه سازي کنیم که در شبکه عصبی مصنوعی این مهم ممکن است(شوازی و ابزری،1387).

پیش بینی میزان اعتبار: سیستم عصبی مصنوعی را می توان به گون های آموزش داد که اطلاعات ورودی آن داد ههای مربوط به مشتریان و داد ههای خروجی مطلوب آن تصمیمات واقعی تحلیلگران اعتباری باشد. هدف سیستم تقلید از تصمیم گیرنده ی انسانی در اعطا یا رد اعتبار و تعیین سقف های اعتباری است )عبده تبریزی و البرزی،1376).

تصویب اعتبارات : سیستم عصبی مصنوعی را می توان به گونه اي آموزش داد که اطلاعات ورودي آن داده هاي مربوط به مشتریان و داده هاي خروجی مطلوب آن تصمیمات واقعی تحلیل گران اعتباري باشد. هدف سیستم، تقلید از تصمیم گیرنده انسانی در اعطا یا در اعتبار و تعیین سقف هاي اعتباري است. سیستم توان آن را دارد که بدون ضرورت این که اطلاعات را در قالب خاصی بریزیم، از داده هاي ورودي متنوع و پراکنده استفاده کند(شوازی و ابزری،1387).

برآورد بهای تمام شده: در هنگام برآورد بهای تما مشده عوامل زیادی از جمله تغییر مداوم ماهیت تکنولوژی، موجود بودن مواد و دستمزد مستقیم و ارزش واحد پولی و ... باید در نظر گرفته شود. بنابراین با توجه به ای نکه اطلاعات ورودی زیاد و بعضاً ناقص هستند شبکه ی عصبی می تواند گزینه ی مناسبی برای برآورد بهای تمام شده باشد )ونگ،2007).

پیش بینی و برآورد آتی: البته در پاره اي از حوزه هاي پیش بینی مالی، استفاده از کامپیوتر و نرم افزارهاي سنتی، مطلوب تر از مدل هاي شبکه عصبی و ابزار ترکیبی است. به ویژه اگر مدل هاي با روابط شناخته شده داشته باشیم که محاسبات بسیار بطلبند، در این موارد، استفاده از مدل هاي سنتی کامپیوتر به صرفه و منطقی است. اما تحلیل گر مالی در بشتر موارد نگران تأثیر اعمال خاص روي رفتار سرمایه گذاران است. و در این موارد، مدل با روابط تعریف شده اي ندارد. سرمایه گذاران براساس چند اطلاع پراکنده در مورد شرکت ها، از خود واکنش نشان نمی دهند. بلکه تحت تأثیر تمامی اطلاعاتی قرار می گیرند که از منابع مختلف در مورد شرکت به آنان می رسد. این امکان وجود دارد که سیستم عصبی مصنوعی را طوري آموزش دهیم که از رفتار سرمایه گذاران نسبت به تغییرات در شرایط کلی مالی یا تغییرات شرکت تقلید کنند(شوازی و ابزری،1387).

ارزیابی ورشکستگی( ارزیابی خطر وام دهی): آن چه در مورد رده بندي اعتبارات در بالا گفتیم، در مورد وام دهی مؤسسات تجاري و وام هاي مصرفی کاربرد داشت . مؤسسات مالی نیز می توانند به کمک سیستم هاي عصبی مصنوعی در مورد بررسی تقاضاي وام و تصمیم در مورد پرداخت یا عدم پرداخت تصمیم بگیرند. هر چند که این سیستم ها تصمیم نهایی را درمورد وام هاي بزرگ نمی گیرند، خروجی سیستم در این مورد حداقل نظر یکی از کارشناسان می تواند تلقی شود(شوازی و ابزری،1387).

مدیریت پرتفوي دارایی ها و اوراق بهاردار: مؤسسات مالی می باید گلچینی از سهام، اوراق قرضه، وام هاي رهنی، دارایی هاي فیزیکی همچون زمین و مستغلات را انتخاب کنند. در مورد تعدیل خطر، زمان عرضه در بازا، آثار مالیاتی، و ساختار سررسیدها، و متغیرهاي بسیار دیگري مداوما باید تصمیم اخذ شود. مدیران انواع صندوق هاي سرمایه گذاري و واحدهاي سرمایه گذاري بانک ها می باید این تصمیمات را اخذ نمایند. وظیفه باز هم مشکل تر می شود وقتی توجه کنیم که محیط اقتصادي و مالی دائماً نوسان می کند. با توجه به ماهیت سازمان نیافته فرایند تصمیمات مدیر پرتفوي و عدم اطمینان از اوضاع و احوال اقتصادي و مالی و پراکندگی اطلاعات مربوط، عرصه مناسبی براي به اجرا در آوردن مدل هاي شبکه هاي عصبی پدید می آید(شوازی و ابزری،1387).

قیمت گذراري اوراق بهادار جدید:  در این جا دوباره می توان سیستم شبکه عصبی را به گونه اي تعلیم داد که تصمیمات کارشناسان انسانی را از طریق مشاهده داده ها و ستاده هاي تصمیمات واقعی اخذ شده در گذشته، تقلید کند. به علاوه، در این محیط، سیستم توان آن را دارد که بهتر از عملکرد کارشناس انسانی عمل کند، چرا که اطلاعات ورودي می تواند شامل نحوه تغییرات قیمت واقعی و فعالیت هاي فروش مؤخر بر انتشار اوراق بهادار باشد. سیستم توان آن را دارد که مستقیما از تصمیم گیرنده انسانی و نیز از نتایج واقعی حاصله از تصمیمات، فرا بگیرد. به علاوه ، چنین سیستمی می تواند حتی پس از ترك شرکت توسط کارشناس انسانی به کار ارائه خدمت ادامه دهد، و بدین ترتیب دانش کارشناسی و تجربه گرانقدر حاصله را جاودانه کند(شوازی و ابزری،1387).

 

 منطق فازی:

در منطق دودویی که اولین بار توسط ارسطو مطرح شد، شاهد در نظر گرفتن حالات بصورت قطعی درست یا غلط بودیم. یعنی می توان وقایع طبیعی را بدرستی و با قطعیت تعریف و اندازه گیري نمود، در حالیکه در کسب و کار، اقتصاد، مباحث مالی و بسیاري از علوم دیگر، حالات طبیعی مبهم بوده و فاصله بین " آنچه هست" و " آنچه نیست" به درستی تعریف نشده است (18).

پروفسور لطفی زاده در سال 1965 برای مواجهه با ابهام موجود در جهان واقعی نظریه مجموعه های فازی را بنیان نهاد (شعبان الهی و آذر،1377). مفهوم مجموعه فازی، امکان بیان اطلاعات ذهنی و کیفی را به روش علمی فراهم می کند، از این رو ذهنیت ها و تعصب های فردی کاهش می یابد و تصمیم گیری ها منطقی تر صورت می گیرد. منطق فازی با انعطاف پذیری فوق العاده، برای تحلیل معانی زبان طبیعی است، و قادر است ابهامات برخواسته از ذهن انسان و محیط و همچنین درجه نادقیقی که در قضاوت انسانی وجود دارد را مدل سازی و تحلیل کند. بدین سان افق تازه ای برای سیاست گذاری، برنامه ریزی و تصمیم گیری گشوده شد(آذر،1374).

 

 

 

 

تصمیم گیری: از جمله کاربردهای منطق فازی در تصمیم گیری است که می تواند با استفاده از مقادیر و شرایط زمانی، ورود یهای غیر قطعی را به پاسخ های قطعی برساند. در محیط بسیار نامطمئن و در حال تغییر امروز، تصمیمات استراتژیک دارای ماهیت فازی و بسیار پیچیده اند(کلاته رحمانی و چهارده چریکی،1389).

حسابرسی: منطق فازی و تئوری مجموعه های فازی می تواند به حسابرسان در زمینه ی اندازه گیری و مدیریت احتمال خطر حسابرسی و ابهام در محیط حسابرسی( کلاته رحمانی و چهارده چریکی،1389) و همچنین ارزیابی اهمیت در حسابرسی ( کردستانی و رحیمی، 1388) کمک کند.

تخصیص دارایی ها: برای تخصیص کل دارایی های یک فرد به سه بخش پس انداز، سرمایه گذاری درآمدی و سرمایه گذاری رشدی می توان بر اساس سن فرد و درجه ریسک پذیری وی مدل تخصیص دارایی های فازی را طراحی کرد (کردستانی و رحیمی،1388).

مشاوره سرمایه گذاری: سرمایه گذاری هر شخص به درآمد سالانه، سرمایه شخص و درجه ریسک پذیری وی بستگی دارد. برای ساختن یک مدل فازی از قواعد «اگر ... آنگاه» برای تصمیم گیری استفاده می شود (کردستانی و رحیمی،1388).

از کاربرد های دیگر سیستم فازی اندازه گیری عوامل سرمایه گذاری همانند جریان ورودی نقدی، جریان خروجی نقدی، نرخ بازده داخلی ارزش فعلی سرمایه گذاری می باشد.

 

 

الگوریتم ژنتیک:

الگوریتم هاي ژنتیک با توجه به نظریه داروین در مورد تکامل جان گرفت (19). الگوریتم های ژنتیک توسط جان هالند در دهه 1960 اختراع شد و در دهه های 1960 و 1975 توسط وی، دانشجویان و چند تن از همکارانش در دانشگاه میشیگان توسعه داده شد. با این وجود، امروزه واژه " الگوریتم ژنتیک " توسط اغلب متخصصین این زمینه در مفهومی تقریباً متفاوت از مفهوم اولیه مورد نظر جان هالند به کار می رود (میتجل،1996). این تکنیک یک روش بهینه سازی غیر کلاسیک و جستجوی مستقیم است که فقط با خود تابع و نه مشتقات آن سر و کار دارد و بر اساس مکانیزم بقای اصلح و علم ژنتیک طبیعی، الهام گرفته از نظریه تکامل چالز داروین، بنا شده است ( باوی و صالحی،1387). الگوریتم هاي ژنتیک ابزاري ساده و مفید هستندکه توسط آن ماشین می تواند مکانیزم انتخاب طبیعی را شبیه سازي کند، این عمل با جستجو در فضاي مساله جهت یافتن جواب برتر و نه الزاما بهینه صورت می گیرد(شوازی و ابزری،1387).

کشف تقلب در صورت های مالی: هوگو و همکاران (2007) در پژوهشی با عنوان "استفاده از الگوریتم ژنتیک در کشف الگو هایی که نمایانگر تقلب در صورت های مالی می باشند" برای کشف تقلب در صورت های مالی از رویکرد الگوریتم ژنتیک استفاده شده است برای این منظور نمونه ای متشکل از 51 شرکت، که از سوی SEC متهم به شناسایی نا مناسب درآمد می باشند، به عنوان گروه هدف و نمونه ای متشکل از 339 شرکت که از نظر صنعت و اندازه (درآمد) با گروه قبلی متناسب بودند، به عنوان گروه گواه استفاده شده است. متغیر های تحقیق عبارتند از 79 معیار مقایسه ای که از صورت های مالی استخراج شده و نشانگر عملکرد تاریخی شرکت و عملکرد آن در صنعت می باشند و همچنین 9 متغیر دیگر که بیانگر ویژگی های "شرکت" می باشند. الگوی مبتنی بر زمان کشف شده توسط الگوریتم ژنتیک 63% از شرکت های هدف و 95% از شرکت های گواه را بدرستی طبقه بندی می کنند.

پیشبینی ورشکستگی: ورشکستگی یک مشکل جهانی بسیار بااهمیت با هزینه های اجتماعی بالا است. بنابراین پی شبینی آن از اهمیت زیادی برخوردار است. برای حل مشکل ورشکستگی، محققان یک مجموعه از قوانین یا شرایط را با استفاده از GA استخراج کرده اند. بر مبنای این شرایط، مدل پی شبینی خواهد کرد، آیا یک شرکت با احتمال ورشکستگی روبرو است یا نه )عزیز و در،2004 ) برنامه نویسی ژنتیک می تواند تعداد متغیرهایی را که با استفاده از مدل های سنتی و روش های انتخاب آماری در پی شبینی ورشکستگی بااهمیت تشخیص داده شده اند به حداقل رساند(کلاته رحمانی و چهارده چریکی،1389).

انتخاب پرتفوی: سرمایه گذاران بازار خرید و فروش سهام صرفاً با مقاصد انتفاعی و اهداف سود آوری در این فعالیت اقتصادی شرکت می کنند. در این رابطه شناسایی عوامل موثر و تعیین کننده حجم و نوع انتخاب مجموعه متنوع اوراق بهادار سرمایه گذاری شده (پرتفوی) دارای اهمیت است (همت فر و همکاران،1381) مسئله انتخاب سهام، یکی از مسائل پیچیده در حوزه ی مالی و سرمایه گذاری است. در این مسئله، تعداد ی سهام وجود دارد و قرار است با خرید سهامی که بیشترین ارزش افزوده و کمترین میزان ریسک پذیری را داشته باشد سرمایه گذاری انجام شود(وفایی جهان،1386). بنابراین با توجه به عدم اطمینانی که بر بورس اوراق بهادار حاکم است و همچنین با در نظر داشتن تمایلات و ترجیهات مختلف سرمایه گذاران ، یافتن روشی برای انتخاب یک مجموعه مناسب از اوراق بهادار که از طریق آن بتوان بر عدم اطمینان و ترجیهات مختلف افراد غلبه کرد ضروری به نظر می رسد، از سوی دیگر با توجه به عملکرد موفق الگوریتم ژنتیک در مسائل بهینه سازی، این الگوریتم می تواند به روشی مناسب در اختیار سرمایه گذاران قرار دهد تا به انتخاب بهینه سبد سهام دست   یابند.

علاوه بر کاربرد های شرح داده شده در بالا قطعاً حوزه های دیگری از حسابداری نیز و جود دارد که در اندازه های متفاوت می توانند از مزایای استفاده از الگوریتم ژنتیک منتفع شوند. به عنوان مثال می توان به ارزیابی دارایی ها ( لنگ و همکاران،1997)، مدل بندی رفتار حسابرس در برخورد با تقلب ( ولچ و همکاران،1998)، پیش بینی تورم(آیکن،1999)، رتبه بندی اوراق قرضه (شین و هان،1999)، پیش بینی شاخص قیمت (کیم و همکاران،2004)، بودجه بندی سرمایه ای (بری و مانونگا،2006)، مدیریت تولید (لاورینوویز ،2006)، تولید انعطاف پذیر(تقوی فرد و موسوی،2009)، پیش بینی ریسک اعتباری(لین و کو،2009) و غیره اشاره کرد.

 

 

هوش مصنوعی ترکیبی:

در غالب مطالعات، تمرکز بیشتر بر روي روش هاي غیر خطی منفردي است که بصورت اکتشافی براي مسئله خاصی مورد استفاده قرار می گیرند. اگر چه این نگرش موثر بوده است اما در بسیاري از مسائل غیر خطی که محقق با محدودیت به کارگیري ترکیبی روش ها مواجه بوده است، فرصتهاي فراوان استفاده از هم افزایی آن ها را از دست داده است. براي مثال در حالیکه شبکه هاي عصبی مصنوعی، مشخصه هاي مناسبی در تقلید و یادگیري ( فرایندي مشابه با آنچه نرون هاي بیولوژیکی مغز انجام می دهند) دارند، عدم شفاف بودن فرایند کاري آن ها ، تحقیق را تحت الشاع قرار می دهد. مثال بعدي در مورد ابزار توانمند دیگر هوش مصنوعی، منطق فازي می باشد، مزیت منطق فازي در تخمین و به کارگیري استنباط است در حالی که به یادگیري توجهی ندارد(شوازی و ابزری،1387). بطور حتم تلفیق این تکنولوژي ها با توجه به همپوشانی آنها (20) فرصتی را براي بطور کامل بهره بردن از توانایی ها و جبران ضعف هاي آن ها، فراهم خواهد نمود(25).

 

 

پیش بینی ورشکستگی: برابازون و کینان (2004) قابلیت یک مدل مدل شبکه ی عصبی را در پیش بینی ورشکستگی شرکت با استفاده از اطلاعاتی که از صور تهای مالی به دست آمده است مورد بررسی قرار دادند. ساختار شبکه و ورودی آن به وسیله ی الگوریتم ژنتیک انتخاب شدند. نتایج این مدل با مدل  LDA مقایسه شد. نتایج تحقیق نشان داد که ورشکستگی قابل پیش بینی است و از طرفی مدل مختلط شبکه ی عصبی و الگوریتم ژنتیک بهتر از مدل ،LDA در این حوزه کار می کند )برابازون و کینان،2004 .(کومار و راوی (2007) در تحقیقی که انجام داده اند، بررسی جامعی از کارهایی که در طی سال های 2005-1968 در کاربرد تکنیک های هوشمند و آماری برای حل مشکل پیش بینی ورشکستگی که شرکت ها و بانک ها با آن مواجه هستند ارائه می کنند(کلاته رحمانی و چهارده چریکی،1389).

حسابرسی: لین و سایرین (2003) در پژوهشی که انجام داده به کارگیری شبکه ی عصبی فازی 22 برای کشف تقلب را بررسی کرده و به این نتیجه رسیده اند که FNN در این تحقیق بهتر از بی شتر روش های آماری و شبکه های عصبی مصنوعی گزارش شده در مطالعات پیشین عمل می کند. لنارد (2001) از یک سیستم ترکیبی برای قضاوت در خصوص تداوم فعالیت استفاده کرده است(کلاته رحمانی و چهارده چریکی،1389).

 ABC: ABC سنتی به دلایلی ممکن است بهای تمام شده ی محصولات را تحریف کند. از جمل هی این دلایل عبارتند از: اول این که ABC یک معیار عمومی برای انتخاب محرک هزین هی   مربوط ندارد. دوم، زمانی که رفتار هزینه رابطه ی غیر خطی را نشان  می دهد، ABC یک رابطه ی خطی بین استفاده از فعالیت ها و مقدار تخصیص یافته ی هزینه ی غیر مستقیم در نظر م یگیرد. برای حل چنین مشکلاتی می توان از تکنیک های هوش مصنوعی ترکیبی استفاده کرد. برای مثال کیم و هان ) 2003 ( در تحقیقات شان از الگوریتم ژنتیک برای شناسایی محرک هزینه ی بهینه یا نزدیک به بهینه استفاده می کنند. به علاوه، شبکه ی عصبی مصنوعی برای تخصیص هزینه های غیرمستقیم با رفتار غیرخطی به محصولات به کاربرده می شود. آن ها نتیجه گیری م یکنند که مدل تجربی بهتر از مدل سنتی عمل می کند)کیم و هان، 2003 ؛ عرب مازار یزدی دیگران،1385).

 

+ نوشته شده در  چهارشنبه بیست و چهارم اسفند 1390ساعت 1:56  توسط محمد امین زارعی  |