تبلیغات
Nothing To Display - داده كاوی و كاربرد آن در تصمی مگیری ها
 
Nothing To Display
you are in my heart 4ever
 
 
Archive of SID
دانشمدیریت، دوره ٢٠ ، شماره ۷۹ ، زمستان ١٣٨٦ ، از صفحه ۳ تا ۱۴
داده كاوی و كاربرد آن در تصمی مگیری ها
، محمدتقی تقوی فرد ۱، طاها منصوری* ۲
سید محمد رضا ناصرزاده ۳، علیرضا فراست ۴
١ استادیار گروه فنآوری اطلاعات، دانشگاه علامه طباطبائی، ایران
۲ كارشناسارشد فنآوری اطلاعات، دانشگاه علامه طباطبائی، ایران
۳ كارشناسارشد فنآوری اطلاعات، دانشگاه تهران، ایران
۴ کارشناسارشد تحقیق در عملیات، دانشگاه تهران، ایران
(۱۳۸۶/۷/ ١٣۸۵ ، تاریخ تصویب: ۹ /۵/ (تاریخ دریافتمقاله: ۱۷
چكیده
ابهامات محیطی ناشی از مدلهای نوین كسب و كار سبب تشدید پیچیدگی در تصمیمگیری،
بهویژه در حوزه كسب و كار شده است. بهطوریكه بسیاری از متغیرهای تاثیرگذار ناشناخته
بوده و روابط میان آنها نیز غیرخطی و پیچیده است. در چنین شرایطی دیگر نمیتوان دادهها را
با ابزارهای سنتی تحلیل نموده و از آنها دانشاستخراج كرد.
از این روی مقاله حاضر به تشریح تکنولوژی داده کاوی در حوزه هوشمحاسباتی و متدولوژی
پرداخته و یکطبقهبندی از کاربردهای این تکنولوژی در CRISP Data Mining استاندارد
حوزه تصمیمگیریهای كسب و كار ارایه داده است. در ادامه یكمطالعه موردی بر روی
پایگاه داده مشتریان یكی از بانكها با استفاده از داده كاوی ارائه میگردد.
واژههای كلیدی: داده كاوی، هوشمحاسباتی، تصمیمات مالی
Email: taha.msi@gmail.com : ∗ نویسنده مسئول
www.SID.ir
Archive of SID
دانشمدیریت، دوره ٢٠ ، شماره ۷۹ ، زمستان ١٣٨٦
٤
مقدمه
دانشنوین برای تشریح سیستمهای فیزیكی، بیولوژیكی، اقتصادی و اجتماعی از اصول
و مدلهای گوناگونی استفاده میكند. چنین نگرشی با مدلهای علمی اولیه مانند قوانین
حركتی نیوتن و تعادل الكترومگنتیكماكسول آغاز و با کاربردهای مختلفمدلهای
مذکور در حوزههای علمی و مهندسی ادامه مییابد. اگرچه در بسیاری از موارد مدلهای
اساسی ناشناخته بوده یا سیستم تحت بررسی بسیار پیچیده است. در چنین شرایطی دادههای
.[ گردآوری شده منبع با ارزشی برای دستیابی به مدلهای اساسی اولیه هستند [ ١٥
رشد روز افزون رایانه نیز مقادیر انبوهی از دادههای تولید شده توسط سیستمهای
گوناگون را بهوجود آورده است. از سوی دیگر این رشد سریعگردآوری، پردازش، توزیع
و دست کاری داده را نیز آسان ساخته است[ ١٠ ]. بنابراین، در غیاب مدلهای اساسی اولیه،
این دادهها میتوانند مدلهایی را با استفاده از روابط میان متغیرهای سیستم بهوجود آورند.
در سالهای اخیر فنآوریهای تولید و گردآوری دادهها به سرعتدر حال رشد بوده
است. مساله پیشروی سازمانها بهویژه در حوزه تصمیمگیریهای مالی دیگر جمعآوری
صرفدادهها نیستبلكه دستیابی به توان استخراج دانشمفید نهفته در دادهها دغدغه
اصلی سازمانها است [ ١٨ ]. درچنین شرایطی است كه باید از رشد فنآوری برای استفاده
موثر از این دانشبالقوه سود جست و داده كاوی یكجواب مناسب برای استخراج این
ثروت است [ ١٦ ]. مقاله حاضر که حاصل یکپایان نامه کارشناسی ارشد است، ابتدا به
تعریفدادهکاوی، روششناسی استاندارد آن و برخی از مدلهای اصلی میپردازد. سپس
به مطالعات مختلفصورت گرفته در حوزه تصمیمات مالی اشاره میشود.
دادهکاوی
دادهکاوی فرآیند به خدمت گرفتن یكروششناسی رایانهای است که با استفاده از
تكنیكها و الگوریتمهای مختلف در جستجوی دانشنهفته در دادههاست [ ١٥ ]. این
فرآیند مشاركتی میان انسان و رایانه [ ٤] در نهایتبه دنبال کشفالگوها و قواعد معنا دار
در میان دادهها میباشد [ ٣]. دادهكاوی، پایگاههای دادهای بزرگرا بهعنوان منبع دانشدر
.[ نظر میگیرد [ ١٧
فرآیند دادهكاوی
با توجه به این امر که دادهكاوی فرآیند اكتشافمدلهای گوناگون، خلاصهها و
www.SID.ir
Archive of SID
داده کاوی و کاربرد آن در تصمیمگیریهای مالی
٥
ارزشهای نشات گرفته ازمجموعه خاصی از دادههاست[ ١٤ ]، برای پیاده سازی جنین
فرآیند استاندارد » فرآیندی باید از روش نظام یافته استفاده كرد. در این راستا متدولوژی
با تجزیه و تحلیل نمایندگی های دایملر ( Crisp Data Mining) « میان صنعتی داده كاوی
یكپروژه چرخه عمری ،CRISP كرایسلر ایجاد شد [ ٦]. با توجه به روشداده كاوی
متشكل از ٦ گام دارد. این گامها بهصورت مستمر و تكراری در تمام فرآیند داده كاوی
به شرح زیر میباشند [ ٦] و CRISP بهكار گرفته میشوند. گامهای متدولوژی داده كاوی
:[١٧]
١. دركموقعیتكسبو كار: این گام خود شامل بخشهای زیر است:
الف‐ تعیین اهدافو نیازمندیهای پروژه در غالبمفاهیم و واژگان مصطلح در
كسب و كارهای مختلف، ب‐ ترجمه اهداف، محدودیتها و نیازمندیهای ذكر شده در
غالب فرمولها و تعاریفداده كاوی و ج‐ تعیین یكراهبرد اولیه برای دستیابی به اهداف
فوق.
به منظور داشتن دركی موفق از مساله، معمو ً لا تجربه و توانمندی در حیطه یكدانش
خاصلازم است [ ١٤ ]. بنابراین در این گام باید متخصصداده كاوی از توان و تجربه
متخصصكسب و كار بهرهمند گردد. البته در یكپروژه موفق داده كاوی این مشاركت
در گام اولیه متوقفنخواهد شد، بلكه در سراسر فرآیند داده كاوی ادامه خواهد داشت
.[١٠]
٢. گام دركدادهها: این گام با مراحل تولید و گردآوری دادهها در ارتباط استو خود
شامل چهار بخشبه شرح ذیل میباشد:
الف‐ جمعآوری دادهها. معمو ً لا این گام به دو روشمداخلهای (تحتکنترل مدلساز)
و مشاهدهای (بدون کنترل مدلساز) صورت میگیرد [ ١٥ ]. ب‐ بهكارگیری تحلیل
اكتشافی دادهها برای دستیابی به یكدید اولیه [ ١٧ ]. ج‐ ارزیابی كیفیتدادهها و د‐ در
صورت امكان انتخاب زیرمجموعهای كه ممكن استشامل بعضی الگوهای رفتاری باشد.
٣. گام پیشپردازشدادهها. پساز گردآوری دادهها باید خطاهای احتمالی موجود در
آنها را از بین برده و تمیز نمود [ ١١ ]. این خطاهای احتمالی عبارتند از: مقادیر خارج از
رفتار یا حدی، ارزشهای گم شده، صفات تكراری، دادههایی كه در فرم مناسببرای
.[ مدلسازی نیستند [ ٢٢
به طوریكه پایل در كتابشتخمین زده است پیشپردازشدادهها به تنهایی در ٦٠
www.SID.ir
Archive of SID
دانشمدیریت، دوره ٢٠ ، شماره ۷۹ ، زمستان ١٣٨٦
٦
درصد از موارد مورد نیاز است[ ٢٤ ]. پیشپردازشدادهها شامل چهار بخشزیر میباشد:
الف‐ آمادهسازی دادههای خام اولیه در قالب مجموعه دادهای نهایی كه در دیگر
مراحل داده كاوی مورد استفاده قرار میگیرد. ب‐ انتخاب موارد و متغیرهایی برای تجزیه
و تحلیل مورد نظر میباشند. ج‐ در صورت نیاز تغییر شكل دادهها. د‐ حذفمقادیر
حدی.
٤. گام مدلسازی. انتخاب و پیاده سازی تكنیكمناسب داده كاوی وظیفه اصلی این
مرحله است. در عمل، چندین مدل بهطور همزمان پیادهسازی شده و سپسبهترین آنها
انتخاب میشود. شاید بتوان بهطور خلاصه گفت كه ماموریت اصلی كاوش دادهها به
عهده این گام است[ ٤]. بخشهای مختلفاین گام عبارتند از:
الف‐ انتخاب و استفاه از تكنیكمدلسازی مناسب. ب‐ دستكاری و تنظیم مدل و
استفاده از الگوریتمها برای دستیابی به نتایج بهینه. د‐ در صورت نیاز برگشت به گام
پیشپردازش.
٥. گام ارزیابی و استنتاج مدل. در این گام مدل یا مدلهای كه در گام مدلسازی مورد
استفاده قرار گرفتهاند از نظر كیفیت و اثربخشی مورد آزمون قرار میگیرند. در تمام
موارد، مدلهای داده كاوی باید به فرآیند تصمیمگیری كمككنند [ ١٣ ] این گام نیز
:[ به بخشهای زیر تقسیم میشود [ ١٧
الف‐ پاسخهای داده شده توسط مدلهای گام قبل از نظر كیفیت و اثربخشی مورد
آزمون قرار گیرند. ب‐ تخمین مجموعه خروجیهای مدل و ارزیابی آن با اهدافاولیه.
ج‐ مشخصنمودن جنبههایی از مساله كه تا كنون مورد توجه قرار نگرفتهاند.
د‐تصمیمگیری براساسنتایج حاصل از مدلهای داده كاوی.
٦. گام به كارگیری. یكمدل تا زمانی كه در شرایط تجاری قرار نگیرد قدرت و ضعف
خویشرا نمایان نمیسازد [ ١٩ ]. بنابراین باید مدل حاصله را در شرایط واقعی به
:[ كاربرد. این گام نیز شامل بخشهای زیر است[ ١٧
الف‐ بهکارگیری مدلهای مدل خلق شده. ب‐ اخذ یكگزارشساده. ج‐ اخذ
گزارشات پیچیدهتر.
دنبال كردن چنین متدولوژی است كه به داده كاوی توان عمیقتر نگاه کردن به مساله
.[ را میدهد [ ١٢
www.SID.ir
Archive of SID
داده کاوی و کاربرد آن در تصمیمگیریهای مالی
٧
تکنیکها و مدلهای داده کاوی
تكنیكها و روشهای متعددی مانند رگرسیون، شبکههای عصبی، دستهبندی،
طبقهبندی، درختهای تصمیم و ... برای داده کاوی وجود دارد که ریشه تمامی آنها در
ریاضیات، آمار، هوش محاسباتی و یادگیری ماشینی است. در تئوری، بیشتر تكنیكهای
داده كاوی تمایل به مجموعههای دادهای بزرگدارند زیرا مجموعههای دادهای بزرگتر
مدلهای دقیقتری را به همراه خواهند داشت. اما در هر صورت در هنگام اجرای داده
کاوی دو نکته قابل ملاحظه است، ١‐ سنجشصحتدادهها و ٢‐ انتخاب تكنیكمناسب
١٨ ]. در ادامه به کاربردهای داده کاوی در تصمیمگیریهای مالی پرداخته میشود. ]
كاربردهای داده كاوی در تصمیمگیریهای مالی
با توجه به توان بالای داده كاوی و هوشمصنوعی در پردازشپایگاههای دادهای
بزرگو یافتن الگوهای پیچیده و غیرخطی در آنها، تحقیقات زیادی در زمینه استفاده از
داده كاوی در حوزههای مختلفصورت گرفته است. در این میان تصمیمات مالی به دلیل
طبیعت بعضًا متلاطم متغیرهای تاثیرگذار بر آنها، بستر مناسبی برای به کارگیری ابزارهای
اکتشافی و تحلیلی داده کاوی بودهاند. در یکتقسیمبندی کلی این مطالعات را میتوان
بهصورت کاربرد مدلهای پیشبینیکننده خصوصًا در زمینه قیمتسهام، مدلهای
خوشهبندی و طبقه بندی خصوصًا در طراحی سبد سهام و الگوریتم های کشفالگو در
قسمتهایی مانند کشفتخلف، طبقهبندی کرد.
پیشبینی
وایت در مطالعاتشبا استفاده از یكشبكه عصبی جلوسو بازده سهام شركتها را
پیشبینی نمود. هدفوی در درجه اول زیر سوال بردن گامهای تصادفی بازده سهام و
سپسپیشبینی آن بود [ ۳۲ ]. الكینز و استانسل نیز در تحقیقات خود این فرضیه را آزمودند
كه آیا میتوان با استفاده از شبكههای عصبی، مدلی را ارائه داد كه با توجه به نرخهای
اقتصادی دیگر، بتواند بازده سهام را پیشبینی نماید و در صورت بهكار گرفتن بازدههای
پیشبینی شده در سبد اوراق بهادار، آیا عملكرد سبد مزبور بهتر از روشهای دیگر میباشد
یا خیر؟ آنها توانستند با استفاده از شبكههای عصبی بازده سهام را تخمین بزنند، اما نتیجه
www.SID.ir
Archive of SID
دانشمدیریت، دوره ٢٠ ، شماره ۷۹ ، زمستان ١٣٨٦
٨
گرفتند كه ریسكسبد سهام ناشی از این تخمین بیشتر از ریسكروشهای دیگر پیشبینی
.[ است[ ۹
سان و لی روشی ترکیبی از داده کاوی ارائه دادند که در زمینه پیشبینی افت تجاری
شرکتها کاربرد داشت. مدل آنها یکدرخت تصمیم پیشبینیکننده با ترکیب اسقرای
صفتگرا و تئوری اطلاعات است[ ۲۸ ]. سافر نیز با استفاده از داده كاوی اقدام به پیشبینی
و مدل CRISP بازده غیرنرمال بازار سهام نمود. وی با استفاده از متدولوژی داده كاوی
.[ شبكههای عصبی توانستتخمین مناسبی از ناكارآمدیهای بازار سهام ارائه دهد [ ٢٥
چان و كیم با استفاده از مدلهای مختلفداده كاوی و خصوصًا شبكههای عصبی،
اقدام به پیشبینی نرخ بازده و انتخاب سبد سهام نمودند [ ۸]. تاورن ونگو انكه در
مطالعات خود بهطور تطبیقی متغیرهای مختلفمالی و حسابداری را برای پردازشدر
شبكههای عصبی وارد نمودند و در نهایت كارایی شبكه را در پردازشاین متغیرها گزارش
كردند [ ۲۹ ]. این دو در تحقیقی دیگر با استفاده از مدلهای شبكه عصبی داده كاوی اقدام
به پیشبینی بازده سهام نمودند [ ۳۰ ]. تان و دیگران نیز با استفاده از روشترکیبی داده
کاوی و متدولوژی اکتشاف دانشیکمدل پیشبینی برای قیمت سهام ارائه دادند. مدل
برای بازنمایی حالات نوسانی قیمت سهام، شبکههای K آنها ترکیبی از تحلیل نمودارهای
بازگشتی ویولت گسسته جهت ارضای محدودیتها و یکشبکه عصبی خود سازمانده
.[ ابتکاری برای پیشبینی بود [ ۳۱
خوشهبندی و طبقهبندی
اقدام به Elman لین و دیگران در تحقیقات خود با استفاده از شبكههای عصبی مدل
ارائه روشی برای انتخاب پویای سبد سهام نمودهاند. شبكه آنها پساز مدل كردن رفتار
پویای هر سهم، ماتریسپویایی از كوواریانسها را محاسبه نموده و سپساقدام به مدل
نمودن روشی پویا برای انتخاب سبد سهام مینماید. آنها در نهایت روشخود را با مدل
.[ مقایسه نموده و كارایی بهتر شبكههای عصبی را گزارشنمودند [ ۲۰ VaR
در خصوصبهكارگیری الگوریتم ژنتیكدر انتخاب سبد سهام هم مطالعات فراوانی
وجود دارد. آرنون و همكارانشیكالگوریتم ژنتیكبرای مساله پورتفولیوی بدون
محدودیت ارائه داند، اما معیار ریسكمورد استفاده آنها نیم واریانسبود. نتایج محاسبات
برای ١٥ دارایی در پورتفوی محاسبه گردید [ ٢]. لوراشی و همكارانشنیز یكالگوریتم
www.SID.ir
Archive of SID
داده کاوی و کاربرد آن در تصمیمگیریهای مالی
٩
ژنتیكتوزیع شده برای انتخاب سبد سهام بدون محدودیتبا استفاده از مدلهای جزیرهای
(الگوریتمی ژنتیكبرای استفاده در جوامع جدا از هم است كه در آن دادههای برازندهتر
در میان جوامع كوچ مینمایند) اقدام به حل مدل سبد سهام بدون محدودیت نمود. نتایج در
دو مساله با ٥٣٠ و ٣٥ دارایی مورد مقایسه قرار گرفت[ ٢١ ]. در مطالعات گروه اوه از
الگوریتم ژنتیكبرای بهینهسازی سبد سهام استفاده شده است. آنها نیز مانند تحقیقات قبلی
.[ از مدل بدون محدودیتاستفاده مینمایند [ ٢٣
در زمینه حل مدل انتخاب سبد سهام مقید، تقوی فرد و منصوری با ارائه بازنمایی
.[ خاصی از الگوریتم ژنتیک، مساله فوق را برای نمونههای مختلفحل نمودند [ ۱
اکتشاف الگو
از توان نحلیلی و اکتشافی مدلها و الگوریتمهای داده کاوی بهصورت وسیعی در
کشفتخلفات مالی استفاده شده است. اسپاتیسو همکارانشبا استفاده از مدل طبقهبندی
اقدام به کشفالگوهای تخلفاظهارنامههای مالی شرکتها کردند. به این منظور آنها از
مدلهایی مانند شبکههای عصبی، درختهای تصمیم و شبکه استنتاج بیزی سود بردند
۲۶ ]. مقاله کیم و هان نیز مجموعهای از روشهای کمی داده کاوی برای تشخیص ]
الگوهای کلاهبرداری بانکی ارائه داده است[ ۲۷ ]. در یکتحقیق دیگر کانوتو و بک
هاوس روشهایی مانند طبقهبندی و قواعد تصمیم را در کشفموارد پول شویی به کار
.[ گرفتند [ ۵
در نهایت چن به مجموعهای از کاربردهای داده کاوی و هوشمحاسباتی در حوزه
.[ تصمیمات مالی اشاره کرده است[ ۷
مطالعه موردی كاربرد دادهكاوی در بانكداری
بهعنوان نمونه از كاربردهای داده كاوی در تصمیمگیریهای كسب و كار، مطالعه
موردی یكی از بانكهای دولتی در خصوصداده كاوی حسابهای مشتریان در ادامه
تشریح میگردد. ذكر نام بانكمورد نظر به دلایل خصوصی بودن اطلاعات و نتایج پروژه
امكانپذیر نمیباشد. در این مطالعه از مدلهای خوشهبندی با استفاده از الگوریتم ژنتیك
برای تقسیمبندی مشتریان بانكو پیشبینی رفتار هر یكاز خوشهها استفاده گردیده است.
همچنین در این راستا از قواعد انجمنی برای تحلیل رفتار آتی مشتریان استفاده شده است.
www.SID.ir
Archive of SID
دانشمدیریت، دوره ٢٠ ، شماره ۷۹ ، زمستان ١٣٨٦
١٠
تغییرات روزانه كل مانده حساب
A
B
C
D
E
F
G
0
2000
4000
6000
8000
10000
12000
14000
16000
تاریخ (روز)
مبلغ (میلیون ریال)
لازم به ذكر است در مطالعه موردی انجام شده از فرآیند استاندارد میان صنعتی داده
استفاده شده است. بر همین اساسدر خصوص (CRISP Data Mining) كاوی
حسابهای قرضالحسنه داده كاوی نتایج زیر را ارائه داده است. تاریخهای معنادار در
نگاره ( ۱) نشان داده شده است:
نگاره( ۱):تاریخ های معنادار
نقطه تاریخ شرح
۱۳۸۴ شروع نمونه گیری /۱۱/۰۱ A
۱۳۸۴ روز شمار /۱۲/۲۱ B
۱۳۸۴ تاریخ سررسید و تمدید /۱۲/۲۸ C
۱۳۸۵ روزشمار /۰۱/۲۴ D
۱۳۸۵ سررسید /۰۱/۳۱ E
۱۳۸۵ قرعه كشی /۰۲/۲۷ F
۱۳۸۵ پایان نمونه گیری /۰۲/۳۱ G
و رفتار كلی به صورت نمودار ( ۱) می باشد:
نمودار( ۱): رفتار كلی
از طرفی با استفاده از جستجو در پایگاه داده، و تحلیل بیزین دادهها، تمامی مشتریان به
سه دسته, مطابق نگاره ( ۲) تقسیم شدهاند.
www.SID.ir
Archive of SID
داده کاوی و کاربرد آن در تصمیمگیریهای مالی
١١
نگاره( ۲): دسته بندی مشتریان
گروه تغییرات رفتاری
اول مشتریانی كه حساب خود را افزایشداده اند.
دوم مشتریانی كه حساب خود را تغییر نداده اند.
سوم مشتریانی كه حساب خود را كاهشداده اند.
نگاره ( ۳) یكنمونه ازاحتمالات شرطی را كه احتمال شرطی دسته تغییراتی به شرط
گروه افتتاح حساب میباشد، نشان میدهد. همانگونه که در این نگاره نشان داده شده
احتمال افزایشحساب ۲۱ % در مقابل تنها ۱% احتمال A استدر گروه افتتاح حساب
احتمال افزایشحساب در کمترین H کاهشحساب وجود دارد. از سوی دیگر در گروه
سطح و تنها ۱۰ % در مقابل احتمال کاهشقابل توجه ۵۶ % است.
نگاره( ۳): یكنمونه ار احتمالات شرطی
گروه اول دوم سوم
%۱ %۷۸ %۲۱ A
%۳ %۸۶ %۱۱ B
%۷ %۸۱ %۱۲ C
%۱۱ %۷۴ %۱۵ D
%۱۷ %۶۷ %۱۶ E
%۲۲ %۶۲ %۱۶ F
%۳۶ %۵۰ %۱۵ G
%۵۶ %۳۴ %۱۰ H
در بعد خوشهبندی، خوشهبندی مشتریان یكی از حسابهای بانكبا استفاده از
الگوریتم ژنتیكبراساس شاخصههای سن ،جنسیت، تحصیلات، مبلغ افتتاح حساب و
وضعیت تغییرات حساب صورت پذیرفت. رفتار یكی از خوشهها برای نمونه به صورت زیر
( است: (نمودار ۲
www.SID.ir
Archive of SID
دانشمدیریت، دوره ٢٠ ، شماره ۷۹ ، زمستان ١٣٨٦
١٢
مانده حساب مشتریان خوشه اول
B
C
D
E
F
G
0
20
40
60
80
100
120
140
160
روز
جمع مانده (میلیون ریال)
نمودار( ۲): رفتار یكی از خوشه ها
نتیجهگیری
در مقابله حاضر پساز بررسی تكنولوژی داده كاوی، مدلها و روشهای آن به
طبقهبندی تحقیقات صورت گرفته در زمینه تصمیمات مالی پرداخته شده است. همانگونه
كه بیان گردید، توان و قدرت تحلیل تكنولوژی داده كاوی و مدلهای متنوعی كه این
فنآوری از آنها استفاده مینماید ابزار مناسبی جهت اخذ تصمیمات مختلفحوزه علوم
مالی خصوصًا در زمینههایی مانند پیشبینی قیمتسهام، انتخاب سبد سهام و کشف
تخلفات است.
در تحلیلهای مالی اغلبمتغیرها پیچیده و تركیبی بوده و روابط نیز ناشناخته و اغلب
غیرخطی میباشند، بنابراین تحقیقات صورت گرفته در خصوصكاربردهای داده كاوی
در علوم مالی موید آن استكه باید بیشتر از توان داده كاوی برای پاسخ به نیازهای تحلیل
گران مالی استفاده نمود.
www.SID.ir
Archive of SID
داده کاوی و کاربرد آن در تصمیمگیریهای مالی
١٣
منابع
ارائه یك » ،( ١. تقویفرد، محمدتقی.؛ منصوری، طاها و خوشطینت، محسن. ( ١٣٨٧
الگوریتم فرا ابتكاری جهت انتخاب سبد سهام با در نظر گرفتن محدودیتهای عدد
پژوهشهای اقتصادی دانشگاه تربیت مدرس، سال هشتم. ،« صحیح
2. Arnone, S.; Loraschi, A. and Tettamanzi A., (1993). "A genetic approach to
portfolio selection", Neural Network World 6, pp: 597- 604.
3. Berry, M. and Linoff, G. (2000). "Mastering Data Mining", John Wiley,
Hoboken, NJ.
4. Berson, A. and Smith, S. and Thearling, K. (2000). "Building Data Mining
Applications for CRM", McGraw Hill.
5. Canhoto, A. I. and Backhouse, J. (2007). "Profiling under conditions of
ambiguity- An application in the financial services industry", Journal of
Retailing and Consumer Services, Volume 14, Issue 6, pp: 408- 419 .
6. Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, T.; Reinart, T.; Shearer, C.
and Wirth, R. (2000). "CRISP- DM Step- by- Step" Data Mining Guide.
7. Chen, S. H. (2003). "Computational intelligence in economics and finance:
Carrying on the legacy of Herbert Simon", Information Sciences, Vol. 170,
Issue 1, pp: 121- 131.
8. Chun, S. K. and Kim, S. H. (2004). "Data mining for financial prediction and
trading: application to single and multiple markets", Expert Systems with
Applications 26, pp: 131– 139.
9. Eakins, S. G. and Stansell, S. R. (2003). "Can value- based stock selection
criteria yield superior risk-adjusted returns: an application of neural
networks", International Review of Financial Analysis 12, pp: 83–97.
10.Fayyad, U. Uthwrsusamy, R. (1996). "Data Mining and Knowledge
Discovery in Databases", Communication of ACM.
11.Forcht, K. A. and Cochran, K. (1999). "Using data mining and data
warehousing techniques", Industrial Management & Data Systems, pp: 189-
196.
12.Gargano, M. L. and Raggard, B. G. (1999). "Data Mining a Powerful
Information Creating Tool", OCLC Systems & Services, Vol. 15, No. 2, pp:
81- 90.
13.Han, J. and Kamber, M. (2000). "Data Mining: Concepts and Techniques",
Morgan Kaufman, San Francisco.
14.Hand, D.; Mannila, H. and Smith, P. (2005). "Principles of Data Mining",
Prentice Hall.
15.Kantardzic, M. (2003). "Data Mining: Concepts, Models, Methods, and
Algorithms", John Wiley.
www.SID.ir
Archive of SID
دانشمدیریت، دوره ٢٠ ، شماره ۷۹ ، زمستان ١٣٨٦
١٤
16.Kudyba, S. and Hoptroff, R. (2001). Data Mining and Business Intelligence:
a Guide to Productivity, IGP.
17.Larose, D. T. (2005). "Discovering Knowledge in Data", John Wiley, 2005.
18.Lee, S. J. and Siau, K. (2001). "A Review of Data Mining Techniques",
Industrial Management & Data Systems, pp: 41- 46.
19.Lefebure, R. and Venture, G. (2001). "Data Mining", Eyroll.
20.Lin, C. M.; Huang, J. J.; Gen, M. and Tzeng, G. H. (2006). "Recurrent neural
network for dynamic portfolio selection", Applied Mathematics and
Computation 175, pp: 1139- 1146.
21.Loraschi, A.; Tettamanzi, A.; Tomassini, M. and Verda, P. (1995).
"Distributed genetic algorithms with an application to portfolio selection
problems, In: Pearson DW, Steele NC, Albrecht RF, editors", Artificial
neural nets and genetic algorithms, pp: 384- 87.
22.Nemati, H. R. and Barko, C. D. (2003). "Key Factors for Achieving
Organizational Data Mining Success", Industrial Management & Data
Systems, pp: 282- 292.
23.Oh, K. J.; Kim, T. Y. and Min, S. (2005). "Using genetic algorithm to
support portfolio optimization for index fund management", Expert Systems
with Applications 28, pp: 371- 379.
24.Pyle, D. (1999). "Data Preparation for Data Mining", Morgan Kaufmann,
San Francisco, CA.
25.Safer, A. M. (2003). "A comparison of two data mining techniques to predict
abnormal stock market returns", Intelligent Data Analysis, Vol. 7, pp. 3- 13.
26.Spathis, C.; Kirkos, E. and Manolopoulos, Y. (2006). "Data Mining
techniques for the detection of fraudulent financial statements", Expert
Systems with Applications, Vol 32, Issue 4, pp: 995- 1003.
27.Kim, M. J. and Han, I. (2003). "The discovery of experts' decision rules from
qualitative bankruptcy data using genetic algorithms", Expert Systems with
Applications, Vol. 25, Issue 4, pp: 637- 646.
28.Sun, J. and Li, H. (2006). "Data mining method for listed companies’
financial distress prediction", Knowledge Based Systems, Vol. 21, Issue 1,
pp: 1- 5.
29.Thawornwong, S. and Enke, D. (2004). "The adaptive selection of financial
and economic variables for use with artificial neural networks",
Neurocomputing, 56, pp: 205- 232.
30.Thawornwong, S. and Enke, D. (2005). "The use of data mining and neural
networks for forecasting stock market returns", Expert Systems with
Applications, 29, pp: 927- 940.
31.Tun, S.; Shu, L. and Kuo, C. (2008). "Knowledge discovery in financial
investment for forecasting and trading strategy through wavelet-based SOM
networks", Expert Systems with Applications, Vol. 34, Issue 2, pp: 935- 951
32.White, H. (1998). "Economic Prediction Using Neural Networks: the cast of
IBM daily stock return", IEEE.
www.SID.ir


درباره وبلاگ


*با عرض سلام خدمت شما دوست عزیز*
امیدواریم که از خواندن این مطالب لذت ببرید
و لحظه های خوبی را سپری کنید

مدیران وبلاگ :
عمو سعید
عمو مجید

مدیر وبلاگ : saeed khaki
صفحات جانبی
نظرسنجی
نظر شما دوست عزیز راجع به این وبلاگ چیه؟







نظر شما دوست عزیز راجع به این وبلاگ چیه؟







جستجو

آمار وبلاگ
کل بازدید :
بازدید امروز :
بازدید دیروز :
بازدید این ماه :
بازدید ماه قبل :
تعداد نویسندگان :
تعداد کل پست ها :
آخرین بازدید :
آخرین بروز رسانی :
ارتباط با majid shabanpor
ارتباط با saeed khaki
gunner2066چت روم وبلاگ


فال امروز


.



دریافت کد
abzareweb
ابزار وب

تعبیر خواب آنلاین

تماس با ما
Google

در این وبلاگ
در كل اینترنت
مشاهده جدول کامل لیگ برتر ایران