- نظریۀ مدرن پرتفوی بر مبنای کارا بودن بازار بنا شده است. کسب اطلاعات دربارۀ بازار هزینه بر است و غیرممکن است که کلیۀ اطلاعات دربارۀ هر سهم را بدست آورد. بنابراین قیمتها به خوبی نمیتوانند منعکس کنندۀ اطلاعات باشند و بازار نمیتواند کارا باشد. بنابراین شناسایی سهامهایی که قیمتی پایینتر از ارزش ذاتیشان دارند بسیار مهم است.
- انتقاد دیگر، بار محاسباتی ایجاد شده توسط کاربرد معادلۀ درجه دوم و ماتریس کوواریانس می باشد. این بار محاسباتی باعث مشکلات چالش برانگیزی در کاربرد آن در زندگی واقعی به علت تعداد زیاد سهامها می شود و به این علت است که سرمایه گذاران ترجیح میدهند از قواعد ساده به جای مدل های نظریۀ مدرن پرتفوی استفاده کنند.
- انتقاد دیگر این است که نظریۀ مدرن پرتفوی ترجیحات سرمایهگذاران را نادیده میگیرد. علاوه بر این اغلب دیده شدهاست که در بهینه سازی پرتفوی، سرمایهگذاران، پرتفویهایی که زیر مرز کارای مارکویتز قرار دارند را انتخاب کردهاند. که این پدیده اینگونه میتواند توضیح داده شود که در حقیقت تمام اطلاعات مرتبط برای تصمیمات سرمایهگذاری منحصراً مربوط به ریسک و بازده نیست. بنابراین برخی معیارهای اضافی باید به معیار کلاسیک ریسک- بازده اضافه شود (Yunusoglu, Selim, 2013).
۲-۲ بخش دوم: سیستمهای خبره
ریشه اصلی سیستمهای خبره یا سیستمهای مبتنی بر دانش به حوزۀ مطالعاتی به نام هوش مصنوعی (AI) برمیگردد. AI به عنوان یک حوزۀ تحقیقی و مطالعاتی از سال ۱۹۴۰ آغاز به کار کرد. در طی ۶۰ سال بعد از ظهور AI، موفقیتها و شکستهای زیادی در رابطه با این علم ایجاد شدهاست. هوش مصنوعی قابلیتی است برای انجام وظایف و فعالیتهای رایانه که همانند انسان نیاز به دانش، دقت، استدلال، آموزش، فهم و قابلیتهای ادراکی دارد (Darlington, 2000, 2).
تحقیق درباره AI در دهۀ ۱۹۴۰ شروع شد، زمانی که اولین نسل رایانهها در مؤسسات تحقیقاتی به کار گرفته شدند. اساس منطق ماشینی مبتنی بر علم ریاضیات بوده است. در سال ۱۹۵۶، جان ماکارتی واژۀ هوش مصنوعی را در کنفرانسی در دانشکدۀ دارتموس آمریکا برای اولین بار به کار برد (الهی، رجب زاده، ۱۳۸۲، ۳). از پیامدهای توجه به هوش مصنوعی، حل مسائل عمومی از این طریق، ظهور KBS و سیستمهای خبرۀ تجاری بوده است.
از نقایص مدلهای موجود قبل از ظهور سیستمهای مبتنی بر دانش این بود که با افزایش اندازۀ مسائل، فضای جستجوی آنها به صورت نمایی افزایش مییافت. با خاص نمودن مسائل و تمرکز بر دانش خاصی که با مسأله کاملاً مرتبط است، می توان فضای جستجو را محدودتر نمود. بنابراین واقعیت تازهای در تحقیق در دهه ۱۹۷۰ آشکار شد که در انتظارش بودند و واترمن در آن اظهار داشت که: برای ایجاد یک برنامۀ هوشمند، آن برنامه باید با کیفیت بالا به نحوی که دانش خاصی در حوزۀ آن مسأله و مرتبط با آن باشد، طراحی گردد. لنا و گاتها این مورد را به نام اصل دانش نامیدند. آنها چنین اظهار داشتند:
“اگر یک برنامه بخواهد یک کار پیچیده را انجام دهد، باید پیرامون آن موضوع اطلاعات زیادی کسب کرده باشد. در صورت عدم وجود دانش دربارۀ مسأله، جستجو و استدلال هم وجود ندارد و این برای حل مسأله کافی نیست.”
اولین فعالیتهای سیستم مبتنی بر دانش در حوزههای زندگی واقعی نظیر تشخیص بیماریهای عفونی و پیشبینی منابع طبیعی معدنی در نواحی مختلف جغرافیایی بود. این فعالیتهای ابتدایی برای این بود که ببینند آیا این دیدگاهها در عمل قابل دسترسی هستند یا خیر. در این زمینه اولین سیستم طراحی شده سیستم DENDRAL بود. ادوارد فیگناوم این سیستم را برای ارزیابی و تشخیص ساختارهای شیمیایی مولکولهای ناشناخته مورد استفاده قرار داد. از آنجایی که این سیستمها نیاز به خدمات یک فرد متخصص داشتند به نام سیستمهای خبره شناخته شدند. آنها همچنین سیستمهای مبتنی بر دانش یا سیستمهای دانش نیز نامیده شدند، زیرا که در حوزۀ مشخصی از دانش مرتبط با آن حوزه مورد استفاده قرا میگرفتند و شاخۀ جدیدی از علم نسبتاً پیچیده و جدید هوش مصنوعی هستند که دانش و روش های استنتاجی را به کار میبرند. در جدول ۲-۱ میتوان برخی سیستمهای خبرۀ تجربی را مشاهده کرد.
بسیاری از سیستمهای خبرۀ ساخته شده در سال ۱۹۷۰ اساساً به صورت آزمایشی طراحی گردیده و محدود به تحقیقات دانشگاهی میشدند. در دهه ۱۹۸۰ انتقال تحقیقات آزمایشگاهی سیستمهای خبره به سیستمهای تجاری آن آغاز شد. در این میان XCON اولین سیستم بود. DEC نیز که در اوائل دهه ۱۹۸۰ ساخته شد یک سیستم موفق بود که صرفهجویی مالی زیاد و نرخ بازده زیادی در کوتاه مدت را برای شرکت داشت. جدول ۲-۲ تعدادی از فعالیت های سیستم های خبرۀ تجاری را نشان میدهد.
متن فوق تکه ای از این پایان نامه بود
برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل می توانید به لینک زیر مراجعه نمایید:
نظرات شما عزیزان:
تبادل لینک هوشمند