کاربرد هوش مصنوعی در حسابداری و امور مالی

https://startupforum.ir/images/cdn/2018/04/4599.jpg

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

ریچارد باس عنوان می دارد سیستم متخصص )خبره) یكی از شاخه های هوش مصنوعی است كه با گردآوری دانش تخصصی و اطلاعات كارشناسی دریك حوزه خاص واستفاده از منطق می كوشد تا دركنار متخصصا ن و همپای آنان به عرضه خدمات تخصص ی بپردازد .به عبارت دیگر این سیستمها نرم افزارهای كامپیوتری هوشمندی هستند كه درآنها نقش تخصصی كارشناسان به صورت مجموعه های اطلاعات علمی گرد آمده است) حبیبی پیركوهی و شائمی برزكی،1384).

اصطلاح سیستم خبره از سیستم های خبره دانش محور مشتق شده است. سیستم خبره، سیستمی است که دانش انسانی را بوسیله کامپیوتر، برای حل مسائلی که غالبا نیازمند تخصص انسانی است، به کار می برد. در واقع سیستم خبره، روشی برای گنجاندن دانش افراد خبره در کامپیوتر است ، گامی در جهت بنای 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 های خبره امکان بکارگیری استانداردهای سازمانی منسجم تر را برای ارزیابی درجه امکان خطرات متفاوت (آتش سوزی ، سیل ، سرقت ، و غیره) افزایش داده است . پایگاه دانش لازم برای سیستم های تعهد خرید شامل اطلاعات خاص صنعت در مورد تجهیزات ایمنی و اقدامات انجام شده برای کاهش خطر و نیز تکنیک های ارزیابی سطح خطر است. شاید بهترین مقطع زمانی برای طراحی سیستم های کامپیوتری در این رشته، هنگام تجدید بیمه نامه ها باشد، چرا که در آن زمان اطلاعات بسیار زیادی در شکل قابل فهم برای ماشین ، وجود دارد (شوازی و ابزری،1387).

اندوخته سازی:
چقدر از درآمدهای جاری را باید برای مطالبات احتمالی آینده بابت جبران خسارات کنار گذاشت ، سوال مهمی است . سیستم های خبره در این مورد نیز می توانند به منزله ابزاری برای تخصیص همه جانبه و منسجم منابع برای پاسخ گویی به تقاضاهای ناشناخته به کار روند(شوازی و ابزری،1387).

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

برنامه ریزی استراتژیك:
سیستمهای خبره در انتخاب و اجرای یك برنامه ریزی استراتژیك اینك در خدمت مدیران هستند . اگر نقطه شروع و عطف كار مدیریت را برنامه ریزی استراتژیك بدانیم انگاه اهمیت این سیستمها بیشتر مشخص می شود. همانطور كه سابرامانیام (2002) عنوان می دارد سیستمهای خبره جهت انتخاب یك تكنیك برنامه ریزی استراتژی ك با این دیدگاه توسعه یافته اند كه مدیران در انتخاب یك ابزار برنامه ریزی استراتژیك با محدودیتهای زیادی مواجه اند .از جمله زمان ،مهارت، منابع مالی،مشاوران متخصص و مانند اینها) حبیبی پیركوهی و شائمی برزكی،1384).

مدیریت تولید و عملیات:
در سالهای اخیر با افزایش پیچیدگی صنایع تولید و نیاز به كارائی بیشتر ،چرخه عمر كوتاه تر محصول،انعطاف پزیری بالاتر ،كیفیت بیشتر محصول ،رضایت مشتری و بر اوردن انتظارات او و هزینه كمتر،چهره عملیات تولید را ت غییر داده است . چالش عمده سازمان ها در در این زمان چگونگی انطباق با این تغییرات محیط تجاری است بطوریكه دستیابی به كسب مزیت رقابتی از طریق مسیر انتخابی نیز حاصل شود) حبیبی پیركوهی و شائمی برزكی،1384).

ارتباطات مالی:
سیستمهای خبره دربنگاه های مالی برای نظارت بر اطلاعات مورد انتظار و یافتن كلاه برداریهااستفاده می شود .سیستم خبره می تواند جایی كه حجم اطلاعاتی كه باید پرداز ش شود بسیار زیاد است بسیار مفید باشد .این سیستم می تواند همچون یك حسابرس پاسخگوی شم ار فراوان ارباب رجوعها باشد .با استفاده ااز این سیستمها یك كمپانی می تواند به حسابرسی یك دوره 18 ماهه درطول یك دوره یكماهه بپردازد .بنابراین شركت می تواند عملیات آنرمال خود را سریعتر از قبل متوقف سازد .این بهره وری سازمانی رابعلاوه كارائی و اثر بخشی افزایش می دهد) حبیبی پیركوهی و شائمی برزكی،1384).

مدیریت بازار یابی:
مزیت های بالقوه و كاربرد گسترده سیستم های خبره انها را قادر به یاری مدیران در زمینه بازاریابی و مدیریت بازار نیز ساخته است. در مورد كاربرد های سیستمهای خبره در این زمینه می توان به كار مك دونالند (1989) اشاره كرد .اوخسامر و دیگران (1992) به برر سی روند بكار گیری سیستم های خبره در بازار یابی بین المللی پر داخته اند . ژوان و بارل (2002،1997،1995) در زمینه استفاده از سیستمهای خبره در بازار یابی كوششهای زیادی انجام داده اند .انها استفاده از یك سیستم مختلط برای بر نامه ریزی استراتژیك بازار یابی را معرفی كرده اند و در مقاله ای دیگر به بررسی مسایل كاستیهای همراه با سیستم های خبره پر داخته اند) حبیبی پیركوهی و شائمی برزكی،1384).

شبکه عصبی مصنوعی

بسیاری از مسائل همچون شناسایی بصری و گفتاری که یا ناممکن است و یا به دشواری با کامپیوترهای الگوریتمی انجام پذیر است، به راحتی توسط مغز حل و فصل می شود. چنین موضوعی بسیار شگفت آور است چرا که سرعت معمول محاسبات کامپیوتری چندین میلیون عملیات در ثانیه است، حال آن که سرعت عملیات واحدهای مغزی از تقریبا 10 واکنش در ثانیه بیشتر نیست. دلیل این وضعیت غالباً به ماهیت طراحی مغز بر می گردد. در این طراحی، شبکه های مغزی به طور بسیار موازی 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 حدی شبیه سازی کرد، در آن صورت امکان حل مسائلی پدید می آید که با روش های سنتی ریاضیات، قابل حل نیستند. شبکه های 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 های عصبی و مدل های ترکیبی، می توان ارزش اوراق بهادار و دارایی هایی دیگری را که می خواهیم خریداری کنیم، برآورد کنیم. در این مورد باید فرایند ارزشیابی انسانی را شبیه سازی 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 ای آموزش داد که اطلاعات ورودی آن داده های مربوط به مشتریان و داده های خروجی مطلوب آن تصمیمات واقعی تحلیل گران اعتباری باشد. هدف سیستم، تقلید از تصمیم گیرنده انسانی در اعطا یا در اعتبار و تعیین سقف های اعتباری است. سیستم توان آن را دارد که بدون ضرورت این که اطلاعات را در قالب خاصی بریزیم، از داده های ورودی 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 ای از حوزه های پیش بینی مالی، استفاده از کامپیوتر و نرم افزارهای سنتی، مطلوب تر از مدل های شبکه عصبی و ابزار ترکیبی است. به ویژه اگر مدل های با روابط شناخته شده داشته باشیم که محاسبات بسیار بطلبند، در این موارد، استفاده از مدل های سنتی کامپیوتر به صرفه و منطقی است. اما تحلیل گر مالی در بشتر موارد نگران تأثیر اعمال خاص روی رفتار سرمایه گذاران است. و در این موارد، مدل با روابط تعریف شده ای 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 طوری 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 بندی اعتبارات در بالا گفتیم، در مورد وام دهی مؤسسات تجاری و وام های مصرفی کاربرد داشت . مؤسسات مالی نیز می توانند به کمک سیستم های عصبی مصنوعی در مورد بررسی تقاضای وام و تصمیم در مورد پرداخت یا عدم پرداخت تصمیم بگیرند. هر چند که این سیستم ها تصمیم نهایی را درمورد وام های بزرگ نمی گیرند، خروجی سیستم در این مورد حداقل نظر یکی از کارشناسان می تواند تلقی شود(شوازی و ابزری،1387).

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

قیمت گذراری اوراق بهادار جدید:
در این جا دوباره می توان سیستم شبکه عصبی را به گونه ای تعلیم داد که تصمیمات کارشناسان انسانی را از طریق مشاهده داده ها و ستاده های 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 ورودی می تواند شامل نحوه تغییرات قیمت واقعی و فعالیت های 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 گیری نمود، در حالیکه در کسب و کار، اقتصاد، مباحث مالی و بسیاری 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 های 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 های ژنتیک ابزاری ساده و مفید هستندکه توسط آن ماشین می تواند مکانیزم انتخاب طبیعی را شبیه سازی کند، این عمل با جستجو در فضای 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 روی روش های غیر خطی منفردی است که بصورت اکتشافی برای مسئله خاصی مورد استفاده قرار می گیرند. اگر چه این نگرش موثر بوده است اما در بسیاری از مسائل غیر خطی که محقق با محدودیت به کارگیری ترکیبی روش ها مواجه بوده است، فرصتهای فراوان استفاده از هم افزایی آن ها را از دست داده است. برای مثال در حالیکه شبکه های عصبی مصنوعی، مشخصه های مناسبی در تقلید و یادگیری ( فرایندی مشابه با آنچه نرون های بیولوژیکی مغز انجام می دهند) دارند، عدم شفاف بودن فرایند کاری آن ها ، تحقیق را تحت الشاع قرار می دهد. مثال بعدی در مورد ابزار توانمند دیگر هوش مصنوعی، منطق فازی می باشد، مزیت منطق فازی در تخمین و به کارگیری استنباط است در حالی که به یادگیری توجهی ندارد(شوازی و ابزری،1387). بطور حتم تلفیق این تکنولوژی ها با توجه به همپوشانی آنها (20) فرصتی را برای بطور کامل بهره بردن از توانایی ها و جبران ضعف های 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).



منبع
دنیای حسابداری/ محمد امین زارعی



https://www.ihoosh.ir/article/71936/...A7%D9%84%DB%8C