1. 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.
2. 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.
3. 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:

متن کامل