انتخاب متغیر در شبکه های عصبی پرسپترون چندلایه به منظور پیش بینی با استفاده از نگاشت های خود سازمان ده (SOM)

شبکه های عصبی پرسپترون چندلایه از مهم ترین و پرکاربردترین شبکه های عصبی در پیش بینی بازارهای مالی هستند. اما این گونه از شبکه ها، علی رغم تمام مزایای منحصر به فردشان، دارای محدودیت هایی نیز می باشند که از جمله مهم ترین آنها می توان به محدودیت تعداد متغیرهای ورودی به شبکه اشاره نمود. در شبکه های پرسپترون چندلایه برخلاف روش های سنتی پیش بینی، با افزایش تعداد ورودی ها ممکن است عملکرد شبکه کاهش یابد. در ادبیات موضوع، ترکیب مدل های مختلف و یا استفاده از مدل های ترکیبی یک راه معمول به منظور برطرف ساختن محدودیت های مدل های تکی و بهبود دقت پیش بینی ها است. در این مقاله با استفاده از نگاشت های خودسازمان ده که از دقیق ترین روش های حال حاضر در شناخت و تحلیل فضاهای چندبعدی غیرخطی هستند، یک روش ترکیبی از شبکه های پرسپترون چندلایه ارائه گردیده است. در روش پیشنهادی، ورودی های شبکه در ابتدا با استفاده از نگاشت های خودسازمان ده خوشه بندی شده و سپس متغیرهای موجود در هر خوشه با توجه به میزان تاثیرگذاری شان با یکدیگر ترکیب می گردند. نتایج حاصله از به کارگیری روش پیشنهادی در پیش بینی قیمت محصولات فولادی در بورس فلزات تهران بیانگر کارآمدی روش ترکیبی در تقابل با سایر روش ها است.