همچنانکه پیش از این گفته شد ، شبکه های عصبی در حل مسایل با داده های وسیع وضابطه ای نامشخص توانایی های زیادی دارند . از سوی دیگر مسایل اقتصادی دقیقاً چنین ویژگی هایی دارند یعنی در این مسایل داده ها بسیار زیاد است اما روابط حاکم بر داده ها مشخص نیست .بنابراین بکارگیری شبکه های عصبی در حل مسایل اقتصادی معقول و منطقی به نظر می رسد . این بحث تئوریک در عمل نیز اثبات شده است و به کارگیری شبکه های عصبی در این زمینه نتایج مثبتی داشته است .
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

جیسون ای . کاتسورلیز از دانشگاه مونتری کالیفرنیا در سال ۱۹۹۸ تحقیقی با عنوان « پیش بینی بازارهای مالی با بهره گرفتن از شبکه های عصبی » انجام داده است . وی در تحقیق خود مخصوصاً توانایی شبکه های عصبی را در پیش بینی شاخص های مالی بازار سهام بررسی نمود . کاتسورلیز در تحقیق خود از شبکه های عصبی و هم از رگرسیون جهت پیش بینی استفاده نموده و نتایج آنها را با هم مقایسه کرده است . از طرف دیگر وی دو شبکه مستقل به نامهای Close network و Change network را جهت پیش بینی شاخصs&p500 مورد استفاده قرارداده است که هر کدام یک خروجی متفاوت بدست می دهند .
خروجی Close network خود شاخص وخروجی Change network تغییرات شاخص فوق است . داده های ورودی وخروجی تحقیق مذکور به شرح زیر است :

تاریخ

Date

بیشترین مقدار S&P500

S&P500 H

کمترین مقدار S&P500

S&P500 L

مقدار پایانی S&P500

S&P500 C

مقدار پایانی شاخص خدمات رفاهی عمومی داو جونز

DOW Utilities Index C

شاخص نفت امکس

Amex Oil Index C

شاخص متوسط صنعتی داو جونز

CRBC DOW Industrial Index v

شاخص معدنی طلا ونقره

Gold & silver Minig C

مقدار پایانی شاخص برای دهمین روز آینده

Future 10 days s&p 500 c

که داده تاریخ به عنوان «استفاده نشده»، مقدار پایانی شاخص در دهمین روز آینده به عنوان خروجی و سایر داده ها به عنوان داده های ورودی تعریف شده اند . شبکه عصبی مورد استفاده در تحقیق فوق شبکه Ward Networkبا قانون یادگیری پس انتشار خطا است که شامل یک لایه ورودی ، سه لایه میانی و یک لایه خروجی است . تعداد نرون ها موجود در هر لایه و تابع فعالیت هر لایه به صورت زیر می باشد :
لایه اول (ورودی ): شامل ۱۳ نرون با تابع خطی {۱و۱-}
لایه دوم ( پنهان ): شامل ۱۶ نرون با تابع فعالیت Gaussian
لایه سوم ( پنهان ): شامل ۱۶ نرون با تابع فعالیت Tanh
لایه چهارم ( پنهان ) : شامل ۱۶ نرون با تابع فعالیت Gaussian Comp
لایه پنجم ( خروجی ) : شامل ۱ نرون با تابع فعالیت Logistic
معیارهای ارزیابی در تحقیق ذکر شده عبارت از ضریب تعیین میانگین خطا و انحراف معیار، برازش خطا و تئوری بیز جهت مقایسه احتمال موفقیت مدل ها ، بوده است .
نتیجه تحقیق : کاتسورلیز در نتیاج تحقیق خود نشان می دهد که شبکه های عصبی نسبت به رگرسیون از دقت بیشتری برخوردار بوده است . وی همچنین نتیجه گرفته است که شبکه پیش بینی نتایج بهتری را نسبت به رگرسیون ارائه کرده است.

ماریوس جانیوس کویشیوس از دانشگاه استکهلم سوئد در سال ۲۰۰۳ تحقیق با عنوان «آزمون کارایی بازار سهام با بهره گرفتن از شبکه های عصبی – مطالعه موردی بازار سهام لیتوانی » انجام داده است . وی در ابتدای تحقیق خود پرسش تحقیق را به صورت زیر بیان داشته است :