Intelligent Systems and Financial Forecasting

هدف اساسی هوش مصنوعی (AI) ایجاد برنامه های کامپیوتری هوشمند است. به عبارت ساده‌تر، هوش مصنوعی صرفاً به گسترش مجموعه برنامه‌های رایانه‌ای در حوزه‌های جدید و سطوح جدید کارآیی مربوط می‌شود. انگیزه این تلاش از منابع بسیاری سرچشمه می گیرد. در سطح عملی همیشه تقاضا برای دستیابی به چیزها به روش های کارآمدتر وجود دارد. به همین ترتیب، چالش فنی ساخت برنامه‌هایی وجود دارد که به ماشین اجازه می‌دهد کاری را انجام دهد که یک ماشین قبلا هرگز انجام نداده است. هر دوی این خواسته ها در هوش مصنوعی گنجانده شده اند و هر دو نیروی الهام بخش پشت توسعه آن هستند. از نظر ارضای هر دوی این خواسته ها، هیچ نمونه ای بهتر از یادگیری ماشینی وجود ندارد. ماشین هایی که می توانند یاد بگیرند کارایی داخلی دارند. همین نرم افزار را می توان در بسیاری از برنامه ها و در بسیاری از شرایط استفاده کرد. ماشین می تواند رفتار خود را طوری تنظیم کند که نیازهای محیط های جدید یا در حال تغییر را بدون نیاز به برنامه ریزی مجدد پرهزینه برآورده کند. علاوه بر این، ماشینی که می تواند یاد بگیرد را می توان در حوزه های جدید با پتانسیل واقعی برای نوآوری به کار برد. به این معنا، ماشینی که بتواند یاد بگیرد می‌تواند در مناطقی که اطلاعات کمی در مورد روابط علّی احتمالی وجود دارد و حتی در شرایطی که قضاوت می‌شود روابط علّی وجود ندارد، به کار رود. این جنبه آخر هنگام در نظر گرفتن یادگیری ماشینی که در پیش‌بینی مالی اعمال می‌شود، اهمیت زیادی دارد.

A fundamental objective of Artificial Intelligence (AI) is the creation of in­ telligent computer programs. In more modest terms AI is simply con­ cerned with expanding the repertoire of computer applications into new domains and to new levels of efficiency. The motivation for this effort comes from many sources. At a practical level there is always a demand for achieving things in more efficient ways. Equally, there is the technical challenge of building programs that allow a machine to do something a machine has never done before. Both of these desires are contained within AI and both provide the inspirational force behind its development. In terms of satisfying both of these desires there can be no better example than machine learning. Machines that can learn have an in-built effi­ ciency. The same software can be applied in many applications and in many circumstances. The machine can adapt its behaviour so as to meet the demands of new, or changing, environments without the need for costly re-programming. In addition, a machine that can learn can be ap­ plied in new domains with the genuine potential for innovation. In this sense a machine that can learn can be applied in areas where little is known about possible causal relationships, and even in circumstances where causal relationships are judged not to exist. This last aspect is of major significance when considering machine learning as applied to fi­ nancial forecasting.