طبقه‌بندی‌های اندیکاتور


انواع اسیلاتور، تمام آنچه که نیاز دارید درمورد انواع اسیلاتور بدانید

اسیلاتورها شاخص‌هایی هستند که هنگام مشاهده نمودارهای رِنج (غیر رونددار)، برای تشخیص شرایط اشباع خرید یا اشباع فروش به کار می‌روند. میانگین متحرک (MA) و روندها هنگام مطالعه‌ی جهت حرکت سهام بسیار مهم هستند. تحلیلگران وقتی از انواع اسیلاتورها استفاده می‌کنند که نمودارها جهت خاصی را نشان نمی‌دهند. بیشترین کاربرد شناخت انواع اسیلاتور زمانی است که سهام شرکت در یک الگوی یک طرفه قرار داشته یا نتواند روند مشخصی را در بازار دنبال کند. وقتی سهام در وضعیت اشباع خرید یا اشباع فروش قرار دارد، مقدار واقعی اسیلاتور نمایش داده می‌شود. به عنوان مثال، یک متخصص رسم نمودار می‌تواند با استفاده از انواع اسیلاتور زمان توقف حرکت صعودی سهام را مشخص کند، یعنی نقطه‌ای که سهام به سمت موقعیت اشباع خرید حرکت می‌کند. معنای ساده این شرایط آن است که حجم خرید برای چند روز کاهش یافته است، درنتیجه بیشتر معامله‌گران اقدام به فروش سهام خود خواهند کرد. برعکس، وقتی بیشتر سرمایه‌گذاران در یک زمان ثابت، سهام یک شرکت را بفروشند، سهام وارد وضعیت اشباع فروش خواهد شد.

اسیلاتورها چگونه عمل می‌کنند؟

معمولاً اسیلاتورها همراه با سایر اندیکاتورهای تحلیل تکنیکال به منظور تصمیم‌گیری درمورد معاملات استفاده می‌شوند. تحلیلگران انواع اسیلاتورها را وقتی نتوانند روند خاصی در قیمت سهام یک شرکت پیدا کنند، مفید می‌دانند. متداول‌ترین اسیلاتورها، اندیکاتور استوکاستیک، قدرت نسبی (RSI)، نرخ تغییر قیمت (ROC) و شاخص جریان نقدینگی (MFI) هستند. در تحلیل تکنیکال، سرمایه‌گذاران اسیلاتورها را یکی از مهم‌ترین ابزارها برای درک بازار می‌دانند. با این حال شاخص‌های تکنیکال دیگری نیز وجود دارند که به منظور تقویت معاملات مورد استفاده قرار می‌گیرند. اگر یک معامله‌گر بخواهد از اسیلاتور استفاده کند، ابتدا باید دو مقدار را انتخاب کند. سپس با قرار دادن ابزار بین این دو مقدار، اسیلاتور شروع به نوسان می‌کند و یک اندیکاتور رونددار ایجاد می‌کند. سپس سرمایه‌گذاران از این اندیکاتور رونددار استفاده می‌کنند تا شرایط بازار را درمورد آن سهام خاص بررسی کنند. وقتی معامله‌گر می‌بیند اسیلاتور به سمت قیمت بالاتر حرکت می‌کند، سهام را در شرایط اشباع خرید در نظر می‌گیرد. در نقطه مقابل، اگر اسیلاتور به سمت قیمت پایین‌تر گرایش پیدا کند شرایط، اشباع فروش خواهد بود.

مکانیزم اسیلاتورها

در تحلیل تکنیکال، انواع اسیلاتورها در مقیاس صفر تا 100 اندازه‌گیری می‌شوند. روش‌های مختلفی برای دستکاری میانگین متحرک وجود دارد. وقتی معاملات بازار در یک محدوده خاصی انجام می‌شود، اسیلاتور نوسانات قیمت را دنبال می‌کند. وقتی بازار بیش از 70 تا 80 درصد قیمت کل نوسان داشته باشد، اسیلاتور موقعیت را برای فروش مناسب می‌داند. وقتی نوسان به زیر 30 تا 20 درصد سقوط کند، وضعیت اشباع فروش ایجاد شده و موقعیت برای خرید فراهم می‌شود. این سیگنال‌ها تا زمانی اعتبار دارند که قیمت اصلی در محدوده تعیین شده بماند. با این حال، وقتی قیمت می‌شکند، ممکن است سیگنال‌ها منجر به گمراهی معامله‌گران شوند. تحلیلگران، شکست قیمت را به عنوان آغاز یک روند جدید در نظر می‌گیرند. در طول شکست قیمت، اسیلاتور ممکن است برای مدت زیادی در محدوده اشباع خرید یا اشباع فروش باقی بماند. تحلیلگران تکنیکال، اسیلاتورها را برای بازارهای جانبی مناسب‌تر می‌دانند. در صورت استفاده از یک اندیکاتور تکنیکال که بازار را به عنوان یک روند یا محدوده مشخص معرفی می‌کند، اسیلاتورها مؤثرتر خواهند بود. به عنوان مثال، یک اندیکاتور میانگین متحرک می‌تواند برای تشخیص رونددار بودن یا نبودن بازار مورد استفاده قرار گیرد. وقتی تحلیلگران تشخیص دهند که بازار روند خاصی ندارد، سیگنال‌های اسیلاتور بسیار مفیدتر و مؤثرتر خواهند بود.

انواع اسیلاتور

اسیلاتور اندیکاتوری است که در بالا و پایین یک خط مشخص، یا بین یک مجموعه سطوح در نوسان است و مقدار آن در طول زمان تغییر می‌کند. اسیلاتورها می‌توانند به مدت طولانی در سطوح شدید (اشباع خرید یا اشباع فروش) باقی بمانند، اما نمی‌توانند برای یک دوره خاص پایدار باشند. درمقابل، یک اندیکاتور محافظتی یا متراکم مانند حجم تعادلی (OBV) می‌تواند نشان‌دهنده یک روند خاص باشد. زیرا به طور مداوم در یک دوره پایدار زمانی افزایش یا کاهش می‌یابد. همان‌طور که مقایسه نمودار اندیکاتور نشان می‌دهد، حرکات اسیلاتور محدودتر است و حرکات پایدار (روندها) کمتر دیده می‌شوند. البته این هیچ ارتباطی به مدت زمان در نظر گرفته شده ندارد. در یک بازه زمانی دو ساله، اندیکاتور همگرایی و واگرایی میانگین‌های متحرک (مکدی) بالا و پایین صفر نوسان کرده و تفریباً 18 بار خط صفر را لمس کرده است. همچنین توجه داشته باشید که هر بار مکدی به بالاتر از 80 رسیده، اندیکاتور عقب‌نشینی کرده است. حتی اگر مکدی حد بالا و پایینی در محدوده مقادیر خود نداشته باشد هم حرکات آن محدود می‌شود. از طرف دیگر OBV روند صعودی خود را در ماه مارس سال 2003 آغاز کرده و تا سال بعد این روند را حفظ کرده است. حرکت OBV محدود نبوده و به روندهای طولانی‌مدت اجازه پیشرفت می‌دهد.

انواع اسیلاتور

انواع مختلفی از اسیلاتورها وجود دارند که بعضی از آن‌ها به چند دسته تقسیم می‌شوند. در این مقاله، درمورد دو گروه بزرگ از انواع اسیلاتورها بحث می‌کنیم: اسیلاتورهای متمرکز (centered oscillators) که بالا و پایین یک نقطه یا خط مرکزی نوسان می‌کنند و اسیلاتورهای نواری (banded oscillators) که بین دو قطب اشباع خرید و اشباع فروش در نوسان هستند. به طور کلی، اسیلاتورهای متمرکز برای تجزیه و تحلیل جهت حرکت قیمت مناسب هستند، در حالی که اسیلاتورهای نواری بیشتر برای شناسایی سطوح اشباع خرید و اشباع فروش به کار می‌روند.

اسیلاتورهای متمرکز

همان‌طور که گفته شد اسیلاتورهای متمرکز در بالا و پایین یک نقطه یا خط مرکزی در نوسان هستند. این اسیلاتورها برای شناسایی قدرت، ضعف یا جهت حرکات محافظتی اهمیت دارند. در ساده‌ترین حالت، وقتی اسیلاتور متمرکز بالای خط یا نقطه مرکزی نوسان دارد، حرکت مثبت (صعودی) است. درمقابل، وقتی اسیلاتور متمرکز در پایین خط مرکزی نوسان کند، حرکت منفی (نزولی) است. مکدی یک نمونه از اسیلاتورهای متمرکز است که در بالا و پایین نقطه صفر نوسان می‌کند. مکدی درواقع اختلاف بین میانگین متحرک نمایی 12 روزه و 26 روزه را نشان می‌دهد. هرچند برای اسیلاتور مکدی هیچ محدودیتی وجود ندارد، اما معمولاً اختلاف بسیار زیاد بین دو میانگین متحرک مدت زیادی ادامه نمی‌یابد.

مکدی (MACD)

اسیلاتور مکدی به دلیل داشتن عناصر تأخیری و متقدم خاصیت منحصر بفردی دارد. میانگین‌های متحرک، اندیکاتورهای متأخر هستند و به عنوان عنصر دنباله‌رو روند طبقه‌بندی می‌شوند. با این حال، اسیلاتور مکدی با در نظر گرفتن اختلاف میانگین‌های متحرک، جنبه‌های مختلف حرکت یا عناصر متقدم را در برمی‌گیرد. اختلاف بین میانگین‌های متحرک، نرخ تغییر را نشان می‌دهد. مکدی با اندازه‌گیری نرخ تغییر، به یک شاخص متقدم تبدیل می‌شود، البته هنوز هم مقداری تأخیر دارد. با ادغام هر دو میانگین متحرک و نرخ تغییر، مکدی توانسته‌ است جایگاه منحصر بفردی را بین انواع اسیلاتور ، به عنوان اندیکاتور تأخیری و متقدم به دست آورد.

نرخ تغییر (ROC)

نرخ تغییر اسیلاتور متمرکزی است که بالا و پایین نقطه صفر نوسان دارد. همان‌طور که از نام آن پیداست، نرخ تغییر، درصد تغییر قیمت را در یک بازه زمانی معین اندازه می‌گیرد. به عنوان مثال، ROC 20 روزه تغییر قیمت را طی 20 روز گذشته اندازه‌گیری می‌کند. هرچه اختلاف بین قیمت فعلی و قیمت 20 روز پیش بیشتر باشد، ارزش اسیلاتور ROC نیز بیشتر می‌شود. وقتی اندیکاتور بالاتر از صفر باشد، درصد تغییر قیمت مثبت (صعودی) است. هنگامی که شاخص زیر صفر باشد نیز درصد تغییر قیمت منفی (نزولی) است.

ROC نیز مانند مکدی، حد بالا و پایینی ندارد. این ویژگی اکثر اسیلاتورهای متمرکز است و می‌تواند تشخیص نقاط اشباع خرید و اشباع فروش را دشوار کند. نمودار ROC بالا نشان می‌دهد که نوسان‌های بالای 20%+ و پایین 20%- غیرعادی بوده و بعید است برای مدت طولانی ادامه داشته باشد. با این حال تنها راه تشخیص غیرعادی بودن نوسان‌های بالا و پایین 20%± مشاهدات گذشته است. به همین دلیل اسیلاتورهای نواری جایگزین‌های بهتری برای سنجش سطوح قیمت غیرعادی هستند.

اسیلاتورهای نواری

اسیلاتورهای نواری در بالا و پایین دو نوار که نشانگر حداکثر سطوح قیمت هستند نوسان می‌کنند. نوار پایین نشان‌دهنده نقاط اشباع فروش، و نوار بالا نشان‌دهنده اشباع خرید است. این نوارها به ندرت تغییر می‌کنند و به کاربران اجازه می‌دهند تا به آسانی نقاط اشباع خرید و فروش را تشخیص دهند. شاخص نسبی قدرت (RSI) و اسیلاتور استوکاستیک دو نمونه از انواع اسیلاتور نواری هستند.

استوکاستیک / شاخص نسبی قدرت (RSI)

اسیلاتور rsi

در مورد اسیلاتور RSI، نوارهای اشباع خرید و اشباع فروش به ترتیب 70 و 30 در نظر گرفته شده‌اند. نوسان بالای 70 به عنوان اشباع خرید و زیر 30 به عنوان اشباع فروش محسوب می‌شود. درمورد اسیلاتور استوکاستیک نیز نوسان بالای 80 اشباع خرید، و زیر 20 اشباع فروش است.

اسیلاتور cci

اغلب اسیلاتورهای نواری (نه همه آن‌ها) از بالا و پایین دارای محدوده‌هایی هستند. شاخص نسبی مقاومت (RSI) و اسیلاتور استوکاستیک که در بالا معرفی کردیم، هر دو در محدوده صفر تا 100 قرار دارند و هرگز بالاتر از 100 یا پایین‌تر طبقه‌بندی‌های اندیکاتور از صفر نمی‌روند. از طرف دیگر، شاخص کانال کالا (CCI) نمونه‌ای از انواع اسیلاتور نواری است که هیچ محدوده‌ای ندارد. CCI قیمت فعلی را با میانگین قیمت در یک دوره زمانی معین مقایسه می‌کند. این اسیلاتور بدون محدودیت در نظر گرفته شده است زیرا از نظر تئوری، هیچ محدودیتی برای چنین اختلاف قیمت نسبی وجود ندارد. در عمل، اکثر مقادیر CCI بین 100+ و 100- قرار دارند. این سطوح پایدار، CCI را به عنوان یک اسیلاتور نواری قابل استفاده می‌کند. درنتیجه مانند سایر اسیلاتورهای مشابه، برای تشخیص سطوح اشباع خرید و فروش به کار می‌رود.

مزایا و معایب اسیلاتورهای متمرکز و نواری

اسیلاتورهای متمرکز بهترین کاربرد را در تشحیص قدرت و جهت حرکت قیمت دارند. به طور کلی، نوسان‌های بالاتر از نقطه مرکزی نشان‌دهنده حرکت صعودی، و نوسانات زیر نقطه مرکزی نشانگر حرکت نزولی است. مهم‌ترین تفاوت اسیلاتورهای متمرکز و نواری، توانایی آن‌ها در شناسایی نوسانات شدید است. در حالی که می‌توان نوسانات شدید را توسط اسیلاتورهای متمرکز شناسایی کرد، درمورد نوسانات ضعیف و خرید و فروش سبک بهتر است از اسیلاتورهای نواری استفاده شود.

کلام آخر

اسیلاتورها نقش مهمی در پی بردن به سیگنال‌های خرید و فروش دارند. درنتیجه، تأثیر مستقیمی روی افزایش سود و کاهش زیان معامله‌گران دارند. فراموش نکنید که انواع اسیلاتورها با اندیکاتورها تفاوت دارند و نباید این دو واژه را به جای هم به کار برد. اسیلاتورها درواقع گروهی از اندیکاتورها هستند که به سنجش میزان هیجان خریداران و فروشندگان بازار سرمایه کمک می‌کنند. به همین دلیل می‌توانند بهترین نقاط را برای خرید یا فروش سهام معرفی کنند. پکیج اندیکاتورها و اسیلاتورها یک بسته آموزشی کامل است که با زبانی ساده و روان، همه اندیکاتورها و انواع اسیلاتور در بورس را آموزش می‌دهد. جهت کسب اطلاعات بیشتر و تهیه بسته آموزشی معرفی اسیلاتور و اندیکاتورهای بورس اینجا کلیک کنید.طبقه‌بندی‌های اندیکاتور

جزئیات خبر

مووینگ اوریج‌ها (میانگین متحرک) و استراتژی‌های آن

قبل از اینکه وارد مبحث میانگین‌های متحرک یا مووینگ اوریج‌ها ( به انگلیسی moving average) شویم لازم است مختصری در مورد اندیکاتورها بگویم.

اندیکاتورها بطور کلی در سه گروه طبقه‌بندی می‌شوند:

۱- اندیکاتورهای Trend (روند نماها یا تعقیب کننده‌های قیمت): این نوع اندیکاتورها معمولا روی چارت قیمت نمایان می‌شوند مانند مووینگ اوریج‌ها، بولینگر باند، ایچیموکو، سار و …..

۲- اسیلاتور یا Oscillator (نوسان نماها): این نوع اندیکاتور در زیر نمودار قیمت بصورت هیستوگرام و نوسانگر نمایان می‌شوند مانند: مک دی، RSI، استوکاستیک و ….

۳-اندیکاتورهای Volumes (حجمی): اندیکاتورهای حجمی نیز در زیر گراف قیمت نمایان می‌شوند و اگر چه دقیق نیستند ولی بیانگر حجم معاملات هستند مانند: MFI ، OBV و ….

مووینک اوریج‌ها (MA) جزو اندیکاتورهای تعقیب کننده قیمت هستند و به علت اینکه در فورمول داخلی اکثر اندیکاتورها به نوعی و با تقدم و تاخر خاصی از فورمول مووینگ اوریج‌ها استفاده شده به مووینگ اوریج‌ها مادر اندیکاتورها نیز گفته می‌شود.

فورمول تهیه مووینگ اوریج‌ها از ساده‌ترین تا پیچیده‌ترین آنها بر یک مبنای کلی استوار است و آن میانگین‌گیری و معدل‌گیری از قیمت است.

به این صورت که اگر یک مووینگ اوریج را بر روی چارت بیندازید یک گراف و یک نمودار در کنار قیمت مشاهده می‌کنید که تا حد زیادی نوسانات قیمت را فیلتر کرده و به دنبال قیمت حرکت می‌کند.

میانگین متحرک، میانگینی از داده‌های بازار در بازه زمانی خاص است. میانگین متحرک عموما به عنوان یک اندیکاتور تکنیکال برای یکدست کردن داده‌های بازار برای تشخیص روند شناخته می‌شود.

به شکل زیر نگاه کنید:

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

نمونه‌ای از یک مووینگ اوریج

ساده‌ترین فرمول ساخت یک مووینگ اوریج این است:

که SUM به معنای مجموع و N به معنای تعداد دوره و Close قیمت پایانی قیمت در آن دوره است. به جدول زیر نگاه کنید تا موضوع برایتان بهتر جا بیوفتد.

نکته : وقتی ما یک مووینگ اوریج با دوره زمانی ۱۰۰ را روی تایم فریم روزانه قرار می‌دهیم به معنای این است که یک مووینگ اوریج ۱۰۰ روزه روی چارت داریم .

هنگامی که همین مووینگ اوریج را در تایم پنج دقیقه قرار می‌دهیم به این معناست که ما یک مووینگ اوریج صد تا پنج دقیقه روی چارت انداختیم.

پس در کل مووینگ اوریجی که در چارت استفاده می‌شود با تایم فریم آن نسبت مستقیم دارد.

انواع مووینگ اوریج‌ها بر اساس فرمول داخلی آنها :

شماره
نام کامل

تفاوت این مووینگ اوریج‌ها به دو نکته اساسی بر می‌گردد. اینکه در EMA و WMA به قیمت‌های جدید و لحاظ کردن دوره در فرمول خود بها و وزن بیشتری می‌دهند و EMA حساس‌تر عمل می‌کند.

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

استراتژی‌ها و کاربردهای انواع مووینگ اوریج:

۱- به عنوان حمایت و مقاومت داینامیک (پویا)

به اینصورت که شما یک مووینگ اوریج با دوره زمانی خاص را روی چارت می‌اندازید و به واکنش قیمت در گذشته به آن توجه می‌کنید.

مثلا فلان سهم به موونیگ 55 در تایم روزانه حساس است. هر سهم یا دارایی تنظیم خاصی برای میانگین متحرک نیاز دارد که به آن حساس است و باید بگردید و پیدا کنید.

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

سطوح مقاومت در قیمت دقیقا بر روی مووینگ تشکیل شده است.

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

سطوح حمایت در قیمت دقیقا بر روی مووینگ تشکیل شده است.

۲- از کراس و برخورد مووینگ با هم می‌توان سیگنال خرید و فروش گرفت

در این روش به حداقل دو مووینگ اوریج نیاز است، یکی با دوره زمانی بالا یعنی کندتر و دیگری با دوره زمانی کوچک یعنی تند تر.

هر موقع میانگین متحرک تندتر به زیر میانگین متحرک کندتر رسید، سیگنال فروش صادر می‌شود و هر موقع میانگین متحرک تندتر بالاتر از میانگین متحرک کندتر قرار گرفت، سیگنال خرید صادر می‌شود.

البته ضعف این روش در بازارهای رنج (روند خنثی) است که مووینگ اوریج‌ها به طور دائم در هم پیچیده و تنیده می‌شوند ولی در بازارهای رونددار معمولا به خوبی عمل می‌کنند.

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

عملکرد ضعیف مووینگ اوریج ها در بازار رنج

۳- استفاده از خاصیت دافعه و جاذیه در میان مووینگ اوریج ها

در این روش شما به حدودا ۱۰ عدد مووینگ اوریج با دوره‌های زمانی مناسب نیاز دارید.

مبحثی که در اینجا وجود دارد یک اصل جالب است. وقتی همه‌ی این ده مووینگ اوریج به هم فشرده می‌شوند به مانند یک فنر فشرده شده عمل می‌کنند و قدرت زیادی در آنها ذخیره می‌شود. این انرژی می‌تواند در جهتی خاص آزاد شده و منجر به افرایش یا کاهش شدید قیمت شود که در این حالت مووینگ‌ اوریج‌ها به تدریج از هم دور می‌شوند (دفع می‌شوند).

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

قانون فشردگی قیمت را به بالا پرتاب کرده است.

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

قانون فشردگی قیمت را به پایین پرتاب کرده است.

مووینگ اوریج ها چیست؟ با مووینگ اوریج ها آشنا شویم

قانون فشردگی باعث رشد شدید قیمت شده است.طبقه‌بندی‌های اندیکاتور

کاربردهای دیگری هم برای مووینگ‌ها وجود دارد که شما می‌توانید در آن به تحقیق بپردازید.

در خیلی از سیستم‌های معاملاتی دنیا یک پایه‌ی اصلی همیشه میانیگین‌های متحرک هستند، پس به آنها بها دهید و به تحقیق در مورد آنها بپردازید.

بهترین اندیکاتور سیگنال‌دهی فارکس

اگر ما بخواهیم اندیکاتور های سیگنال خرید و فروش فارکس را به شما معرفی کنیم معمولاً اندیکاتور هایی را می‌توانیم نام ببریم که اکثر سرمایه گذاران و معامله گران در سرمایه گذاری های خود برای خرید و فروش از آنها استفاده می‌کنند. در زیر لیستی کامل از بهترین و معروفترین اندیکاتور ها در حوزه طبقه‌بندی‌های اندیکاتور سیگنال دهی را برای شما عنوان می‌کنیم.

  • (MA) Moving Average Moving Average (EMA)
  • Stochastic oscillator
  • Moving average convergence divergence (MACD)
  • Bollinger bands
  • Relative strength index (RSI)
  • Fibonacci retracement
  • Ichimoku cloud
  • Standard deviation
  • Average directional index (ADX)

Relative Strength Index (RSI)

اندیکاتور RSI که مخفف Relative Strength Index است با روابطی پیچیده و از طریق ریاضی محاسبه می‌گردد. این اندیکاتور را برای ۱۴ روز استفاده می‌کنیم. یک ویژگی مشترک این اندیکاتور با اندیکاتور مکدی این است که در زمره اسیلاتور ها طبقه بندی می‌شود. این امر به این معناست که همواره بین دو سطح صفر و صد در حال نوسان می‌باشد.

کاربردهای RSI

همانطور که در بالا اشاره کردیم این اندیکاتور بین ۲۰ تا ۳۰ ساعت در حال نوسان می‌باشد که آن‌ها را به ترتیب به عنوان سطوح اشباع فروش و اشباع خرید آن را می‌شناسیم.

زمانی که این مقدار کمتر از عدد ۳۰ شود به این معنی است که ما می‌توانیم در بازار فارکس شاهد فروش افراطی باشیم. این شرایط می‌تواند سبب کاهش فشار فرود و صعود قیمت شود. برعکس زمانی که ما شاهد عبور RSI از سطح ۷۰ به سمت بالا به این معنی است که خریدهای افراطی در بازار در حال رخ دادن است و این مسئله می‌تواند سبب کاهش قیمت شود.

طبقه بندی هزینه ها

طبقه بندی هزینه ها

هزینه ها می توانند بر اساس عوامل زیر هم دسته بندی شوند:

جاری_ سرمایه ای:

جاری ها مثل هزینه آب و برق و مصرفی و سرمایه ای هزینه هایی هستند که تبدیل به دارایی های ثابت تبدیل شده اند و بعدا در قالب استهلاک مصرف شده اند.

مستقیم_ غیر مستقیم:

هزینه های مستقیم مثل هزینه کارگری که روی ساخت میز کار کرده و هزینه های غیر مستقیم مثل هزینه نگهبانی که از انبار نگهداری کرده است.

محصول_ دوره:

این دیدگاه بیشتر توسط حسابرس ها استفاده می شود. در این دیدگاه این سوال مطرح می شود که تمامی هزینه هایی که صرف شده است، برای تولید محصول بوده است؟ یا این سوال که وقتی انبار خالی می شود همه مواد اولیه صرف تولید کالا شده است؟

جواب هر دوی این سوالات منفی است زیرا بخشی از هزینه ها به صورت محصولات نیمه ساخته است و بخشی نیز به صورت محصول در انبار است. هزینه قابل قبول دوره آن هزینه ای است که صرف محصولاتی شده است که در انبار موجود نیست و طی آن دوره فروش رفته است. مابقی هزینه ها به صورت دارایی در شرکت باقیمانده است و در ترازنامه نشان داده می شود.

ثابت_ متغیر:

هزینه های ثابت به میزان عملیات کاهش یا افزایش نمی یابند. حتی اگر شرکت عملیات نداشته باشد این هزینه ها سر جای خود می مانند. مثل کرایه کارگاه یا حقوق کارمند های قراردادی. در حالی که هزینه های متغیر بر اساس عملیات تغییر خواهند کرد مثل هزینه کارگر های روز مزد یا هزینه مواد اولیه خریداری شده بر اساس تولید.

طبقه بندی هزینه ها_ بخش دوم:

در این طبقه بندی بر اساس کارکرد یا واحد سازمانی طبقه بندی هزینه انجام می شود. مثلا اجاره بها ممکن است هم در بخش فروش باشد و هم در بخش پشتیبانی و عملیات. برای مثال دفتر فروش شرکت و سوله هر دو هزینه اجاره به شرکت تحمیل می کنند، اما هزینه یکی در قالب واحد فروش و هزینه دیگری در قالب واحد پشتیبانی عملیات دیده می شود.

پیشگامان بی نهایت مطالعه مقاله تجزیه و تحلیل مالی طرح توجيهی را به شما عزیزان پیشنهاد می کند.

کد گذاری حساب ها

کد گذاری حساب ها

نوع دیگری از طبقه بندی نیز بر اساس ترکیبی از طبقه بندی هایی است که با هم بررسی کرده ایم. در جدول بالا سه ستون هزینه های عملیاتی، پشتیبانی و توزیع و فروش و اداری وجود دارد. حال هر کدام از این ستون ها هم سه ردیف دارند. ردیف اول مربوط به مواد مصرفی، ردیف دوم مربوط به کار مستقیم و ردیف سوم سایر هزینه ها یا سربار است.

کد گذاری حساب ها:

گروه: بالا ترین سطح طبقه بندی است. مانند دارایی های و بدهی های جاری و غیر جاری، درآمد های عملیاتی و غیر عملیاتی و…

كل: سطح دوم طبقه بندی است. در این سطح حساب های کنترلی در مجموعه ای از طبقات حساب ها ارائه می دهد.

کد گذاری حساب ها شبیه کد ملی افراد است. هر یک از اعداد کد نشان دهنده یک طبقه بندی است و این کد برای هر حساب یکتا است.

پیشگامان بی نهایت مطالعه مقاله مدیریت مالی و بودجه را به شما عزیزان پیشنهاد می کند.

مرکز هزینه_ بخش اول

مرکز هزینه_ بخش اول

مرکز هزینه_ بخش اول:طبقه‌بندی‌های اندیکاتور

در جدول بالا نمونه ای از کد گذاری حساب ها آمده است. همان گونه که می بینید مشابه کد ملی هر یک از حساب ها با توجه به طبقه بندی های مختلف کد گذاری می شوند که برای حسابدار شناسایی آنها آسان باشد.

مرکز هزینه:

مرکز هزینه (یا مخزن هزینه، استخر هزینه، کاسه کاسه کردن هزینه) محدوده ای است مرزبندی و مشخص شده به منظور ایجاد امکان تخصیص هزینه برای سفارش، پروژه و قرارداد.

انواع مراکز هزینه:

سه عامل برای حسابداری و کنترل ریالی عوامل قیمت تمام شده اهمیت دارند:

  • مواد مستقیم
  • کار مستقیم
  • سربار عملیات

مواد مستقیم همان طور که در بالا نمایش داده شد، از انبار به مرکز هزینه متولی فرآیند عملیات در ازای صدور حواله انبار ارسال می شود.

مرکز هزینه_ بخش دوم:

در مورد کار مستقیم نیز کار، مهارت و خدمات فنی مورد نیاز عملیات سازمان به مرکز هزینه متولی فرآیند عملیات از طریق یک تایم شیت یا کارت ساعت منتقل می شود. هزینه های سربار نیز در قالب سربار عملیات، سربار مستقیم و غیر مستقیم به مراکز هزینه می رسند.

نگاهی کلی به مرکز هزینه و منابع هزینه در سازمان:

  • ملاحظات مربوط به تخصیص هزینه سربار
  • شناسایی سربار
  • چگونگی تخصیص سربار
  • مبنای جذب سربار
  • نرخ جذب سربار
  • تسهیم سربار

به منظور کسب اطلاعات بیشتر، مطالعه مقاله بازاریابی داده محور را به شما عزیزان پیشنهاد می نماییم.

شبکه عصبی (Neural Network) چیست؟

بهتر است ابتدا طبقه بندی و خوشه بندی را مطالعه ای داشته باشید. یا دوره آشنایی با داده کاوی را نگاهی انداخته باشید.

مغزِ انسان (و بسیاری از موجودات زنده) در خود تعداد بسیار زیادی از نورون‌ها را جای داده است تا اطلاعاتِ مختلف را پردازش کرده و جهانِ اطراف را بشناسد. به صورت ساده، نورون‌ها در مغزِ انسان اطلاعات را از نورون‌های دیگر به وسیله‌ی دندریت (dendrite) می‌گیرند. این نورون‌ها اطلاعاتِ ورودی را با هم تجمیع کرده و اگر از یک حدِ آستانه‌ای فراتر رود به اصلاح فعال (fire) می‌شود و این سیگنالِ فعالْ شده از طریق آکسون‌ها (axons) به نرون‌های دیگر متصل می‌شود. این فرآیند، باعث یادگیریِ ما انسان‌ها شده و برای مثال یک انسان می‌تواند تفاوت یک عدد سیب و یک تکه سنگ را بفهمد. در واقع ما انسان‌ها از بچگی با مشاهده‌ی تعداد زیادی سیب و تعداد زیادی سنگ، تفاوت سیب و سنگ را درک کرده‌ایم، ولی یک بچه‌ی کوچک که هنوز تعداد زیادی سیب و سنگ مشاهده نکرده، احتمالاً نمی‌تواند بین این دو عنصر تفاوتی قائل شود.

البته که این توضیح در علم پزشکی مفید است ولی در علومِ کامپیوتر و هوش‌مصنوعی ما از نورون‌های مغز برای ساخت الگوریتمی به نام شبکه‌ی‌ عصبیِ مصنوعی (artificial neural network) بهره می‌گیریم. شبکه‌های عصبیِ مصنوعی که به شبکه‌های عصبی نیز معروف هستند، می‌توانند مانند یک الگوریتمِ یادگیری ماشین عمل کرده و با مشاهده‌ی نمونه‌های مختلف با برچسب‌های متفاوت، تفکیک و تمایزِ آن‌ها را یادگرفته و بر روی نمونه‌های جدید پیش‌بینی یا برچسب‌گذاری را انجام دهند.

توسط الگوریتمِ شبکه‌های عصبی، می‌توان مدل‌های مختلف و پیچیده‌ای را شناخت. برای مثالِ می‌توان طبقه‌بندی‌هایی با دقتِ خوب انجام داده یا خوشه‌بندی‌هایی بر روی داده‌های بزرگ انجام دهیم.

اجازه بدهید در این درس به سراغ یک مدل کلی و ساده‌ی شبکه‌ی عصبی برویم. فرض کنید می‌خواهیم با استفاده از شبکه‌های عصبی یک الگوریتم طبقه‌بندی بسازیم (در درس طبقه‌بندی چیست با این موجود آشنا شده‌اید). فرض کنید مجموعه‌ی داده‌ها مانند مثال درس «طبقه‌بندی چیست» است. یعنی مدیریت بانک داده‌هایی از مشتریان قبلی بانک و اینکه آیا توانسته‌اند وام را پس دهند یا خیر، جمع‌آوری کرده است و می‌خواهد این داده‌ها را به الگوریتم یادگیری ماشین (شاخه‌ی طبقه‌بندی) تزریق کرده تا این الگوریتم بعد از یادگیری، بتواند احتمال بازگرداندنِ وام برای مشتریان جدید (که برچسب آن‌ها نامشخص است) را پیش‌بینی کند. بخشی از مجموعه‌ی داده شبیه به شکل زیر است:

در شکل بالا که یک داده‌ی ماتریسی است، هر سطر یک مشتری بانک را نمایش می‌دهد. هر مشتری چهار ویژگی دارد (۱. خانه دارد یا خیر، ۲. تعداد فرزندان، ۳. اتومبیل دارد یا خیر، ۴. حقوق دریافتی) و در ستون آخر مشخص شده است که این مشتری آیا وام را پس داده است یا خیر. این داده‌ها، مجموعه داده‌های قبلی است که بایستی به الگوریتمی مانند الگوریتم شبکه‌ی عصبی تزریق شود. در واقع برای هر مشتری چهار متغیر مستقل وجود دارد و ستون آخر (متغیر وابسته) ستون برچسب یا هدف است که مدیر بانک می‌خواهد الگوریتم بتواند با مشاهده‌ی مجموعه‌ی داده‌ی بالا، یادگیری را انجام داده و بعد از آن ستون آخر را برای یک مشتری جدید پیش‌بینی کند. یعنی یک مشتری جدید (که برچسب آن نامشخص است) آیا می‌تواند وام خود را پس دهد یا خیر؟

حال به تصویر زیر که یک شبکه‌ی عصبی ساده است نگاهی بیندازید:

شکل بالا یک شبکه‌ی عصبی ساده با یک لایه نورون است. اجازه دهید بخش‌های مختلف آن را شرح دهیم. در تصویر بالا پنج عنصر اصلی وجود دارد:

اول Xها هستند. اینها همان ورودی‌های ما (نورون های ورودی) هستند که از مجموعه‌ی داده‌ها استفاده می‌کنند. در واقع ورودیِ الگوریتم همین‌ها Xها هستند که در شکل از X1 تا Xn وجود دارند. تعداد ورودی به تعداد ویژگی (بُعد) در مسئله مربوط است. برای مثال در مجموعه‌ی داده‌ی مشتریان بانک، چون ۴ ویژگی داشتیم، تعداد ورودی‌ها (Xها) نیز باید برابر ۴ باشد (X1, X2, X3, X4).

عناصرِ دوم وزن‌ها هستند. در شبکه‌های عصبی هر کدام از نورون‌ها که در اینجا Xها هستند، یک وزن دارند که با W نمایش می‌دهیم. همان‌طور که مشاهده می‌کنید هر کدام از نورون‌ها به یک وزن متصل شده است. در واقع هر نورون بایستی در وزنِ خود ضرب شود. (مثل X1 که یک وزن به اسم W1 دارد و باید در آن ضرب شود)

عنصرِ سوم در شبکه‌ی عصبی تابع جمع (سیگما) است. که حاصلِ ضربِ Xها در Wها را با هم جمع می‌کند.

عنصر چهارم یک تابع فعال‌سازی است که فعلاً در این درس به دلیل ساده‌سازیِ مطلب به آن نمی‌پردازیم (در درس‌های آینده حتماً به تابعِ فعال‌سازی خواهیم پرداخت)

عنصرِ پنجم و آخر نیز خروجیِ شبکه‌ی عصبی است که در واقع نتیجه‌ی این شبکه را مشخص می‌کند.

اجازه بدهید شکلِ بالا را با کمک اعداد توضیح دهیم. فرض کنید که Xهای شما در یک بردار به صورت زیر موجود هستند:

یعنی X1 برابر ۸، X2 برابر ۶، X3 برابر ۲ و بلاخره X4 برابر ۱ است. این‌ها می‌توانند برای مثال، چهار ویژگی از یک مشتری بانک باشند. مثلاً X1 این است که خانه دارد یا خیر که اینجا برابر ۸ است (مثلاً ۸ خانه دارد)، X2 تعداد فرزندان که برابر ۶ است و X3 اتومبیل دارد یا خیر (مثلا اینجا ۲ اتومبیل دارد) و X4 حقوق دریافتی که در اینجا برابر ۱ است. پس در واقع این بردار (vector) که چهار عضو دارد نشان دهنده‌ی یک مشتری است. فرض کنید این مشتری توانسته است وام خود را بازگرداند. الگوریتم شبکه‌ی عصبی با مشاهده‌ی این مشتری (و هزاران مشتری قبلیِ دیگر) باید بتواند وزن‌ها (Wها) را طوری آپدیت کند تا به طور دقیق از روی ویژگی‌های یک مشتری (چهار ویژگی) ستون هدف یا برچسب (اینکه آیا این مشتری می‌تواند وام را پس دهد یا خیر؟) را پیش‌بینی کند. از آن‌جایی که شبکه عصبی (مانند بسیاری از الگوریتم‌های یادگیری ماشین) نیاز به اعداد برای یادگیری طبقه‌بندی‌های اندیکاتور دارد، برای ستونِ آخر (ستون برچسب یا همان متغیر وابسته) که در این‌جا توانایی بازپرداخت وام است، اگر شخص توانسته بود وام را پس دهد، عدد ۵۰+ و اگر نتوانسته بود وام را پس دهد عدد ۵۰- را به الگوریتم می‌دهیم. در واقع به شبکه‌ی عصبی می‌گوییم که هر وقت یک سری ویژگیِ خاص (یا نزدیک به آن) را دید، عددی نزدیک به ۵۰+ یا ۵۰- را در خروجی به ما بدهد.

فرض کنید الگوریتم شبکه‌ی عصبی با روش مخصوص به خود (که بعداً به آن می‌پردازیم) با مشاهده‌ی مشتریِ بالا (و بقیه‌ی مشتریان) وزن‌ها را هم به این صورت بسازد:

یعنی W1 برابر ۱، W2 برابر ۴، W3 برابر ۳ و بلاخره W4 برابر ۴ است. همان طور که گفتیم اعدادِ موجود در مجموعه‌ی Xها (نورون‌ها) به صورتِ نظیر به نظیر در Wها ضرب می‌شوند و سپس حاصلِ جمع آن‌ها محاسبه می‌شود:

8*1 + 6*4 + 2*3 + 1*4 = 42

تصویر زیر نیز گویای همین ماجراست:

همان‌طور که مشخص است، تصویر بالا مثالی از شکل کلیِ تصویر قبلی بود. ورودی‌ها (Xها) که در واقع همان نورون‌ها هستند در وزن‌ها (Wها) به صورت نظیر به نظیر ضرب شده و نتیجه‌ی آن‌ها با یکدیگر جمع می‌شود. در طبقه‌بندی‌های اندیکاتور اینجا فرض می‌کنیم که تابعِ فعال‌سازی به این صورت عمل می‌کند که اگر عدد بزرگتر از ۱۰ شده بود، آن را تبدیل به ۵۰+ کرده و اگر عدد کوچکتر یا مساوی ۱۰ شده بود، عدد را تبدیل به ۵۰- می‌کند (در مورد توابع فعال‌سازی در دروس آینده صحبت خواهیم کرد). پس در واقع در مثالِ تصویر بالا، خروجیِ شبکه‌ی عصبی برابر ۵۰+ می‌شود. در اینجا فرض کنید که اگر عدد خروجی ۵۰+، منظور شبکه‌ی عصبی این بوده است که این شخص می‌تواند وام را پس دهد و اگر ۵۰- شد، یعنی شبکه به ما گفته که این شخص نمی‌تواند وام را پس دهد.

در واقع شبکه‌ی عصبی با اعدادی که برمی‌گرداند، با ما صحبت می‌کند (چون این اعداد را در هنگام آموزش برای آپدیتِ وزن‌ها به او داده‌ایم). مثلاً در همین مثال این شبکه با مشاهده‌ی نمونه‌های مختلف که مشتریانِ قبلیِ بانک هستند و کم و زیاد کردن وزن‌ها (Wها) یاد می‌گیرد که اگر به نظرش شخص می‌تواند وام را پس دهد، عددی بالاتر از ۱۰ (که با تابع فعال‌سازی به ۵۰+ تبدیل شود) برگرداند و اگر حس کند که شخص نمی‌تواند وام را پس دهد، عددی کوچکتر یا مساوی ۱۰ را تولید کند (تا با تابع فعال‌سازی به ۵۰- تبدیل شود).

تا اینجای کار با شِمایِ کلیِ شبکه‌های عصبی آشنا شدید. شبکه‌های عصبی می‌تواند چند لایه نورون داشته باشند. شبکه‌ی گفته شده در مثال بالا فقط یک لایه نورون داشت. در دروس آینده به شبکه‌هایی با چندین لایه نورون اشاره خواهیم کرد.



اشتراک گذاری

دیدگاه شما

اولین دیدگاه را شما ارسال نمایید.