رضا راعی

هدف: هدف این مطالعه بررسی وجود و شدت اثر تمایلاتی (Disposition Effect) در میان سرمایه گذاران حقیقی است. اثر تمایلاتی به تمایل سرمایه گذاران برای فروش سهام با بازدهی مثبت و نگهداری سهام با بازدهی منفی اطلاق می شود. این پدیده می تواند منجر به قیمت گذاری نادرست دارایی ها و کاهش کارایی بازار گردد، چرا که تصمیمات سرمایه گذاران تحت تأثیر خطاهای شناختی و احساسی قرار می گیرد. در این پژوهش، تمرکز بر بررسی این است که آیا زمان ورود سرمایه گذاران به بازار بر شدت اثر تمایلاتی آن ها تأثیرگذار است یا خیر. از آنجا که ورود به بازار تحت تأثیر شرایط اقتصادی و روانی قرار دارد، درک این تأثیرات می تواند به بهبود تصمیم گیری های مالی و استراتژی های سرمایه گذاری کمک کند.روش: جامعه آماری کلیه سهامداران حقیقی بازار سرمایه ایران می باشند که در بازه زمانی ابتدای تیرماه تا ابتدای دی ماه سال ۱۴۰۱ استخراج می شود. برای دستیابی به هدف تحقیق، داده های معاملاتی مربوط به سرمایه گذاران حقیقی شامل تاریخ، جهت، قیمت و حجم هر معامله به همراه اطلاعات شخصی مانند سن، جنسیت، سابقه معاملاتی و موجودی حساب جمع آوری شد که به منظور بررسی اثر تمایلاتی مورد استفاده قرار گرفتند. برای نمونه گیری نیز داده های زمان ورود سرمایه گذاران به بازار بر اساس بازده ماهانه بازار، نوسانات و شاخص عدم ثبات اقتصادی به نمونه های فرعی تقسیم بندی می شوند. به منظور تحلیل داده ها، روش های آماری مختلفی از جمله تجزیه و تحلیل بقا و مدل کاپلان مایر به کار گرفته شد. روش تجزیه و تحلیل بقا برای ارزیابی مدت زمانی که سرمایه گذاران تحت تأثیر اثر تمایلاتی قرار دارند، به ویژه در شرایط مختلف بازار، به کار رفت. مدل کاپلان مایر به تحلیل توزیع طول عمر اثر تمایلاتی در میان سرمایه گذاران کمک کرد و بررسی شد که چگونه زمان ورود به بازار و شرایط بازار بر شدت این اثر تأثیر می گذارد.یافته ها: یافته های این پژوهش نشان می دهد که سرمایه گذاران، به ویژه در آغاز ورود به بازار و در مواجهه با شرایط نامطلوب، تمایل بیشتری به نگهداری سهام با بازدهی منفی و فروش سهام با بازدهی مثبت از خود نشان می دهند. شرایط نامطلوب بازار شامل دوره هایی با بازده بازار کمتر، نوسانات بالاتر و عدم قطعیت اقتصادی بیشتر است. این تمایل بیشتر در سرمایه گذاران تازه وارد مشاهده شد که نشان دهنده تأثیرات روانی و شناختی خاصی است که در اوایل فعالیت های سرمایه گذاری می تواند به تشدید اثر تمایلاتی منجر شود. علاوه بر این، تجزیه و تحلیل ها نشان داد که سرمایه گذاران با سابقه معاملاتی بیشتر نسبت به سرمایه گذاران تازه وارد، کمتر تحت تأثیر اثر تمایلاتی قرار دارند، که بیانگر تأثیر تجربه بر کاهش این خطای رفتاری است.نتیجه گیری: نتایج این پژوهش بر اهمیت درک اثر تمایلاتی و تأثیر زمان ورود به بازار تأکید می کند. سرمایه گذاران در ابتدای ورود به بازار و در شرایط نامطلوب، بیشتر در معرض بروز اثر تمایلاتی هستند. این یافته ها به مدیران مالی و مشاوران سرمایه گذاری کمک می کند تا با طراحی استراتژی های مناسب، مانند آموزش سرمایه گذاران و تنظیم راهکارهای بهینه برای مدیریت سهام، به بهبود تصمیم گیری های سرمایه گذاری و افزایش کارایی بازار کمک کنند. همچنین، این مطالعه می تواند به سیاست گذاران بازار کمک کند تا با شناسایی و مدیریت بهتر خطاهای رفتاری، محیط سرمایه گذاری را بهبود بخشند و به کاهش تأثیرات منفی آن ها بر بازار کمک کنند.

هدف: امروزه، یادگیری ماشین به عنوان ابزاری کارآمد در پیش بینی سری های زمانی مالی مورد توجه قرار گرفته است. با این حال، اغلب این مدل ها به عنوان مدل های جعبه سیاه به دلیل عدم شفافیت، موجب کاهش اعتماد به نتایج پیش بینی شده اند. برای رفع این محدودیت، بهره گیری از مدل های هوش مصنوعی توضیح پذیر که امکان تحلیل دقیق ساز و کار پیش بینی را فراهم می آورند، ضروری است. بر این اساس، هدف این پژوهش، توسعه و ارزیابی یک مدل پیش بینی مبتنی بر هوش مصنوعی است که علاوه بر دقت بالا، از قابلیت توضیح پذیری نیز برخوردار باشد. در این راستا، نقش و سهم متغیرهای ورودی در پیش بینی های مدل به طور شفاف مشخص شده و پایداری نتایج آن از نظر دقت و قابلیت توضیح پذیری، با استفاده از روش های اعتبارسنجی متقاطع، به ویژه بخش بندی سری های زمانی، مورد ارزیابی قرار می گیرد. روش: این پژوهش از نظر هدف، کاربردی و از نظر روش، توصیفی- تحلیلی با رویکرد پیش بینی کمّی است که برای نخستین بار در ایران به بررسی قابلیت توضیح پذیری هوش مصنوعی بهینه شده در پیش بینی بازده شاخص قیمت هشت صنعت تولیدی بورس اوراق بهادار تهران می پردازد. داده های پژوهش شامل شاخص های صنایع در بازه زمانی ۱۳۹۷ تا ۱۴۰۲ است که از پایگاه های اطلاعاتی (بورس ویو) جمع آوری شده اند. برای آموزش مدل جنگل تصادفی به عنوان یک مدل یادگیری تجمیعی، متغیرهای تکنیکال، بنیادی و کلان اقتصادی به عنوان ویژگی های مدل، مورد بررسی قرار گرفته اند. همچنین الگوریتم ژنتیک به منظور بهینه سازی هایپرپارامترهای این مدل به کار گرفته شده است. به منظور افزایش شفافیت و اعتمادپذیری مدل، از تکنیک تفسیرپذیری شاپ برای شناخت تأثیر و اهمیت ویژگی ها استفاده شده است. یافته ها: نتایج این پژوهش نشان می دهد که ترکیب الگوریتم جنگل تصادفی با بهینه سازی هایپرپارامترها از طریق الگوریتم ژنتیک و استفاده از روش توضیح پذیری همچون مقادیر شاپ، علاوه بر افزایش دقت پیش بینی بازده شاخص قیمت صنایع تولیدی بورس تهران، شفافیت و اعتمادپذیری مدل را نیز ارتقا می دهد. یافته ها تأکید دارند که متغیرهای تکنیکال، به ویژه شاخص میانگین متحرک نمایی، شاخص همگرایی و واگرایی میانگین متحرک، حجم معاملات و میزان سهام شناور، بیشترین نقش را در بهبود دقت پیش بینی ایفا می کنند. در مقابل، متغیرهای بنیادی همچون نسبت قیمت به درآمد و نرخ بهره و نرخ تورم تأثیرگذارند، اما نقش آن ها نسبت به متغیرهای تکنیکال کمتر است. علاوه بر این، ارزیابی متقاطع سری زمانی، پایداری و تعمیم پذیری بالای مدل پیشنهادی را در دوره های مختلف تأیید می کند. نتیجه گیری: با توجه به هم خوانی نتایج این پژوهش با مطالعات معتبر بین المللی می توان نتیجه گرفت که مدل های هوش مصنوعی توضیح پذیر نه تنها عملکرد خوبی نسبت به مدل های سنتی دارند، بلکه تحلیلگران مالی را در اتخاذ تصمیمات آگاهانه و مؤثر یاری کرده و می توانند نقشی کلیدی در مدیریت ریسک و بهینه سازی سبد دارایی ها ایفا کنند. بدین ترتیب، مدل پیشنهادی با شفافیت عملکرد و قابلیت اطمینان بالا، به عنوان ابزاری مؤثر برای تحلیلگران مالی معرفی شده و افق های تازه ای را در کاربرد هوش مصنوعی توضیح پذیر در صنعت مالی ایران می گشاید.

احساسات موجود در شبکه های اجتماعی در پیش بینی بازده سهام موثر بوده و این عامل می تواند به عنوان یکی از عناصر قابل استفاده در پیش بینی ها مورد استفاده قرار گیرد. پژوهش های پیشین صرفاً از تعداد پیام های منتشره در جهت خرید، فروش یا نگهداری به عنوان عامل تحلیل احساسات استفاده می کرد. در دنیای امروز، گوینده پیام و همچنین اهمیت خود پیام نیز قابل تفکیک و دسته بندی است، لذا تفکیک نمودن پیام های منتشره از سوی اشخاص مهم و پیام هایی که مورد توجه کاربران قرار می گیرند، میتواند در پیش بینی بازدهی سهام کمک کننده تر باشد. محتوای احساسی تعداد 15.736.204 پیام کانال ها و گروه های تلگرامی که دارای محتوای قابل بررسی بودند استخراج شده و پس از برچسب گذاری بر اساس لغتنامه احساسی، موارد در تعداد 19.312 داده مربوط به نماد-روز حاوی بازدهی و محتوای احساسی خلاصه شد. بدین منظور 6 رویکرد داده ای مختلف برای 36 نماد (نمادهای موجود در شاخص 30 شرکت) در بازه زمانی ابتدای سال 1398 لغایت انتهای مرداد سال 1400 به صورت جهتی و پیش بینی مقداری با 1 الی 5 وقفه و 6 الی 10 نرون در لایه پنهان و 10 مرتبه اجرا برای هر حالت مورد بررسی قرار گرفت. نتایج پیش بینی جهتی و بازدهی قیمت با استفاده از شبکه عصبی مصنوعی نشان داد مدلی که داده های مربوط به شخص ارسال کننده پیام و نیز نوع پیام را تفکیک نموده در پیش بینی جهت به صورت معنی دار عملکرد بهتری نسبت به مدل های دیگر داشته و نیز پیش بینی مقداری بازدهی در روش مورد نظر این پژوهش، به صورت معنی داری دارای خطای RMSE کمتری می باشد.

هدف: ریسک سیستمی یکی از مهم ترین چالش های پیش روی نظام های مالی، به ویژه در شبکه های بانکی، به شمار می رود. این نوع از ریسک، به ویژه در زمان وقوع بحران های مالی و فروپاشی حباب های قیمتی، می تواند موجب اختلال های گسترده در عملکرد سیستم مالی و سرایت آثار منفی آن به کل اقتصاد شود. پژوهش حاضر با هدف بررسی تأثیر هم زمان متغیرهای مالی و شاخص های ساختار شبکه ای بانک ها بر ریسک سیستمی در دوره های شکل گیری و فروپاشی حباب های قیمتی انجام شده است. در این چارچوب، شاخص های ساختار شبکه ای نظیر معیارهای مرکزیت به عنوان مسیرهایی برای انتقال شوک و سرایت بحران در شبکه بانکی تحلیل شده اند. در کنار آن، متغیرهای مالی نیز به عنوان عوامل مؤثر در افزایش آسیب پذیری بانک ها نسبت به ریسک های سیستمی مورد توجه قرار گرفته اند. تحلیل ترکیبی این دو دسته متغیر می تواند ضمن شناسایی بانک های دارای بیشترین پتانسیل در گسترش بحران، ابزارهای تحلیلی و سیاستی کارآمدتری در اختیار نهادهای ناظر و تنظیم گر برای مدیریت و کنترل ریسک های سیستمی قرار دهد. روش: در این پژوهش، با استفاده از داده های بانک های پذیرفته شده در بورس طی بازه زمانی 1393 تا 1402، تأثیر هم زمان متغیرهای مالی و شاخص های ساختار شبکه ای بانک ها بر ریسک سیستمی در شرایط وجود حباب های قیمتی، با بهره گیری از الگوریتم جنگل تصادفی بررسی شده است. نتایج این مدل می تواند اهمیت کلی هر یک از متغیرها را در پیش بینی ریسک سیستمی نشان دهد. در ادامه، با استفاده از رویکرد ارزش شیپلی، نقش و سهم هر ویژگی در افزایش یا کاهش ریسک سیستمی به صورت دقیق تری تحلیل شده است. یافته ها: یافته های پژوهش نشان می دهد که در هر دو مرحله ی شکل گیری و فروپاشی حباب های قیمتی، متغیرهای ساختار شبکه ای بانک ها نقش مؤثرتری در پیش بینی ریسک سیستمی نسبت به متغیرهای مالی ایفا کرده اند. با این حال، اهمیت نسبی این دو دسته از ویژگی ها در مراحل مختلف چرخه حباب دچار تغییر می شود؛ امری که ضرورت توجه به تحلیل های مبتنی بر تفکیک دوره ای را نشان می دهد. در مرحله ی شکل گیری حباب، متغیرهای مالی، به ویژه اندازه بانک و رشد تسهیلات، بیشترین سهم را در افزایش ریسک سیستمی داشته اند. همچنین، در میان شاخص های ساختار شبکه ای، مرکزیت بینابینی و مرکزیت درجه از اهمیت بالایی برخوردار بوده اند. در مرحله ی فروپاشی حباب، سهم رشد تسهیلات به طور قابل توجهی افزایش یافته است؛ این موضوع نشان دهنده ی نقش تشدیدکننده ی این متغیر در بروز ریسک سیستمی طی دوره های بحرانی است. همچنین، متغیر اهرم مالی نیز نسبت به مرحله ی قبل اهمیت بیشتری در پیش بینی ریسک داشته است. در مقابل، میزان اثرگذاری برخی شاخص های شبکه ای از جمله مرکزیت نزدیکی و مرکزیت درجه کاهش یافته است. نتیجه گیری: نتایج این تحقیق نشان می دهد که در شرایط بحرانی، ویژگی های درونی بانک ها بیش از موقعیت ساختاری شان در شبکه مالی، در پیش بینی ریسک سیستمی نقش آفرین هستند. به ویژه در دوره های فروپاشی حباب، بانک های بزرگ و با نسبت اهرمی بالا که موقعیت واسطه ای در شبکه دارند، بیشترین تأثیر را بر افزایش ریسک سیستمی ایفا می کنند. این یافته ها با نظریه های مالی موجود، که بر نقش کلیدی اهرم مالی و اندازه در تشدید بحران های بانکی تأکید دارند، هم راستا هستند. در مقابل، در دوره های شکل گیری، متغیرهایی چون رشد وام دهی و اندازه بانک مهم ترین عوامل مؤثر در افزایش ریسک سیستمی به شمار می روند، در حالی که نقش اهرم مالی در این مرحله کم رنگ تر است. بر این اساس، پیشنهاد می شود که سیاست های نظارتی در دوره های شکل گیری، تمرکز بیشتری بر کنترل رشد اعتباری و پیش گیری از انبساط بیش از حد ترازنامه بانک ها داشته باشند، تا از انباشت ریسک های نهفته و تشدید آسیب پذیری سیستم مالی در مراحل بعدی چرخه جلوگیری شود. بر اساس یافته های پژوهش، بانک ها به واسطه تفاوت در ویژگی های مالی و ساختار شبکه ای، سطوح متفاوتی از مشارکت در ریسک سیستمی دارند. به ویژه بانک هایی که دارای اندازه بزرگ تر، نسبت اهرمی بالاتر یا موقعیت واسطه ای در شبکه بانکی هستند، نقش پررنگ تری در سرایت بحران های مالی ایفا می کنند. در چنین شرایطی، اعمال مقررات احتیاطی یکنواخت برای تمامی بانک ها نه تنها ناکارآمد، بلکه می تواند منجر به غفلت از بانک های پرریسک و اتلاف منابع نظارتی شود. بر این اساس، ضرورت دارد که نهادهای ناظر و سیاست گذار، به جای رویکردهای سنتی مبتنی بر اعمال الزامات یکسان، از چارچوب های نظارت مبتنی بر ریسک بهره گیرند؛ رویکردی که در آن، شدت نظارت و الزامات احتیاطی متناسب با سطح ریسک سیستمی هر بانک تعیین می شود. چنین رویکردی، نه تنها بهره وری سازوکار نظارتی را افزایش می دهد، بلکه توانایی آن در پیشگیری از بروز بحران های سیستمی و ارتقای ثبات مالی را نیز تقویت خواهد کرد.