رضا راعی

هدف: پژوهش حاضر به بررسی وجود و شدت اثر تمایلاتی در میان سرمایه گذاران حقیقی در بازار سهام می پردازد. اثر تمایلاتی به تمایل سرمایه گذاران برای فروش سهام در سود (سهام برنده) و نگهداری سهام در زیان (سهام بازنده) اشاره دارد. این سوگیری رفتاری می تواند به تصمیم گیری های نادرست در بازار منجر شود و سودآوری سرمایه گذاران را کاهش دهد. هدف اصلی این مطالعه، تحلیل عوامل تأثیرگذار بر این رفتار و بررسی ارتباط میان شرایط بازار و زمان بندی ورود سرمایه گذاران به بازار با شدت این اثر است. به طور خاص، این پژوهش به دنبال پاسخ به این سؤال است که آیا شرایطی مانند بازده بازار، نوسان ها و عدم قطعیت اقتصادی می تواند تمایل به اثر تمایلاتی را در میان سرمایه گذاران افزایش دهد یا خیر. این مطالعه بر این فرضیه استوار است که سرمایه گذارانی که در شرایط عدم اطمینان و نوسان های بالای بازار وارد می شوند، به نشان دادن اثر تمایلاتی تمایل بیشتری خواهند داشت.روش: در این پژوهش از داده های معاملاتی دقیق مرتبط با سرمایه گذاران حقیقی استفاده شده است. این داده ها شامل سوابق معاملاتی نظیر تاریخ، جهت، قیمت و حجم هر معامله و همچنین اطلاعات شخصی سرمایه گذاران شامل سن، جنسیت، تجربه معاملاتی و موجودی حساب است. برای تحلیل اثر تمایلاتی و بررسی شدت آن در میان سرمایه گذاران حقیقی، از روش تجزیه وتحلیل بقا و مدل رگرسیون استفاده شده است. روش تجزیه وتحلیل بقا، به محققان اجازه می دهد تا زمان های ورود سرمایه گذاران به بازار و تأثیر آن بر رفتارهایشان را در طول زمان بررسی کنند. همچنین، مدل رگرسیون برای بررسی ارتباط میان متغیرهای مرتبط با بازار و متغیرهای شخصی سرمایه گذاران با شدت اثر تمایلاتی به کار گرفته شده است. این مدل ها به پژوهشگران کمک می کنند تا رابطه بین نوسان های بازار، بازده بازار و سایر عوامل اقتصادی با تصمیم گیری های احساسی سرمایه گذاران را بررسی کنند.یافته ها: نتایج تحلیل ها نشان می دهد که سرمایه گذاران حقیقی که در ابتدای ورود به بازار با شرایطی مانند بازده پایین بازار، نوسان های بالا و عدم قطعیت اقتصادی مواجه می شوند، به نشان دادن اثر تمایلاتی تمایل بیشتری دارند. به عبارت دیگر، این سرمایه گذاران در دوره هایی که بازار تحت تأثیر نوسان های شدید وعدم قطعیت های اقتصادی قرار دارد، بیشتر به نگهداری سهام بازنده و فروش سهام برنده تمایل دارند. این موضوع نشان می دهد که شرایط بازار به شدت بر تصمیم گیری های احساسی و غیرمنطقی سرمایه گذاران تأثیرگذار است. سرمایه گذاران در دوره های عدم قطعیت اقتصادی، بیشتر به تصمیم گیری های رفتاری مبتنی بر ترس و اضطراب روی می آورند که به کاهش بازده کلی آن ها منجر می شود. علاوه براین، یافته ها نشان می دهد که تجربه معاملاتی و سایر ویژگی های شخصی سرمایه گذاران، نظیر سن و جنسیت نیز می تواند بر شدت اثر تمایلاتی تأثیرگذار باشد.نتیجه گیری: این پژوهش نشان می دهد که اثر تمایلاتی، نه تنها در میان سرمایه گذاران حقیقی وجود دارد، بلکه شدت این تأثیرها ممکن است با توجه به شرایط بازار و ویژگی های فردی سرمایه گذاران متفاوت باشد. به طور خاص، سرمایه گذاران در دوره هایی که با بازده پایین بازار، نوسان های بالا یا عدم قطعیت اقتصادی مواجهند، تمایل بیشتری به نشان دادن این اثر دارند. این نتایج می تواند به سرمایه گذاران و سیاست گذاران بازارهای مالی کمک کند تا درک بهتری از تأثیر عوامل رفتاری بر تصمیم گیری های سرمایه گذاری داشته باشند و در نتیجه، استراتژی های بهتری برای مدیریت رفتارهای احساسی سرمایه گذاران اتخاذ کنند. علاوه براین، پژوهش حاضر بر اهمیت آموزش و آگاهی بخشی به سرمایه گذاران در زمینه تأثیرهای ناشی از سوگیری های رفتاری در تصمیم گیری های مالی تأکید می کند تا از تصمیمات غیرمنطقی و زیان بار در بازار جلوگیری شود.

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.