احساسات بازار

بررسی اثرات استراتژی ها و باورهای مختلف سرمایه گذاران بر قیمت سهام، همواره مورد توجه پژوهشگران و فعالان بازار بوده است.هدف این مقاله مدلسازی اثرات تورش های رفتاری سرمایه گذاران بورس اوراق بهادار تهران در چارچوب مدل عامل ناهمگن و بهینه سازی آنها با استفاده از الگوریتمpso می باشد.برای انجام پژوهش ابتدا نقطه بحران و سقوط بازار سهام براساس روند تغییرات شاخص،ارزش بازار و ارزش معاملات مشخص شد و قیمت های بنیادی و قیمت های بازار ، 40 روز قبل و 40 روز بعد از رویداد مشخص شد. سپس، تورش های رفتاری اعتماد بیش از حد، رفتار گله ای و احساسات بازار وارد مدل شده و شبیه سازی قیمت سهام در مقطع بحران در چارچوب مدل عامل ناهمگن بروک و هومز صورت گرفت.همچنین از الگوریتم PSO جهت بهینه سازی داده های تولید شده در فرایند شبیه سازی استفاده شد و در نهایت با مقایسه قیمت های شبیه سازی شده با قیمت های واقعی بازار، توانایی مدل در توضیح رفتار سرمایه گذاران در مقطع بحران مورد بررسی و تحلیل قرار گرفت. نتایج تحقیق نشان داد که احساسات منفی بازار به عنوان مهمترین عامل رفتاری در توضیح رفتار قیمت سهام در هنگام سقوط بورس اوراق بهادار تهران عمل می نماید.

در دنیای امروز که داده های مالی و روانشناختی به وفور در دسترس هستند (مانند داده های شبکه های اجتماعی، اخبار اقتصادی و تحلیلی، و روندهای جستجو)، بهره گیری از روش های یادگیری ماشین به عنوان ابزاری قدرتمند برای تحلیل داده های پیچیده و بزرگ، ضروری به نظر می رسد. یادگیری ماشین نه تنها توانایی شناسایی الگوهای پنهان در داده ها را دارد، بلکه می تواند روابط غیرخطی و چندبعدی را با دقت بالا مدل سازی کند. در بازارهای مالی، رفتار سرمایه گذاران نقش قابل توجهی در نوسانات قیمتی و بازده سهام ایفا می کند. پژوهش حاضر به بررسی تأثیر عوامل روانشناسی سرمایه گذاران بر رفتار قیمتی سهام در بورس اوراق بهادار تهران با استفاده از روش های یادگیری ماشین می پردازد. به منظور مدل سازی، شاخص احساسات بازار بر اساس داده های تاریخی از شبکه های اجتماعی، حجم معاملات و تغییرات شاخص کل استخراج شده است. سپس با استفاده از الگوریتم های یادگیری ماشین از جمله جنگل تصادفی، ماشین بردار پشتیبان و شبکه های عصبی مصنوعی، تأثیر احساسات بر نوسانات و بازده سهام تحلیل شده است. نتایج نشان می دهد که احساسات سرمایه گذاران تأثیر معناداری بر رفتار قیمتی سهام دارند و الگوریتم شبکه های عصبی مصنوعی با دقت بالاتری نسبت به سایر روش ها قادر به پیش بینی تغییرات بازده است. یافته های این پژوهش می تواند به تصمیم گیری بهتر سرمایه گذاران و بهبود سیاست گذاری مالی کمک کند.