طراحی مدل هوشمند قیمتگذاری داراییهای مالی با ترکیب شبکههای عصبی، دادههای رفتاری و شاخصهای اقتصاد کلان
کلمات کلیدی:
قیمتگذاری دارایی, شبکه عصبی, دادههای رفتاری, شاخصهای اقتصاد کلان, بازار سرمایه, یادگیری عمیق, تحلیل مضمونچکیده
هدف این پژوهش طراحی مدل مفهومی هوشمند برای قیمتگذاری داراییهای مالی با اتکا بر ترکیب شبکههای عصبی، دادههای رفتاری سرمایهگذاران و شاخصهای اقتصاد کلان بود. این پژوهش با رویکرد کیفی و روش تحلیل مضمون انجام شد. مشارکتکنندگان شامل ۱۸ نفر از خبرگان بازار سرمایه، متخصصان مالی کمی، استادان مالی، تحلیلگران دادههای مالی و مدیران سرمایهگذاری فعال در تهران بودند که با نمونهگیری هدفمند و گلولهبرفی انتخاب شدند. دادهها از طریق مصاحبههای نیمهساختاریافته گردآوری شد و فرایند مصاحبهها تا دستیابی به اشباع نظری ادامه یافت؛ اشباع در مصاحبه شانزدهم حاصل شد و دو مصاحبه پایانی برای اطمینان از پایداری مقولهها انجام گرفت. مصاحبهها پس از ضبط، پیادهسازی و در نرمافزار NVivo کدگذاری شدند. تحلیل دادهها بر اساس کدگذاری باز، محوری و گزینشی و با رعایت معیارهای اعتبارپذیری، انتقالپذیری، وابستگی و تأییدپذیری انجام شد. تحلیل مصاحبهها به استخراج چهار مقوله اصلی انجامید: معماری دادهمحور مدل قیمتگذاری هوشمند، نقش دادههای رفتاری در تعدیل انتظارات و ریسک ادراکشده، ادغام شاخصهای اقتصاد کلان در برآورد پویای ارزش دارایی، و الزامات حکمرانی، تبیینپذیری و کنترل ریسک مدل. مشارکتکنندگان تأکید کردند که مدلهای سنتی قیمتگذاری، بهویژه در شرایط نوسان، قادر به ثبت تعاملات غیرخطی میان رفتار سرمایهگذار، متغیرهای کلان و ویژگیهای دارایی نیستند. از دید آنان، شبکههای عصبی میتوانند با یادگیری الگوهای پنهان، دقت پیشبینی بازده و ارزشگذاری را افزایش دهند، اما بدون تبیینپذیری، کیفیت داده و نظارت نهادی، امکان ایجاد خطای سیستمی و اعتماد کاذب وجود دارد. نتایج نشان داد که قیمتگذاری هوشمند داراییهای مالی باید بهعنوان یک سامانه چندلایه طراحی شود که دادههای بازار، شاخصهای اقتصاد کلان، سیگنالهای رفتاری و سازوکارهای تبیینپذیری را بهصورت همزمان تلفیق کند. چنین مدلی میتواند مبنایی برای ارتقای تصمیمگیری سرمایهگذاری، مدیریت ریسک و شناسایی انحرافهای رفتاری در بازار سرمایه باشد.
دانلودها
مراجع
Baker, M., & Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. The Journal of Finance, 61(4), 1645–1680. https://doi.org/10.1111/j.1540-6261.2006.00885.x
Bali, T. G., Engle, R. F., & Murray, S. (2016). Empirical asset pricing: The cross section of stock returns. Wiley.
Barberis, N., Shleifer, A., & Vishny, R. (1998). A model of investor sentiment. Journal of Financial Economics, 49(3), 307–343. https://doi.org/10.1016/S0304-405X(98)00027-0
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Chen, L., Pelger, M., & Zhu, J. (2024). Deep learning in asset pricing. Management Science, 70(2), 714–750. https://doi.org/10.1287/mnsc.2023.4695
Chen, N. F., Roll, R., & Ross, S. A. (1986). Economic forces and the stock market. The Journal of Business, 59(3), 383–403.
Cochrane, J. H. (2005). Asset pricing (Rev. ed.). Princeton University Press.
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383–417. https://doi.org/10.2307/2325486
Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56. https://doi.org/10.1016/0304-405X(93)90023-5
Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273. https://doi.org/10.1093/rfs/hhaa009
Guest, G., Bunce, A., & Johnson, L. (2006). How many interviews are enough? An experiment with data saturation and variability. Field Methods, 18(1), 59–82. https://doi.org/10.1177/1525822X05279903
Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185
Kelly, B. T., Pruitt, S., & Su, Y. (2019). Characteristics are covariances: A unified model of risk and return. Journal of Financial Economics, 134(3), 501–524. https://doi.org/10.1016/j.jfineco.2019.05.001
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE Publications.
Lintner, J. (1965). The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. The Review of Economics and Statistics, 47(1), 13–37. https://doi.org/10.2307/1924119
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems 30.
Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77–91. https://doi.org/10.2307/2975974
Merton, R. C. (1973). An intertemporal capital asset pricing model. Econometrica, 41(5), 867–887. https://doi.org/10.2307/1913811
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?” Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144). https://doi.org/10.1145/2939672.2939778
Ross, S. A. (1976). The arbitrage theory of capital asset pricing. Journal of Economic Theory, 13(3), 341–360. https://doi.org/10.1016/0022-0531(76)90046-6
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3), 425–442. https://doi.org/10.1111/j.1540-6261.1964.tb02865.x
Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62(3), 1139–1168. https://doi.org/10.1111/j.1540-6261.2007.01232.x