اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 5 1404 10 01 Designing an Intelligent Financial Asset Pricing Model by Integrating Neural Networks, Behavioral Data, and Macroeconomic Indicators طراحی مدل هوشمند قیمت‌گذاری دارایی‌های مالی با ترکیب شبکه‌های عصبی، داده‌های رفتاری و شاخص‌های اقتصاد کلان 54 66 FA سید محمد جواد طباطبایی گروه مهندسی مالی، دانشگاه خاتم، تهران، ایران Journal Article <p>This study aimed to design an intelligent conceptual model for financial asset pricing by integrating neural networks, investor behavioral data, and macroeconomic indicators. This qualitative study was conducted using thematic analysis. The participants included 18 experts in capital markets, quantitative finance, financial data analytics, academic finance, and investment management in Tehran, selected through purposive and snowball sampling. Data were collected through semi-structured interviews and continued until theoretical saturation was achieved. Saturation was reached in the sixteenth interview, while two additional interviews were conducted to confirm thematic stability. All interviews were audio-recorded, transcribed verbatim, and analyzed using NVivo software. Data analysis followed open, axial, and selective coding procedures. Trustworthiness was ensured through member checking, peer debriefing, audit trail, and maximum variation in participant selection. The analysis produced four main categories: data-driven architecture of intelligent asset pricing, the role of behavioral data in adjusting expectations and perceived risk, integration of macroeconomic indicators into dynamic asset valuation, and requirements for governance, explainability, and model risk control. Participants emphasized that traditional asset pricing models are often unable to capture nonlinear interactions among investor behavior, macroeconomic conditions, and asset-specific characteristics, particularly during periods of market volatility. Neural networks were perceived as useful tools for learning hidden patterns and improving return prediction; however, participants also stressed that model accuracy without explainability, data quality, and institutional oversight may increase systemic error and false confidence. The findings suggest that intelligent financial asset pricing should be designed as a multilayered system that simultaneously integrates market data, macroeconomic indicators, behavioral signals, and explainability mechanisms. Such a model can improve investment decision-making, risk management, and the detection of behavioral distortions in capital markets.</p> <p>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.</p> https://jsaefm.com/index.php/jsaefm/article/download/31/29