تبیین اثر تحلیل احساسات رسانه‌های اجتماعی بر تصمیمات سرمایه‌گذاری و نوسانات بازار سهام با رویکرد هوش مصنوعی

نویسندگان

  • حسین نورایی تبار گروه اقتصاد، دانشگاه بوعلی سینا، همدان، ایران نویسنده
  • لادن صدیقی گروه اقتصاد، دانشگاه بوعلی سینا، همدان، ایران نویسنده مسئول
  • محمد عرفان صادقی گروه اقتصاد، دانشگاه بوعلی سینا، همدان، ایران نویسنده

کلمات کلیدی:

تحلیل احساسات, رسانه‌های اجتماعی, تصمیمات سرمایه‌گذاری, نوسانات بازار سهام, هوش مصنوعی, رفتار سرمایه‌گذار

چکیده

هدف این پژوهش، تبیین سازوکار اثرگذاری تحلیل احساسات رسانه‌های اجتماعی بر تصمیمات سرمایه‌گذاری، رفتار معامله‌گران و نوسانات بازار سهام با تأکید بر قابلیت‌ها و چالش‌های هوش مصنوعی در تفسیر داده‌های احساسی بازار است. این پژوهش با رویکرد کیفی و طرح اکتشافی انجام شد. مشارکت‌کنندگان شامل 24 نفر از سرمایه‌گذاران فعال، تحلیلگران بازار سرمایه، مدیران سبد، کارشناسان فناوری مالی و متخصصان هوش مصنوعی مستقر در تهران بودند که به روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. داده‌ها صرفاً از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد و فرایند نمونه‌گیری تا دستیابی به اشباع نظری ادامه یافت. مصاحبه‌ها پس از پیاده‌سازی، با استفاده از نرم‌افزار NVivo و بر اساس تحلیل مضمون شش‌مرحله‌ای تحلیل شدند. برای افزایش اعتبار یافته‌ها از بازبینی مشارکت‌کنندگان، مرور همتایان، ثبت مسیر تحلیل و مقایسه مستمر کدها استفاده شد. تحلیل داده‌ها به استخراج پنج مقوله اصلی منجر شد: «احساسی‌سازی توجه سرمایه‌گذار»، «اثر شبکه‌ای شایعه، هیجان و رفتار گله‌ای»، «تقویت یا تعدیل نوسانات بازار از طریق الگوریتم‌های هوشمند»، «چالش اعتماد، سوگیری و دستکاری در داده‌های احساسی» و «ضرورت حکمرانی تحلیلی و سواد مالی دیجیتال». مشارکت‌کنندگان تأکید کردند که احساسات رسانه‌های اجتماعی، به‌ویژه در دوره‌های ابهام، می‌تواند ادراک ریسک را تغییر دهد، تصمیمات خرید و فروش را تسریع کند، حجم معاملات را افزایش دهد و به نوسانات کوتاه‌مدت بازار دامن بزند. در عین حال، تحلیل احساسات مبتنی بر هوش مصنوعی در صورت اعتبارسنجی مناسب می‌تواند به‌عنوان ابزار مکمل تصمیم‌گیری و هشدار زودهنگام عمل کند. نتایج نشان داد تحلیل احساسات رسانه‌های اجتماعی نه جایگزین تحلیل بنیادی و تکنیکال، بلکه لایه‌ای مکمل در فهم رفتار بازار است. استفاده مؤثر از آن مستلزم ترکیب مدل‌های هوش مصنوعی با قضاوت انسانی، کنترل سوگیری داده، شفافیت الگوریتمی و ارتقای سواد مالی دیجیتال سرمایه‌گذاران است.

کلیدواژه‌ها: تحلیل احساسات، رسانه‌های اجتماعی، تصمیمات سرمایه‌گذاری، نوسانات بازار سهام، هوش مصنوعی، رفتار سرمایه‌گذار.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Antweiler, W., & Frank, M. Z. (2004). Is all that talk just noise? The information content of internet stock message boards. The Journal of Finance, 59(3), 1259–1294. https://doi.org/10.1111/j.1540-6261.2004.00662.x

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

Barber, B. M., & Odean, T. (2008). All that glitters: The effect of attention and news on the buying behavior of individual and institutional investors. The Review of Financial Studies, 21(2), 785–818. https://doi.org/10.1093/rfs/hhm079

Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 2(1), 1–8. https://doi.org/10.1016/j.jocs.2010.12.007

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa

Da, Z., Engelberg, J., & Gao, P. (2011). In search of attention. The Journal of Finance, 66(5), 1461–1499. https://doi.org/10.1111/j.1540-6261.2011.01679.x

De Long, J. B., Shleifer, A., Summers, L. H., & Waldmann, R. J. (1990). Noise trader risk in financial markets. Journal of Political Economy, 98(4), 703–738. https://doi.org/10.1086/261703

Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics, 4171–4186. https://doi.org/10.18653/v1/N19-1423

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

Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185

Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. Sage.

Loughran, T., & McDonald, B. (2011). When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks. The Journal of Finance, 66(1), 35–65. https://doi.org/10.1111/j.1540-6261.2010.01625.x

Shiller, R. J. (2000). Irrational exuberance. Princeton University Press.

Sprenger, T. O., Tumasjan, A., Sandner, P. G., & Welpe, I. M. (2014). Tweets and trades: The information content of stock microblogs. European Financial Management, 20(5), 926–957. https://doi.org/10.1111/j.1468-036X.2013.12007.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

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008

دانلودها

گاه‌شمار انتشار

چاپ شده

شماره

نوع مقاله

Articles

نحوه استناد به مقاله

نورایی تبار ح. ., صدیقی ل., & صادقی م. ع. . (1405). تبیین اثر تحلیل احساسات رسانه‌های اجتماعی بر تصمیمات سرمایه‌گذاری و نوسانات بازار سهام با رویکرد هوش مصنوعی. هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی, 2(1), 14-27. https://jsaefm.com/index.php/jsaefm/article/view/40