مدلسازی اثر فناوریهای هوشمند مالی بر کارایی بازار سرمایه با رویکرد اقتصادسنجی پویا و دادههای پرتکرار
کلمات کلیدی:
فناوری مالی, کارایی بازار سرمایه, اقتصادسنجی پویا, دادههای پرتکرار, معاملات الگوریتمی, تحلیل مضمون, بازار سرمایه تهرانچکیده
هدف پژوهش حاضر طراحی مدل مفهومی اثر فناوریهای هوشمند مالی بر کارایی بازار سرمایه با تأکید بر قابلیتهای اقتصادسنجی پویا، دادههای پرتکرار، ریزساختار بازار و سازوکارهای کاهش ناکارایی اطلاعاتی بود. این پژوهش از نظر هدف، کاربردی و از نظر رویکرد، کیفی با طرح اکتشافی ـ مدلساز انجام شد. جامعه مشارکتکنندگان شامل خبرگان بازار سرمایه، متخصصان فناوری مالی، تحلیلگران دادههای مالی، مدیران نهادهای مالی، استادان مالی و اقتصادسنجی و کارشناسان نظارت بازار در شهر تهران بود. نمونهگیری بهصورت هدفمند و گلولهبرفی انجام شد و پس از انجام 22 مصاحبه نیمهساختاریافته، اشباع نظری حاصل گردید. دادهها از طریق مصاحبههای عمیق گردآوری و با روش تحلیل مضمون در نرمافزار NVivo کدگذاری شد. برای افزایش اعتبارپذیری از بازبینی مشارکتکنندگان، بررسی همتایان، یادداشتبرداری تحلیلی و مقایسه مستمر کدها استفاده شد. تحلیل دادهها به استخراج پنج مقوله اصلی انجامید: «زیرساخت دادههای پرتکرار و کیفیت ریزساختار بازار»، «هوشمندسازی پردازش اطلاعات و کشف قیمت»، «اقتصادسنجی پویا و پایش لحظهای کارایی»، «ریسکهای فناورانه، الگوریتمی و نظارتی» و «حکمرانی دادهمحور و سیاستگذاری هوشمند بازار». یافتهها نشان داد فناوریهای هوشمند مالی میتوانند از طریق کاهش تأخیر اطلاعاتی، افزایش شفافیت، بهبود نقدشوندگی، کاهش هزینه جستوجوی اطلاعات و ارتقای قابلیت پیشبینی نوسان، کارایی بازار را تقویت کنند؛ اما در صورت ضعف زیرساخت داده، نبود استانداردهای نظارتی، سوگیری الگوریتمی و تمرکز دسترسی فناورانه، ممکن است به شکنندگی نقدشوندگی، رفتارهای همجهت الگوریتمی و نابرابری اطلاعاتی جدید منجر شوند. کارایی بازار سرمایه در عصر فناوریهای هوشمند مالی پدیدهای ایستا نیست، بلکه نتیجه تعامل پویا میان کیفیت داده، سرعت پردازش، طراحی الگوریتم، شفافیت نظارتی و توانایی نهادی در کنترل ریسکهای نوظهور است. مدل پیشنهادی نشان میدهد بهرهگیری مؤثر از دادههای پرتکرار و اقتصادسنجی پویا میتواند مبنایی برای پایش بلادرنگ کارایی، شناسایی ناکاراییهای مقطعی و طراحی نظام نظارت هوشمند در بازار سرمایه فراهم کند.
دانلودها
مراجع
Aït-Sahalia, Y., & Jacod, J. (2014). High-frequency financial econometrics. Princeton University Press.
Andersen, T. G., Bollerslev, T., Diebold, F. X., & Labys, P. (2003). Modeling and forecasting realized volatility. Econometrica, 71(2), 579–625.
Arner, D. W., Barberis, J., & Buckley, R. P. (2017). FinTech, RegTech, and the reconceptualization of financial regulation. Northwestern Journal of International Law & Business, 37(3), 371–413.
Barndorff-Nielsen, O. E., & Shephard, N. (2002). Econometric analysis of realized volatility and its use in estimating stochastic volatility models. Journal of Applied Econometrics, 17(5), 457–477.
Biais, B., Foucault, T., & Moinas, S. (2015). Equilibrium fast trading. Journal of Financial Economics, 116(2), 292–313.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327.
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.
Brogaard, J., Hendershott, T., & Riordan, R. (2014). High-frequency trading and price discovery. The Review of Financial Studies, 27(8), 2267–2306.
Budish, E., Cramton, P., & Shim, J. (2015). The high-frequency trading arms race: Frequent batch auctions as a market design response. The Quarterly Journal of Economics, 130(4), 1547–1621.
Chordia, T., Roll, R., & Subrahmanyam, A. (2008). Liquidity and market efficiency. Journal of Financial Economics, 87(2), 249–268.
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383–417.
Fama, E. F. (1991). Efficient capital markets: II. The Journal of Finance, 46(5), 1575–1617.
Goldstein, I., Spatt, C. S., & Ye, M. (2021). Big data in finance. The Review of Financial Studies, 34(7), 3213–3225.
Gomber, P., Koch, J.-A., & Siering, M. (2017). Digital finance and FinTech: Current research and future research directions. Journal of Business Economics, 87, 537–580.
Grossman, S. J., & Stiglitz, J. E. (1980). On the impossibility of informationally efficient markets. The American Economic Review, 70(3), 393–408.
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.
Hasbrouck, J., & Saar, G. (2013). Low-latency trading. Journal of Financial Markets, 16(4), 646–679.
Hendershott, T., Jones, C. M., & Menkveld, A. J. (2011). Does algorithmic trading improve liquidity? The Journal of Finance, 66(1), 1–33.
Lee, I., & Shin, Y. J. (2018). Fintech: Ecosystem, business models, investment decisions, and challenges. Business Horizons, 61(1), 35–46.
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE Publications.
Lo, A. W. (2004). The adaptive markets hypothesis: Market efficiency from an evolutionary perspective. The Journal of Portfolio Management, 30(5), 15–29.
Menkveld, A. J. (2013). High frequency trading and the new-market makers. Journal of Financial Markets, 16(4), 712–740.
Zhang, L., Mykland, P. A., & Aït-Sahalia, Y. (2005). A tale of two time scales: Determining integrated volatility with noisy high-frequency data. Journal of the American Statistical Association, 100(472), 13941411.