رضا راعی

هدف: پژوهش حاضر به بررسی وجود و شدت اثر تمایلاتی در میان سرمایه گذاران حقیقی در بازار سهام می پردازد. اثر تمایلاتی به تمایل سرمایه گذاران برای فروش سهام در سود (سهام برنده) و نگهداری سهام در زیان (سهام بازنده) اشاره دارد. این سوگیری رفتاری می تواند به تصمیم گیری های نادرست در بازار منجر شود و سودآوری سرمایه گذاران را کاهش دهد. هدف اصلی این مطالعه، تحلیل عوامل تأثیرگذار بر این رفتار و بررسی ارتباط میان شرایط بازار و زمان بندی ورود سرمایه گذاران به بازار با شدت این اثر است. به طور خاص، این پژوهش به دنبال پاسخ به این سؤال است که آیا شرایطی مانند بازده بازار، نوسان ها و عدم قطعیت اقتصادی می تواند تمایل به اثر تمایلاتی را در میان سرمایه گذاران افزایش دهد یا خیر. این مطالعه بر این فرضیه استوار است که سرمایه گذارانی که در شرایط عدم اطمینان و نوسان های بالای بازار وارد می شوند، به نشان دادن اثر تمایلاتی تمایل بیشتری خواهند داشت.روش: در این پژوهش از داده های معاملاتی دقیق مرتبط با سرمایه گذاران حقیقی استفاده شده است. این داده ها شامل سوابق معاملاتی نظیر تاریخ، جهت، قیمت و حجم هر معامله و همچنین اطلاعات شخصی سرمایه گذاران شامل سن، جنسیت، تجربه معاملاتی و موجودی حساب است. برای تحلیل اثر تمایلاتی و بررسی شدت آن در میان سرمایه گذاران حقیقی، از روش تجزیه وتحلیل بقا و مدل رگرسیون استفاده شده است. روش تجزیه وتحلیل بقا، به محققان اجازه می دهد تا زمان های ورود سرمایه گذاران به بازار و تأثیر آن بر رفتارهایشان را در طول زمان بررسی کنند. همچنین، مدل رگرسیون برای بررسی ارتباط میان متغیرهای مرتبط با بازار و متغیرهای شخصی سرمایه گذاران با شدت اثر تمایلاتی به کار گرفته شده است. این مدل ها به پژوهشگران کمک می کنند تا رابطه بین نوسان های بازار، بازده بازار و سایر عوامل اقتصادی با تصمیم گیری های احساسی سرمایه گذاران را بررسی کنند.یافته ها: نتایج تحلیل ها نشان می دهد که سرمایه گذاران حقیقی که در ابتدای ورود به بازار با شرایطی مانند بازده پایین بازار، نوسان های بالا و عدم قطعیت اقتصادی مواجه می شوند، به نشان دادن اثر تمایلاتی تمایل بیشتری دارند. به عبارت دیگر، این سرمایه گذاران در دوره هایی که بازار تحت تأثیر نوسان های شدید وعدم قطعیت های اقتصادی قرار دارد، بیشتر به نگهداری سهام بازنده و فروش سهام برنده تمایل دارند. این موضوع نشان می دهد که شرایط بازار به شدت بر تصمیم گیری های احساسی و غیرمنطقی سرمایه گذاران تأثیرگذار است. سرمایه گذاران در دوره های عدم قطعیت اقتصادی، بیشتر به تصمیم گیری های رفتاری مبتنی بر ترس و اضطراب روی می آورند که به کاهش بازده کلی آن ها منجر می شود. علاوه براین، یافته ها نشان می دهد که تجربه معاملاتی و سایر ویژگی های شخصی سرمایه گذاران، نظیر سن و جنسیت نیز می تواند بر شدت اثر تمایلاتی تأثیرگذار باشد.نتیجه گیری: این پژوهش نشان می دهد که اثر تمایلاتی، نه تنها در میان سرمایه گذاران حقیقی وجود دارد، بلکه شدت این تأثیرها ممکن است با توجه به شرایط بازار و ویژگی های فردی سرمایه گذاران متفاوت باشد. به طور خاص، سرمایه گذاران در دوره هایی که با بازده پایین بازار، نوسان های بالا یا عدم قطعیت اقتصادی مواجهند، تمایل بیشتری به نشان دادن این اثر دارند. این نتایج می تواند به سرمایه گذاران و سیاست گذاران بازارهای مالی کمک کند تا درک بهتری از تأثیر عوامل رفتاری بر تصمیم گیری های سرمایه گذاری داشته باشند و در نتیجه، استراتژی های بهتری برای مدیریت رفتارهای احساسی سرمایه گذاران اتخاذ کنند. علاوه براین، پژوهش حاضر بر اهمیت آموزش و آگاهی بخشی به سرمایه گذاران در زمینه تأثیرهای ناشی از سوگیری های رفتاری در تصمیم گیری های مالی تأکید می کند تا از تصمیمات غیرمنطقی و زیان بار در بازار جلوگیری شود.

هدف: امروزه، یادگیری ماشین به عنوان ابزاری کارآمد در پیش بینی سری های زمانی مالی مورد توجه قرار گرفته است. با این حال، اغلب این مدل ها به عنوان مدل های جعبه سیاه به دلیل عدم شفافیت، موجب کاهش اعتماد به نتایج پیش بینی شده اند. برای رفع این محدودیت، بهره گیری از مدل های هوش مصنوعی توضیح پذیر که امکان تحلیل دقیق ساز و کار پیش بینی را فراهم می آورند، ضروری است. بر این اساس، هدف این پژوهش، توسعه و ارزیابی یک مدل پیش بینی مبتنی بر هوش مصنوعی است که علاوه بر دقت بالا، از قابلیت توضیح پذیری نیز برخوردار باشد. در این راستا، نقش و سهم متغیرهای ورودی در پیش بینی های مدل به طور شفاف مشخص شده و پایداری نتایج آن از نظر دقت و قابلیت توضیح پذیری، با استفاده از روش های اعتبارسنجی متقاطع، به ویژه بخش بندی سری های زمانی، مورد ارزیابی قرار می گیرد. روش: این پژوهش از نظر هدف، کاربردی و از نظر روش، توصیفی- تحلیلی با رویکرد پیش بینی کمّی است که برای نخستین بار در ایران به بررسی قابلیت توضیح پذیری هوش مصنوعی بهینه شده در پیش بینی بازده شاخص قیمت هشت صنعت تولیدی بورس اوراق بهادار تهران می پردازد. داده های پژوهش شامل شاخص های صنایع در بازه زمانی ۱۳۹۷ تا ۱۴۰۲ است که از پایگاه های اطلاعاتی (بورس ویو) جمع آوری شده اند. برای آموزش مدل جنگل تصادفی به عنوان یک مدل یادگیری تجمیعی، متغیرهای تکنیکال، بنیادی و کلان اقتصادی به عنوان ویژگی های مدل، مورد بررسی قرار گرفته اند. همچنین الگوریتم ژنتیک به منظور بهینه سازی هایپرپارامترهای این مدل به کار گرفته شده است. به منظور افزایش شفافیت و اعتمادپذیری مدل، از تکنیک تفسیرپذیری شاپ برای شناخت تأثیر و اهمیت ویژگی ها استفاده شده است. یافته ها: نتایج این پژوهش نشان می دهد که ترکیب الگوریتم جنگل تصادفی با بهینه سازی هایپرپارامترها از طریق الگوریتم ژنتیک و استفاده از روش توضیح پذیری همچون مقادیر شاپ، علاوه بر افزایش دقت پیش بینی بازده شاخص قیمت صنایع تولیدی بورس تهران، شفافیت و اعتمادپذیری مدل را نیز ارتقا می دهد. یافته ها تأکید دارند که متغیرهای تکنیکال، به ویژه شاخص میانگین متحرک نمایی، شاخص همگرایی و واگرایی میانگین متحرک، حجم معاملات و میزان سهام شناور، بیشترین نقش را در بهبود دقت پیش بینی ایفا می کنند. در مقابل، متغیرهای بنیادی همچون نسبت قیمت به درآمد و نرخ بهره و نرخ تورم تأثیرگذارند، اما نقش آن ها نسبت به متغیرهای تکنیکال کمتر است. علاوه بر این، ارزیابی متقاطع سری زمانی، پایداری و تعمیم پذیری بالای مدل پیشنهادی را در دوره های مختلف تأیید می کند. نتیجه گیری: با توجه به هم خوانی نتایج این پژوهش با مطالعات معتبر بین المللی می توان نتیجه گرفت که مدل های هوش مصنوعی توضیح پذیر نه تنها عملکرد خوبی نسبت به مدل های سنتی دارند، بلکه تحلیلگران مالی را در اتخاذ تصمیمات آگاهانه و مؤثر یاری کرده و می توانند نقشی کلیدی در مدیریت ریسک و بهینه سازی سبد دارایی ها ایفا کنند. بدین ترتیب، مدل پیشنهادی با شفافیت عملکرد و قابلیت اطمینان بالا، به عنوان ابزاری مؤثر برای تحلیلگران مالی معرفی شده و افق های تازه ای را در کاربرد هوش مصنوعی توضیح پذیر در صنعت مالی ایران می گشاید.