مقاله کنفرانسی سال ۱۴۰۴ فارسی

تحلیل احساسات سرمایه گذاران در بازده سهام

چکیده مقاله

رفتار قیمت دارایی های مالی در بازارهای مدرن، محصول برهم کنش پیچیده و مداوم داده های بنیادی، تحلیل های تکنیکال و متغیرهای روان شناختی است در پارادایم مالی سنتی، بازارها غالبا بر پایه فرضیه بازار کارا EMH تحلیل می شدند که بر اساس آن، قیمت ها همواره منعکس کننده کلیه اطلاعات در دسترس هستند و تغییرات قیمت تنها در پاسخ به اطلاعات جدید رخ می دهد با این حال، ظهور «مالی رفتاری» و شواهد تجربی متعدد، نشان داده است که سرمایه گذاران همواره عقلانی عمل نمی کنند و تصمیمات آن ها تحت تاثیر توده وار بودن، ترس، طمع و سایر سوگیری های شناختی است در این میان، بهره گیری از تکنیک های پردازش زبان طبیعی NLP برای استخراج «احساسات سرمایه گذار» از انبوه داده های تولید شده در شبکه های اجتماعی و خبرگزاری های مالی، پنجره جدیدی به سوی درک سازوکارهای پنهان تعیین قیمت گشوده است اگرچه مطالعات پیشین همبستگی قابل توجهی میان شاخص های احساسی و بازده سهام یافته اند، اما اکثر این پژوهش ها بر فرض اثرگذاری هم زمان Concurrent Effect متمرکز بوده اند؛ به این معنا که تصور می شود احساسات لحظه ای به طور آنی بر قیمت تاثیر می گذارند این در حالی است که در دنیای واقعی، جریان اطلاعات و هضم آن توسط معامله گران و در نهایت واکنش قیمت، با درجاتی از تاخیر زمانی Time Lag همراه است نادیده گرفتن این «تاخیر در واکنش» می تواند باعث بیش برازش Overfitting مدل های پیش بینی شده و ناتوانی آن ها در عملکرد واقعی در بازارهای مالی شود این شکاف پژوهشی، پرسش های مهمی را مطرح می کند: آیا احساسات امروز صرفا بازتاب دهنده بازده فعلی هستند یا می توانند به عنوان پیشران Leading Indicator برای نوسانات روزهای آتی عمل کنند؟ الگوی زمانی انتشار این اطلاعات در بازار چیست و آیا این تاخیر برای سهم های مختلف یا صنایع گوناگون متفاوت است؟در همین راستا، این پژوهش با هدف پر کردن این شکاف، اثر سناریوهای مختلف تاخیر زمانی احساسات بر قدرت پیش بینی مدل های یادگیری ماشین را بررسی می کند ما با بهره گیری از یک چارچوب داده کاوی پیشرفته، ابتدا شاخص های احساسی را استخراج کرده و سپس با اعمال پنجره های تاخیر زمانی مختلف از لحظه ای تا چند روز کاری ، پویایی تاثیرگذاری آن ها را بر بازده آتی سهام مدل سازی می کنیم

نویسندگان

تصویر علی قاسمی کیان

علی قاسمی کیان

مهندسی صنایع گرایش مهندسی مالی، دانشگاه خواجه نصیرالدین طوسی

تصویر رزومه علمی کاربران

رزومه علمی کاربران

درباره سیویلیکاتبلیغات در سیویلیکاآمار علمی ایرانتقویم علمی ایرانداده کاوی مقالاتطرح های پژوهشی

شیوه ارجاع

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید: قاسمی کیان، علی،1404،تحلیل احساسات سرمایه گذاران در بازده سهام،ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی،همدان،https://civilica.com/doc/2585869

ارائه‌شده در

پوستر مجموعه مقالات ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی مجموعه مقالات ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی2 اسفند 1404 · همدان
ادامه مسیر پژوهش

مقالات مرتبط

مقاله کنفرانسی سال ۱۴۰۴ ۳۳۴ مشاهده

بررسی کاربرد هوش مصنوعی در ربات های رزمی: مطالعه موردی ایالات متحده آمریکا

تحولات شتابان فناوری در دهه های اخیر، به ویژه در حوزه هوش مصنوعی، موجب دگرگونی بنیادین در ماهیت جنگ ها�…

ربات های رزمیهوش مصنوعی نظامیکنترل معنادار انسانی
مقاله کنفرانسی سال ۱۴۰۴ ۲۹۱ مشاهده

تحلیل عملکرد و بهینه سازی چیلرهای جذبی یا تراکمی با تمرکز بر کاهش مصرف انرژی

چیلرهای تراکمی با استفاده از چرخه تبرید تراکم بخار و مصرف انرژی الکتریکی بالا در کمپرسورها کار می کنند…

انرژیبرودتبهینه سازی
مقاله کنفرانسی سال ۱۴۰۴ ۲۳۰ مشاهده

کاربرد هوش مصنوعی در مواجهه با چالش اخبار جعلی: تحلیل روش های تشخیص، چالش های نوظهور و راهکارهای آینده

همزمان با گسترش رسانه های اجتماعی و فناوری های تولید محتوا، انتشار اخبار جعلی به یک تهدید جدی برای اعتما…

اخبار جعلیهوش مصنوعیتشخیص اطلاعات نادرست
مقاله کنفرانسی سال ۱۴۰۴ ۲۲۶ مشاهده

امنیت در اینترنت اشیا

اینترنت اشیا به عنوان یکی از فناوری های کلیدی عصر حاضر، میلیاردها دستگاه را به یکدیگر متصل کرده و تحولات…

اینترنت اشیابلاکچینامنیت IoT
مقاله کنفرانسی سال ۱۴۰۴ ۱۹۶ مشاهده

بهینه سازی پایدار رایانش ابری با استفاده از نظریه بازی فازی

رایانش ابری به عنوان یکی از ستون های فناوری مدرن شناخته می شود، با این حال، بهینه سازی تخصیص منابع در حا…

نظریه بازی فازیمراکز داده ابریالگوریتم GTGWO
مقاله کنفرانسی سال ۱۴۰۴ ۱۸۰ مشاهده

A Data Driven Machine Learning Framework for Optimal Treatment Selection in Infertility Management (IVF and IUI)

Selecting the right infertility treatment requires analyzing a wide set of clinical, hormonal, and labor…

IVFInfertilityMachine Learning