دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

تحلیل توانمندی رویکرد هوش مصنوعی در پیش‌بینی تصمیمات احساسی و هیجانی سرمایه‌گذاران و توسعه مالی شرکتها

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
حسین تیموری 1
سیده محبوبه جعفری 2
شهرام چهارمحالی 2
زهره حاجیها 2
1 گروه مالی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.
2 گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.
10.22034/jik.2026.79176.4923
چکیده
پژوهش حاضر به تحلیل توانمندی رویکرد هوش مصنوعی در پیش‌بینی تصمیمات احساسی و هیجانی سرمایه‌گذاران و توسعه مالی شرکتها پرداخته است. رویکرد‌ پژوهش حاضر، از نوع اکتشافی است. جامعه موردمطالعه؛ شامل خبرگان‌ مرتبط با موضوع پژوهش می‌باشد که دارای حرفه مرتبط با مدیریت و بازار سرمایه می‌باشند. در این مسیر، ویژگی هایی نظیر دانش عمیق اقتصاد کلان و بازارهای مالی، تسلط بر تحلیل بنیادی، مهارت در محاسبه و تفسیر نسبت‌های مالی کلیدی، تسلط بر تحلیل تکنیکال، مهارت در مدیریت سبد و ریسک و آگاهی از قوانین و مقررات بازار سرمایه بعنوان مبنای خبرگی در نظر گرفته شد. از این رو با مراجعه به 18 مشارکت ‌کننده تا حدودی اشباع نظری برای محقق محرز گردید؛ اما جهت دستیابی به اطمینان بیشتر و تکمیل حفره‌ های مفهومی؛ مراجعه به 6 تن دیگر از خبرگان در دستور کار قرار گرفت و در نهایت تعداد کل خبرگان به‌ 24 نفر رسید. در ادامه؛ از طریق مصاحبه های نیمه ساختاریافته با خبرگان مذکور‌، تعداد هفده مقوله اصلی شناسایی گردید. بر اساس یافته‌ها شبکه های بیزین مؤلفه ترس بیشترین توان پیش بینی کنندگی و مؤلفه پشیمانی‌ کمترین توان پیش‌بینی‌کنندگی تصمیمات احساسی و هیجانی سرمایه‌گذاران را دارد. از طرفی مؤلفه دسترسی به منابع مالی، بیشترین توان پیش بینی کنندگی و مؤلفه مدیریت ریسک کمترین توان پیش‌بینی‌کنندگی توسعه مالی شرکتها را داشت. دیگر یافته ها بیان داشت الگوریتم شبکه‌های بیزین تا حدود 54% توانسته است تصمیمات احساسی و هیجانی سرمایه‌گذاران و حدود 58% توسعه مالی شرکتها را پیش‌بینی نماید.
کلیدواژه‌ها
تصمیمات سرمایه‌گذاران
توسعه مالی
هوش مصنوعی
الگوریتم شبکه‌های بیزین
الگوریتم svm‌
الگوریتم کرنل RBF‌

عنوان مقاله English

Analyzing the Artificial Intelligence Capability Approach to Predicting Investors' Emotional Decisions and Companies' Financial Development

نویسندگان English

Hossein Teymouri 1
Seyedeh Mahboobeh Jafari 2
Shahram Chaharmahali 2
Zohreh Hajiha 2
1 Department of Financial, ST.C., Islamic Azad University, Tehran, Iran.
2 Department of Accounting, ST.C., Islamic Azad University, Tehran, Iran.
چکیده English

The present study analyzes the capability of artificial intelligence approaches in predicting investors’ emotional and affective decisions and the financial development of companies. The research adopts an exploratory approach. The study population consists of experts related to the research topic who are active in management and capital market professions. In this context, characteristics such as deep knowledge of macroeconomics and financial markets, proficiency in fundamental analysis, skill in calculating and interpreting key financial ratios, mastery of technical analysis, expertise in portfolio and risk management, and awareness of capital market laws and regulations were considered as the basis for expertise. Accordingly, consulting 18 participants led the researcher to a relative theoretical saturation; however, to ensure greater certainty and fill conceptual gaps, six additional experts were consulted, bringing the total number of experts to 24. Subsequently, through semi‑structured interviews with these experts, seventeen main categories were identified. According to the findings, the Bayesian networks algorithm indicates that the fear component has the highest predictive power, while the regret component has the lowest predictive power regarding investors’ emotional and affective decisions. On the other hand, regarding the financial development of companies, the access to financial resources component shows the highest predictive power, and the risk management component shows the lowest. Other findings indicate that the Bayesian networks algorithm can predict investors’ emotional and affective decisions by about 54% and the financial development of companies by about 58%

کلیدواژه‌ها English

Investment Decisions
Financial Development
Artificial Intelligence
Bayesian Network Algorithm
SVM Algorithm
RBF Kernel Algorithm

  1. 1.      احمدی، فاطمه، مشهدی زاده، رضا‌.‌(1404). پیش‌بینی رفتار مالی سرمایه‌گذاران: رهیافت نظریه داده بنیاد. دانش سرمایه‌گذاری، 16(62)‌.

    2.      انتظاری، رشید، مهرآذین، علیرضا، بزاززاده تربتی‌، حمیدرضا، باقرزده گل‌مکانی، زهرا‌.(1404). بررسی سوق‌دهی واکنش سهامداران با دستکاری نقاطِ مرجعِ تصمیم‌گیری: تحلیلی مبتنی بر نظریه چشم‌انداز. نشریه پژوهش های مالی و رفتاری در حسابداری، شماره 3، دوره 5، پاییز 1404.

    3.      بخشی، حنانه.(1404).تاثیرسوگیری های شناختی بر تصمیمات سرمایه گذاری در بازارهای مالی، دومین کنفرانس ملی "بدون نفت، چگونه؟"، تهران.

    4.   جندقی اردکانی، فرزانه.(1402). بررسی رابطه رفتار توده وار سرمایه گذاران و مدیران با بازده مورد انتظار در بورس اوراق بهادار تهران. پایان‌نامه کارشناسی ارشد، دانشگاه یزد، پردیس علوم انسانی و اجتماعی - دانشکده اقتصاد، مدیریت و حسابداری.

    5.   حسین پور، آرش، رنجبر، محمد حسین، اسدنیا، جهانبخش، احمدی، فائق.‌(1402). تاثیر شناخت سوگیری‌های رفتاری مدیران بر گرایش های احساسی سرمایه گذاران از طریق فرآیند تحلیل سلسله مراتبی خاکستری. دانش سرمایه‌گذاری، 12(47)، 605-640.

    6.       رادفر، محمدرضا، توکلی، الهه.(1404). تأثیر سوگیری‌های‌رفتاری بر تصمیم‌گیری سرمایه‌گذاران با نقش میانجی ادراک ریسک و نقش تعدیل گر سوادمالی، ثبات عاطفی و ترجیحات بخش‌بندی بازار. پژوهش‌های مالی و رفتاری در حسابداری، شماره 2 دوره 5، تابستان 1404.

    7.      رجبی، اردلان، محمدی ملقرنی، عطالله، حمیدیان، محسن‌.‌(1404). ارائه مدلی جهت رفتار توده وار در تصمیم گیری سرمایه گذاران در شرکتهای سرمایه گذاری در بورس اوراق بهادار تهران. دانش سرمایه‌گذاری، 16(63)، 41-73. ‌

    8.   غنی‌پور میبدی، سمانه.(1399). بررسی تاثیر اخلاق و رفتار سرمایه گذاران بر رضایت مالی سرمایه‌گذاران بورس اوراق بهادار یزد. پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی ‌واحد اردکان.

    9.      مرشدی، میلاد، رستمی‌جاز، حمید‌.‌(1404). بررسی مدل رفتار توده وار در تصمیم گیری سرمایه گذاری در بازارهای نوظهور. دانش سرمایه‌گذاری، 16(63)، 23-39.

    10. نادری، محمدعلی.(1404).تاثیر احساسات سرمایه گذار بر تصمیمات سرمایه گذاری،دومین کنفرانس ملی "بدون نفت، چگونه؟"‌، تهران، https://civilica.com/doc/2461244

     

     

    11.                         

    1. Christopher, Bebbington, Robert B. Durand, Joyce Khuu.(2024).‌Investor decision making within retirement savings schemes, Pacific-Basin Finance Journal, February 2024.
    2. Dey, R. M., & Lim, L.‌(2023).‌Do social networks improve the chance of obtaining challenging assignments? Evidence from black accounting professionals. Advances in Accounting, 63, Article 100677.
    3. Ling, L. Harris, Elaine Y. Wang.(2024).‌The impact of descriptor identicalness on investors' judgements of managers’ opportunistic estimation choices. Accounting, Organizations and Society, December 2024.
    4. Paul, Nixon, Evan, Gilbert‌.(2024).‌Using machine learning to predict investors’ switching behavior. Journal of Behavioral and Experimental Finance, Volume 44, December 2024, 100992.
    5. Shumin, Chen, Dan LuoHaixiang Yao.(2024). Optimal investor life cycle decisions with time-inconsistent preferences, Journal of Banking & Finance, April 2024
    6. Xiaojia, Zhang, Chia-Hsing, Huang.(2024).‌Investor characteristics, intention toward socially responsible investment (SRI), and SRI behavior in Chinese stock market: The moderating role of risk propensity. Journal home page for Heliyon, Volume 10, Issue 14, 30 July 2024, e34230.
    7. Yoontae, Hwang, Junpyo, ParkFrank J, Fabozzi.(2024).‌Heterogeneous trading behaviors of individual investors: A deep clustering approach, Finance Research Letters.

     

دانش سرمایه‌گذاری

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 28 مهر 1405