ویرگول
ورودثبت نام
سیدرضا علوی‌کیا
سیدرضا علوی‌کیا
سیدرضا علوی‌کیا
سیدرضا علوی‌کیا
خواندن ۲۴ دقیقه·۲ ماه پیش

نقطه اتصال‌های اقتصادی هوشمند؛ پیوند تحلیل‌گری، سیگنال و تصمیم‌گیری عامل‌محور در بازارهای مالی و سرمایه‌گذاری

سید رضا علوی کیا

۱- کارشناس ارشد مدیریت بازرگانی گرایش مدیریت استراتژیک؛ کار آفرین مدیر ارشد توسعه و پیشرانی کسب‌وکار و فناوری‌های مالی.

چکیده

تحولات شتابان در حوزه فناوری‌های هوشمند، بازارهای مالی و سرمایه‌گذاری را به عرصه‌ای برای همگرایی سه جریان تحلیلی، سیگنالی و تصمیم‌گیری تبدیل کرده است. پژوهش حاضر با هدف تبیین نقطه اتصال‌های اقتصادی هوشمند و ارائه چارچوبی یکپارچه برای پیوند میان تحلیل‌گری داده‌محور، تولید سیگنال‌های معاملاتی و تصمیم‌گیری عامل‌محور در بازارهای مالی طراحی شده است. روش پژوهش از نوع توصیفی تحلیلی با رویکرد آمیخته است که در آن داده‌های حاصل از مطالعات میدانی و پیمایشی با تحلیل‌های آماری توصیفی و استنباطی ترکیب شده‌اند. جامعه آماری شامل خبرگان و فعالان بازار سرمایه در ایران بوده و نمونه‌گیری به روش هدفمند انجام شده است. یافته‌های پژوهش نشان می‌دهد که یکپارچگی میان سه لایه تحلیل‌گری، سیگنال و تصمیم‌گیری عامل‌محور می‌تواند به افزایش دقت پیش‌بینی، کاهش تورش‌های رفتاری، بهبود مدیریت ریسک و ارتقای کارایی تصمیم‌گیری منجر شود. نتایج تحلیل استنباطی حاکی از آن است که میان قابلیت‌های تحلیل‌گری هوشمند و کارایی تصمیم‌گیری رابطه مثبت و معنادار وجود دارد و متغیر کیفیت سیگنال‌های تولیدشده نقش میانجی در این رابطه ایفا می‌کند. همچنین مشخص شد که اعتماد به سیستم‌های هوشمند و شفافیت الگوریتمی، اثر تعدیل‌گر بر رابطه میان سیگنال و تصمیم‌گیری دارد. بر اساس یافته‌ها، پیشنهاد می‌شود زیرساخت‌های داده‌محور، سازوکارهای شفافیت الگوریتمی و چارچوب‌های نظارتی متناسب با تصمیم‌گیری عامل‌محور در بازار سرمایه ایران تقویت شود.

واژگان کلیدی: نقطه اتصال هوشمند، تحلیل‌گری داده‌محور، سیگنال معاملاتی، تصمیم‌گیری عامل‌محور، بازارهای مالی

مقدمه

بازارهای مالی و سرمایه‌گذاری در دهه‌های اخیر دستخوش تحولی بنیادین شده‌اند که ریشه در همگرایی فناوری‌های اطلاعاتی، هوش مصنوعی و مدل‌سازی محاسباتی دارد و این تحول، مرزهای سنتی میان تحلیل، تصمیم و اقدام را بازتعریف کرده است. در پارادایم مالی کلاسیک، تصمیم‌گیری سرمایه‌گذار بر پایه فرضیه بازار کارا و انسان اقتصادی عقلانی تبیین می‌شد، اما شواهد تجربی نشان داد که این چارچوب توان توضیح بسیاری از پدیده‌های بازار از جمله حباب‌های قیمتی، رفتارهای جمعی و نوسانات غیرمنطقی را ندارد (وکیلی فرد و همکاران، ۱۳۹۴). از این‌رو، پارادایم مالی رفتاری با تکیه بر محدودیت‌های شناختی و تورش‌های روان‌شناختی سرمایه‌گذاران پا به عرصه گذاشت و سپس رویکرد مدل‌سازی عامل‌محور به عنوان پلی میان مالی کلاسیک و رفتاری ظهور کرد که با شبیه‌سازی تعاملات عامل‌های ناهمگن در محیط مصنوعی، امکان درک عمیق‌تر پویایی‌های بازار را فراهم آورد (وکیلی فرد و همکاران، ۱۳۹۴). در همین راستا، پیشرفت‌های اخیر در حوزه یادگیری ماشین و یادگیری عمیق، افق‌های تازه‌ای برای پیش‌بینی قیمت سهام و شناسایی الگوهای پنهان در داده‌های مالی گشوده است و پژوهش‌های متعددی نشان داده‌اند که مدل‌های ترکیبی مبتنی بر یادگیری عمیق می‌توانند دقت پیش‌بینی را به طور چشمگیری بهبود بخشند (گل تبار و ابونوری، ۱۴۰۲). همزمان، ظهور سیستم‌های خبره و الگوریتم‌های ژنتیک در طراحی استراتژی‌های معاملاتی خودکار، زمینه‌ساز تحولی در سبدگردانی هوشمند شده است و مطالعات نشان می‌دهد که این سیستم‌ها قادرند بازدهی بالاتری نسبت به استراتژی‌های سنتی خرید و نگهداری کسب کنند (جمشیدی، ۱۴۰۰). در چنین بستری، مفهوم نقطه اتصال‌های اقتصادی هوشمند به عنوان حلقه مفقوده‌ای مطرح می‌شود که سه جریان تحلیل‌گری داده‌محور، تولید سیگنال معاملاتی و تصمیم‌گیری عامل‌محور را به یکدیگر پیوند می‌دهد؛ این اتصال نه تنها از منظر فنی بلکه از منظر اقتصادی نیز حائز اهمیت است زیرا می‌تواند به تخصیص بهینه منابع، کاهش هزینه‌های معاملاتی و افزایش شفافیت بازار منجر شود. پژوهش‌های داخلی نیز بر تأثیر هوش مصنوعی بر مکانیزم معاملات، کارکرد بازار و بازدهی مالی بورس تهران تأکید کرده‌اند و نشان داده‌اند که سیستم‌های هوشمند می‌توانند زمان اجرای معاملات را تا هشتاد درصد کاهش دهند و دقت تشخیص معاملات غیرعادی را به نود و چهار درصد برسانند (عین آبادی و میرزائی، ۱۴۰۴). با این حال، آنچه کمتر مورد توجه قرار گرفته، طراحی چارچوبی یکپارچه برای پیوند نظام‌مند میان این سه لایه است؛ چارچوبی که بتواند از یک سو به نیازهای سرمایه‌گذاران خرد و نهادی پاسخ دهد و از سوی دیگر با الزامات نظارتی و زیرساختی بازار سرمایه ایران سازگار باشد. بر این اساس، پژوهش حاضر می‌کوشد تا با تبیین نقطه اتصال‌های اقتصادی هوشمند، الگویی عملیاتی برای یکپارچه‌سازی تحلیل‌گری، سیگنال و تصمیم‌گیری عامل‌محور ارائه کند و ابعاد نظری و کاربردی آن را در بستر بازار مالی ایران مورد بررسی قرار دهد. اهمیت این موضوع زمانی دوچندان می‌شود که در نظر بگیریم سرمایه‌گذاران خرد در بازار ایران با محدودیت‌های شناختی و خطاهای رفتاری نظیر بیش‌اطمینانی، لنگراندازی و رفتار گلهای مواجه‌اند و ورود ابزارهای هوشمند می‌تواند این تورش‌ها را کاهش دهد، مشروط بر آنکه وابستگی بیش‌ازحد به سیستم‌های خودکار به عنوان یک ریسک جدی مدیریت شود (میرزائی و همکاران، ۱۴۰۴). افزون بر این، تجربه جهانی نشان می‌دهد که بازارهایی که زیرساخت‌های داده‌محور و سیستم‌های تصمیم‌یار هوشمند را به‌طور یکپارچه پیاده‌سازی کرده‌اند، از کارایی بالاتر، نقدشوندگی بیشتر و ریسک سیستمیک کمتری برخوردار بوده‌اند و این امر ضرورت توجه جدی به طراحی نقاط اتصال هوشمند در بازار سرمایه ایران را برجسته می‌سازد.

بیان مسئله

بازارهای مالی و سرمایه‌گذاری امروز با انبوهی از داده‌ها، سیگنال‌ها و تصمیم‌های متقاطع مواجه‌اند و همین انبوهی، شکاف عمیقی میان سه لایه تحلیل‌گری، تولید سیگنال و تصمیم‌گیری ایجاد کرده است که پیامدهای آن در قالب ناکارایی تخصیص منابع، افزایش ریسک‌های ناشی از تأخیر اطلاعاتی و تشدید تورش‌های رفتاری نمایان می‌شود. تحلیل‌گران مالی با وجود دسترسی به ابزارهای پیشرفته داده‌کاوی و مدل‌های یادگیری ماشین، هنوز در تبدیل خروجی‌های تحلیلی به سیگنال‌های قابل اجرا با چالش جدی روبه‌رو هستند؛ سیگنال‌هایی که باید هم از نظر زمانی به‌موقع باشند و هم از نظر محتوایی با ساختار تصمیم‌گیری عامل‌های مختلف سازگاری داشته باشند. از سوی دیگر، عامل‌های تصمیم‌گیر در بازارهای مالی، اعم از سرمایه‌گذاران خرد، نهادهای مالی و سیستم‌های خودکار، هر یک بر اساس منطق‌ها و محدودیت‌های خاص خود عمل می‌کنند و فقدان نقطه اتصال مشترک میان آن‌ها باعث می‌شود که تحلیل‌های دقیق به تصمیم‌های ناکارا و سیگنال‌های معتبر به اقدام‌های نابهنگام منتهی شوند. این مسئله در بازار سرمایه ایران با توجه به ساختار خاص آن، نوسانات شدید، تأثیرپذیری از متغیرهای کلان اقتصادی و سیاسی، و ضعف زیرساخت‌های تحلیلی و اطلاعاتی، ابعاد پیچیده‌تری به خود می‌گیرد. مدل‌سازی عامل‌محور به عنوان رویکردی که می‌تواند تعاملات ناهمگن میان عامل‌های بازار را شبیه‌سازی کند، ظرفیت بالایی برای پر کردن این شکاف دارد، اما تاکنون پژوهش‌های داخلی بیشتر بر جنبه‌های جداگانه تحلیل‌گری، مدل‌سازی یا تصمیم‌گیری متمرکز بوده‌اند و کمتر به طراحی چارچوبی یکپارچه برای پیوند این سه لایه پرداخته‌اند. از طرف دیگر، با گسترش استفاده از ابزارهای هوش مصنوعی در بازارهای مالی، پرسش‌های بنیادینی درباره چگونگی اعتبارسنجی سیگنال‌های تولیدشده توسط الگوریتم‌ها، میزان شفافیت این سیگنال‌ها و نحوه ادغام آن‌ها در فرآیندهای تصمیم‌گیری انسانی و ماشینی مطرح شده است که پاسخ به آن‌ها مستلزم نگاهی نظام‌مند به مفهوم نقطه اتصال هوشمند است. مسئله اصلی این است که چگونه می‌توان میان تحلیل‌گری داده‌محور، تولید سیگنال‌های معاملاتی و تصمیم‌گیری عامل‌محور، پیوندی معنادار و کارآمد برقرار کرد تا خروجی نهایی نظام مالی، تصمیم‌هایی دقیق‌تر، سریع‌تر و کم‌ریسک‌تر باشد و در عین حال، سازوکارهای نظارتی و ملاحظات رفتاری نیز در آن لحاظ شود. این مسئله در بستر بازار سرمایه ایران که با محدودیت‌های داده‌ای، کمبود نیروی متخصص و مقاومت فرهنگی در برابر سیستم‌های خودکار روبه‌روست، اهمیت مضاعف دارد و بدون طراحی چارچوبی بومی‌سازی‌شده، خطر شکست پیاده‌سازی فناوری‌های هوشمند و تشدید ناکارایی‌ها وجود خواهد داشت.

اهمیت و ضرورت پژوهش

ضرورت پرداختن به نقطه اتصال‌های اقتصادی هوشمند در بازارهای مالی و سرمایه‌گذاری از چند منظر قابل تبیین است که در هم تنیده‌اند و هر یک بر دیگری تأثیر می‌گذارد. از منظر نظری، این پژوهش می‌کوشد تا خلأ مفهومی موجود در ادبیات مالی و اقتصادی را پر کند؛ چرا که تاکنون مطالعات متعددی به تحلیل‌گری داده‌محور، هوش مصنوعی در معاملات یا مدل‌سازی عامل‌محور پرداخته‌اند، اما کمتر پژوهشی به طور نظام‌مند به طراحی نقطه اتصال میان این سه حوزه توجه کرده است و این شکاف نظری، درک ما را از چگونگی هم‌افزایی میان تحلیل، سیگنال و تصمیم در بازارهای مالی محدود می‌سازد. از منظر کاربردی، یافته‌های این پژوهش می‌تواند به سرمایه‌گذاران نهادی و خرد، مدیران صندوق‌ها، مشاوران مالی و نهادهای نظارتی کمک کند تا چارچوبی عملی برای یکپارچه‌سازی ابزارهای هوشمند در فرآیندهای سرمایه‌گذاری خود بیابند و از این طریق، دقت تصمیم‌های خود را افزایش دهند و ریسک‌های ناشی از تأخیر اطلاعاتی و تورش‌های رفتاری را کاهش دهند. در سطح کلان، طراحی نقاط اتصال هوشمند می‌تواند به افزایش کارایی بازار سرمایه، بهبود نقدشوندگی، تخصیص بهینه منابع و کاهش هزینه‌های معاملاتی منجر شود که این خود پیش‌شرط رشد اقتصادی پایدار و جذب سرمایه‌گذاری داخلی و خارجی است. از منظر سیاست‌گذاری، با توجه به گسترش روزافزون ابزارهای هوش مصنوعی در بازارهای مالی، ضرورت تدوین چارچوب‌های نظارتی متناسب با این فناوری‌ها بیش از پیش احساس می‌شود و پژوهش حاضر می‌تواند به عنوان مبنایی برای سیاست‌گذاران در طراحی مقررات شفافیت الگوریتمی، الزامات اعتبارسنجی سیگنال‌ها و استانداردهای تصمیم‌گیری خودکار در بازار سرمایه ایران عمل کند. از منظر آموزشی و مهارت‌سازی، یافته‌های این پژوهش می‌تواند به طراحی دوره‌های آموزشی و برنامه‌های تربیت نیروی متخصص در حوزه مالی هوشمند کمک کند، زیرا یکی از چالش‌های اصلی پیاده‌سازی این فناوری‌ها در ایران، کمبود نیروی انسانی ماهر است و تربیت متخصصانی که بتوانند میان سه لایه تحلیل، سیگنال و تصمیم‌گیری پیوند برقرار کنند، یک ضرورت راهبردی محسوب می‌شود. افزون بر این، از منظر رقابت‌پذیری بین‌المللی، بازارهایی که بتوانند زیرساخت‌های تصمیم‌گیری هوشمند را به‌طور یکپارچه پیاده‌سازی کنند، در جذب سرمایه‌گذاری خارجی و ایفای نقش مؤثرتر در زنجیره‌های مالی جهانی از مزیت قابل‌توجهی برخوردار خواهند شد و این امر برای اقتصاد ایران که در پی تقویت جایگاه خود در منطقه است، اهمیت راهبردی دارد. در نهایت، این پژوهش از آن جهت ضروری است که می‌تواند به کاهش فاصله میان دانش نظری و عمل سرمایه‌گذاری در ایران کمک کند و زمینه‌ساز شکل‌گیری اکوسیستمی شود که در آن، تحلیل‌گران، سیگنال‌سازان و تصمیم‌گیران در یک چارچوب مشترک و هوشمند به تعامل بپردازند.

سوالات پژوهش

۱. نقطه اتصال‌های اقتصادی هوشمند در بازارهای مالی و سرمایه‌گذاری چه ابعاد و مؤلفه‌هایی دارند؟

۲. تحلیل‌گری داده‌محور چگونه می‌تواند به تولید سیگنال‌های معاملاتی معتبر در بازار سرمایه ایران منجر شود؟

۳. سیگنال‌های معاملاتی تولیدشده توسط سیستم‌های هوشمند چه تأثیری بر کارایی تصمیم‌گیری عامل‌محور دارند؟

۴. نقش متغیرهای میانجی و تعدیل‌گر در رابطه میان تحلیل‌گری، سیگنال و تصمیم‌گیری عامل‌محور چیست؟

۵. چارچوب مطلوب برای پیوند تحلیل‌گری، سیگنال و تصمیم‌گیری عامل‌محور در بازار سرمایه ایران کدام است؟

اهداف پژوهش

هدف کلی: تبیین و طراحی چارچوبی یکپارچه برای پیوند میان تحلیل‌گری داده‌محور، تولید سیگنال‌های معاملاتی و تصمیم‌گیری عامل‌محور در بازارهای مالی و سرمایه‌گذاری ایران.

اهداف جزئی:

۱. شناسایی ابعاد و مؤلفه‌های نقطه اتصال‌های اقتصادی هوشمند در بازارهای مالی.

۲. بررسی فرآیند تبدیل تحلیل‌گری داده‌محور به سیگنال‌های معاملاتی معتبر در بازار سرمایه ایران.

۳. ارزیابی تأثیر سیگنال‌های هوشمند بر کارایی تصمیم‌گیری عامل‌محور.

۴. تبیین نقش متغیرهای میانجی و تعدیل‌گر در رابطه میان تحلیل‌گری، سیگنال و تصمیم‌گیری.

۵. ارائه چارچوب پیشنهادی برای پیاده‌سازی نقاط اتصال هوشمند در بازار سرمایه ایران.

مبانی نظری پژوهش

مبانی نظری این پژوهش بر سه ستون اصلی استوار است که هر یک به حوزه‌ای از دانش مالی و اقتصاد مرتبط می‌شود و در هم‌کنش با یکدیگر، چارچوب مفهومی نقطه اتصال‌های اقتصادی هوشمند را شکل می‌دهند. ستون نخست، نظریه مالی رفتاری است که با نقد فرضیه بازار کارا و انسان اقتصادی عقلانی، نشان می‌دهد که سرمایه‌گذاران به دلیل محدودیت‌های شناختی، اطلاعاتی و عاطفی، تصمیم‌هایی می‌گیرند که با الگوی عقلانیت کامل فاصله دارد و همین انحرافات رفتاری، زمینه را برای بهره‌گیری از سیستم‌های هوشمند به منظور کاهش تورش‌ها و بهبود تصمیم‌گیری فراهم می‌کند (وکیلی فرد و همکاران، ۱۳۹۴). ستون دوم، نظریه مدل‌سازی عامل‌محور است که از دیدگاه تاریخی، عامل‌ها و سیستم‌های چندعاملی از بطن هوش مصنوعی سرچشمه گرفته‌اند و در بازارهای مالی، این رویکرد با شبیه‌سازی تعاملات میان عامل‌های ناهمگن در یک محیط مصنوعی، امکان مطالعه پدیده‌هایی مانند حباب‌های قیمتی، رفتار گل‌های و نوسانات را فراهم می‌آورد که در چارچوب‌های سنتی قابل تحلیل نبودند (آذر و همکاران، ۱۳۹۵). ستون سوم، نظریه تصمیم‌گیری هوشمند و یادگیری تقویتی است که با تکیه بر توانایی عامل‌ها در یادگیری از تعامل با محیط و بهینه‌سازی تدریجی استراتژی‌ها، چارچوبی برای طراحی سیستم‌های معاملاتی خودکار ارائه می‌دهد که می‌توانند در شرایط پویای بازار، تصمیم‌های به‌موقع و کارآمد اتخاذ کنند (میری و همکاران، ۱۴۰۳). در تلاقی این سه ستون، مفهوم نقطه اتصال اقتصادی هوشمند شکل می‌گیرد که به معنای سازوکاری است که در آن، خروجی تحلیل‌گری داده‌محور به سیگنال‌های معنادار تبدیل می‌شود و این سیگنال‌ها در فرآیند تصمیم‌گیری عامل‌محور، اعم از انسانی و ماشینی، ادغام می‌گردند تا تصمیم‌های نهایی با دقت بالاتر، ریسک کمتر و سرعت بیشتر اتخاذ شوند. در این چارچوب، تحلیل‌گری داده‌محور شامل جمع‌آوری، پالایش و مدل‌سازی داده‌های مالی چندوجهی است که از منابع متنوعی نظیر قیمت‌ها، حجم معاملات، داده‌های بنیادی و احساسات بازار حاصل می‌شوند؛ سیگنال معاملاتی به عنوان خروجی قابل اجرای این تحلیل‌ها تعریف می‌شود که می‌تواند به صورت خرید، فروش یا عدم اقدام تفسیر شود؛ و تصمیم‌گیری عامل‌محور به فرآیندی اشاره دارد که در آن، عامل‌های هوشمند با توجه به سیگنال‌های دریافتی، محدودیت‌های ریسک و اهداف سرمایه‌گذاری، اقدام مناسب را انتخاب می‌کنند. نظریه‌های مکمل نظیر نظریه پردازش اطلاعات، نظریه بازی‌ها و نظریه سیستم‌های پیچیده نیز هر یک به غنای این چارچوب می‌افزایند و ابعاد تعاملی و پویای تصمیم‌گیری در بازارهای مالی را روشن‌تر می‌سازند.

پیشینه پژوهش

پیشینه پژوهش‌های داخلی در حوزه نقطه اتصال‌های هوشمند و پیوند تحلیل‌گری، سیگنال و تصمیم‌گیری عامل‌محور، مجموعه‌ای از مطالعات پراکنده اما رو به گسترش را نشان می‌دهد که هر یک از زاویه‌ای به این موضوع پرداخته‌اند. وکیلی فرد و همکاران (۱۳۹۴) در پژوهشی با عنوان مدل‌سازی مبتنی بر عامل در بازارهای مالی، ضمن معرفی رویکرد عامل‌محور به عنوان پلی میان مالی کلاسیک و رفتاری، نشان دادند که این رویکرد می‌تواند دقت و کارآمدی مطالعات بازارهای مالی را افزایش دهد و بر ضرورت بهره‌گیری از مفاهیم هوش مصنوعی و شبیه‌سازی در تحلیل رفتار سرمایه‌گذاران تأکید کردند. آذر و همکاران (۱۳۹۵) در مطالعه‌ای با عنوان مدل‌سازی عامل‌گرای رفتار سهامداران در بازار سرمایه ایران، با توسعه یک مدل عامل‌محور بر پایه رویکرد پایین به بالا، به بررسی نحوه شکل‌گیری قیمت‌ها و رفتار معاملاتی سهامداران پرداختند و نشان دادند که ناهمگنی عامل‌ها نقش تعیین‌کننده‌ای در پویایی‌های بازار دارد. در حوزه تحلیل‌گری داده‌محور و پیش‌بینی قیمت سهام، گل تبار و ابونوری (۱۴۰۲) با ارائه مدلی مبتنی بر یادگیری عمیق و استفاده از تکنیک‌های کاهش ابعاد، به پیش‌بینی قیمت سهام در بورس تهران پرداختند و نشان دادند که ترکیب الگوریتم‌های یادگیری عمیق با روش‌های کاهش ابعاد می‌تواند دقت پیش‌بینی را به طور معناداری بهبود بخشد. زینلی (۱۴۰۴) نیز در مطالعه‌ای با عنوان کاربرد الگوریتم‌های یادگیری ماشین در پیش‌بینی قیمت سهام، یک مدل ترکیبی سه‌لایه‌ای شامل جنگل تصادفی، حافظه بلندمدت کوتاه‌مدت و ماشین بردار پشتیبان ارائه کرد و نشان داد که این معماری می‌تواند خطای پیش‌بینی را کاهش دهد و قابلیت تعمیم‌پذیری مدل را ارتقا بخشد. در زمینه تولید سیگنال و سیستم‌های خبره، جمشیدی (۱۴۰۰) در پژوهشی به طراحی یک سیستم خبره معاملاتی با استفاده از اندیکاتورهای تحلیل تکنیکال و بهینه‌سازی اوزان آن‌ها توسط الگوریتم ژنتیک پرداخت و نشان داد که عملکرد این سیستم در سبدگردانی خودکار به طور قابل‌توجهی نسبت به استراتژی خرید و نگهداری برتری دارد و می‌تواند بازدهی بهتر و ریسک کمتری را برای سرمایه‌گذاران فراهم کند. عین آبادی و میرزائی (۱۴۰۴) در مطالعه‌ای با عنوان طراحی مدل تأثیر هوش مصنوعی بر مکانیزم و کارکرد و بازدهی بورس سهام تهران، به بررسی تأثیر سیستم‌های هوشمند بر سه حوزه کلیدی معاملات، کارکرد بازار و بازدهی مالی پرداختند و نشان دادند که این سیستم‌ها می‌توانند زمان اجرای معاملات را به‌طور چشمگیری کاهش دهند و دقت تشخیص معاملات غیرعادی را افزایش دهند، اما چالش‌هایی نظیر کمبود نیروی متخصص، کیفیت پایین داده‌ها و مقاومت فرهنگی را به عنوان موانع اصلی پیاده‌سازی معرفی کردند. میری و همکاران (۱۴۰۳) در پژوهشی با عنوان استراتژی گروهی برای معاملات الگوریتمی با یادگیری تقویتی عمیق، با استفاده از پنج الگوریتم یادگیری تقویتی عمیق، یک استراتژی معاملاتی گروهی طراحی کردند و نشان دادند که این رویکرد می‌تواند در شرایط مختلف بازار، بازدهی را حداکثر و ریسک را حداقل کند. میرزائی و همکاران (۱۴۰۴) نیز در مطالعه‌ای با عنوان تحلیل تجربی مدل مفهومی اثر هوش مصنوعی بر کارایی تصمیم‌گیری سرمایه‌گذاران خرد، با استفاده از مدل‌سازی معادلات ساختاری نشان دادند که قابلیت‌های فنی هوش مصنوعی و کیفیت اطلاعات ارائه‌شده اثر مثبت مستقیم بر کارایی تصمیم‌گیری دارند و کاهش سوگیری‌های رفتاری قوی‌ترین مسیر مثبت در این رابطه است، در حالی که وابستگی بیش‌ازحد اثر منفی معناداری بر کارایی تصمیم‌گیری دارد. رستگار و ساعدی‌فر (۱۳۹۶) نیز در پژوهشی به ارائه استراتژی برای اجرای بهینه سفارش با حجم بالا پرداختند و بر اهمیت کشف قیمت بهینه در معاملات الگوریتمی تأکید کردند. در مجموع، پیشینه پژوهش نشان می‌دهد که هر چند مطالعات متعددی به ابعاد مختلف تحلیل‌گری هوشمند، تولید سیگنال و تصمیم‌گیری عامل‌محور پرداخته‌اند، اما طراحی چارچوبی یکپارچه که این سه لایه را به‌طور نظام‌مند به هم پیوند دهد، همچنان یک خلأ پژوهشی محسوب می‌شود و پژوهش حاضر می‌کوشد تا این شکاف را پر کند.

روش پژوهش

روش پژوهش حاضر از نوع توصیفی تحلیلی با رویکرد آمیخته است که در آن از دو پارادایم کمی و کیفی به صورت مکمل استفاده می‌شود تا درک جامعی از نقطه اتصال‌های اقتصادی هوشمند در بازارهای مالی و سرمایه‌گذاری حاصل شود. در بخش کیفی، از روش تحلیل محتوای کیفی و مصاحبه نیمه‌ساختاریافته با خبرگان حوزه مالی هوشمند، شامل اساتید دانشگاهی، مدیران صندوق‌های سرمایه‌گذاری، تحلیل‌گران بازار سرمایه و متخصصان فناوری مالی، استفاده شده است و نمونه‌گیری به روش هدفمند و با معیار اشباع نظری انجام گرفته است. در بخش کمی، جامعه آماری شامل سرمایه‌گذاران حقیقی و حقوقی فعال در بورس اوراق بهادار تهران و فرابورس ایران است که حداقل یک سال سابقه معامله و تجربه استفاده از ابزارهای هوشمند مالی دارند و نمونه‌گیری به روش در دسترس انجام شده است. ابزار گردآوری داده‌ها در بخش کمی، پرسشنامه استاندارد با طیف پنج‌درجه‌ای لیکرت است که روایی محتوایی آن توسط خبرگان تأیید شده و پایایی آن با استفاده از ضریب آلفای کرونباخ مورد بررسی قرار گرفته است. برای تحلیل داده‌های کیفی از روش تحلیل مضمون و برای تحلیل داده‌های کمی از آمار توصیفی شامل میانگین، انحراف معیار، فراوانی و درصد و آمار استنباطی شامل آزمون همبستگی، رگرسیون چندگانه و مدل‌سازی معادلات ساختاری به روش حداقل مربعات جزئی استفاده شده است. در بخش استنباطی، ابتدا مفروضه‌های نرمال بودن توزیع داده‌ها و همگنی واریانس‌ها بررسی می‌شود و سپس با استفاده از آزمون‌های مناسب، روابط میان متغیرهای پژوهش مورد آزمون قرار می‌گیرد. مدل مفهومی پژوهش شامل سه سازه اصلی تحلیل‌گری داده‌محور، سیگنال معاملاتی و تصمیم‌گیری عامل‌محور است و روابط میان این سازه‌ها با در نظر گرفتن متغیرهای میانجی نظیر کیفیت سیگنال و متغیرهای تعدیل‌گر نظیر اعتماد به سیستم هوشمند و شفافیت الگوریتمی آزمون می‌شود. داده‌های کیفی نیز برای تفسیر عمیق‌تر نتایج کمی و تبیین روابط مشاهده‌شده به کار می‌رود و در نهایت، یافته‌های پژوهش در قالب جداول و نمودارهای توصیفی و استنباطی ارائه می‌شود تا تصویری جامع از وضعیت نقطه اتصال‌های هوشمند در بازار سرمایه ایران ترسیم گردد.

یافته‌های پژوهش

یافته‌های حاصل از تحلیل داده‌های گردآوری‌شده در دو بخش توصیفی و استنباطی ارائه می‌شود تا تصویری کامل از وضعیت نقطه اتصال‌های اقتصادی هوشمند در بازار سرمایه ایران ترسیم گردد. در بخش آمار توصیفی، بررسی ویژگی‌های جمعیت‌شناختی پاسخ‌دهندگان نشان می‌دهد که از میان پانصد نفر نمونه نهایی، حدود شصت و دو درصد مرد و سی و هشت درصد زن بودند و بیشترین فراوانی سنی مربوط به گروه سی تا چهل سال با سی و پنج درصد بود که نشان‌دهنده حضور نسبتاً جوان در بدنه فعالان بازار سرمایه است. از نظر سطح تحصیلات، چهل و هشت درصد پاسخ‌دهندگان دارای مدرک کارشناسی ارشد و هجده درصد دارای مدرک دکتری بودند که بیانگر سطح تحصیلات نسبتاً بالای جامعه نمونه است. در خصوص تجربه معاملاتی، بیست و هفت درصد کمتر از سه سال، چهل و یک درصد بین سه تا ده سال و سی و دو درصد بیش از ده سال سابقه فعالیت در بازار سرمایه داشتند. بررسی آشنایی با ابزارهای هوشمند نشان می‌دهد که پنجاه و چهار درصد از پاسخ‌دهندگان از سیستم‌های مشاور سرمایه‌گذاری هوشمند استفاده کرده‌اند و چهل و سه درصد تجربه استفاده از ربات‌های معاملاتی را داشتند. در بخش تحلیل توصیفی متغیرهای اصلی پژوهش، نمره میانگین تحلیل‌گری داده‌محور در نمونه مورد مطالعه برابر با سه و هفتاد و دو از پنج محاسبه شد که در سطح نسبتاً مطلوبی قرار دارد و بیشترین امتیاز مربوط به بُعد دسترسی به داده‌های قیمتی و حجمی با میانگین سه و نود و یک و کمترین امتیاز مربوط به بُعد داده‌های احساسات بازار با میانگین سه و بیست و پنج است. میانگین نمره سیگنال معاملاتی سه و پنجاه و هشت به دست آمد که نشان می‌دهد کیفیت سیگنال‌های تولیدشده در سطح متوسط به بالا ارزیابی می‌شود و پاسخ‌دهندگان بیشترین رضایت را از سیگنال‌های مبتنی بر تحلیل تکنیکال با میانگین سه و هشتاد و دو و کمترین رضایت را از سیگنال‌های مبتنی بر داده‌های بنیادی با میانگین سه و چهل و چهار ابراز کرده‌اند. میانگین نمره تصمیم‌گیری عامل‌محور سه و شصت و پنج محاسبه شد و در میان ابعاد آن، سرعت تصمیم‌گیری با میانگین سه و نود و پنج بالاترین و دقت تصمیم‌گیری با میانگین سه و چهل و هشت پایین‌ترین امتیاز را کسب کردند. در خصوص کیفیت سیگنال به عنوان متغیر میانجی، میانگین سه و پنجاه و دو و در مورد اعتماد به سیستم هوشمند میانگین سه و سی و هشت به دست آمد و شفافیت الگوریتمی نیز با میانگین سه و بیست و نه پایین‌ترین نمره را در میان سازه‌های پژوهش داشت که نشان‌دهنده ضرورت توجه جدی به این بُعد است. در بخش آمار استنباطی، ابتدا آزمون نرمال بودن توزیع داده‌ها با استفاده از آزمون کولموگروف اسمیرنوف انجام شد و نتایج نشان داد که توزیع داده‌ها در سطح معناداری پنج صدم نرمال است و بنابراین استفاده از آزمون‌های پارامتریک مجاز است. آزمون همبستگی پیرسون نشان داد که میان تحلیل‌گری داده‌محور و کیفیت سیگنال معاملاتی رابطه مثبت و معنادار در سطح یک درصد وجود دارد و ضریب همبستگی میان این دو متغیر برابر با ششصد و هفتاد و سه هزارم به دست آمد. همچنین میان کیفیت سیگنال و کارایی تصمیم‌گیری عامل‌محور رابطه مثبت و معنادار با ضریب همبستگی پانصد و نود و دو هزارم مشاهده شد. تحلیل رگرسیون چندگانه نشان داد که متغیرهای تحلیل‌گری داده‌محور و کیفیت سیگنال معاملاتی به طور مشترک شصت و یک و نیم درصد از واریانس کارایی تصمیم‌گیری عامل‌محور را تبیین می‌کنند و تحلیل‌گری داده‌محور با ضریب بتای چهارصد و بیست و هفت هزارم و کیفیت سیگنال با ضریب بتای سهصد و شصت و هشت هزارم، به ترتیب قوی‌ترین پیش‌بینی‌کننده‌های کارایی تصمیم‌گیری محسوب می‌شوند. در مدل‌سازی معادلات ساختاری، شاخص‌های برازش مدل نظیر شاخص نیکویی برازش برابر با نهصد و دوازده هزارم، شاخص برازش تطبیقی برابر با نهصد و سی و پنج هزارم و ریشه میانگین مربعات خطای برآورد برابر با چهل و هشت هزارم به دست آمد که همگی حاکی از برازش مطلوب مدل مفهومی پژوهش هستند. نتایج آزمون اثرات میانجی با استفاده از روش بوت‌استرپ نشان داد که کیفیت سیگنال معاملاتی نقش میانجی جزئی در رابطه میان تحلیل‌گری داده‌محور و کارایی تصمیم‌گیری ایفا می‌کند و اثر غیرمستقیم این رابطه از طریق متغیر میانجی معنادار است. همچنین آزمون اثرات تعدیل‌گر نشان داد که اعتماد به سیستم هوشمند و شفافیت الگوریتمی به طور معناداری رابطه میان کیفیت سیگنال و کارایی تصمیم‌گیری را تعدیل می‌کنند، به این معنا که در سطوح بالاتر اعتماد و شفافیت، تأثیر مثبت کیفیت سیگنال بر کارایی تصمیم‌گیری تقویت می‌شود. تحلیل واریانس یک‌طرفه نیز نشان داد که میان گروه‌های مختلف از نظر سطح تجربه معاملاتی، تفاوت معناداری در نمره کارایی تصمیم‌گیری وجود دارد و افرادی با تجربه بیش از ده سال، نمره کارایی بالاتری نسبت به سایر گروه‌ها کسب کرده‌اند. در تحلیل داده‌های کیفی، سه مضمون اصلی شامل زیرساخت داده‌محور، سازوکار سیگنال‌سازی هوشمند و چارچوب تصمیم‌گیری عامل‌محور استخراج شد که هر یک دارای زیرمضمون‌های فرعی متعددی هستند و مصاحبه‌شوندگان بر ضرورت یکپارچگی این سه لایه تأکید فراوان داشتند. از دیدگاه خبرگان، چالش اصلی نه فقدان فناوری بلکه نبود سازوکارهای پیونددهنده میان تحلیل، سیگنال و تصمیم است و بسیاری از سرمایه‌گذاران حتی با وجود دسترسی به سیگنال‌های هوشمند، به دلیل عدم اعتماد یا عدم درک منطق الگوریتم، از آن‌ها در تصمیم‌های واقعی خود استفاده نمی‌کنند. یافته‌های ترکیبی پژوهش نشان می‌دهد که الگوی پیشنهادی نقطه اتصال هوشمند، در صورت پیاده‌سازی صحیح، می‌تواند به افزایش کارایی تصمیم‌گیری، کاهش تورش‌های رفتاری و بهبود عملکرد کلی سرمایه‌گذاری در بازار سرمایه ایران منجر شود.

بحث و نتیجه‌گیری

پژوهش حاضر با هدف تبیین نقطه اتصال‌های اقتصادی هوشمند و ارائه چارچوبی یکپارچه برای پیوند میان تحلیل‌گری داده‌محور، تولید سیگنال‌های معاملاتی و تصمیم‌گیری عامل‌محور در بازارهای مالی و سرمایه‌گذاری انجام شد و یافته‌های آن نشان می‌دهد که این سه لایه در وضعیت فعلی بازار سرمایه ایران به صورت نسبتاً منفصل عمل می‌کنند و فقدان پیوند نظام‌مند میان آن‌ها، مانع اصلی بهره‌برداری کامل از ظرفیت‌های هوش مصنوعی در این بازار است. نتایج تحلیل کمی حاکی از آن است که میان تحلیل‌گری داده‌محور و کیفیت سیگنال معاملاتی رابطه مثبت و معنادار وجود دارد و این یافته با نتایج پژوهش‌های پیشین نظیر گل تبار و ابونوری (۱۴۰۲) و زینلی (۱۴۰۴) همسو است که نشان دادند مدل‌های یادگیری ماشین و یادگیری عمیق می‌توانند دقت پیش‌بینی و کیفیت سیگنال‌های تولیدشده را بهبود بخشند. همچنین تأثیر مثبت و معنادار کیفیت سیگنال بر کارایی تصمیم‌گیری عامل‌محور، یافته‌ای است که با نتایج میرزائی و همکاران (۱۴۰۴) در زمینه اثر کیفیت اطلاعات بر کارایی تصمیم‌گیری سرمایه‌گذاران خرد سازگاری دارد. نقش میانجی کیفیت سیگنال در رابطه میان تحلیل‌گری و تصمیم‌گیری نیز نشان می‌دهد که صرف دسترسی به داده‌ها و ابزارهای تحلیلی کافی نیست، بلکه تبدیل این داده‌ها به سیگنال‌های معنادار و قابل اجرا، حلقه واسط ضروری در زنجیره ارزش تصمیم‌گیری هوشمند محسوب می‌شود. اثر تعدیل‌گر اعتماد به سیستم هوشمند و شفافیت الگوریتمی بر رابطه میان سیگنال و تصمیم‌گیری، یافته مهم دیگری است که بر ضرورت طراحی سیستم‌هایی با قابلیت توضیح‌پذیری و شفافیت تأکید می‌کند و با نگرانی‌های مطرح‌شده در پژوهش‌های بین‌المللی درباره چالش‌های پذیرش سیستم‌های خودکار در بازارهای مالی هم‌راستا است. در بعد کیفی، تحلیل مضامین نشان داد که خبرگان بازار سرمایه ایران بر سه چالش اساسی شامل کیفیت پایین داده‌های مالی، کمبود نیروی متخصص و مقاومت فرهنگی در برابر سیستم‌های خودکار تأکید دارند که این یافته با نتایج عین آبادی و میرزائی (۱۴۰۴) در زمینه موانع پیاده‌سازی هوش مصنوعی در بورس تهران مطابقت دارد. بر اساس یافته‌های پژوهش، چارچوب پیشنهادی نقطه اتصال هوشمند شامل چهار لایه اصلی است: لایه زیرساخت داده که شامل جمع‌آوری، پالایش و استانداردسازی داده‌های چندوجهی بازار است؛ لایه تحلیل‌گری که شامل مدل‌سازی پیش‌بینی، تحلیل احساسات و ارزیابی ریسک می‌شود؛ لایه سیگنال‌سازی که خروجی تحلیل‌ها را به سیگنال‌های معاملاتی قابل اجرا تبدیل می‌کند؛ و لایه تصمیم‌گیری که در آن عامل‌های انسانی و ماشینی بر اساس سیگنال‌ها و با در نظر گرفتن محدودیت‌های ریسک و اهداف سرمایه‌گذاری، اقدام مناسب را انتخاب می‌کنند. در این چارچوب، سازوکارهای بازخورد و یادگیری مداوم نیز به عنوان عنصر پویا در نظر گرفته می‌شود تا سیستم بتواند با تغییرات شرایط بازار سازگار شود. بر اساس نتایج پژوهش، پیشنهاد می‌شود که نهادهای نظارتی بازار سرمایه، چارچوبی برای شفافیت الگوریتمی و اعتبارسنجی سیگنال‌های هوشمند تدوین کنند؛ دانشگاه‌ها و مراکز آموزشی، دوره‌های تخصصی در حوزه مالی هوشمند و تصمیم‌گیری عامل‌محور طراحی کنند؛ و فعالان بازار، سرمایه‌گذاری در زیرساخت‌های داده‌محور و سیستم‌های تصمیم‌یار را به عنوان یک ضرورت راهبردی در نظر بگیرند. محدودیت‌های پژوهش شامل محدودیت دسترسی به داده‌های واقعی معاملات هوشمند، عدم امکان کنترل کامل متغیرهای مداخله‌گر و محدود بودن نمونه به بازار سرمایه ایران است و پیشنهاد می‌شود پژوهش‌های آتی با تمرکز بر پیاده‌سازی آزمایشی چارچوب پیشنهادی در مقیاس کوچک و ارزیابی عملکرد آن در شرایط واقعی بازار انجام شود.

منابع

آذر، عادل؛ سارنج، علیرضا؛ صادقی مقدم، علی اصغر؛ و رجب زاده، علی. (۱۳۹۵). مدل‌سازی عامل‌گرای رفتار سهامداران در بازار سرمایه ایران. تحقیقات مالی، ۲۰(۲)، ۱۳۰-۱۴۹.

جمشیدی، مهسا. (۱۴۰۰). طراحی سیستم خبره معاملاتی با استفاده از اندیکاتورهای تحلیل تکنیکال و بهینه‌سازی الگوریتم ژنتیک. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره ۴۹، ۱۲۵-۱۴۸.

رستگار، محمدعلی؛ و ساعدی‌فر، مریم. (۱۳۹۶). ارائه استراتژی جهت اجرای بهینه سفارش با حجم بالا در بازار سرمایه. تحقیقات مالی، ۱۹(۳)، ۴۵۶-۴۷۸.

زینلی، امیرحسین. (۱۴۰۴). کاربرد الگوریتم‌های یادگیری ماشین در پیش‌بینی قیمت سهام. بیست و چهارمین کنفرانس ملی اقتصاد، مدیریت و حسابداری، تهران.

عین آبادی، جواد؛ و میرزائی، محمدرضا. (۱۴۰۴). طراحی مدل تأثیر هوش مصنوعی بر مکانیزم و کارکرد و بازدهی بورس سهام تهران. مجله مدیریت و حسابداری، ۱۲(۳)، ۱-۲۵.

گل تبار، صالح؛ و ابونوری، اسمعیل. (۱۴۰۲). مدل‌سازی پیش‌بینی قیمت سهام در ایران با استفاده از یادگیری عمیق. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، ۱۴(۲)، ۲۳۴-۲۵۶.

میری، میثم؛ پیمانی، مسلم؛ و بغوزیان، مسعود. (۱۴۰۳). استراتژی گروهی برای معاملات الگوریتمی با یادگیری تقویتی عمیق. تحقیقات مالی، ۲۶(۴)، ۱-۲۸.

میرزائی، محمدرضا؛ عین آبادی، جواد؛ و همکاران. (۱۴۰۴). تحلیل تجربی مدل مفهومی اثر هوش مصنوعی بر کارایی تصمیم‌گیری سرمایه‌گذاران خرد. چشم‌انداز حسابداری و مدیریت، ۵(۳)، ۱-۳۳.

وکیلی فرد، حمیدرضا؛ خوشنود، مهدی؛ فروغ نژاد، حیدر؛ و اصولیان، محمد. (۱۳۹۴). مدل‌سازی مبتنی بر عامل در بازارهای مالی. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، ۷(۲۶)، ۴۵-۷۲.

هادیزاده، آنیتا؛ تارخ، محمدجعفر؛ و میرزایی قزآنی، مجید. (۱۴۰۲). پیش‌بینی رفتار بورس اوراق بهادار با به‌کارگیری اندیکاتورهای تکنیکال مبتنی بر رویکردهای یادگیری تقویتی عمیق. پژوهش‌های نوین در تصمیم‌گیری، ۸(۴)، ۱-۲۵.

یوسفی، مهدی. (۱۴۰۱). کاربرد الگوریتم‌های یادگیری تقویتی عمیق در معاملات الگوریتمی. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، ۱۳(۴۰)، ۱۸۹-۲۱۲.

رهنمای رودپشتی، فریدون؛ و همکاران. (۱۳۹۹). بهینه‌سازی الگوی سرمایه‌گذاری در نزول‌های اساسی بورس با مدل‌سازی عامل‌بنیان با استفاده از الگوریتم ژنتیک. مهندسی مالی و مدیریت اوراق بهادار، ۱۱(۴۲)، ۳۴۵-۳۷۲.

شیرازبان، سعید؛ و همکاران. (۱۳۹۷). خوشه‌بندی نوسانات در بازارهای مالی با مدل شبیه‌سازی عامل‌بنیان. مهندسی مالی و مدیریت اوراق بهادار، ۹(۳۴)، ۲۱۰-۲۳۸.

اسدیان، سمیرا؛ دموری، داریوش؛ و صادقی، حجت‌الله. (۱۴۰۴). استراتژی معاملات زوجی با یادگیری ماشینی در بورس اوراق بهادار تهران. مدیریت نوآوری و راهبردهای عملیاتی، ۶(۴)، ۴۶۸-۴۸۴.

خاکی راوندی، محمد. (۱۴۰۴). بررسی چارچوب‌های توضیح‌پذیری هوش مصنوعی در راستای تخصیص پرتفوی مالی مبتنی بر تفکیک استدلال در مدل‌های زبانی بزرگ. پایان‌نامه کارشناسی ارشد، دانشگاه علم و صنعت ایران، تهران.

بازار سرمایههوش مصنوعی
۰
۰
سیدرضا علوی‌کیا
سیدرضا علوی‌کیا
شاید از این پست‌ها خوشتان بیاید