Personality types of stock market investors and their impact on managerial decisions: a study using agent-based simulation.

Subject Areas : Administration of Public Affairs, Governance, Policy and Public Policy

Seyed Farhad Gooran Heydari ¹ , Abbas Toloui eshlaghi ² , Ahmad Ebrahimi ³ , Mohammad Reza Motadel ⁴

1 - دانشجوی دکتری مدیریت فناوری اطلاعات علوم و تحقیقات تهران
2 - Professor, Department of Information Technology Management, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University of Tehran, Iran
3 - Assistant Professor, Department of Industrial management and technology, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University of Tehran, Iran
4 - Faculty Member

Received: 2024-06-07 Accepted : 2024-06-23 Published : 2024-08-22

Keywords: Agen based simulation, stock market, macroeconomic variables, behavioral finance,

Abstract :

Personality Types of Stock Market Investors and Their Impact on Managerial Decisions: A Study Using Agent-Based Simulation.

Seyed Farhad Gooran Heydari  

PhD student in Information Technology Management, Department of Information Technology Management, Science and Research Unit, Islamic Azad University, Tehran, Iran

[e-mail]

Abbas Toloui eshlaghi

Professor, Department of Information Technology Management, Science and Research Unit, Islamic Azad University of Tehran, Iran

[e-mail]

Ahmad Ebrahimi

Assistant Professor, Department of Industrial management and technology, Science and Research Unit, Islamic Azad University of Tehran, Iran

[e-mail]

Mohammad Reza Motadel 

Assistant Professor, Department of Management, Central Tehran Branch of Islamic Azad University,

[e-mail]

Received: 17 July 2024 | Revised: 21 June 2024 | Accepted: 24 June 2024

Extended Abstract

 Given the complexities of the economy and considering the influential role of financial markets on the economy, as well as the importance of the economy for the country and society, methods and tools that can effectively and efficiently assess, predict, control, and guide the market and economy in a manner accessible to policymakers such as the Ministry of Economy and Finance, Securities and Exchange Organization, Central Bank, High Council of Stock Exchange, or Ministry of Industry, will be in a special position. This effectiveness and efficiency are achieved when attention to hidden layers of system relationships such as collective human behavior, which adds to the complexity of the market and economy, is not overlooked. In the present study, by employing the capacities of agent-based simulation in a mixed-method research, human behavior is combined using quantitative and qualitative methods and simulation technology as the third method of scientific research, in addition to comparative and inductive approaches.

The research is descriptive and applied, and agent-to-agent simulations of real market players in NetLogo software with modeling the market, validation using Rust and Rand tests, and sensitivity analysis using the Borgonovo approach have been conducted.

 The results of the study indicate a direct relationship between investors' risk tolerance and stock market returns and the overall stock market index growth. With the prediction made in the designed model, in addition to risk type, the possibility of assessing and monitoring other behavioral characteristics of investors, as well as with consideration of the definition of other factors for other active market players, the study of their behavior's impact on the overall index and other important indicators is also available.

In this study, for the first time, the influence of the behaviors of macroeconomic variables on the behavior of all players present in the stock market was modeled and simulated using agent-based simulation capacities.

Therefore, the collective behavior of unskilled and untrained individuals in the capital market, on the one hand, has caused them to surrender to the waves resulting from these decisions, and on the other hand, due to the uncertainty of the weight and role of market players in the resulting fluctuations, unnatural and unpredictable ups and downs, and the ability to control policymakers, it limits and in some cases also throws the flow out of control, which has caused investors and dense masses of people to distrust the stock market, and despite creating incentives or stability and control in parts of the market, we continue to witness investors' lack of interest in this market and the continuous outflow of small and medium-sized capital from the market.

This issue and the country's recent experiences correctly indicate that despite the fact that numerous studies have been conducted in the field of the capital market, traditional analyses or statistical and mathematical analyses do not have the necessary capabilities at times when psychological, social and sociological parameters need to be included in studies.

 In fact, the dynamics and complexity of the capital market, which is due to the events behind the scenes of the market mechanism in the formation of prices and the non-commercial motives of the players present in the market, the existing approaches in market study that try to discover the relationships between variables by analyzing historical data and matching the results, have not been successful in solving the problem posed so far; Therefore, it seems that using the results of a simulated model of the country's stock exchange, as an artificial capital market by defining similar factors of influential players in the market and predicting the results of changing their behavior by controlling the behavior of other simulated factors, can prevent the repetition of similar trends in recent years.

This approach can replace traditional statistical and mathematical analyses that have ignored the role of psychology, behavioral, social and sociological factors. In short; in the present study, we have addressed this issue and designed an artificial market with factor-based simulation, defining the ratio of similar factors to similar ones of stock market players, and analyzing changes in their behavior due to changes in the outcome of macroeconomic variables.

The results of the sensitivity analysis indicated a direct relationship between the type of investors and their decisions, and consequently changes in the market trend and the overall stock market index. The most important feature of the designed market is its flexibility and expandability, which allows changes in input data, input variables, output variables, factors, and the way they interact with each other. This important feature, which stems from the important ability of factor-based simulation, allows policymakers and economic administrators to study, analyze, review, and monitor the results of changes in the artificial market and generalize the results to the real market with minimal time, energy, and cost, without making changes to the real market.

 Given that the country's economic and market managers have access to confidential, historical, and personal data of the players present in the capital market, their use of the aforementioned data will provide them with much more practical results. Therefore, it is suggested that by utilizing the aforementioned data, the results of the present study, the capacities of the designed model, and the flexible, agile, and inexpensive development capabilities available in this model, which will be available with minimal time, energy, and cost, they should monitor, supervise, and take preventive controls against exceptional ups and downs that reduce the trustworthiness of the stock exchange.

Keywords: Agent-Based Simulation, Stock Exchange, Macroeconomic Variables, Behavioral Finance

References:


Abasisir, Salman, Hashemi Gohar, Mohsen, and Feyzi, Ammar. (1401). Factor-based modeling of shareholder behavior in the Tehran stock market (case study: Mobarakeh Steel Company of Isfahan). Modern Research in Decision Making, 7(1), 88-114. SID. https://sid.ir/paper/1045884/fa #
Agliari, A., Naimzada, A., & Pecora, N. (2018). Boom-bust dynamics in a stock market participation model with heterogeneous traders. Journal of Economic Dynamics.
Azar, Adel, Saranj, Alireza, Sadeghi Moghadam, Aliasghar, Rajabzadeh, Ali, Mozahed, Hashem. (2018). Factor-oriented modeling of shareholder behavior in the Iranian capital market. Financial Research, 20(2) Doi:10.22059/frj2018.259369.1006670 #
Beiranvand Mehdi. (2017). Evaluating the Relationship between Investors' Behavior in the Face of Risk and Performance Indicators. Certified Public Accountant No. 39 https://www.noormags.ir/view/fa/articlepage/1348049 #
Berger a, Dave & H.J. Turtle. (2012). Cross-sectional performance and investor sentiment in a multiple risk factor model, Journal of Banking & Finance
Betshekan, Mohammad Hashem, and Mohseni, Hossein. (2018). Investigating the spillover of oil price fluctuations on stock market returns. Investment Knowledge, 7(25), 267-284. SID. https://sid.ir/paper/187974/fa #
DOI: 10.1007/s00354-021-00133-3 #
DOI: 10.1016/j.ijresmar.2011.04.002 #
DOI: 10.1016/j.jbankfin.2011.11.001 #
DOI: 10.1016/j.jebo.2020.01.004#
DOI: 10.1016/j.jedc.2018.04.007 #
DOI: 10.1111/itor.12944 #
DOI: 10.2139/ssrn.2710495 #
Ebrahimi, Mehrzad. (2019). Investigating the impact of macroeconomic variables on the Iranian stock market using data mining algorithms. Financial Economics 13(49), 283-309SID.https://sid.ir/paper/229287/fa #
Emanuele Borgonovo،· Marco Pangallo، Jan Rivkin، Leonardo Rizzo، Nicolaj Siggelkow. (2022).Sensitivity analysis of agent‑based models: a new protocol. Computational and Mathematical Organization Theory DOI: 10.1007/s10588-021-09358-5 #
Fakhari, Hossein, Nasiri, Mehrab. (2019). The effect of company performance on the risk of future stock price collapse. Financial Management Strategy, 8(3), 43 Doi: 10.22051/JFM.2019.25489.2037 #
Fouad Ben Abdelaziz ،Fatma Mrad. (2021). Multiagent systems for modeling the information game in a financial market. International Transactions in Operational Research.
Gao, Kang, Vytelingum, Perukrishnen, Weston, Stephen, Luk, Wayne and Guo, Ce (2024) 'High-Frequency Financial Market Simulation and Flash Crash Scenarios Analysis: An Agent-Based Modelling Approach' Journal of Artificial Societies and Social Simulation. DOI:10.18564/jasss.5403 #
Ghorbani Naser, Babaei Ebrahim. (2015). Investigating the efficiency of EMA algorithm in solving optimization problems. Kermanshah: National Conference on Technology and Data with a Computer Engineering Approach https://www.esearchgate.net/publication/281297927 #
Gilbert, N., and K. Troitzsch. (2007). Simulation for the Social Scientist. George Mason University: McGraw-Hill. 2nd ed. GMU. DOI: 10.5565/rev/papers/v80n0.1837 #
Hadipour Hassan, Paytakhti Oskouei Seyed Ali, Alavi Matin Yaghoub, Rahmani Kamal-eddin. (1400). Factors affecting the volatility index in Tehran Stock Exchange (Case study: Basic Metals Industry). Industrial Management Studies Doi: 10.22054/jims.2021.57264.2581 #
Khoshnoud, Mehdi, Rahnamae Roudposhti, Fereydoun, and Nikomaram, Hashem. (2019). Optimization of Investment Pattern in Major Downturns of Tehran Stock Exchange in the Framework of Heterogeneous Factors Approach and Basis Factor Modeling Using Genetic Algorithm. Financial Engineering and Securities Management (Portfolio Management), 11(42), 248-271. SID. https://sid.ir/paper/367632/fa #
Lovric, M. (2011, March 25). Behavioral Finance and Agent-Based Artificial Markets (No. EPS-2011--F&A).ERIM Ph.D. Research in Management. Retrieved from http://hdl.handle.net/1765/22814 #
Macal Charles; North Michael. (2014). Introductory tutorial: Agent-based modeling and simulation . Savannah, GA, USA: Proceedings of the Winter Simulation Conference. DOI:10.1109/WSC.2014.7019874 #
Mishra, R. (2018). Financial Literacy, Risk Tolerance and Stock Market Participation. Asian Economic and Financial Review. DOI:10.18488/journal. aefr.2018.812.1457.1471 #
Mizuta Takanobu. (2021).An Agent-Based Model for Designing a Financial Market That Works Well. IEEE Symposium Series on Computational Intelligence. DOI:10.1109/SSCI47803.2020.9308376 #
Mizuta Takanobu. (2022). A Brief Review of Recent Artificial Market Simulation (Agent-Based Model) Studies for Financial Market Regulations and Rules.
Mizuta Takanobu، Kosei Takashima، Isao Yagi .Instability of financial markets by optimizing investment strategies investigated by an agent-based model. (2022) .Computational Intelligence for Financial Engineering and Economics. DOI:10.1109/CIFEr52523.2022.9776207 #
Mohamed Amine Souissi, Khalid Bensaid and Rachid Ellaia (2018). Multi-agent modeling and simulation of a stock market. Investment Management and Financial Innovations. DOI:10.21511/imfi.15(4).2018.10 #
Mohammadi Ali, Mosleh Shirazi Alinaghi, Abbasi Abbas, Akhlaq Poursaeed. (2019). Scenario planning of the effect of changes in factors affecting the market value of Tehran Stock Exchange using a system dynamics approach. Financial Management Perspective DOI:10.52547/jfmp.9.26.33 #
Muhammad Asif Khan, Saima Aziz, Shahid Mehmood and Anita Tangl (2024). Role of behavioral biases in the investment decisions of Pakistan StockExchange investors: Moderating role of investment experience. Investment Management and Financial Innovations. doi:10.21511/imfi.21(1).2024.12 #
Mukhtar Band, Mahmoud, Tehrani, Reza, Al-Abboudeh, Manal. (1403). Estimating the impact of fundamental macroeconomic factors on the capital market (variable frequency composite data approach). Financial Research DoI:10.22059/frj.2024.368065.1007538 #
Rand, W., & Rust, R. T. (2011). Intern . J . of Research in Marketing Agent-based modeling in marketing : Guidelines for rigor. International Journal of Research in Marketing.
Rastegar Sorkheh, Mohammad Ali, Khalaj, Ghoncheh, (2019), The Effect of Algorithmic Market Makers in Tehran Stock Exchange: An Agent-Based Modeling Approach, Tarbiat Modares University, Faculty of Industrial, System and Productivity Engineering
Robert Axelrod , Advancing the Art of Simulation in the Social Sciences. (2003). Japanese Journal for Management Information System, Special Issue on Agent-Based Modeling, Vol. 12. https://public.websites.umich.edu/~axe/research/AdvancingArtSim2003.pdf #
Sadek Benhammada ،Frédéric Amblard. (2021). An Agent-Based Model to Study Informational Cascades in Financial Markets. New Generation Computing.
Saltelli A, Bammer G, Bruno I, Charters E, Di Fiore M, Didier E, Espeland WN, Kay J, Lo Piano S, May D, Pielke RJ, Portaluri T, Porter TM, Puy A, Rafols I, Ravetz JR, Reinert E, Sarewitz D, Start PB, Stirling A, van der Sluijs JP, Vineis P. (2020). Five ways to ensure that models serve society: a manifestohttps. DOI: 10.1038/d41586-020-01812-9 #
Shirazian, Zahra, Nikomaram, Hashem, Rahnemae Roudposhti, Fereydoun, and Torabi, Taghi. (2018). Clustering Volatility in Financial Markets with an Agent-Based Simulation Model. Financial Engineering and Securities Management (Portfolio Management), 9(36), 201-224. SID. https://sid.ir/paper/197529/fa #
SID. http://parseh.modares.ac.ir/thesis.php?id=10003527&sid=1&slc_lang=fa #
Vakili Fard, Hamid Reza, Khoshnoud, Mehdi, Forough Nejad, Heydar, and Osoulian, Mohammad. (2014). Agent-based modeling in financial markets. Investment Knowledge, 3(12), 139-158. SID.https://sid.ir/paper/490488/fa #
Valizadeh, Farzaneh, Mohammadzadeh, Amir, Sayqali, Mohsen, Torabian, Mohsen. (1400). Presenting a model for predicting factors affecting the risk of stock price collapse in Tehran Stock Exchange. Financial Management Perspective Doi: 10.52547/jfmp.11.33.217 #
Westphal, Rebecca and Sornette, Didier, Market Impact and Performance of Arbitrageurs of Financial Bubbles in An Agent-Based Model (2020). Swiss Finance Institute Research Paper

Full-Text:



 

تصمیم‌گیری‌های مدیریتی  و تیپ‌های شخصیتی سرمایه‌گذاران بورس 

 مطالعه‌ای با شبیه‌سازی عامل‌بنیان

تاریخ دریافت:  18/03/1403

                                                                                                                                                                تاریخ  ویرایش:  01/04/1403  

تاریخ پذیرش:  04/04/1403

         سید فرهاد گوران حیدری 

1 دانشجوی دکتری مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

0009-0001-6279-9036 ORCID:

[e-mail]  

  عباس طلوعی اشلقی* 

2 استاد گروه مدیریت فناوری اطلاعات واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

[e-mail]

0000-0001-6050-1016ORCID:

احمد ابراهیمی 

 

  استادیار گروه مدیریت صنعتی و تکنولوژی واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

[e-mail]  

0000-0002-5373-7466 ORCID:

 محمدرضا معتدل

استادیار گروه مدیریت واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

[e-mail]

0000-0003-3371-4352ORCID:

چکيده

      با عنایت به پیچیدگی‌های حاکم بر اقتصاد و باتوجه‌به نقش تأثیرگذار بازارهای مالی بر اقتصاد، و اهمیت اقتصاد برای کشور و جامعه، روش‌ها و ابزارهایی که بتوانند ارزیابی، پیش‌بینی، کنترل و هدایت بازار و اقتصاد را به‌نحوی اثربخش و کارا در دسترس سیاست‌گذارانی چون وزارت اقتصاد و امور دارایی، سازمان بورس اوراق بهادار، بانک‌مرکزی، شورای‌عالی بورس یا وزارت صمت قرار دهند، از جایگاهی ویژه برخوردار خواهند شد. این اثربخشی و کارایی زمانی حاصل می‌شود که توجه به لایه‌های پنهان روابط سیستم‌ها مانند رفتارهای جمعی انسانی که بر پیچیدگی بازار و اقتصاد می‌افزاید، نادیده گرفته نشود. در پژوهش حاضر با به خدمت گیری ظرفیت‌های شبیه‌سازی‌عامل‌بنیان در پژوهشی ترکیبی، رفتار انسانی را با روش‌های کمی و کیفی ترکیب نموده و از فناوری شبیه‌سازی به‌عنوان سومین روش تحقیق علمی، علاوه بر رویکردهای قیاسی و استقرایی‌ بهره‌ برده‌ایم. پژوهش از نظر هدف توصیفی، ‌ و کاربردی بوده و شبیه‌سازی عامل‌های نظیر به نظیر بازیگران بازار واقعی در نرم‌افزار نت‌لوگو و با مدل نمودن بازار، اعتبارسنجی با روش روست و راند و تحلیل‌حساسیت با رویکرد بورگانوف انجام شده است. نتایج حاصل از پژوهش بیانگر وجود ارتباط مستقیم نسبت ریسک‌پذیری سرمایه‌گذاران با بازده بورس و رشد شاخص کل بورس است. باتوجه‌به پیش‌بینی انجام شده در مدل طراحی شده علاوه بر تیپ ریسکی، امکان سنجش و پایش سایر ویژگی‌های رفتاری سرمایه‌گذاران و همچنین با عنایت به تعریف دیگر عامل‌ها به‌ازای سایر بازیگران فعال بورس امکان مطالعه تأثیر رفتار ایشان بر شاخص کل و دیگر شاخص‌های بااهمیت نیز در دسترس قرار گرفته است، لذا در پژوهش حاضر برای نخستین‌بار تأثیر رفتارهای متغیرهای کلان اقتصادی بر رفتار کلیه بازیگران حاضر در بورس مدل و با ظرفیت‌های شبیه‌سازی‌عامل‌بنیان مدل‌سازی صورت‌گرفته است.

واژگان کلیدی: شبیه‌سازی‌عامل‌بنیان، بورس‌اوراق‌بهادار، متغیرهای‌کلان‌اقتصادی، مالی رفتاری 

مقدمه

 با عنایت به تحولات سال‌های اخیر بازار سرمایه کشور که تبعات اقتصادی جدی برای خوشه‌های متوسط و پایین جامعه در برداشته و با آسیب‌های روانی وارده به جامعه همراه بوده است، می‌توان این‌گونه نتیجه‌گیری نمود که رفتار جمعی افراد غیرمتخصص و آموزش ندیده از طرفی موجبات تسلیم‌شدن ایشان را در امواج حاصل از این تصمیمات به همراه داشته و از طرفی به دلیل نامشخص بودن وزن و نقش بازیگران در بازار در نوسانات حاصل و فراز و فرودها و ریزش‌های غیرطبیعی و غیرقابل‌پیش‌بینی، توان کنترل سیاست‌گذاران را محدود و در مواردی نیز جریان را از کنترل خارج نمود که این موارد موجبات بی‌اعتمادی سرمایه‌گذاران و توده‌های متراکم مردم به بورس را فراهم آورده و علی‌رغم ایجاد مشوق‌ها و یا ثبات و کنترل در بخش‌هایی از بازار کماکان شاهد عدم اقبال سرمایه‌گذاران به این بازار و دنباله مداوم خروج سرمایه‌های کوچک و متوسط از بازار هستیم. این وقایع به‌خوبی نشان داد تحلیل‌های سنتی و یا تحلیل‌های آماری و ریاضی در مواقعی که نقش شاخص‌های روان‌شناسی، رفتاری، اجتماعی و جامعه‌شناسی پررنگ باشد، فاقد کارایی لازم هستند. واقعیت این است که رویکردهای موجود در مطالعه بازار سعی در تجزیه‌وتحلیل داده‌های تاریخی داشته و در تلاش هستند تا با تطابق نتایج حاصل، روابط بین متغیرها را کشف کنند، این رویکرد تاکنون در حل مسئله اشاره شده موفق نبوده و می‌توان این ناکارآمدی را ناشی از پویایی و پیچیدگی بازار سرمایه دانسته که به دولیلِ، اتفاقات پشت پردة مکانیسمِ بازار در تشکیل قیمت‌ها و انگیزه‌های غیرِتجاری بازیگران بازار دانست. باتوجه‌به اثرپذیری اقتصاد کشور از بازارهای مالی به دلیل توانایی آن‌ها در جذب سرمایه‌گذاران و تأمین مالی بنگاه‌های اقتصادی و کنترل جریان‌های نقدی سرگردان در اقتصاد، و باتوجه‌به پیچیدگی‌ موجود بورس که بخش عمده‌ای از آن ریشه در تاثیر پر‌رنگ  رفتارهای انسانی و تصمیمات جمعی سرمایه‌گذاران دارد، روش‌ها و ابزارهایی بتواند تأثیر ناشی از تغییرات در متغیرهای کلان اقتصادی بر رفتار سرمایه‌گذاران را پیش‌بینی نموده و تاثیر ثانویه رفتار ایشان بر روند بورس را نیز تخمین بزند می‌تواند از وقوع جریان‌های خارج از کنترل که موجبات شوک به بازار را فراهم می‌آورد، پیشگیری نمود. در واقع فقدان چنین ابزاری که رفتارهای جمعی انسانی، را مطالعه و بررسی نماید در سال‌های اخیر بورس کشور را چالش‌های جدی مواجه نموده که دنباله مداوم خروج سرمایه از بازار با مشوق و هزینه‌های مقطعی نیز کنترل نشده و در نهایت این بنگاه‌های اقتصادی و به‌تبع آن اقتصاد کشور بود که از این رفتارهای هیجانی آسیب دید. بازارهای مالی از بازارهای بااهمیت جهت تأمین مالی کوتاه‌مدت و بلندمدت برای بنگاه‌ها و کسب‌وکارهای فعال کشور بوده و می‌توان گفت بازار سرمایه، به‌ویژه بورس اوراق بهادار وظیفه تخصیص بهینه منابع را عهده‌دار هستند. همچنین می‌توان به بازار ثانویه که بازیگران متعددی در آن فعال هستند به‌عنوان بخش بااهمیت‌تر بورس اوراق بهادار اشاره نمود. در این بازار انواع متنوعی از ابزارهای مالی مورداستفاده و معامله قرار می‌گیرد. پارامتر بااهمیت در این معاملات قیمت و قیمت‌گذاری اوراق مبادله شده است. فرضیه بازار کارا با تمرکز بر بیشینه‌سازی مطلوبیت مورد انتظار برای انسان عاقل تا دهه هشتاد میلادی تفکر غالب بر قیمت‌گذاری اوراق بهادار بود؛ ولی باتوجه‌به وقوع مواردی که به‌عنوان استثناهایی که این قاعده را نقض می‌کرد گویای منعکس‌نشدن کلیه اطلاعات موجود در قیمت‌ها بود و این آغاز چالش برای تئوری‌های کلاسیک بود؛ لذا پژوهش‌هایی صورت گرفت که انحرافات متعددی در قیمت‌گذاری در بازارهای مالی را به تصویر می‌کشید. با تداوم این مطالعات در دهه ۹۰ میلادی پارادایم جدیدی در حوزه مالی شکل گرفت که به مالی رفتاری شهرت یافت (وکیلی فرد و همکاران‌، 1393).

طراحی یک بازار مالی که به‌خوبی کار می‌کند برای توسعه و حفظ یک اقتصاد پیشرفته بسیار مهم است، اما آسان نیست و چون تغییر قوانین جزئی‌، اغلب باعث تأثیرات و عوارض جانبی بزرگ و غیرمنتظره می‌شود‌، این موضوع پیش‌بینی را دشوار و پیچیدگی را بیشتر می‌کند. یک شبیه‌سازی با استفاده از یک مدل مبتنی بر عامل می‌تواند مستقیماً چنین سیستم‌های پیچیده‌ای را که در آن فرایندهای خرد و پدیده‌های کلان در تعامل هستند، را درمان کرده و به‌وضوح توضیح دهد. بسیاری از مدل‌های مبتنی بر عامل مؤثر که رفتار انسان را بررسی می‌کنند قبلاً توسعه یافته‌اند و مدل‌های بازار مصنوعی بیشتر به طراحی بازارهای مالی کمک خواهند نمود و برای توسعه بیشتر و حفظ اقتصادهای پیشرفته به‌خوبی به کار گرفته خواهند شد (Takanobu،2021). مفاهیم رفتار، تصمیم‌گیری و تعامل برای مدل‌سازی انواع سیستم‌ها کاربرد دارند. عامل یک مفهوم کلی است که کاربردهای گسترده‌ای دارد. کارگزاران اغلب نماینده افراد یا گروه‌هایی از مردم هستند. روابط بین عامل‌ها نشان‌دهنده فرایندهای تعامل اجتماعی است (گیلبرت و ترویتش‌،2005) توسعه ابزارهای مدل‌سازی مبتنی بر عامل‌، دسترسی به میکرو داده‌ها در تراکنش‌ها و تعاملات بین عاملی، و پیشرفت در محاسبات، تعداد فزاینده‌ای از برنامه‌های سیستم‌های مبتنی بر عامل را در حوزه‌ها و رشته‌های مختلف ممکن کرده است (Macal & North ، 2014)

پیشینه پژوهش

در ادامه جدول خلاصه پژوهش‌های صورت‌گرفته در حوزه تحلیل بازارهای مالی در هر سه پارادایم، شبیه‌سازی، مالی رفتاری و پارادایم کلاسیک ارائه گردیده است:

1-2- پژوهش های خارجی

پژوهشگر	سال	عنوان پژوهش	یافته‌ها	روش و ابزار	محل انتشار
Kang Gao et al.	2024	شبیه‌سازی  عامل بنیان بازار مالی با فرکانس بالا و تجزیه‌وتحلیل سناریوهای سقوط	فرایند شکل‌گیری قیمت از تعاملات بین معامله‌گران مومنتوم، معامله‌گران بنیادی و معامله‌گران نویز تشکیل شده است	استقرار مدل‌های عامل گرا برای تولید داده در بازار‌های مصنوعی	Journal of Artificial Societies and Social Simulation
Asif Khan et al.	2024	نقش سوگیری‌های رفتاری در تصمیمات سرمایه‌گذاری سرمایه گذاران بورس اوراق بهادار پاکستان	سوگیری‌های سرمایه‌گذار در رفتار وی مؤثر بوده و تغییرات رفتاری آنها موجب پویایی یا رکود بازار می‌شود	ترکیبی از روش‌های کمی و کیفی، استفاده از روش‌های رگرسیونی و لیکرت و تحلیل عاملی	Investment Management and Financial Innovations
Takanobu	2022	مروری کوتاه بر مطالعات اخیر شبیه‌سازی بازار مصنوعی (مدل مبتنی بر عامل) برای مقررات و یا قوانین بازار مالی	یک بازار مصنوعی، می‌تواند سهم ناب تغییر مقررات را در شکل‌گیری قیمت‌ها مجزا کرده و ابزاری برای پیشگیری از مشکلاتی باشد که به وقوع نپیوسته‌اند	شبیه‌سازی بازار با مدل‌سازی عامل بنیان	Studies for Financial Market Regulations and Rules
Takanobu et al.	2022	بی‌ثباتی بازارها با بهینه‌سازی استراتژی ‌های سرمایه‌گذاری بررسی شده توسط مدل مبتنی بر عامل	پارامتر استراتژی سرمایه‌گذاری هرگز به یک مقدار خاص همگرا نشده، بلکه به تغییر ادامه داده است	توسعه بازار مصنوعی با استفاده از شبیه‌سازی عامل بنیان	Computational Intelligence for Financial Engineering and Economics
Benhammada & Amblard	2021	مدلی مبتنی بر عامل برای مطالعه آبشارهای اطلاعاتی در بازارهای مالی	آبشارهای اطلاعاتی  زمانی به وجود می‌آید که بازار در کنترل معامله گرانی با عدم اطمینان قابل‌ توجه در سیگنال‌های خود باشد	ساخت یک مدل مبتنی بر عامل برای مطالعه آبشارهای اطلاعاتی	New Generation Computing
Fouad&	2021	سیستم‌های چندعاملی برای مدل‌سازی بازی اطلاعاتی در بازار مالی	شبیه‌سازی آنها حساسیت نتایج بازار سهام به نوع اطلاعات در مورد نمایندگان را نشان می‌دهد	توسعه یک مدل مبتنی بر عامل برای بررسی بازی اطلاعاتی	International Transactions in Operational Research
Takanobu	2021	مدلی مبتنی بر عامل برای طراحی بازار مالی که به‌خوبی کار می‌کند	مجموعه‌ای از ریز فرایندها یعنی رفتارهای معامله‌گران، هرگز توان توضیح پدیده‌های کلان مثل تشکیل قیمت را ندارد	طراحی یک مدل بازار مصنوعی مبتنی بر عامل	IEEE Symposium Series on Intelligence, Computation Intelligence for Financial
Westphal &	2020	تاثیر بازار و عملکرد آربیتراژگران حباب‌های مالی در یک مدل مبتنی بر عامل	نوسانات و ارزش در معرض خطر و دامنه اوج حباب متوسط را کاهش می‌دهند، آربیتراژ ثبات زاست	مدل‌سازی با استفاده از شبیه‌سازی عامل بنیان	Journal of Economic Behavior & Organization, Elsevier
Souissi&	2018	مدل‌سازی و شبیه‌سازی چندعاملی یک بازار سهام	ثبات بازار به‌شدت تحت‌تأثیر توزیع انواع معامله‌گران و معرفی مکانیسم تقلید قرار گرفته و معامله‌گران سوداگر می‌توانند بی‌ثباتی بازار و نوسانات بالا شود.	مدل‌سازی با استفاده از شبیه‌سازی عامل بنیان	Management and Financial Innovations, Volume 15
Agliari et al.	2018	پویایی رونق - رکود در یک مدل مشارکت در بازار سهام با معامله‌گران ناهمگن	مشارکت سرمایه‌گذاران و انطباق با شواهد تجربی و آزمایشی می‌تواند موجبات پویایی و رونق را فراهم کند	طراحی بازار مصنوعی با شبیه‌سازی عامل بنیان	Journal of Economic Dynamics and Control

2-2- پژوهش های داخلی

پژوهشگر	سال	عنوان پژوهش	یافته‌ها	روش و ابزار	محل انتشار
تهرانی و همکاران	1403	برآورد تأثیر عوامل بنیادین کلان اقتصادی بر بازار سرمایه	الگوی میداس نشان می‌دهد که بهای نفت، نقدینگی و نرخ ارز تاثیر مثبت و معنادار بر رفتار بازار سهام دارد	رویکرد داده‌های ترکیبی تواتر متفاوت	فصلنامه تحقیقات مالی دانشگاه تهران
عباسی سیر  و همکاران	1401	بررسی  رفتار سهام‌داران در بورس اوراق بهادار تهران مطالعه موردی فولاد مبارکه اصفهان با رویکرد مدل‌سازی عامل‌بنیان	شخصیت نوع اولی یعنی هیجانی‌ها 48 درصد و نوع دوم یعنی سهامداران نوسانگیر 52 درصد از جمعیت سهامداران را به خود اختصاص داده اند .	مدل‌سازی با استفاده از شبیه‌سازی عامل بنیان	پژوهش‌های نوین در تصمیم‌گیری شماره 7
هادی‌پور و همکاران	1400	عوامل مؤثر بر شاخص بی‌ثباتی در بورس اوراق بهادار تهران	تنش‌های سیاسی و روابط خارجی کشور مهم‌ترین عامل نوسانات است که دارای تاثیر غیرقابل‌کنترل بر بازارهای موازی است که برآیند اثر آن‌ها در بورس منعکس می‌گردد	به‌کارگیری روش‌ تلاطم شرطی	مطالعات مدیریت صنعتی
ولی‌زاده و همکاران	1400	ارائه مدلی برای پیش‌بینی عوامل مؤثر بر ریسک سقوط قیمت سهام در بورس اوراق بهادار تهران	می‌توان برای پیش‌بینی عوامل مؤثر بر ریسک سقوط قیمت سهام مدلی ارائه نموده که در آن متغیرهای پژوهش بر ریسک سقوط قیمت سهام تأثیر دارند	میز خبرگان، مصاحبه، استخراج مدل پژوهش با  معادلات ساختاری	چشم‌انداز مدیریت مالی
رستگار سرخه و خلج	1399	اثر بازارسازان الگوریتمی در بازار بورس تهران: رویکرد مدل‌سازی عامل محور	استراتژی‌های معاملاتی در فرکانس‌های زمانی مختلف تاثیر مستقیم بر بازده بازار دارد	توسعه مدل مندس با شبیه‌سازی عامل بنیان	تربیت‌مدرس، دانشکده مهندسی صنایع، سیستم و بهره‌وری
رهنمای رودپشتی و همکاران	1399	بهینه‌سازی الگوی سرمایه‌گذاری در نزول‌های اساسی بورس با مدل‌سازی عامل بنیان با استفاده از الگوریتم ژنتیک	مدل عامل ناهمگن، راهبرد مقلدان روند متضاد را به نحوی مناسب پیش­بینی می­کند	و مدل‌سازی عامل بنیان با استفاده از الگوریتم ژنتیک	مهندسی مالی و مدیریت اوراق بهادار، دوره: 11، شماره: 42
حسین فخاری و مهراب نصیری	1399	تاثیر عملکرد شرکت بر ریسک سقوط آتی قیمت سهام	می‌توان روند قیمت سهام را باتوجه‌به عملکرد، پیش‌بینی و نسبت به حفظ، خرید یا فروش سهام آن شرکت اقدام کرد	رگرسیون چندگانه با روش داده‌های تابلویی پویا	راهبرد مدیریت مالی، 8(3)
محمدی و همکاران	1398	برنامه‌ریزی سناریو اثر تغییرات عوامل مؤثر بر ارزش بازار بورس اوراق بهادار تهران با استفاده از رویکرد پویایی‌شناسی سیستم	در بلندمدت، افزایش نرخ بهره باارزش بازار سرمایه رابطه معکوس داشته و افزایش نرخ رشد تولید ناخالص داخلی رابطه مستقیم  دارد	تلفیق نظام برنامه‌ریزی  یکپارچه، رویکرد سیستم‌های فازی و رویکرد پویایی‌شناسی سیستم	نشریه چشم‌انداز مدیریت مالی و حسابداری  شماره 26
مهرزاد ابراهیمی	1398	بررسی تاثیر متغیرهای کلان اقتصادی بر بازار سهام ایران با استفاده از الگوریتم‌های داده‌کاوی	قیمت سهام با نرخ تورم، تولید ناخالص داخلی، حجم پول، نرخ ارز و تراز تجاری رابطه مثبت و با سود سپرده، کسری بودجه دولت و نرخ بهره آمریکا رابطه منفی وجود دارد	استفاده از الگوریتم‌های داده‌کاوی	اقتصاد مالی  - شماره 49
شیرازیان و همکاران	1397	خوشه‌بندی نوسانات در بازارهای مالی با مدل شبیه‌سازی عامل بنیان	تغییرات بزرگ در قیمت تمایل به تشکیل خوشه با هم دارند و خوشه‌ها برای زمانی پایدار می‌ماند	تحلیل بازار با استفاده از شبیه‌سازی عامل بنیان	مهندسی مالی و مدیریت اوراق بهادار، شماره 36
عادل آذر و همکاران	1397	مدل‌سازی عامل گرای رفتار سهام‌داران در بازار سرمایه ایران	باتوجه‌به نابالغ بودن بازار ایران مکانیزم‌های کنترلی در کوتاه‌مدت در نوسان بوده؛ اما کارایی آنها در بلندمدت هر چه بیشتر خواهد شد	مدل‌سازی رفتار سهام‌داران در بازار سرمایه ایران با بهره‌گیری از شبیه‌سازی عامل بنیان	فصلنامه تحقیقات مالی  دوره ۲۰ شماره ۲
بت‌شکن و محسنی	1397	بررسی سرریز نوسانات قیمت نفت بر بازدهی بازار سهام	وجود همبستگي‌هاي شرطي در نوسان‌هاي کوتاه‌مدت بوده و وجود اثرات سرريزي قیمت نفت روی شاخص بورس را تأیید کرده است	گارچ چندمتغیره شامل مدل بابا، انگل، کرونر و کرافت، همبستگي شرطي ثابت، پويا	فصلنامـه علمی‌پژوهشی دانش سرمایه‌گذاری شماره 25

تاکنون تحقیقات بسیاری در حوزه تحلیل بورس صورت پذیرفته که این تحلیل‌ها عموماً با نگاه به روندهای بورس، نوسانات، قیمت‌گذاری بوده و به دلایلی ریشه در پیچیدگی رفتار سرمایه‌گذاران دارد، تحلیل‌های کمی آماری و ریاضی تخمین‌های دقیقی از واقعیت،  نداده و نتایج غالباً کاربردی نیست. علاوه بر این در مواردی نیز که شبیه‌سازی‌عامل‌بنیان به خدمت گرفته شده است، صرفاً به پیش‌بینی رفتار سرمایه‌گذاران و با تمرکز بر شاخص‌ها یا متغیرهای درونی شرکت‌ها پرداخته شده و به  تاثیر رفتار سایر بازیگران فعال در بورس و متغیرهای بیرونی مانند شاخص‌های کلان اقتصادی پرداخته نشده  است.

باتوجه‌به تقسیم‌بندی پژوهش‌های انجام شده که به آن پرداخته شد، این پژوهش‌ها در سه بستر کلی تحت عناوین، 1) پژوهش‌های کلاسیک با بهره‌‌ گیری از مدل‌های آماری و ریاضی، 2) پژوهش‌های در بستر مالی رفتاری، 3) پژوهش‌هایی که به خدمت گیری ظرفیت‌های شبیه‌سازی انجام شده است. این پژوهش در هر سه پارادایم پژوهش‌های مذکور دارای نوآوری‌هایی بوده که ادامه به آنها پرداخته شده است:

1-        در پژوهش حاضر برای نخستین بار نسبت به بررسی نقش بازیگران فعال در بورس علاوه بر سرمایه‌گذار اقدام شده است که پیش از این در هیچ‌یک از رویکردهای پژوهشی قبلی این مهم صورت نپذیرفته است

2-        برای نخستین بار با شبیه‌سازی عامل بنیان، نقش متغیرهای کلان اقتصادی در روند بورس بررسی شده است

3-        طی تحقیق جاری این امکان در دسترس قرار گرفته است که ضمن کشف تأثیر مطلوب یا نامطلوب تیپ‌های مختلف شخصیتی سرمایه‌گذارن، بتوان نقطه بهینه ترکیب وزنی حضور تیپ‌های مختلف را کشف نمود

4-        برای اولین بار تأثیر متغیرهای کلان اقتصادی بر رفتار بازیگرانی علاوه بر سرمایه‌گذار مطالعه شده است

روش پژوهش

در این پژوهش باهدف شناخت کافی پژوهشگر از ساختار و سازماندهی بازار با رویکرد کیفی و استقرایی با تمرکز بر واقعیت‌های بازار مدل مفهومی ارائه و طی مطالعه تطبیقی، واقعیت‌های مذکور با بازارهای مصنوعی تطبیق و از فناوری مدل‌سازی و شبیه‌سازی به‌عنوان سومین روش تحقیق علمی، علاوه بر رویکردهای قیاسی و استقرایی سنتی (Axelrod،2003) استفاده شده است. مدل حاصل باتوجه‌به نقش کلیه بازیگران بورس با ارزیابی رفتار عامل‌ها  به سؤالات جواب می‌دهد؛ لذا از نظر هدف توصیفی بوده و به دلیل قابلیت به‌کارگیری نتایج آن کاربردی است. محتوا و دانش اساسی اين پژوهش مشتمل بر سيستم‌هاي پيچيده، و شبیه‌سازی عامل بنیان بوده و تحقیقات انجام شده چارچوب آن‌هاست. در این روش، لازم است کلیه بازیگران تأثیرگذار مدل و عملکرد آن‌ها در تعامل با سایر اجزای مدل تعیین شود که بدین منظور هر عامل به‌صورت یک شیء برنامه‌نویسی شده و برهم‌کنش میان انتخاب‌‌ها و رفتارهای هریک از این اشیا در قالب برنامه‌نویسی شیءگرا موردتوجه قرار گرفته است. ساختار مدل از طریق شبه کد و توسط نرم‌افزار نت‌لوگو شبیه‌سازی می‌شود. با ساخت مدل چه زمان ساخت آن و چه پس از آن می‌توانیم به شناخت از ساختار و نحوه رفتار سیستم واقعی رسیده و رفتار آن را در شرایط مختلف پیش‌بینی کنیم؛ لذا قادر بوده‌ایم سناریوهای مختلف با ترکیب‌های مختلف از بازیگران و تیپ‌های متنوع از سرمایه‌گذاران، برای بهبود عملکرد سیستم را طراحی و آزمون کنیم و این مهم با تکرار آزمایش‌ها و تولید آزمایش‌های جدید و با استفاده از ویژگی‌های خاص شبیه‌سازی عامل بنیان مانند خودمختاری عامل‌ها و مستقل‌بودن معامله‌گران به‌دست‌آمده است.

1-       مدل مفهومی

بازیگرانِ اکوسیستم بازار سرمایه به عوامل محیط بیرونی، و عوامل درونی تقسیم می‌شوند. بازیگرانِ بیرونی ِ تأثیرگذار بر روند بورس، بانک مرکزی، وزارت اقتصاد و امور دارایی، وزارت صمت، شورای‌عالی بورس و سازمان بورس اوراق بهادار بوده که با اتخاذ تصمیم، قانون‌گذاری، ‌سیاست‌گذاری و اجرای قانون بر متغیرهای اقتصاد کلان مانند نرخ ارز، قیمت نفت خام،  نرخ تورم، نرخ بهره بانکی، تولید ناخالص داخلی، حجم پول، کسری بودجه، تراز تجاری، تأثیر گذاشته و تغییرات در متغیرهای مذکور موجبات تغییر در رفتار بازیگران درونی و به‌تبع آن تغییر روند بورس و شاخص کل را فراهم می‌آورند. عوامل اصلی یا درونی بازار سرمایه مانند ناشر، سرمایه‌گذار، بازارگردان‌ها، سبدگردان‌ها، مؤسسات تأمین سرمایه، مؤسسات رتبه‌بندی، در نظر گرفته شده و با تخصیص عامل‌ها به بازیگران درونی بازار سرمایه و انتخاب متغیرهای کلان اقتصادی به‌عنوان متغیرهای ورودی پژوهش، باهدف مطالعه و بررسی تاثیر آن‌ها بر متغیر خروجی یعنی شاخص کل بورس ایران به‌عنوان کاربردی‌ترین شاخص در بین شاخص‌های قابل‌اندازه‌گیری در بورس، مدل‌سازی صورت‌گرفته و مدل‌ مفهومی در شکل-1  ارائه شده است:

 

        شکل-1 مدل مفهمومی پیشنهادی پژوهش جهت مدل‌سازی بورس و مراحل و  فرایندهای پژوهش

           1-4- مفروضات مدل

1-       سرمایه‌گذاران دارای دو تیپ شخصیتی ریسک‌گریز و ریسک‌پذیر بوده که برای هر تیپ اسلایدر در نظر گرفته شده و بازه‌های انتخابی تحلیل حساسیت ده درصد تفاضلی بوده است.

 

شکل-2  نمایش نحوه تغییرات در اسلایدرهای سهم تیپ‌های ریسکی سرمایه‌گذاران

2-       بازه‌های زمانی داده‌های جمع‌آوری‌شده برای دوره پانزده‌ساله شبیه‌سازی، سالیانه فرض شده و مقادیر متغیرهای استخراج شده مقادیر واقعی آخرین روز کاری سال شمسی بر اساس اطلاعات منتشر شده توسط مراجع ذی‌صلاح (بانک مرکزی، سازمان بورس اوراق بهادار، سازمان آمار) بوده است و نسبت به پیش‌بینی دوره پانزده‌ساله پس از دوره شبیه‌سازی یعنی از 1402 تا 1416 شمسی اقدام شده است.

                                                                        

شکل-3  نمایش نحوه تغییرات در اسلایدرهای بازه‌های زمانی شبیه‌سازی و دوره پیش بینی

3-       بر اساس مصاحبه با سی نفر از خبرگان بازار سرمایه (شامل مدیران عامل، اعضای هیئت‌مدیره و معاونین کارگزاری‌های رسمی بورس کشور و مؤسسات سبدگردانی و شرکت بزرگ بورسی)، رفتارهای معمول هریک از بازیگران بورس در اثر تغییر در متغیرهای کلان اقتصادی روندهای در شرایط صعودی و نزولی و یا ثبات بازار بر مبنای جدول زیر قابل‌پیش‌بینی خواهد بود.

 

عامل	روند صعودی بازار	روند نزولی بازار	وجود ثبات در بازار
ناشر	تکالیف و افعال بی‌ارتباط	تکالیف و افعال بی‌ارتباط	تکالیف و افعال بی‌ارتباط
سرمایه‌گذار	خرید	فروش	حفظ سرمایه
بازارگردان‌ها	فروش	خرید	خریدوفروش تعادلی
سبدگردان‌ها	فروش	خرید	خریدوفروش تعادلی
مؤسسات تأمین سرمایه	افزایش فعالیت	کاهش فعالیت	حفظ روند
مؤسسات رتبه‌بندی	افزایش میانگین نمره‌ها	کاهش میانگین نمره‌ها	حفظ روند
صندوق‌ سرمایه‌گذاری	خرید	فروش	خریدوفروش تعادلی

جدول -1 رفتارهای معمول بازیگران فعال در بورس در روند‌های متفاوت بازار

4-       تعداد عامل‌های تنظیم شده (بازیگران درونی بازار)، تعداد واقعی آخرین روز کاریِ دوره شبیه‌سازی یعنی سال 1401 بوده و  برای نسبت وزنی یا ضریب نفوذ آن‌ها در نت لوگو اسلایدر تعریف شده و مورد تحلیل حساسیت قرار گرفته است.

 

شکل - 4  نمایش داده‌های ورودی وارد شده در نت لوگو 

5-       باتوجه‌به اینکه روند رشد متغیرهای کلان اقتصادی و شاخص کل در کشور در دوره پانزده سال اخیر  همواره صعودی بوده، باهدف ایجاد امکان مطالعه، بررسی و تحلیل حالاتِ محتمل دیگر، علاوه بر شبیه‌سازی بر مبنای دیتابیس که در بلندمدت نشانگر روند صعودی کلی است، در تیپ دیگری نیز به‌صورت مجزا، حالت تصادفی تعریف، و در هر دو تیپ نتایج مورد تحلیل حساسیت صورت‌گرفته است.

                                                                  

شکل-5  معرفی قابلیت انتخاب شبیه‌سازی با رویکردهای تصادفی و داده محور 

6-       داده‌های جمع‌آوری  شده در مرحله اول در نرم‌افزار صفحه گسترده Excel طبقه‌بندی و مرتب شدند و سپس به‌عنوان ورودی نرم‌افزار نت‌لوگو  لحاظ شده و مورد پردازش، شبیه‌سازی، بهینه‌سازی و تحلیل حساسیت قرار گرفته که در جدول زیر ارائه شده است:

سال	طلا 18 عیار	نفت اوپک	دلار آمریکا	نرخ بهره	نرخ تورم	تراز پرداخت‌ها	رشد نقدینگی	حجم نقدینگی	شاخص کل
1386	175100	99	8956	16	18.4	15246	27.7	1640293	9248.9
1387	219800	39	9717	17.25	25.4	8229	15.9	1901366	7966.5
...	...	...	...	...	...	...	...	...	...
1400	12291000	105	262300	14	40.2	895	39.7	48320000	1367250
1401	26406000	74	538000	20.5	46.5	-6489	30	62820000	1960457
واحد	ريال	دلار	ريال	درصد	درصد	میلیون دلار	درصد	میلیارد ريال	واحد

جدول-2  داده‌های پانزده ساله جمع آوری و استفاده شده در نت لوگو جهت دیتابیس شبیه‌سازی

2-        مدل‌سازی ریاضی

       پس از مدل‌سازی مفهومی و معین نمودن عامل‌ها  در مدل، مدل‌سازی ریاضی انجام و در این مرحله روابط بین بازیگران و ویژگی‌های هریک از عامل‌ها مشخص و قوانین حاکم بر ارتباطات فی‌مابین آن‌ها معرفی می‌گردد.

اگر ارزش جاری بازار سهام در زمان موردمطالعه را بر ارزش جاری بازار سهام در سال پایه تقسیم و عدد به‌دست‌آمده را در 100 ضرب  کنیم، ‌عدد حاصل برابر شاخص کل بوده و فرمول نحوه محاسبه به این شکل است :

                                                                 

فرمول محاسبه  بازده نقدی شرکت‌ها، با لحاظِ DPS به‌عنوان سود نقدی پرداختی  به این شکل است:

 

RDt بازدهی نقدی در زمان t و Pit قیمت سهام شرکت i در زمان t و qit تعداد سهام شرکت i در زمان t است.

و معامله فرموله شده در این معادله قابل روئیت است:                                         Si=P(t)* [1- (RND- Riski)*y]

و در آن Si حد فروش،  در زمان t و P قیمت سهام شرکت در زمان t و Riski  پارامتری است که ریسک گریزی معامله‌گر را نمایش داده که RND عددی بین صفر و یک با توزیع یکنواخت است و گویای این مهم است که درجه بالاتر ریسک‌گریزی در بازیگر تصادفی احتمال پیشنهاد نرخ جذاب از سوی او را افزایش می‌دهد در نتیجه احتمال شکل‌گیری معامله و تقویت روند بازار افزایش می‌یابد. باتوجه‌به فرضیات ارائه شده، می‌توان تابع تصمیم‌گیری زیر را برای عامل‌ها در شبیه‌سازی‌عامل‌بنیان با تأثیرپذیری از متغیرهای کلان اقتصادی و تصمیمات آن‌ها روی شاخص کل بورس ارائه داد، با فرض دسترسی هر عامل در شبیه‌سازی به اطلاعاتی مانند نرخ نفت اپک، نرخ دلار، نرخ طلا، نرخ تورم، حجم نقدینگی، حجم پول، رشد نقدینگی و تراز پرداخت‌ها، همچنین با فرض اینکه عامل‌های نماینده سرمایه‌گذاران، دارای دو تیپ سرمایه‌گذاران، ریسک‌گریز و ریسک‌پذیر هستند. تابع تصمیم‌گیری به این شکل است: D = f (R, I, X, C, T)                                                  

 

D نشان‌دهنده تصمیم گرفته شده توسط عامل، R نمایانگر متغیرهای کلان اقتصادی مانند نرخ نفت اپک، نرخ دلار، نرخ تورم، نرخ طلا، حجم نقدینگی، حجم پول، رشد نقدینگی و تراز پرداخت‌ها، I نمایانگر اطلاعات گذشته بازار سرمایه، X نشان‌دهنده تصمیمات عامل که شامل ترکیب خرید، فروش یا عدم معامله می‌شود. C نیز نشان‌دهنده شاخص کل بورس است. T نمایانگر نوع سرمایه‌گذاری عامل و می‌تواند ریسک‌گریز یا ریسک ‌پذیر باشد. تابع f به این شکل تعریف می‌شود:     F (R, I, X, C, T) = α * R + β * I + γ * X + δ * C + η * T + ε

  در این فرمول، α، β، γ، δ و η ضرایب هستند که نشان‌دهنده وزن‌دهی متغیرهای مختلف در تصمیم عامل است. ε نیز خطا یا نوسانات غیرقابل‌پیش‌بینی است.

1-5- الگوریتم میانگین متحرک ( EMA Exponential Moving Average|)

الگوریتم EMA با الهام از نحوه دادوستد سهام در بورس اقدام به حل مسائل بهینه‌سازی می‌نماید. مطالعه دقیق نحوه دادوستد سهام توسط نخبگان بازار موجب شکل‌گیری این الگوریتم ابتکاری شده که دارای دو اپراتور جستجوگر و دو اپراتور جذب‌کننده نفرات به سمت فرد نخبه است که موجب می‌شود تولید و ساماندهی اعداد تصادفی در این الگوریتم به بهترین شکل ممکن صورت گیرد (قربانی و بابایی،1394). برای محاسبه EMA ابتدا اندیکاتور میانگین متحرک ساده (Simple Moving Average | SMA) محاسبه شده و به این منظور مقدار پایانی دوره‌های اندیکاتور را جمع کرده و بر تعداد دوره‌ها تقسیم نموده‌ایم و در ادامه برای ساخت میانگین متحرک نمایی از ضریب هموارسازی استفاده که دوره میانگین‌گیری n و ضریب هموارسازی x فرض شده و از فرمول X = 2/n+1 برای محاسبه ضریب هموارسازی استفاده شده و پس از محاسبه ضریب هموارسازی  اندیکاتور EMA  محاسبه شده است. مقدار این اندیکاتور برای هر دوره، به مقدار عددی آن در دوره قبل بستگی دارد. مقدار EMA دوره قبل را برابر با A، قیمت پایانی دوره فعلی را برابرP و ضریب هموارسازی را X در نظر گرفته و EMA با این فرمول محاسبه شده است: (P*X) + (A*(1-X) )                                       = EMA

6- پیاده سازی مدل اولیه در نرم افزار 

کدنویسی و اجرای مدل طراحی شده در نرم‌افزار Netlogo Ver 6.3.0 انتخاب و به کار گرفته شده است و در آن باتوجه‌به مشخصه‌های عامل‌ها و تعاملات بین آنها،  2335 سطر کد نوشته و برای هر مرحله تحلیل 100 مرتبه اجرا و نتایج میانگین گیری شده است برای ارتباطات و تعامل بین عامل‌های مدل حاضر در نرم افزار نت لوگو از توابع و قوانین شرطیIf-Else  استفاده شده است و دستورهای فراخوانی Matrix-Set و Matrix-Get و Ask به‌کارگیری شده و  پس از پایان کد نویسی نسبت به اجرای مدل اقدام شده و پس از شبیه‌سازی نمودار هر یک از متغیرهای ورودی بر مبنای داده‌های تاریخی و نمودار پیش بینی پانزده سال آینده آن‌ها ترسیم خواهد شد. در ادامه، رفتار عامل‌ها یعنی بازیگران بورس که با نگاه کردن به جداول رفتار متغیرها و بر اساس نقش‌ها و رفتار آن‌ها در شرایط متفاوت بازار کد شده است، مورد پایش قرار می‌گیرد. در این مرحله عامل‌ها با هدف پیش‌گیری از تضعیف سرمایه خود و حداکثرسازی منافعشان و با تکیه بر روند شاخص‌های ورودی اقدام به عمل یعنی معامله می‌کنند. این رفتارها بر اساس برآیند تغییرات در متغیرهای ورودی و باتوجه‌به نقش آن عامل در بازار، بر روند بورس و متعاقب آن بر شاخص کل تأثیر گذاشته و ماحصل آن در نمودار و جدول پیش بینی شاخص کل قابل مشاهده، ‌تحلیل و بررسی خواهد شد. جهت ایجاد فرضیات مرتبط یا کشف پویایی سیستم نیازمند انجام آزمایش مجاز هستیم. به همین منظور نخست پارامترها یا متغیرهایی که فرض بر بیشتری تأثیرگذاری آنها است شناسایی می‌شوند. در مرحله بعد محدوده مقادیر متغیرهای تأثیرگذار شناسایی شده تحت عنوان اسلایدر تعریف می شوند (آذر و همکاران،1397).

 

شکل-6   نمایی از صفحه نرم افزار نت لوگو پس از اجرا

7-تأیید اعتبار و راستی‌آزمایی مدل

در سال 2011 برای تأیید و اعتبارسنجی مدل‌های عامل بنیان ویلیام راند و رونالد روست نسبت به ارائه چارچوب و روشی اقدام نموده‌اند. راستی‌آزمایی تعیین می‌کند که مدل پیاده‌سازی شده چقدر با مدل مفهومی مطابقت دارد. سه مرحله مهم در راستی‌آزمایی دقیق وجود دارد: مستندسازی، آزمایش برنامه‌ای و موارد تست (شکل-7). در مدل مبتنی بر عامل طراحی شده در این پژوهش، هر سه مرحله تأیید انجام شده است. در مورد مستندات، مرحله اول  شرح طراحی مدل به‌عنوان مستندات مدل مفهومی عمل می‌کند، و کد نیز مستند شده است. از نظر تست برنامه‌ریزی، در مرحله بعد ترکیبی از راه‌حل‌های کد، آزمایش واحد، و راه‌حل‌های اشکال‌زدایی استفاده شد تا اطمینان حاصل شود که کد مطابق انتظار عمل می‌کنند. این کدها از روال‌های اصلی تشکیل شده است که هر کدام به طور جداگانه بررسی شده است تا مطمئن شویم که مطابق انتظار کار می‌کنند. برخی از توابع به توابع دیگری به‌عنوان ورودی نیاز دارند. بنابراین، برای آزمایش آن‌ها به طور جداگانه، مقادیر آزمون تصویب شد تا رفتار مورد انتظار قابل پیش بینی و بررسی باشد. پس از این که اطمینان در هر عملکرد بوجود آمد، آن‌ها به صورت گام به گام با هم ترکیب شدند و دوباره تأیید شدند. با ایجاد توابع به این روش، پیچیدگی مدل کاهش می‌یابد که تأیید را تسهیل می‌کند. در نهایت، باتوجه‌به موارد آزمایش، در مرحله آخر، چندین مورد  نمونه به‌طور تصادفی انتخاب شدند تا مطمئن شویم که مدل هیچ رفتار ناهنجاری را نشان نمی‌دهد. شایان ذکر است مراحل مذکور در نت لوگو با سهولت بیشتری در دسترس است، چراکه کدگذاری در نت لوگو به نحوی است که به محض بروز خطا در ورودی‌ها، پیام خطا به پژوهشگر واصل می‌شود.

 

شکل -7 مراحل تأیید مدل‌های عامل بنیان‌ (منبع : Rand & Rust، 2011)

8-تحلیل حساسیت

برای کمک به محققان در مواجهه انتقادات به اعتبار مدل‌های عامل بنیان، بورگانوف و همکارانش در سال 2022 رویکردی سیستماتیک در چارچوب تحلیل‌حساسیت پیشنهاد نموده‌ که از ترسیم عناصر یک مدل عامل بنیان از طریق شناسایی هدف تجزیه‌وتحلیل حساسیت به تعیین روشی برای تجزیه‌وتحلیل حرکت می‌کند. در این پژوهش رویکرد ایشان بکار گرفته شده است. در اغلب پژوهش‌های عامل بنیان خروجی‌های حاصل، مورد تحلیل حساسیت قرار نمی‌گیرند (Saltelli et al.،2020). این تصوری اشتباه است که هدف تجزیه‌وتحلیل حساسیت فقط نشان دادن این است که نتایج اصلی یک پژوهش برای طیف وسیعی از مفروضات قوی است یا خیر. این هدف صرفا یکی از چندین هدفی است که تحلیل حساسیت به دست می‌دهد. تجزیه‌وتحلیل حساسیت می‌تواند نشان دهد که کدام عناصر یک مدل، یا ترکیبی از عناصر، بیشترین تأثیر را بر نتایج دارند، و چگونه عناصر مختلف با یکدیگر تعامل دارند تا بر نتایج مدل تأثیر بگذارند. در حقیقت در صورتیکه تحلیل حساسیت انجام نشود، مانند این است که مدل، به مثابه یک جعبه سیاه، ورودی را گرفته و پردازش نموده و به خروجی تبدیل می‌کند. مراحل شش گانه تحلیل حساسیت بدین شرح پیشنهاد می‌شود: انتخاب خروجی منتخب، اهداف، عناصر، طراحی یا انتخاب روش تحلیل حساسیت، تخصیص ارزش‌ها، تجسم یا مصور کردن نتایج (Borgonovo et al. ،2022).

8-1-تحلیل حساسیت تیپ سرمایه‌گذار باتوجه‌به میزان ریسک پذیری

باتوجه‌به تفکیک تیپ شخصیتی سرمایه‌گذار به دو تیپ ریسک‌پذیر و ریسک‌گریز و تعریف اسلایدر برای تغییر ضریب تأثیر تیپ سرمایه‌گذار در روند معاملات بورس و به‌تبع آن تغییرات در شاخص کل، ‌ تحلیل صورت‌گرفته با ثابت نگه‌داشتن ضریب تأثیر سایر عامل‌ها، با روند تفاضلی 10% از تیپ ریسک‌گریز و اضافه نمودن به تیپ ریسک‌پذیر (مطابق شکل-4) در یازده مرحله مجزا و 100 مرتبه اجرای کدها در هر مرحله، در گام دوم نتایج  حاصل از هر مرحله اجرا در یک‌صد جدول مجزا در نرم‌افزار اکسل ذخیره (مانند جدول-3 که برای نمونه حالت صددرصدی ریسک‌پذیرها و صفر درصدی ریسک‌گریزها ارائه شده است) و هر 100 جدول جهت هر بازه ده‌درصدی در یک جدول تجمیع و در گام چهارم نسبت به محاسبه میانگین هر 100 مرتبه اجرا جهت هر مرحله اقدام شده در گام پنجم میانگین‌های حاصل از هر بازه جهت 15 سال در ماتریس مقایسه‌ای وارد (جدول-5) و  نمودار مقایسه‌ای روند ۱۵ساله جهت هر بازه تهیه گردید (شکل-8) و در نهایت در گام ششم باهدف اخذ خروجی قابل‌تحلیل جهت روند بلندمدت، از اعداد گزارش شده جهت دوره‌های ۱۵ساله نیز میانگین‌گیری شده و نمودار مقایسه آن تهیه و ارائه شده است (شکل-8). شایان‌ذکر است در این بخش مجموعاً 1.100 بار کدها اجرا شده است:

 

جدول-3 نمونه خروجی حاصل از تحلیل حساسیت تیپ شخصیتی سرمایه‌گذار با فرض بازه‌های صفر و صد درصدی

 

جدول-4 خروجی حاصل از تحلیل حساسیت میانگین‌های تیپ شخصیتی سرمایه‌گذار

              

شکل-8 نمودار های خروجی حاصل از تحلیل حساسیت تیپ شخصیتی سرمایه‌گذار  در بازه‌های مقایسه ای

9- یافته‌های محقق از تحلیل حساسیت تیپ ریسک پذیری سرمایه‌گذار

1.هرچه از نسبت ریسک پذیرها کم (یا نسبت ریسک گریزها زیاد) شود میانگین شاخص کل با کاهش مواجه است.

2.بالاترین سطح بهره وری زمانی بوجود می آید که اکثریت بازار را ریسک پذیرها تشکیل دهند و نسبت کوچکی از ریسک گریزها در بازار برای شوک اولیه و شروع معاملات در بازار وجود داشته باشد (نسبت 10-90  خروجی‌ها نشان دهنده قله می باشد)

3.علیرغم وجود رابطه مستقیم بین افزایش ریسک‌پذیرها و رشد شاخص کل، حتی در صورتیکه مطلقا ریسک گریز‌ها در بازار حضور داشته باشند، رشد شاخص نسبت به تمام مواردی که بازار یکپارچه نبوده و حتی ریسک گریزها بیشترند، بیشتر است و در زمان حضور مطلق ریسک گریزها نتایج حاصل تفاوت معناداری با حضور مطلق ریسک پذیرها ندارد، یعنی یکپارچگی بازار با وجود صرفا یک تیپ سرمایه‌گذار نتایج تقریبا مشابهی در رشد شاخص کل حاصل می‌شود ( از نسبت 80 تا 100 شاهد نسبی رشد میانگین شاخص هستیم).

طراحی مدل به‌نحوی‌که قابلیت مطالعه تأثیر تغییر در نسبت‌های وزنی تیپ‌های مختلف سرمایه‌گذاران مانند نسبت ریسک‌پذیری و ریسک‌گریزی، تحلیل‌گری تکنیکال یا بنیادین، آموزش‌دیده یا ندیده بودن، را داشته که در اینجا تیپ ریسک‌پذیری تحلیل حساسیت و نتایج حاصل ارائه شده، و این نتایج توسط پژوهش‌های معتبر خارجی و داخلی در سایر پارادایم‌ها نیز تأیید می‌گردد که به پنج نمونه از پژوهش‌‌های مذکور اشاره شده است 

9-1- نمونه پژوهش‌هایی که نتایج این بخش را تأیید می‌کند :

میلان لووریچ  در سال 2011 در تحقیقی جامع با عنوان مالی رفتاری و بازار‌های مصنوعیِ مبتنی بر عامل، نشان داد که همگنی در نظرات سرمایه‌گذاران پویایی بازار را به همراه داشته و برعکس، میشرا نیز در سال 2018 در پژوهشی در هندوستان اثبات نمود ریسک‌گریزی و آگاهی مالی معامله‌گران بر روند سرمایه‌گذاری در بازار تأثیر مستقیم دارد. تارتل و برگر نیز در سال 2012 در پژوهش خود نشان دادند که تصمیمات سرمایه‌گذاری با حساسیت سرمایه‌گذار ارتباط مستقیم دارد، مهدی بیرانوند نیز در سال 1396  با تحقیق خود اثبات نمود که شاخص‌های بازدهی سرمایه شرکت‌ها و بازدهی دارایی شرکت‌ها که بر روند بازار تأثیر دارند با حساسیت سرمایه‌گذار ارتباط معنادار و مستقیم دارد به طور مشابه اسیفخان و همکارانش نیز در سال 2024 در پژوهش خود اثبات نمودند که سوگیری‌های سرمایه‌گذار در فتار وی مؤثر بوده و تغیرات رفتاری آنها موجب پویایی یا رکود بازار می‌شود.

 بحث و نتیجه گیری

رفتار جمعی افراد غیرمتخصص و آموزش ندیده در بازار سرمایه از طرفی موجبات تسلیم‌شدن ایشان را در امواج حاصل از این تصمیمات به همراه داشته و از طرفی به دلیل نامشخص بودن وزن و نقش بازیگران در بازار در نوسانات حاصل و فراز و فرودها و ریزش‌های غیرطبیعی و غیرقابل‌پیش‌بینی و توان کنترل سیاست‌گذاران را محدود و در مواردی نیز جریان را از کنترل خارج می‌نماید که این موارد موجبات بی‌اعتمادی سرمایه‌گذاران و توده‌های متراکم مردم به بورس را فراهم آورده و علی‌رغم ایجاد مشوق‌ها و یا ثبات و کنترل در بخش‌هایی از بازار کماکان شاهد عدم اقبال سرمایه‌گذاران به این بازار و دنباله مداوم خروج سرمایه‌های کوچک و متوسط از بازار هستیم. این مسئله و تجارب اخیر کشور به‌درستی بیانگر این بود که علی‌رغم اینکه پژوهش‌های متعددی در حوزه بازار سرمایه صورت‌گرفته اما تحلیل‌های سنتی و یا تحلیل‌های آماری و ریاضی در زمان‌هایی که نیاز به ورود پارامترهای روان‌شناسی، اجتماعی و جامعه‌شناسی به مطالعات است، از توانمندی لازم برخوردار نیستند. در حقیقت پویایی و پیچیدگی بازار سرمایه که به دولیلِ، اتفاقات پشت پردة مکانیسمِ بازار در تشکیل قیمت‌ها و انگیزه‌های غیرِتجاری بازیگران حاضر در بازار است، رویکردهای موجود در مطالعه بازار که با تجزیه‌وتحلیل داده‌های تاریخی تلاش می‌کنند تا با تطابق نتایج حاصل، روابط بین متغیرها را کشف کنند، عملاً تاکنون در حل مسئله مطرح شده موفق نبوده‌اند؛ لذا به نظر می‌رسد به‌کارگیری نتایج مدلی شبیه‌سازی شده از بورس کشور، به‌عنوان یک بازار سرمایه مصنوعی با تعریف عامل‌های نظیر به نظیر بازیگرانِ تأثیرگذار در بازار و پیش‌بینی نتایج حاصل از تغییر رفتار آن‌ها با کنترل رفتار سایر عامل‌های شبیه‌سازی شده، بتواند از تکرار جریان‌های مشابه سال‌های اخیر، پیشگیری نماید. این رویکرد می‌تواند جایگزین تحلیل‌های سنتی آماری و ریاضی گردد که نقش روان‌شناسی، عامل‌های رفتاری، اجتماعی و جامعه‌شناسی را نادیده گرفته‌اند. به طور خلاصه؛ در پژوهش حاضر به این مهم دست‌زده و با طراحی بازاری مصنوعی با شبیه‌سازی عامل بنیان، نسبت تعریف عامل‌های نظیر به نظیر بازیگران بورس و تحلیل تغییرات رفتار آنها در اثر تغییرات در برآیند متغیرهای‌کلان‌اقتصادی اقدام نموده‌ایم. نتایج حاصل از تحلیل حساسیت صورت‌گرفته بیانگر وجود ارتباط مستقیم بین تیپ سرمایه‌گذاران و تصمیمات آنها و به‌تبع آن تغییرات در روند بازار و شاخص کل بورس بود. مهم‌ترین ویژگی بازار طراحی شده انعطاف‌پذیری و قابلیت توسعه آن بوده که امکان تغییرات در داده‌های ورودی، متغیرهای ورودی، متغیرهای خروجی، عامل‌ها و نحوه تعامل فی‌مابین آن‌هاست. این مهم که نشاٌت گرفته از قابلیت مهم شبیه‌سازی‌عامل‌بنیان است، به سیاست‌گذاران و متولیان اقتصاد این امکان را می‌دهد تا با کمینه زمان، انرژی و هزینه و بدون ایجاد تغییر در بازار واقعی نسبت به مطالعه، تحلیل، بررسی و پایش نتایج حاصل از تغییرات در بازار مصنوعی و تعمیم نتایج به بازار واقعی اقدام نمایند. باتوجه‌به این‌که متولیان اقتصاد و بازار کشور به داده‌های محرمانه، تاریخی و شخصی بازیگران حاضر در بازار سرمایه دسترسی دارند، به‌کارگیری داده‌های مذکور توسط ایشان نتایج به‌مراتب کاربردی‌تری در اختیار ایشان قرار خواهد داد، لذا پیشنهاد می‌گردد با بهره‌برداری از داده‌های مذکور، نتایج حاصل از پژوهش حاضر، ظرفیت‌های مدل طراحی شده و قابلیت توسعة منعطف، چابک و ارزان موجود در این مدل که با صرف کمترین زمان، انرژی و هزینه در دسترس خواهد بود، نسبت به پایش، نظارت و کنترل‌های پیشگیرانه از فراز و نشیب‌های استثنایی که قابلیت اعتماد بورس را کاهش می‌دهد، اقدام نمایند، در ادامه مواردی از اقدامات قابل‌انجام برای مثال آورده شده است:

1 - باتوجه‌به تأثیر وزن ریسک‌پذیری سرمایه‌گذاران، پیشنهاد می‌گردد برای موازنه ترکیب بازار، ابزارهای لازم برای پیشگیری از ورود بی رویه‌ی سرمایه‌گذاران طراحی و استفاده شود، چراکه در ابتدای امر هجوم سرمایه‌ گذاران می‌تواند رونق و پویایی را بهمراه آورد، اما خروج توده‌ای در زمان بازار نزولی لطمات به مراتب سنگین‌تر و جبران ناپذیری مانند بی‌اعتمادی حتی در زمان رونق نیز وارد خواهد نمود. برای نیل به این مهم می‌توان:

الف) نسبت به پایش و محاسبه وزن سرمایه‌گذاران حاضر در بازار از طریق پرسش‌نامه‌های روان‌شناسی اقدام نمود

ب)نسبت به غربالگری تیپ شخصیتی سرمایه‌گذاران جدید در زمان ورود به بازار اقدام شود و با این دو اقدام موازنه لازم جهت رسیدن به نقطه بهینه را انجام داد

2-  سرمایه‌گذاران ملزم به سپری نمودن دوره‌های آموزشی فنی، تخصصی و روانشناسی  مقتضی پیش از اخذ کد معاملاتی شده و این مسئله جزء تکالیف قانونی کارگزاری‌های رسمی تلقی شود.

3-با توجه به قابلیت‌های موجود در مدل طراحی شده، و با استفاده از داده‌های تاریخی بازیگران، نسبت به تحلیل رفتار سایر تیپ‌های بازیگران مانند، بازیگران آموزش دیده یا ندیده، بازیگران بنیادی یا تکنیکال، بازیگران مومنتوم یا تصادفی، و امثال آنها اقدام و کنترل‌های لازم و یا حتی مشوق‌های انگیزشی برای ترغیب ایشان و پویایی بازار را بکار گیرند

4-با استفاده از قابلیت موجود در این مدل نسبت به تحلیل و بررسی نقش سایر بازیگرانی که با تخصیص عامل‌های نظیر به نظیر، مدل شده‌اند، اقدام نموده و از رفتارهای سوء و مقطعی که منافع فردی اخلال‌گران بازار را به همراه داشته و در مقابل لطمات جدی به سرمایه‌گذاران خرد وارد می‌نماید پیشگیری نمایند.

5-با بهره‌گیری از قابلیت توسعه بازار مصنوعی معرفی شده، علاوه بر هشت متغیرکلان‌اقتصادی در نظر گرفته شده بعنوان متغیرهای ورودی، داده‌های سایر متغیرهای اقتصادی یا غیر اقتصادیِ کمی، که احتمال تاٌثیر بر رفتار سرمایه‌گذاران را دارند، به‌عنوان داده‌های ورودی مدل لحاظ و تغییرات شاخص کل را مطالعه نموده در تحولات یا بحران‌ها امکان کنترل روندها را اختیار داشته باشند.

6- علاوه بر شاخص کل بورس که در مدل این پژوهش به‌عنوان متغیر خروجی در نظر گرفته شده است، سایر شاخص‌های با اهمیت مانند شاخص کل هم‌وزن را نیز با استفاده از این مدل مورد بررسی و پژوهش قراردهند.

7- با بهره‌گیری از دانش اساسی این پژوهش که مشتمل بر سیستم‌های عامل‌بنیان و پیچیده بوده، و با توجه به داده‌هایی که در اختیار سیاست‌گذارن کلان اقتصادی کشور می باشد، نسبت به مدل‌ نمودن بازارهای موازی مانند بازارهای ارز، طلا، مسکن نیز اقدام نموده تا نتایج کاربردی مشابهی حاصل و به پویایی جامع‌تر اقتصاد کشور کمک گردد.

منابع

آذر، عادل، سارنج، علیرضا، صادقی مقدم، علی‌اصغر، رجب‌زاده، علی، معزز، هاشم. (1397). مدل‏سازی عامل‌گرای رفتار سهام‏داران در بازار سرمایه ایران. تحقیقات مالی، 20(2) Doi:10.22059/frj2018.259369.1006670 #

ابراهیمی، مهرزاد. (1398). بررسی تاثیر متغیرهای کلان اقتصادی بر بازار سهام ایران با استفاده از الگوریتم‌های داده‌کاوی. اقتصاد مالی13(49 )، 283-309SID.https://sid.ir/paper/229287/fa #

بت‌شکن، محمد هاشم، و محسنی، حسین. (1397). بررسی سرریز نوسانات قیمت نفت بر بازدهی بازار سهام. دانش سرمایه گذاری، 7(25 )، 267-284.  SID. https://sid.ir/paper/187974/fa #

بیرانوند مهدی. (1396). ارزیابی رابطه رفتار سرمایه گذاران در مقابل ریسک با شاخص‌های عملکرد. حسابدار رسمی شماره 39 https://www.noormags.ir/view/fa/articlepage/1348049  #

خوشنود، مهدی، رهنمای رودپشتی، فریدون، و نیکومرام، هاشم. (1399). بهینه‌سازی الگوی سرمایه‌گذاری در نزول‌های اساسی بورس اوراق بهادار تهران در چارچوب رویکرد عوامل ناهمگن و مدل‌سازی عامل بنیان با استفاده از الگوریتم ژنتیک. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 11(42)، 248-271. SID. https://sid.ir/paper/367632/fa #

رستگار سرخه، محمدعلی، خلج، غنچه، (1399)، اثر بازارسازان الگوریتمی در بازار بورس تهران: رویکرد مدل‌سازی عامل محور، دانشگاه تربیت مدرس، دانشکده مهندسی صنایع، سیستم و بهره وری 

SID. http://parseh.modares.ac.ir/thesis.php?id=10003527&sid=1&slc_lang=fa #

شیرازیان، زهرا، نیکومرام، هاشم، رهنمای رودپشتی، فریدون، و ترابی، تقی. (1397). خوشه‌بندی نوسانات در بازارهای مالی با مدل شبیه‌سازی عامل بنیان. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 9(36)، 201-224. SID. https://sid.ir/paper/197529/fa #

عباسی سیر، سلمان، هاشمی گهر، محسن، و فیضی، عمار. (1401). مدل سازی عامل بنیان رفتار سهامداران در بازار اوراق بهادار تهران (مورد مطالعه: شرکت فولاد مبارکه اصفهان). پژوهش های نوین در تصمیم گیری، 7(1 )، 88-114. SID. https://sid.ir/paper/1045884/fa #

فخاری، حسین، نصیری، مهراب. (1399). تأثیر عملکرد شرکت بر ریسک سقوط آتی قیمت سهام. راهبرد مدیریت مالی, 8(3), 43 Doi: 10.22051/JFM.2019.25489.2037 #

قربانی ناصر، بابائی ابراهیم. (1394). بررسی کارائی الگوریتم EMA در حل مسائل بهینه‌سازی.کرمانشاه : کنفرانس ملی فناوری و داده با رویکرد مهندسی‌کامپیوتر https://www.esearchgate.net/publication/281297927 #

محمدی علی، مصلح شیرازی علی‌نقی، عباسی عباس، اخلاق پورسعید. (1398). برنامه‌ریزی سناریو اثر تغییرات عوامل مؤثر بر ارزش بازار بورس اوراق بهادار تهران با استفاده از رویکرد پویایی‌شناسی سیستم. چشم انداز مدیریت مالی  DOI:10.52547/jfmp.9.26.33 #

مختار بند، محمود، تهرانی، رضا، العبودة، منال. (1403). برآورد تأثیر عوامل بنیادین کلان اقتصادی بر بازار سرمایه (رویکرد داده‌های ترکیبی تواتر متفاوت). تحقیقات مالی  DoI:10.22059/frj.2024.368065.1007538  #

وکیلی فرد، حمیدرضا، خوشنود، مهدی، فروغ نژاد، حیدر، و اصولیان، محمد. (1393). مدل‌سازی مبتنی بر عامل در بازارهای مالی. دانش سرمایه گذاری، 3(12)، 139-158. SID.https://sid.ir/paper/490488/fa #

ولی‌زاده، فرزانه، محمدزاده، امیر، صیقلی، محسن، ترابیان، محسن. (1400). ارائه مدلی برای پیش‌بینی عوامل مؤثر بر ریسک سقوط قیمت سهام در بورس اوراق بهادار تهران. چشم انداز مدیریت مالی   Doi: 10.52547/jfmp.11.33.217 #

هادی‌پور حسن، پایتختی اسکویی سید علی، علوی متین یعقوب، رحمانی کمال‌الدین. (1400). عوامل موثر بر شاخص بی‌ثباتی در بورس اوراق بهادار تهران (مطالعه موردی: صنعت فلزات اساسی). مطالعات مدیریت صنعتی Doi: 10.22054/jims.2021.57264.2581 #

Agliari, A., Naimzada, A., & Pecora, N. (2018). Boom-bust dynamics in a stock market participation model with heterogeneous traders. Journal of Economic Dynamics. 

DOI: 10.1016/j.jedc.2018.04.007 #

Berger a, Dave & H.J. Turtle. (2012). Cross-sectional performance and investor sentiment in a multiple risk factor model, Journal of Banking & Finance 

DOI: 10.1016/j.jbankfin.2011.11.001 #

Emanuele Borgonovo،· Marco Pangallo، Jan Rivkin، Leonardo Rizzo، Nicolaj Siggelkow. (2022).Sensitivity analysis of agent‑based models: a new protocol. Computational and Mathematical Organization Theory DOI: 10.1007/s10588-021-09358-5 #

Fouad Ben Abdelaziz ،Fatma Mrad. (2021). Multiagent systems for modeling the information game in a financial market. International Transactions in Operational Research.

DOI: 10.1111/itor.12944 #

Gao, Kang, Vytelingum, Perukrishnen, Weston, Stephen, Luk, Wayne and Guo, Ce (2024) 'High-Frequency Financial Market Simulation and Flash Crash Scenarios Analysis: An Agent-Based Modelling Approach' Journal of Artificial Societies and Social Simulation. DOI:10.18564/jasss.5403 #

Gilbert, N., and K. Troitzsch. (2007). Simulation for the Social Scientist. George Mason University: McGraw-Hill. 2nd ed. GMU. DOI: 10.5565/rev/papers/v80n0.1837 #

Lovric, M. (2011, March 25). Behavioral Finance and Agent-Based Artificial Markets (No. EPS-2011--F&A).ERIM Ph.D. Research in Management. Retrieved from http://hdl.handle.net/1765/22814 #

Macal Charles; North Michael. (2014). Introductory tutorial: Agent-based modeling and simulation . Savannah, GA, USA: Proceedings of the Winter Simulation Conference. DOI:10.1109/WSC.2014.7019874 #

Mishra, R. (2018). Financial Literacy, Risk Tolerance and Stock Market Participation. Asian Economic and Financial Review. DOI:10.18488/journal. aefr.2018.812.1457.1471 #

Mizuta Takanobu. (2021).An Agent-Based Model for Designing a Financial Market That Works Well. IEEE Symposium Series on Computational Intelligence. DOI:10.1109/SSCI47803.2020.9308376 #

Mizuta Takanobu. (2022). A Brief Review of Recent Artificial Market Simulation (Agent-Based Model) Studies for Financial Market Regulations and Rules.

DOI: 10.2139/ssrn.2710495 #

Mizuta Takanobu، Kosei Takashima، Isao Yagi .Instability of financial markets by optimizing investment strategies investigated by an agent-based model. (2022) .Computational Intelligence for Financial Engineering and Economics. DOI:10.1109/CIFEr52523.2022.9776207 #

Mohamed Amine Souissi, Khalid Bensaid and Rachid Ellaia (2018). Multi-agent modeling and simulation of a stock market. Investment Management and Financial Innovations. DOI:10.21511/imfi.15(4).2018.10 # 

Muhammad Asif Khan, Saima Aziz, Shahid Mehmood and Anita Tangl (2024). Role of behavioral biases in the investment decisions of Pakistan StockExchange investors: Moderating role of investment experience. Investment Management and Financial Innovations. doi:10.21511/imfi.21(1).2024.12  #

Rand, W., & Rust, R. T. (2011). Intern . J . of Research in Marketing Agent-based modeling in marketing ‌: Guidelines for rigor. International Journal of Research in Marketing.

DOI: 10.1016/j.ijresmar.2011.04.002 #

 Robert Axelrod , Advancing the Art of Simulation in the Social Sciences. (2003). Japanese Journal for Management Information System, Special Issue on Agent-Based Modeling, Vol. 12. https://public.websites.umich.edu/~axe/research/AdvancingArtSim2003.pdf #

Sadek Benhammada ،Frédéric Amblard. (2021). An Agent-Based Model to Study Informational Cascades in Financial Markets. New Generation Computing.

DOI: 10.1007/s00354-021-00133-3 #

Saltelli A, Bammer G, Bruno I, Charters E, Di Fiore M, Didier E, Espeland WN, Kay J, Lo Piano S, May D, Pielke RJ, Portaluri T, Porter TM, Puy A, Rafols I, Ravetz JR, Reinert E, Sarewitz D, Start PB, Stirling A, van der Sluijs JP, Vineis P. (2020). Five ways to ensure that models serve society: a manifestohttps. DOI: 10.1038/d41586-020-01812-9 #

Westphal, Rebecca and Sornette, Didier, Market Impact and Performance of Arbitrageurs of Financial Bubbles in An Agent-Based Model (2020). Swiss Finance Institute Research Paper

DOI: 10.1016/j.jebo.2020.01.004#

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Personality Types of Stock Market Investors and Their Impact on Managerial Decisions: A Study Using Agent-Based Simulation.

Seyed Farhad Gooran Heydari  

 

PhD student in Information Technology Management, Department of Information Technology Management, Science and Research Unit, Islamic Azad University, Tehran, Iran

[e-mail]

 

Abbas Toloui eshlaghi 

Professor, Department of Information Technology Management, Science and Research Unit, Islamic Azad University of Tehran, Iran

[e-mail]

 

Ahmad Ebrahimi

Assistant Professor, Department of Industrial management and technology, Science and Research Unit, Islamic Azad University of Tehran, Iran

[e-mail] 

 

Mohammad Reza Motadel  

Assistant Professor, Department of Management, Central Tehran Branch of Islamic Azad University,

[e-mail]

 

Received: 17 July 2024 | Revised: 21 June 2024 | Accepted: 24 June 2024

Abstract

Given the complexities of the economy and considering the influential role of financial markets on the economy, as well as the importance of the economy for the country and society, methods and tools that can effectively and efficiently assess, predict, control, and guide the market and economy in a manner accessible to policymakers such as the Ministry of Economy and Finance, Securities and Exchange Organization, Central Bank, High Council of Stock Exchange, or Ministry of Industry, will be in a special position. This effectiveness and efficiency are achieved when attention to hidden layers of system relationships such as collective human behavior, which adds to the complexity of the market and economy, is not overlooked. In the present study, by employing the capacities of agent-based simulation in a mixed-method research, human behavior is combined using quantitative and qualitative methods and simulation technology as the third method of scientific research, in addition to comparative and inductive approaches. The research is descriptive and applied, and agent-to-agent simulations of real market players in NetLogo software with modeling the market, validation using Rust and Rand tests, and sensitivity analysis using the Borgonovo approach have been conducted. The results of the study indicate a direct relationship between investors' risk tolerance and stock market returns and the overall stock market index growth. With the prediction made in the designed model, in addition to risk type, the possibility of assessing and monitoring other behavioral characteristics of investors, as well as with consideration of the definition of other factors for other active market players, the study of their behavior's impact on the overall index and other important indicators is also available. Therefore, in this study, for the first time, the influence of the behaviors of macroeconomic variables on the behavior of all players present in the stock market was modeled and simulated using agent-based simulation capacities.

Keywords: Agent-Based Simulation, Stock Exchange, Macroeconomic Variables, Behavioral Finance

1

دوره  1، شماره 2، تابستان 1403