شناسایی و رتبه بندی عوامل مؤثر بر برنامه معاملات پویا در بازار سرمایه ایران
محورهای موضوعی : اقتصاد مالیمحمود نصرتی قزوینی نژاد 1 , عسگر پاک مرام 2 , نادر رضائی 3
1 - دانشجوی دکتری، گروه مهندسی مالی، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران
2 - دانشیار، گروه حسابداری، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
3 - استادیار، گروه حسابداری، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
کلید واژه: معاملات پویا, بازار سرمایه, بورس,
چکیده مقاله :
هدف این پژوهش شناسایی و رتبه بندی عوامل مؤثر بر برنامه معاملات پویا در بازار سرمایه ایران است. جهت دستیابی به اهداف تحقیق، با استفاده از روش غیرتصادفی قضاوتی، از نظرات 16 نفر از خبرگان بورسی در سازمان بورس اوراق بهادار تهران و شرکت‌های سرمایه‌گذاری و همچنین اساتید دانشگاهی، تا مرحلة اشباع نظری، استفاده شد. تحقیق حاضر با استفاده از روش تحقیق آمیخته اکتشافی در دو بخش کیفی و کمی صورت پذیرفته است. در بخش کیفی، با استفاده از روش تحلیل محتوا و با تحلیل خط به خط مصاحبه‌ها، ابتدا کدگذاری باز انجام شد. در طی کدگذاری، 34 مورد به عنوان مفاهیم اولیه از متن مصاحبه‌های انجام شده به دست آمد که در قالب 9 مقوله فرعی و سه مقوله اصلی شامل عوامل زمینه‌ساز، مداخله‌گر و راهبردها، دسته بندی شد. در بخش کمی تحقیق از طریق ابزار پرسشنامه، دیدگاههای خبرگان، گردآوری و سپس داده ها با استفاده از فرایند سلسله مراتبی فازی، تحلیل و اولویت مؤلفه‌ها در هر یک از مقوله‌های اصلی، تعیین شد. نتایج تحقیق نشان داد که عوامل زمینه‌ساز به ترتیب شامل تحلیل زمانی، تحلیل الگو (روند) و تحلیل قیمتی؛ عوامل مداخله‌گرانه به ترتیب شامل روانشناسی معامله‌گری، تمرکز بر بازده کوتاه‌مدت و یا بلندمدت و نقدینگی و راهبردها نیز به ترتیب شامل مدیریت جامع ریسک و سود، تحلیل کل‌نگر و شناسایی دقیق نقاط ورود و خروج، هستند.
The purpose of this research is to identify and ranking the factors affecting the dynamic trading program in the Iran's capital market. In order to achieve the goals of the research, the opinions of 16 stock experts in the Tehran Stock Exchange Organization and investment companies as well as academic professors were used by using the non-random judgmental method until the theoretical saturation stage. The current research was conducted using the mixed exploratory research method in qualitative and quantitative sections. At first, in the qualitative section, open coding was done using the content analysis method and line-by-line analysis of the interviews. During the coding section, 34 items were obtained as primary concepts from the text of the conducted interviews, which were categorized in the form of 9 sub-categories and three main categories including underlying, interventionists and strategies factors. In the quantitative section of the research, the views of the experts were analyzed through the questionnaire tool, and then the data was analyzed using the fuzzy hierarchical process, and the priority of the components in each of the main categories was determined. The results showed that the underlying factors include time analysis, pattern analysis (trend) and price analysis, respectively; Intervening factors include trading psychology, focus on short-term or long-term returns, and liquidity; And the strategies also include comprehensive risk and profit management, comprehensive analysis and precise identification of entry and exit points.
احمدی ش، رحمانی ع، حسینی سع، همایون س. چارچوب شناسایی مؤلفه های با اهمیت پایداری در صنعت بورس با استفاده از رویکرد تحلیل سلسله‌مراتبی فازی. پژوهش های حسابداری مالی. ۱۴۰۱؛14(2):1-34.
تقوی، رضا.، داداشی، ایمان.، زارع بهنمیری، محمد جواد.، غلام نیاروشن، حمیدرضا. (1401). پیش بینی گرایش های احساسی سرمایه گذاران با استفاده از نسبت های مالی با تکیه بر روش تجزیه و تحلیل مولفه های اساسی، اقتصاد مالی، 16(61)، 157-174.
چاوشی، سید کاظم.، شریفی، عارفه. (1401). مدلسازی اثر نوسانات قیمت نفت اوپک بر احساسات سرمایه گذاران ایرانی با استفاده از رابطه غیر خطی و پارامتر ـ متغیر بر حسب زمان، اقتصاد مالی، 16(61)، 45-68.
حسینی کیا، سید محمد تقی.، میرابی، وحید رضا. (1402). شناسایی و رنکینگ میزان تاثیر متغیرها و شاخص های رفتاری سبک های زندگی بر تصمیم گیری های خرید و درگیری های ذهنی پس از خرید مطالعه موردی: خانم های جوان با منابع مالی و درامدی، اقتصاد مالی، 17(62)، 147-160.
دولو م، مسکینی مود ش. بررسی عملکرد استراتژی معاملاتی مبتنی بر غلبه تصادفی. دانش مالی تحلیل اوراق بهادار. ۱۳۹۸؛12(41):171-93.
منگلی کنگی م، شفیعی ح. توسعه استراتژی های معاملاتی. مطالعات مدیریت، حسابداری و حقوق. ۱۴۰۱؛6:845-72.
Arevalo R, Garcia J, Guijarro F, Peris A. A dynamic trading rule based on filtered flag pattern recognition for stock market price forecasting. Expert Syst Appl. 2017;81:177-92.
Atsalakis GS, Valavanis KP. Surveying stock market forecasting techniques-Part I: Conventional methods. J Comput Optim Econ Finance. 2010;2(1):45-92.
Boyacioglu MA, Avci D. An adaptive network-based fuzzy inference system (ANFIS) for the prediction of stock market return: the case of the Istanbul stock exchange. Expert Syst Appl. 2010;37(12):7908-12.
Bustos O, Pomares A, Gonzalez E. A comparison between SVM and multilayer perceptron in predicting an emerging financial market: Colombian stock market. In IEEE; 2017. p. 1-6.
Bustos O, Pomares-Quimbaya A. Stock market movement forecast: A systematic review. Expert Syst Appl. 2020;156:113464.
Cavalcante RC, Brasileiro RC, Souza VL, Nobrega JP, Oliveira AL. Computational intelligence and financial markets: A survey and future directions. Expert Syst Appl. 2016;55:194-211.
Chai J, Du J, Lai KK, Lee YP. A hybrid least square support vector machine model with parameters optimization for stock forecasting. Math Probl Eng. 2015;2015.
Chakraborty P, Pria US, Rony MRAH, Majumdar MA. Predicting stock movement using sentiment analysis of Twitter feed. In IEEE; 2017. p. 1-6.
Christodoulaki E, Kampouridis M, Kanellopoulos P. Technical and sentiment analysis in financial forecasting with genetic programming. In IEEE; 2022. p. 1-8.
Coyne S, Madiraju P, Coelho J. Forecasting stock prices using social media analysis. In IEEE; 2017. p. 1031-8.
Derakhshan A, Beigy H. Sentiment analysis on stock social media for stock price movement prediction. Eng Appl Artif Intell. 2019;85:569-78.
Fama EF. Random walks in stock market prices. Financ Anal J. 1995;51(1):75-80.
Fischer T, Krauss C. Deep learning with long short-term memory networks for financial market predictions. Eur J Oper Res. 2018;270(2):654-69.
Gonzalez RT, Padilha CA, Barone DAC. Ensemble system based on genetic algorithm for stock market forecasting. In IEEE; 2015. p. 3102-8.
Ho T, Nguyen YT, Tran HTM, Vo D-T. Fundamental analysis and the use of financial statement information to separate winners and losers in frontier markets: evidence from Vietnam. Int J Emerg Mark. 2022;
Hu Z, Wang Z, Ho S-B, Tan A-H. Stock market trend forecasting based on multiple textual features: A deep learning method. In IEEE; 2021. p. 1002-7.
Nardo M, Petracco‐Giudici M, Naltsidis M. Walking down wall street with a tablet: A survey of stock market predictions using the web. J Econ Surv. 2016;30(2):356-69.
Nassirtoussi AK, Aghabozorgi S, Wah TY, Ngo DCL. Text mining for market prediction: A systematic review. Expert Syst Appl. 2014;41(16):7653-70.
Nazario RTF, e Silva JL, Sobreiro VA, Kimura H. A literature review of technical analysis on stock markets. Q Rev Econ Finance. 2017;66:115-26.
Park C, Irwin SH. What do we know about the profitability of technical analysis? J Econ Surv. 2007;21(4):786-826.
Pejic Bach M, Krstic zivko, Seljan S, Turulja L. Text mining for big data analysis in financial sector: A literature review. Sustainability. 2019;11(5):1277.
Tuyon J, Ahmad Z. Behavioural finance perspectives on Malaysian stock market efficiency. Borsa Istanb Rev. 2016;16(1):43-61.
Ulloa A, Espezua S, Villavicencio J, Miranda O, Villanueva E. Predicting Daily Trends in the Lima Stock Exchange General Index Using Economic Indicators and Financial News Sentiments. In Springer; 2022. p. 34-49.
Vora V, Shah M, Chouhan A, Tawde P. Stock Market Prices and Returns Forecasting Using Deep Learning Based on Technical and Fundamental Analysis. In: Information and Communication Technology for Competitive Strategies (ICTCS 2021). Springer; 2023. p. 717-28.
Yang J, Rao R, Hong P, Ding P. Ensemble model for stock price movement trend prediction on different investing periods. In IEEE; 2016. p. 358-61.
Zhang J, Jin Z, An Y. Dynamic portfolio optimization with ambiguity aversion. J Bank Finance. 2017;79:95-109.
