ارزیابی رفتار رمه وار سرمایه گذاران فردی در بازار سرمایه ایران و عوامل موثر بر آن با روی کرد شبکه پیچیده
محورهای موضوعی : دانش سرمایه‌گذاری
علیرضا برهانیان قناد
1
(دانشجوی دکتری، گروه مدیریت )مهندسی مالی(، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران)
حسن قدرتی قزاآنی
2
(استادیار، گروه مدیریت )مهندسی مالی(، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران)
حسین جباری
3
(استادیار، گروه حسابداری، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران.)
حسین پناهیان
4
(دانشیار، گروه مدیریت )مهندسی مالی(، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران)
کلید واژه: بازده مقطعی سهام, شبکه پیچیده, رفتار رمه وار,
چکیده مقاله :
پژوهش حاضر با هدف ارزیابی رفتار رمه‌وار سرمایه‌گذاران فردی در بازار سرمایه ایران و عوامل موثر بر آن با روی کرد شبکه پیچیده به انجام رسیده است. جامعه آماری این تحقیق در تبیین مدل، تصمیم‌گیری و انتخاب ترکیب بهینه سرمایه‌ای شامل 246 صندوق مشترک سرمایه گذاری در بورس اوراق بهادار تهران محدود شده است. روش تحقیق بر اساس عوامل شناسایی‌شده از منابع تحقیق و با توجه به مدل کریستی و هوانگ با تأکید بر شبکه پیچیده، و نرم افزارهای اویوزو متلب اقدام به تبیین مدل که در آن با توجه به متغیر های تحقیق، و تغییرات در بازده مقطعی سهام از روش آرچ و گارچ برای محاسبه رفتار رمه وار با روی کرد شبکه پیچیده استفاده شده که در نهایت نتایج این تحقیق نشان می‌دهد رفتار رمه‌ای در سرمایه‌گذاران فردی و نهادی در بازار ایران مورد تأیید قرار گرفته و در بازه زمانی 1393 تا 1398 به وضوح مشاهده می‌گردد.
The present study aimed to evaluate the smooth behavior of individual investors in the Iranian capital market and the factors affecting it with a complex network approach. The statistical population of this research is limited to explaining the model, decision-making, and selection of the optimal capital combination including 246 mutual funds on the Tehran Stock Exchange. The research method is based on the factors identified from the research sources and according to Christie and Huang model with emphasis on complex networks, and Eviews and Matlab software to explain the model in which according to the research variables, and changes in cross-sectional stock returns of the method Arch and Garch have been used to calculate the herd-like behavior with a complex network approach. Finally, the results of this study show that the herd behavior in individual and institutional investors in the Iranian market has been approved in the period 1393 to 1398. It can be clearly seen.
پورزمانی. (2012). بررسی رفتار توده وار سرمایه گذاران نهادی با استفاده از مدل کریستی و هوانگ در بورس اوراق بهادار تهران. دانش سرمایه‌گذاری, 1(3), 147-160.
جعفری. (2019). بررسی شدت و ضعف رفتار توده‌وار با شیوه جدید مبتنی بر ارزش بازار سهام در بورس اوراق بهادار تهران. راهبرد مدیریت مالی, 7(3), 83-107.
Brida, J. G., Matesanz, D., & Seijas, M. N. (2016). Network analysis of returns and volume trading in stock markets: The Euro Stoxx case. Physica A: Statistical Mechanics and its Applications, 444, 751-764.
Chan, K., Covrig, V., & Ng, L. (2005). What determines the domestic bias and foreign bias? Evidence from mutual fund equity allocations worldwide. The Journal of Finance, 60(3), 1495-1534.
Chang, E. C., Cheng, J. W., & Khorana, A. (2000). An examination of herd behavior in equity markets: An international perspective. Journal of Banking & Finance, 24(10), 1651-1679.
Christie, W. G., & Huang, R. D. (1995). Following the pied piper: Do individual returns herd around the market?. Financial Analysts Journal, 51(4), 31-37.
Coletti, P. (2016). Comparing minimum spanning trees of the Italian stock market using returns and volumes. Physica A: Statistical Mechanics and its Applications, 463, 246-261.
D'Arcangelis, A. M., & Rotundo, G. (2021). Herding in mutual funds: A complex network approach. Journal of Business Research, 129, 679-686.
Eberhard, J., Lavin, J. F., & Montecinos-Pearce, A. (2017). A network-based dynamic analysis in an equity stock market. Complexity, 2017.
Elton, E. J., Gruber, M. J., Brown, S. J., & Goetzmann, W. N. (2009). Modern portfolio theory and investment analysis. John Wiley & Sons.
George, S., & Changat, M. (2017, July). Network approach for stock market data mining and portfolio analysis. In 2017 International Conference on Networks & Advances in Computational Technologies (NetACT) (pp. 251-256). IEEE.
Jafari, A. (2019). Investigating the intensity and weakness of herding behavior with a new method Based on stock market value in Tehran Stock Exchange. Financial Management Strategy, 7(3), 83-107.(In Persian)
Laloux, L., Cizeau, P., Potters, M., & Bouchaud, J. P. (2000). Random matrix theory and financial correlations. International Journal of Theoretical and Applied Finance, 3(03), 391-397.
Long, W., Guan, L., Shen, J., Song, L., & Cui, L. (2017). A complex network for studying the transmission mechanisms in stock market. Physica A: Statistical Mechanics and its Applications, 484, 345-357.
Majapa, M., & Gossel, S. J. (2016). Topology of the South African stock market network across the 2008 financial crisis. Physica A: Statistical Mechanics and its Applications, 445, 35-47.
Khoshsirat, M., & Salari, M. (2011). a study on behavioral finance in Tehran stock exchange: examination of herd formation. European Journal of Economics, Finance and Administrative Sciences, 32(1), 168-183.
Pástor, Ľ., Stambaugh, R. F., & Taylor, L. A. (2015). Scale and skill in active management. Journal of Financial Economics, 116(1), 23-45.
Pourzamani, Z. (2012). Appraising the Herding Behavior on Institutional Investors with Christie and Huang Model in Tehran Stock Exchange. Journal of Investment Knowledge, 1(3) ,147-160. (In Persian)
Sharma, K., Shah, S., Chakrabarti, A. S., & Chakraborti, A. (2017). Sectoral co-movements in the Indian stock market: a mesoscopic network analysis. In Economic foundations for social complexity science (pp. 211-238). Springer, Singapore.
Zhang, Y., Cao, X., He, F., & Zhang, W. (2017). Network topology analysis approach on China’s QFII stock investment behavior. Physica A: Statistical Mechanics and its Applications, 473, 77-88.
Zhao, L., Li, W., & Cai, X. (2016). Structure and dynamics of stock market in times of crisis. Physics Letters A, 380(5-6), 654-666.
Zhong, T., Peng, Q., Wang, X., & Zhang, J. (2016). Novel indexes based on network structure to indicate financial market. Physica A: Statistical Mechanics and its Applications, 443, 583-594.
_||_