اجتماعیاقتصادیروانشناسی

هوش مصنوعی مالی رفتاری: تحلیل هیجانات و رفتار گله‌ای معامله‌گران

پژوهشگران دانشگاه ملی چیائو تونگ تایوان به بررسی کاربرد هوش مصنوعی مالی رفتاری برای تحلیل وضعیت معامله‌گران و رفتار گله‌ای در بازارهای مالی بورس سهام پرداختند.

روش پژوهش:

در این پژوهش شاخص وزنی بازار بورس سهام تایوان برای بررسی هیجان های طمع و ترس در معامله گران تایوانی مورد بررسی قرار گرفت. برای کمّی سازی رفتار معامله گران بازار بورس از نظریه نیم رخ، فیزیک مالی، و مدل شبکه های عصبی انتشار معکوس استفاده شد. در نهایت عملکرد پیش بینی و استراتژی معامله معامله گران با یکدیگر مقایسه شدند.

یافته‌ها:

  1. نظریه نیم رخ بازار (ارزیابی عوامل هیجانی معامله‌گران) ابزاری مفید برای بررسی عملکرد تحلیل تکنیکال معامله‌گران در بازار بورس سهام برای معاملات روزانه است.
  2. بیشترین دقت هوش مصنوعی مالی رفتاری برای پیش بینی درست بازار بورس سهام در معاملات روزانه، در بازه زمانی ۲۵ دقیقه است.
  3. در معاملات روزانه، بیشترین میزان تاثیر هیجانات طمع و ترس در معاملات محدوده ۵ دقیقه و پایینتر است.
  4. استفاده از استراتژی های معاملاتی داینامیک (پویا) در معاملات روزانه منجر به سودآوری بیشتری معاملات خواهد شد.
  5. برای استفاده از هوش مصنوعی مالی رفتاری، لازم است تعداد متغیرهای اولیه افزایش یابند. هر چه تعداد متغیرهای پیش از خوشه بندی بیشتر باشد، دقت پیش بینی معاملات روزانه بهتر خواهد بود.

راهبردهای کارکردی:

  • استفاده از هوش مصنوعی، ربات های معاملاتی و معاملات الگوریتمی در بازه های زمانی زیر ۳۰ دقیقه ایده آل هستند. اما نیازمند داشتن دانش و تجربه کافی از هوش مصنوعی و بازارهای مالی، سبانک اطلاعاتی گسترده و تعداد متغیرهای زیادی می باشند که پشتوانه آنها تحلیل‌های بنیادی هستند.
  • سطوح بالای هیجان‌های ترس، خشم و طمع رابطه مستقیمی با اختلال کنترل تکانه وسواس قمار دارد. افرادی که در این هیجانات نمرات بالایی می‌گیرند، در معاملات روزانه دچار تله وسواس قمار شده و معاملات را صرفاً برای هیجان قمارگری انجام می‌دهند که در نتیجه فقط بازنده خواهند بود.
  • معامله‌گرانی که سطح هیجان‌های ترس، خشم و طمع بالایی دارند، بهتر است از معاملات روزانه بویژه در تایم فریم‌های ۵ دقیقه به پایین دوری کنند. بهتر است این افراد به شکل بلند مدت (بالای ۱ سال) برای بازار برنامه‌ریزی نمایند.
  • بهتر است نهادهای سیاست گذاری بازارهای بورس سهام پیش از اعطای کد معاملاتی به معامله‌گران حقیقی، در فرآیند ثبت نام آزمون‌های ارزیابی هیجانی از معامله‌گران به عمل آورند تا در صورت بالا بودن هیجانات خشم، ترس، و طمع، امکان معامله آنها محدود شود تا از بروز رفتارهای گله‌ای در بازارهای مالی بورس سهام و معاملات هیجانی پیشگیری شود.
  • نهادهای واسط معاملاتی بویژه کارگزاری‌ها می توانند پیش از ارائه دسترسی معاملات مستقیم به مشتریان خود از آنها آزمون‌های ارزیابی شخصیت و هیجانی به عمل آورند و در صورتی که افراد رگه‌های بالای هیجانات ترس، طمع و خشم داشته و احتمال اختلال تکانه قمار وسواسی را دارند، دسترسی معاملاتی آنها را بویژه برای معاملات روزانه، محدود نمایند تا بتوانند جلوی رفتارهای معاملاتی هیجانی، حباب های قیمتی و رفتار گله‌ای در بازار بورس سهام را بگیرند.
  • ارائه مستمر آموزش مهارت‌های دهگانه زندگی در کنار آموزش بورس توسط کارگزاری‌ها کمک شایانی به مدیریت بهینه هیجانی و کاهش رفتارهای گله‌ای معامله‌گران آنها می‌نماید.

Using intelligent computing and data stream mining for behavioral finance associated with market profile and financial physics

Abstract

Day trading has become an important topic of discussion in the last decades, especially with regard to computer program trading or the increasing trend of high-frequency transactions.

However, due to the high level of complexity regarding the forecasting of day trading trends, the use of traditional financial analysis or technical indicators for the forecasting of short-term market trends is often ineffective.

The main reason is that in addition to the technical analysis of market physical trends, financial market trading behaviors are also often affected by psychological factors such as greed and fear, which are emotions displayed by investors during the transaction process.

For this reason, this study will use the neural network to integrate into the financial engineering technology analysis of the physical momentum behavior and market profile theory to quantify controlled learning.

The goal is to be able to provide an empirical explanation of the discoveries related to trading behaviors by using trading strategies.

Our experiments showed that trading behaviors in the financial market could be explained by the physical trends of a quantitative and technical analysis of the market profile theory.

It has also been proven that the financial trading market follows the existence of a certain trading logic.

 

Keywords

Market profile theory, Financial physics, Neural networks, Taiwan futures exchange, Trading analysis, Data stream mining

لینک منبع پیشنهادی برای مطالعه بیشتر 👇🏻(further reading)👇🏻

نمایش بیشتر

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا