ارزیابی رفتار رمه وار سرمایه گذاران فردی در بازار سرمایه ایران و عوامل موثر بر آن با روی کرد شبکه پیچیده

الموضوعات : دانش سرمایه‌گذاری

علیرضا برهانیان قناد ¹ , حسن قدرتی قزاآنی ² , حسین جباری ³ , حسین پناهیان ⁴

1 - دانشجوی دکتری، گروه مدیریت )مهندسی مالی(، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
2 - استادیار، گروه مدیریت )مهندسی مالی(، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران
3 - استادیار، گروه حسابداری، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران.
4 - دانشیار، گروه مدیریت )مهندسی مالی(، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران

تاريخ الإرسال : 03 السبت , ذو الحجة, 1443 تاريخ التأكيد : 02 الإثنين , ذو القعدة, 1444 تاريخ الإصدار : 19 الأحد , ربيع الأول, 1446

الکلمات المفتاحية: بازده مقطعی سهام, شبکه پیچیده, رفتار رمه وار,

ملخص المقالة :

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.

المصادر:

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.