فهرست نشریات علمی دسترسی آزاد ایران

هدف: هدف اصلی این مقاله، پیش‌بینی بازده صندوق‌های سرمایه‌گذاری در کشورهای توسعه‌یافته و در حال توسعۀ عضو فدراسیون بورس‌های اروپایی و آسیایی است. روش: پژوهش حاضر از نوع کاربردی است و داده‌های مالی دورۀ ۲۰۱۵ تا ۲۰۲۳ مرتبط با صندوق‌های کشورهای توسعه‌یافته و در حال توسعه را بررسی می‌کند. برای مدل‌سازی، روش‌های هوش مصنوعی، اقتصادسنجی فضایی و ترکیب این دو در چارچوب پانل هیبرید فضایی به‌کار رفته‌اند تا تأثیر متغیرهای مهمی همچون نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه‌گذاران حقیقی بر بازده بررسی شود. هدف اصلی، سنجش کارایی مدل‌ها در پیش‌بینی عملکرد صندوق‌ها تحت شرایط اقتصادی متفاوت است. یافته‌ها: نتایج نشان می‌دهد که مدل‌های هوش مصنوعی نسبت به سایر روش‌ها، توانایی بیشتری برای پیش‌بینی بازده هر دو گروه کشورهای توسعه‌یافته و در حال توسعه دارند. شبکۀ عصبی نئوکلاسیک، بهترین عملکرد را در هر دو گروه نشان داده است، در حالی که پرسپترون چند لایه در کشورهای توسعه‌یافته نیز موفق بوده و درخت تصمیم ضعیف‌تر ظاهر شده است. همچنین، ترکیب روش‌های هوش مصنوعی با تکنیک‌های فضایی، باعث افزایش معنادار دقت پیش‌بینی شده است. یافته‌ها حاکی از آن است که بازده بازار در هر دو گروه اثر مثبت دارد و در کشورهای توسعه‌یافته پررنگ‌تر است. تحلیل‌های انجام شده نشان داد که متغیرهای مؤثر بر بازده صندوق‌ها، شامل نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه‌گذاران حقیقی بوده‌اند. نسبت شارپ در هر دو گروه، تأثیر مثبت معناداری داشته است و حساسیت بالای سرمایه‌گذاران در بازارهای توسعه‌یافته به ریسک تعدیل شده بازده را نشان می‌دهد. در نهایت، نتایج پیش‌بینی بازده صندوق‌های سرمایه‌گذاری مشترک با استفاده از رویکرد ترکیبی هوش مصنوعی و پانل هیبرید فضایی، نشان می‌دهد که عملکرد مدل‌ها در کشورهای توسعه‌یافته و در حال توسعه، تفاوت‌های معناداری دارد. در کشورهای توسعه‌یافته، مدل‌هایی مانند پرسپترون چند لایه و درخت تصمیم، بهترین عملکرد را داشته‌اند، در حالی که در کشورهای در حال توسعه، یادگیری عمیق و ماشین بردار پشتیبان برتری نشان داده‌اند. نتیجه‌گیری: پژوهش حاضر نشان داد که بازارهای توسعه‌یافته از نظر پیش‌بینی‌پذیری و ثبات عملکرد، به‌مراتب بهتر از بازارهای در حال توسعه هستند. همچنین مدل‌های پیشرفتۀ هوش مصنوعی در پیش‌بینی بازده صندوق‌ها، در هر دو گروه کشورهای توسعه‌یافته و در حال توسعه کارایی دارند. در نهایت، طراحی مدل‌های ترکیبی از هوش مصنوعی و تحلیل‌های فضایی و پانل هیبرید فضایی، می‌تواند دقت پیش‌بینی بازده صندوق‌ها را بهبود بخشد و به سرمایه‌گذاران و مدیران صندوق‌ها در اتخاذ تصمیم‌های مالی مؤثرتر کمک کند. بنابراین، طراحی مدل‌های ترکیبی هوش مصنوعی و پانل هیبرید فضایی، در هر دو گروه، باعث بهبود کارایی و افزایش دقت پیش‌بینی شده است و قادر است بر کیفیت تصمیم‌گیری‌های مالی تأثیر بسزایی بگذارد. این پژوهش نشان داد که متغیرهای مؤثر بر بازده صندوق‌ها، شامل نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه‌گذاران حقیقی و شرایط اقتصادی کشورها، بر عملکرد این مدل‌ها تأثیر می‌گذارد. این امر اهمیت در نظر گرفتن عوامل کلان اقتصادی در تحلیل‌های مالی و حسابداری را برجسته می‌کند. برای فعالان بازار و تحلیلگران مالی، این نتایج می‌تواند به بهبود فرایندهای گزارشگری مالی، ارزیابی ریسک، و تصمیم‌گیری‌های سرمایه‌گذاری منجر شود. یافته‌های این پژوهش، به‌صورت ویژه می‌تواند به گسترش دامنۀ اطلاعات مالی صندوق‌های سرمایه‌گذاری کمک کند.