بررسی دستکاری قیمتها در بازار بورس ایران با استفاده از مدل ترکیبی خودرمزگذار متغیر-حافظه کوتاه مدت طولانی
نویسندگان
1 دانشجوی دکتری مهندسی مالی، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.
2 استادیار، گروه مدیریت سیستم و بهرهوری، دانشگاه تربیت مدرس، تهران، ایران.
3 دانشیار، گروه حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.
4 استادیار، گروه مدیریت بانک و بیمه، دانشگاه خوارزمی، ایران.
doi
10.48308/jfmp.2024.105131چکیده
هدف: بازار سرمایه به عنوان یکی از اصلیترین بخشهای اقتصادی کشورها، نقش با اهمیتی در توسعه و گسترش فعالیت اقتصادی دارد. با توسعه تکنولوژی و الگوریتمهای معاملاتی پیچیده، دستکاری سهام با سهولت بیشتری رخ داده و این امر سبب میشود تا استفاده از ابزارهای مانند هوش مصنوعی و یادگیری عمیق برای شناسایی دستکاری توسط نهادهای ناظر ناگزیر باشد. هدف از این پژوهش، شناسایی دستکاری سهام در بازار بورس ایران است. برای این کار از اطلاعات 73 سهم از 19 صنعت پذیرش شده در بورس طی 1398 الی 1402، روزهای معاملاتی تقریبی 71،300 استفاده شده است.روش: شناسایی دستکاری در معاملات سهام به دلیل همبستگی زمانی دادههای قیمت سهام و پویا بودن آن، چالش مهمی را به وجود میآورد. این چالش با در دسترس نبودن دادههای برچسبگذاریشده نیز تشدید میشود. از این رو باتوجه به عدم اعلام سهام دستکاری شده توسط ناظر بورس در بازار ایران، شناسایی دادهها: 1) آزمونهای آماری مانند بازدهی غیرنرمال، سهام دستکاری شده و تاریخ دقیق دستکاری مشخص شده است. 2) دادههای تصادفی با شبیهسازی الگوی دستکاری سهم، به سری زمانی سهامی که با اطمینان بالایی در آنها دستکاری رخ نداده (پرسشنامه خبرگان)، تزریق شده است. در گام بعدی با استفاده از ترکیب مدلهای خودرمزگذار متغیر و حافظه کوتاه مدت طولانی، الگوریتم VAE- LSTM برای مقایسه با برخی مدلها یادگیری ماشین از قبیل درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک و.. طراحی گردیده که احتمال دستکاری سهم را محاسبه مینماید.یافتهها: پس از اجرای مدلهای یادگیری عمیق شاخصهای دقت و بازخوانی و F1 و F2 محاسبه شد. به دلیل اینکه در بازار سرمایه دستهبندی سهام دستکاری شده و نشده از اهمیت یکسانی برخوردار نیست، برای رتبهبندی مدلها از شاخص ارزیابی عملکردی F2 استفاده شده است. به ترتیب مدلهای VAE-LSTM، درخت تصمیم، جنگل تصادفی، شبکه عصبی چندلایه، ماشینبردار پشتیبان، رگرسیون لجستیک عملکردی بهتری از خود نشان دادند. مقدار حدودی F2 مدلهای مذکور به ترتیب : 72درصد، 69درصد، 50درصد، 41درصد، 40درصد و 26درصد است.نتیجهگیری: در نهایت مدل پیشنهاد شده براساس شاخص ارزیابی عملکرد F2 نسبت به سایر مدلها توانایی بهتری در شناسایی دستکاری از خود نشان داده است. ذکر این نکته ضروری است که سایر مدلهای یادگیری ماشین استفاده شده در این پژوهش نیز عملکرد مناسبی به خصوص در شاخص ارزیابی دقت داشته اما متأسفانه از نظر شاخص عملکردی بازخوانی که مهمتر میباشد، عملکرد ضعیف تری داشتهاند. پس از تعیین مدل پیشنهادی به عنوان مدل برگزیده، براساس شاخص کل بورس تهران، دوره صعودی بازار سرمایه را در بازه زمانی 01/12/1398 تا 31/05/1399، دوره نزولی بازار سرمایه را در بازه زمانی 21/05/1399 تا 20/08/1399 و سال 1400 را به عنوان دوره تعادل بازار سرمایه در نظر گرفتهایم که مطابق با انتظار، احتمال دستکاری به ترتیب در بازارهای صعودی، متعادل و نزولی بیشتر است.این نتایج به طور کلی با سایر مطالعات پیشین نیز همسو میباشد.