تحقیقات حسابداری و حسابرسی

تحقیقات حسابداری و حسابرسی

تحلیل بازار سهام با استفاده از رویکرد شبکه‌ های پیچیده

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشجوی دکتری حسابداری، دانشکده علوم اقتصادی و اداری دانشگاه مازندران، بابلسر، ایران
2 استاد گروه حسابداری، دانشکده علوم اقتصادی و اداری دانشگاه مازندران، بابلسر، ایران
10.22034/iaar.2025.236286
چکیده
هدف: امروزه فیزیک مالی و استفاده از تکنیک شبکه‌های پیچیده نقش برجسته‌ای در مطالعات سیستم‌های مالی و اقتصادی پیدا کرده است. از این رو این پژوهش در صدد است تحلیل بازار سهام را از طریق روش شبکههای پیچیده بررسی نماید.
روش: بررسی داده‌های بورسی با استفاده از شبکه‌های پیچیده، پژوهشی بین رشته‌ای و کمی می‌باشد که در مرز نظریه گراف، فیزیک مالی و اقتصاد قرار دارد. در این مطالعه برای ساخت و بررسی شبکه‌های پیچیده، داده‌های بورسی 618 شرکت[1] طی سال‌های 1390 الی 1400 در قالب 48 صنعت، از نرم‌افزار پایتون (Python 3) و کتابخانه‌های موجود در آن (Numpy و NetworkX و Scipy) استفاده شده است.
یافته‌ها: در این پژوهش، پارامترهای مختلف شبکه پیچیده مورد بررسی قرار گرفت. با بررسی روند مرکزیت درجه و مرکزیت نزدیکی، تغییرات شبکه طی سال‌های بحرانی به وضوح مشاهده می‌گردد و با استفاده از پارامتر تشابه میزان شباهت شبکه‌ها نشان داده می‌شود.
نتیجه‌گیری: نتایج نشان می‌دهد که شبکه‌های ساخته شده، ویژگی‌های شبکه دنیای کوچک را دارند. در طی سال‌ها مرکزیت بین صنایع جابه‌جا شده است، که نشان از عدم پایداری شبکه‌ها در طول زمان دارد. هر دو مرکزیت درجه و مرکزیت نزدیکی در طی سال‌های بحرانی دارای بیشترین مقدار خود می‌باشند که حاکی از آن است که بحران همه صنایع را تحت تأثیر قرار داده است. علاوه بر آن، یافته‌های پژوهش حاصل از پارامتر تشابه بیانگر آن است که در طول سال‌های بحران، شبکه‌ها دارای بیشترین شباهت با یکدیگر و کاملاً متراکم بوده‌اند.



[1]. کلیه شرکت‌های فعال طبق داده‌های کتابخانه سازمان بورس و اوراق بهادار تهران
کلیدواژه‌ها

1.       تقی‌زاده، رضا و عبدزاده کنفی، محمد، (1402). "تحلیلی بر بازار سرمایه با استفاده از رویکرد شبکه". تحقیقـات مـالی، 25(3)، صص. 369-386.
2.       چهارسوقی، سیدکمال، و رحیم نژاد، فریده. (1395). کاربرد شبکه های پیچیده در تحلیل بازار سهام. کنفرانس ملی نوآوری در مدیریت سیستم ها و فناوری اطلاعات با رویکرد هوشمندی کسب و کار.
3.       سرچمی، محمد. خدامی‌پور، احمد. محمدی، مجید و حدیث، زینلی، (1402). "ارزیابی توان مدل یادگیری عمیق و مدل مارکوئیتز در تشکیل پرتفوی بهینه سهام". تحقیقات حسابداری و حسابرسی، انجمن حسابداری ایران، دوره 15، شماره 57، صص 47-68.
4.       صادقی، حجت‌اله، (1398). "فیزیک مالی به عنوان زمینه‌ای بین رشته‌ای؛ خدمات دانش فیزیک به مالی و نقد آنها". پژوهشنامه انتقادی متون و برنامه‌های علوم انسانی، 19(9 )، صص. 93-112.
5.       هاشمی گل سفیدی، افشین. لشگری، زهرا و زهره، حاجیها، (1401). "کاربرد یادگیری ماشین در ارائه الگویی برای پیش‌بینی ورشکستگی". تحقیقات حسابداری و حسابرسی، انجمن حسابداری ایران، دوره 14، شماره 56، صص 171-190.
6.       Bardoscia, M., Barucca, P., Battiston, S., Caccioli, F., Cimini, G., Garlaschelli, D., ... and Caldarelli, G. )2021(. “The physics of financial networks”. Nature Reviews Physics, 3(7), pp. 490-507.
7.       Battiston, S., et al. (2016). “Complexity theory and financial regulation”. Science, 351, pp. 818–819.
8.       Bhattacharya, S., Sinha, S., Dey, P., Saha, A., Chowdhury, C., and Roy, S. )2023(. Online social-network sensing models. Computational Intelligence Applications for Text and Sentiment Data Analysis, pp. 113-140. Academic Press.
9.       Coletti, P., Murgia, M. )2017(. “The network of the Italian stock market during the 2008–2011 financial crises”, Algorithmic Financ. (5), pp. 111–137.
10.   Dimitri, G. M. )2023(. “Is Facebook regionally a small world network?” arXiv preprint arXiv:2301.04916.
11.   Fontoura Costa, L. da. )2021(. “Further generalizations of the jaccard index”, ArXiv abs/2110.09619.
12.   Huang, W., Wang, H., Wei, Y., et al. )2024(. “Complex network analysis of global stock market co-movement during the COVID-19 pandemic based on intraday open-high-low-close data”. Financ Innov 10, 7.
13.   Humphries, M. D., Gurney, K. )2008(. “Network ‘small-world-ness’: a quantitative method for determining canonical network equivalence”, PLoS ONE 3 (4) e0002051.
14.   Jin, Y., Lin, CY., Matsuo, Y., et al. )2012(. “Mining dynamic social networks from public news articles for company value prediction”. Soc Netw Anal Min. 2(3), pp. 217–228.
15.   Li, B., Pi, D. )2018(. “Analysis of global stock index data during crisis period via complex network approach”. PLoS ONE 13(7): e0200600.
16.   Nobi, A., Lee, S., Kim, DH., et al. )2014(. “Correlation and network topologies in global and local stock indices”. Phys Lett A 378(34), pp. 2482–2489.
17.   Peng, SH., Han, W., Jia, G. )2022(. “Pearson correlation and transfer entropy in the Chinese stock market with time delay”, Data Science and Management, (5), Issue 3, pp. 117-123.
18.   Qiao, H., Xia, Y., Li, Y. )2016(. “Can network linkage effects determine return? evidence from Chinese stock market”, PLoS One 11 (6) e0156784.
19.   Schwartz, G. A. )2021(. “Complex networks reveal emergent interdisciplinary knowledge in Wikipedia”. Humanities and Social Sciences Communications, 8(1), pp. 1-6.
20.   Van Mieghem, P. )2023(. “Graph spectra for complex networks. Cambridge university press.
21.   Yang, C., Chen, Y., Niu, L. and Li, Q. )2014(. “Cointegration analysis and influence rank-A network approach to global stock markets”. Physica A, 400, pp. 168–185.