پیش بینی بازده صندوق های سرمایه گذاری مشترک کشورهای عضو فدراسیون بورس های اروپایی و آسیایی رویکرد فضایی و هوش مصنوعی

هدف: هدف اصلی این مقاله، پیش بینی بازده صندوق های سرمایه گذاری در کشورهای توسعه یافته و در حال توسعه عضو فدراسیون بورس های اروپایی و آسیایی است. روش: پژوهش حاضر از نوع کاربردی است و داده های مالی دوره ۲۰۱۵ تا ۲۰۲۳ مرتبط با صندوق های کشورهای توسعه یافته و در حال توسعه را بررسی می کند. برای مدل سازی، روش های هوش مصنوعی، اقتصادسنجی فضایی و ترکیب این دو در چارچوب پانل هیبرید فضایی به کار رفته اند تا تاثیر متغیرهای مهمی همچون نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه گذاران حقیقی بر بازده بررسی شود. هدف اصلی، سنجش کارایی مدل ها در پیش بینی عملکرد صندوق ها تحت شرایط اقتصادی متفاوت است. یافته ها: نتایج نشان می دهد که مدل های هوش مصنوعی نسبت به سایر روش ها، توانایی بیشتری برای پیش بینی بازده هر دو گروه کشورهای توسعه یافته و در حال توسعه دارند. شبکه عصبی نئوکلاسیک، بهترین عملکرد را در هر دو گروه نشان داده است، در حالی که پرسپترون چند لایه در کشورهای توسعه یافته نیز موفق بوده و درخت تصمیم ضعیف تر ظاهر شده است. همچنین، ترکیب روش های هوش مصنوعی با تکنیک های فضایی، باعث افزایش معنادار دقت پیش بینی شده است. یافته ها حاکی از آن است که بازده بازار در هر دو گروه اثر مثبت دارد و در کشورهای توسعه یافته پررنگ تر است. تحلیل های انجام شده نشان داد که متغیرهای موثر بر بازده صندوق ها، شامل نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه گذاران حقیقی بوده اند. نسبت شارپ در هر دو گروه، تاثیر مثبت معناداری داشته است و حساسیت بالای سرمایه گذاران در بازارهای توسعه یافته به ریسک تعدیل شده بازده را نشان می دهد. در نهایت، نتایج پیش بینی بازده صندوق های سرمایه گذاری مشترک با استفاده از رویکرد ترکیبی هوش مصنوعی و پانل هیبرید فضایی، نشان می دهد که عملکرد مدل ها در کشورهای توسعه یافته و در حال توسعه، تفاوت های معناداری دارد. در کشورهای توسعه یافته، مدل هایی مانند پرسپترون چند لایه و درخت تصمیم، بهترین عملکرد را داشته اند، در حالی که در کشورهای در حال توسعه، یادگیری عمیق و ماشین بردار پشتیبان برتری نشان داده اند. نتیجه گیری: پژوهش حاضر نشان داد که بازارهای توسعه یافته از نظر پیش بینی پذیری و ثبات عملکرد، به مراتب بهتر از بازارهای در حال توسعه هستند. همچنین مدل های پیشرفته هوش مصنوعی در پیش بینی بازده صندوق ها، در هر دو گروه کشورهای توسعه یافته و در حال توسعه کارایی دارند. در نهایت، طراحی مدل های ترکیبی از هوش مصنوعی و تحلیل های فضایی و پانل هیبرید فضایی، می تواند دقت پیش بینی بازده صندوق ها را بهبود بخشد و به سرمایه گذاران و مدیران صندوق ها در اتخاذ تصمیم های مالی موثرتر کمک کند. بنابراین، طراحی مدل های ترکیبی هوش مصنوعی و پانل هیبرید فضایی، در هر دو گروه، باعث بهبود کارایی و افزایش دقت پیش بینی شده است و قادر است بر کیفیت تصمیم گیری های مالی تاثیر بسزایی بگذارد. این پژوهش نشان داد که متغیرهای موثر بر بازده صندوق ها، شامل نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه گذاران حقیقی و شرایط اقتصادی کشورها، بر عملکرد این مدل ها تاثیر می گذارد. این امر اهمیت در نظر گرفتن عوامل کلان اقتصادی در تحلیل های مالی و حسابداری را برجسته می کند. برای فعالان بازار و تحلیلگران مالی، این نتایج می تواند به بهبود فرایندهای گزارشگری مالی، ارزیابی ریسک، و تصمیم گیری های سرمایه گذاری منجر شود. یافته های این پژوهش، به صورت ویژه می تواند به گسترش دامنه اطلاعات مالی صندوق های سرمایه گذاری کمک کند.

کلیدواژه ها:

پیش بینی بازده ، رویکرد فضایی ، صندوق سرمایه گذاری مشترک ، کشورهای عضو فدراسیون بورس های اروپایی و آسیایی ، هوش مصنوعی