احساسات سرمایه‌گذاران در شبکه‌های اجتماعی و نوسانات بازار سهام: شواهدی از بورس اوراق بهادار تهران

•   آرشیو : نسخه زمستان 1404
•   کد پذیرش : 12444
•   موضوع : سایر شاخه‌ها
• نویسنده/گان : | میرسجاد مسجد موسوی، فائزه کرمانی
•   زبان : فارسی
•   نوع مقاله : پژوهشی
•   چکیده مقاله به فارسی : احساسات سرمایه‌گذاران، که شامل حالت‌های هیجانی مانند خوش‌بینی، بدبینی، ترس و طمع می‌شود، نقش مهمی در شکل‌دهی به نوسانات و بازدهی بازار سهام ایفا می‌کنند، با این حال اغلب در مدل‌های مالی سنتی نادیده گرفته می‌شوند. این مطالعه به بررسی تأثیر احساسات سرمایه‌گذاران استخراج‌شده از شبکه‌های اجتماعی بر نوسانات شاخص بورس اوراق بهادار تهران (TSE) در پاسخ به اخبار کلان اقتصادی مانند نرخ بهره، تورم و نوسانات نرخ ارز می‌پردازد. با استفاده از داده‌های متنی جمع‌آوری‌شده از شبکه‌های مالی، یک شاخص احساسات اختصاصی TSE از طریق تحلیل احساسات با فرهنگ لغت مالی طراحی‌شده ساخته شد. رابطه پویا بین احساسات سرمایه‌گذاران و تغییرات شاخص TSE با استفاده از روش‌های آماری شامل همبستگی و رگرسیون تحلیل شد و برای اعتبارسنجی پیش‌بینی، مدل‌سازی یادگیری عمیق(LSTM) نیز به کار گرفته شد. یافته‌ها نشان‌دهندۀ وجود همبستگی مثبت معنادار بین احساسات سرمایه‌گذاران و نوسانات شاخص، همراه با اثر تأخیری است، به طوری که احساسات سرمایه‌گذاران بر حرکت‌های بازار در روزهای معاملاتی بعدی تأثیر می‌گذارد. علاوه بر این، نتایج نشان‌دهنده اثرات نامتقارن است، به گونه‌ای که تأثیرات در دوره‌های صعودی بازار قوی‌تر مشاهده می‌شود. این تحقیق شواهد تجربی برای چارچوب مالیه رفتاری در یک بازار نوظهور ارائه می‌دهد و بر اهمیت پایش احساسات شبکه‌های اجتماعی برای ارزیابی ریسک، تنظیم بازار و بهبود تصمیم‌گیری سرمایه‌گذاری تأکید می‌کند.
•   لیست منابع : Deveikyte, J., Geman, H., Piccari, C., & Provetti, A. (2020). A sentiment analysis approach to the prediction of market volatility. *International Conference on Computer Science & Information Systems*.
  Duz Tan, S., & Tas, O. (2020). Social media sentiment in international stock returns and trading activity. *Journal of Behavioral Finance*. https://doi.org/10.1080/15427560.2020.1772261
  Gao, Y., Zhao, C., Sun, B., & Zhao, W. (2020). Effects of investor sentiment on stock volatility: New evidences from multi-source data in China’s green stock markets. *Financial Innovation*, *8*(1), 77. https://doi.org/10.1186/s40854-022-00381-2
  Xu, Y., & Zhao, J. (2020). Can sentiments on macroeconomic news explain stock returns? Evidence form social network data. *International Journal of Finance & Economics*, 1–16. https://doi.org/10.1002/ijfe.2260
  Yang, N., Fernandez-Perez, A., & Indriawan, I. (2024). Spillover between investor sentiment and volatility: The role of social media. *International Review of Financial Analysis*, *96*, 103643. https://doi.org/10.1016/j.irfa.2024.103643
  Zhao, C., Kang, L., Xi, X., Du, S., & Li, J. (2025). Investor sentiment and stock market volatility: Exploring the relationship using sentiment analysis of stock bar comments. *Finance Research Open*, *1*, 100016. https://doi.org/10.1016/j.finr.2025.100016
  Zheng, S., Zhang, Y., & Chen, Y. (2024). Leveraging financial sentiment analysis for detecting abnormal stock market volatility: An evidence-based approach from social media data. *Academia Nexus Journal*, *3*(3). https://academianexusjournal.com
•   کلمات کلیدی به فارسی : احساسات سرمایه‌گذاران، احساسات شبکه‌های اجتماعی، اخبار کلان‌اقتصادی، نوسان‌پذیری بازار سهام، بازارهای نوظهور.
•   چکیده مقاله به انگلیسی : Investor sentiment, reflecting emotional states such as optimism, pessimism, fear, and greed, plays a critical role in shaping stock market volatility and returns, yet it is often overlooked in traditional finance models. This study investigates the impact of social media-derived investor sentiment on the Tehran Stock Exchange (TSE) index volatility in response to macroeconomic news such as interest rates, inflation, and exchange rate fluctuations. Using textual data collected from financial social networks, a TSE-specific sentiment index was constructed via sentiment analysis with a tailored financial lexicon. The dynamic relationship between investor sentiment and TSE index movements was analyzed using statistical correlation and regression techniques, complemented by deep learning (LSTM) modeling for predictive validation. The findings reveal a significant positive correlation between investor sentiment and index volatility, with evidence of a lagged effect, where sentiment influences market movements on subsequent trading days. Additionally, the results indicate asymmetric effects, with stronger impacts during bullish market phases. This research provides empirical evidence for the behavioral finance framework in an emerging market context, highlighting the importance of monitoring social media sentiment for risk assessment, market regulation, and improved investment decision-making.
•   کلمات کلیدی به انگلیسی : Investor Sentiment; Social Media Sentiment; Macroeconomic News; Stock Market Volatility; Emerging Markets.
•  صفحات : 86-102
•   دانلود فایل ( 586.69 KB )