Halka arz düşük fiyatlandırma algoritması - IPO underpricing algorithm

IPO düşük fiyatlandırması hisse senedi değerindeki ilk arz fiyatından ilk gün kapanış fiyatına yükselmedir. Birçoğu, düşük fiyatlı halka arzların şirketler için masada para bıraktığına inanıyor, ancak bazıları düşük fiyatlandırmanın kaçınılmaz olduğuna inanıyor. Yatırımcılar, düşük fiyatlandırmanın pazara yüksek ilgi gösterdiğini ve bunun da talebi artırdığını belirtiyor. Öte yandan, aşırı fiyatlandırılmış hisse senetleri, fiyat istikrar kazandıkça uzun vadede düşecektir, bu nedenle düşük fiyatlandırma ihraççıları yatırımcı davalarından koruyabilir.

IPO düşük fiyatlandırma algoritmaları

Sigortacılar ve yatırımcılar ve şirketler bir ilk halka arz (IPO), ihraççılar piyasa değerleriyle ilgileniyor. Şirketler yüksek bir halka arz fiyatı isterken, sigortacılar fiyatı düşük tutmak istedikleri için ortaya çıkan gerilim her zaman vardır.

Düşük fiyatlandırma, yatırımcının alım satımın ilk günlerinde ani artışlara neden olan aşırı tepkisinden de kaynaklanıyor olabilir. İlk halka arz fiyatlandırma süreci, pazar talebi, ürün kabulü veya rekabetçi yanıt hakkında seyrek veri bulunan yeni ve benzersiz ürünlerin fiyatlandırılmasına benzer. Ayrıca, düşük fiyatlandırma, iş modeli gibi firmanın kendine özgü faktörlerinden de etkilenir.[1] Bu nedenle, ihraççıların ve yatırımcıların sahip olduğu farklı hedeflerle birleştirilen net bir fiyat belirlemek zordur.

Düşük fiyatlandırmayı belirlemek için algoritmalar geliştirmeyle ilgili sorun, gürültülü, karmaşık ve sırasız veri kümeleri. Ek olarak, insanlar, çevre ve çeşitli çevresel koşullar verilerde düzensizlikler ortaya çıkarır. Bu sorunları çözmek için, araştırmacılar çeşitli teknikler bulmuşlardır. yapay zeka o normalleştirir veri.

Yapay sinir ağı

Yapay sinir ağları (YSA), veriler arasındaki ilişkinin dahili temsillerini geliştirmek için verileri tarayarak bu sorunları çözer. Zaman içindeki ilişkiyi belirleyen YSA'lar, verilerdeki yapısal değişikliklere daha duyarlı ve uyumlu hale gelir. YSA'lar için iki model vardır: denetimli öğrenme ve denetimsiz öğrenme.

İçinde denetimli öğrenme modelleri, hataları azaltmak için geçilmesi gereken testler vardır. Genellikle hatalarla karşılaşıldığında, yani test çıktısı test girdisiyle eşleşmediğinde, algoritmalar şunu kullanır: geri yayılma hataları düzeltmek için. Oysa denetimsiz öğrenme girdiler, hangi sorunların çözülmesi gerektiğine göre sınıflandırılır.

Evrimsel modeller

Evrimsel programlama genellikle diğer algoritmalarla eşleştirilir, ör. YSA sağlamlığı, güvenilirliği ve uyarlanabilirliği geliştirmek için. Evrimsel modeller, programın sabit yapısı içinde sayısal değerlerin değişmesine izin vererek hata oranlarını azaltır. Tasarımcılar algoritmalarına değişkenleri sağlar, ardından programın çıktı değişken alanında bir tahmin yapan girdi alanında tanımlanan kuralları oluşturmasına yardımcı olmak için eğitim verileri sağlarlar.

Bu yaklaşımda çözüm bir birey haline getirilir ve nüfus alternatiflerden oluşur. Bununla birlikte, aykırı değerler, bireylerin tüm seti açıklamak için kurallar oluşturmaya çalışırken beklenmedik şekilde hareket etmelerine neden olur.

Kural tabanlı sistem

Örneğin, Quintana[2] önce 7 ana değişkenli bir modeli özetler. Kurallar, Michigan ve Pittsburgh'da geliştirilen Evrimsel Hesaplama sisteminden geliştirilmiştir:

  • Sigortacı prestiji - Sigortacı lider yönetici rolünde prestijli mi? Doğru için 1, aksi halde 0.
  • Fiyat aralığı genişliği - Roadshow sırasında potansiyel müşterilere sunulan bağlayıcı olmayan referans fiyat aralığının genişliği. Bu genişlik, şirketin gerçek değerine ilişkin bir belirsizlik işareti ve dolayısıyla ilk getiriyi etkileyebilecek bir faktör olarak yorumlanabilir.
  • Fiyat ayarlaması - Son teklif fiyatı ile fiyat aralığı genişliği arasındaki fark. Ayarlamanın önceki fiyat aralığının dışında olup olmadığı belirsizlik olarak görülebilir.
  • Teklif fiyatı - Halka arzın nihai teklif fiyatı
  • Elde tutulan hisse senedi - Halka arzda satılan hisse sayısının, halka arzda satılan hisse sayısı eksi teklif sonrası hisse sayısına bölünmesiyle elde edilen oran.
  • Teklif boyutu - Fazla tahsis seçeneği hariç milyon dolar cinsinden teklif boyutunun logaritması
  • Teknoloji - Burası bir teknoloji şirketi mi? Doğru için 1, aksi halde 0.

Quintana, bu faktörleri yatırımcıların odaklandığı sinyaller olarak kullanır. Ekibinin açıkladığı algoritma, verilerin sadece bir alt kümesiyle yüksek derecede güvenilir bir tahminin nasıl mümkün olduğunu gösteriyor.

İki katmanlı evrimsel tahmin

Luque[3] veri noktaları kümesi (girdi, çıktı) üzerinde doğrusal regresyonlar gerçekleştirerek soruna aykırı değerlerle yaklaşır. Algoritma, gürültülü veriler için bölgeler tahsis ederek verilerle ilgilenir. Program, aykırı değerlerin kural oluşturma sistemi üzerindeki etkisini azaltan gürültülü kalıpları izole etme avantajına sahiptir. Algoritma, izole edilmiş veri setlerinin genel verileri etkileyip etkilemediğini anlamak için daha sonra geri gelebilir. Son olarak, algoritmadan elde edilen en kötü sonuçlar, diğer tüm algoritmaların tahmin yeteneklerinden daha iyi performans gösterdi.

Ajan tabanlı modelleme

Şu anda, algoritmaların çoğu yatırımcılar arasında homojen ve rasyonel davranışı varsaymaktadır. Bununla birlikte, finansal modellemeye alternatif bir yaklaşım var ve buna ajan tabanlı modelleme (ABM). ABM, davranışları içsel olarak gelişen ve bazen tek tek ajanların özelliklerinden tahmin edilmesi imkansız olan karmaşık sistem dinamiklerine yol açan farklı otonom ajanlar kullanır.[4] ABM, hesaplamalı finansa uygulanmaya başlıyor. Bununla birlikte, ABM'nin daha doğru olması için, kural oluşturma için daha iyi modellerin geliştirilmesi gerekir.

Referanslar

  1. ^ Morricone, Serena; Federico Munari; Raffaele Oriani; Gaétan de Rassenfosse (2017). "Ticarileştirme Stratejisi ve Halka Arz Düşük Fiyatlandırması" (PDF). Araştırma Politikası. 46 (6): 1133–1141. doi:10.1016 / j.respol.2017.04.006.
  2. ^ Quintana, David; Cristóbal Luque; Pedro Isasi (2005). "IPO düşük fiyatlandırma tahmini için evrimsel kurala dayalı sistem". 2005 Genetik ve Evrimsel Hesaplama Konferansı Bildirilerinde (GECCO '05): 983–989. doi:10.1145/1068009.1068176. hdl:10016/4081. ISBN  1595930108.
  3. ^ Luque, Cristóbal; David Quintana; J. M. Valls; Pedro Isasi (2009). "Halka arz düşük fiyatlandırması için iki katmanlı evrimsel tahmin". Onbirinci Evrimsel Hesaplama Kongresi Bildirilerinde (CEC'09). Piscatawy, NJ, ABD: IEEE Press: 2374–2378. doi:10.1109 / cec.2009.4983237. ISBN  978-1-4244-2958-5.
  4. ^ Brabazon, Anthony; Jiang Dang; Ian Dempsy; Michael O'Neill; David M. Edelman (2010). "Finansta Doğal Hesaplama: Bir İnceleme" (PDF). Doğal Hesaplama El Kitabı.