Организация эффективного управления фондовым рынком на основе исследования процессов формирования стоимости акций компаний–эмитентов

Обложка

Цитировать

Полный текст

Аннотация

Мировой экономический кризис и социально-экономические последствия пандемии COVID-19 оказывают значительное влияние на повышение волатильности и рисков манипулирования котировок фондовых активов. Предметом исследования является организация управления инвестиционным фондовым процессом с учетом нерыночных механизмов манипулирования стоимостью акций компаний–эмитентов. Целью статьи является повышение эффективности управления фондовым процессом на основе модели фондового рынка и процедур нечеткой оценки стоимости акций компаний–эмитентов в рамках этой модели. Методология исследования основывается на применении методов анализа экономических явлений и процессов, системного подхода к изучению развития компаний–эмитентов и фондовых рынков. Моделирование фондовых процессов основывается на теории нечеткой логики и теории эффективности.   Формулируются принципы идеализации фондового рынка и принципы управления фондовым рынком в манипулируемой информационной среде. Представлена модель фондового рынка, включающая в себя: идеальную модель фондового рынка, модель фундаментальных возмущающих факторов и модель манипулирования фондовым рынком. В рамках модели фондового рынка разработана экономико-математическая модель оценки стоимости акций компаний–эмитентов, в которой неопределенность параметров описывается нечеткими числами. Новизна исследования заключается в сформулированной концепции факторной психодинамики (включающей перечень факторов, функции факторов, силу факторов и инерцию факторов), которая служит основой для модели фондового рынка, а также в разработанной методике нечеткой оценки стоимости акций компаний–эмитентов. Участники фондового рынка, потенциальные инвесторы, собственники и приобретатели компаний на основе представленной модели фондового рынка имеют возможность получения дополнительной информации о происходящих фондовых процессах. Нечеткие процедуры оценки стоимости акций компаний–эмитентов позволяют осуществлять расчет стоимости их акций в соответствии с различными прогнозными сценариями развития компаний.

Об авторах

Евгений Владимирович Дорохов

Московский государственный университет им. М.В. Ломоносова

Email: e.v.dorokhov@mail.ru
ORCID iD: 0000-0001-7869-4530
докторант;

Список литературы

  1. Федорова Е.А., Рогов О.Ю., Ключников В.А. Влияние новостей на индекс нефтегазовой отрасли ММВБ: текстовый анализ // Вестник Московского университета. Сер. 6. Экономика. 2018. № 4. С. 79–99.
  2. Чарахчян К.К., Чарахчян В.К. Некоторые аспекты воздействия новостной информации на биржевую оценку эмитентов // Теория и практика общественного развития. 2018. 1 (10). URL: https://doi.org/10.24158/tipor.2018.1.10
  3. Подгорный Б.Б. Информационное поле российского фондового рынка // Вестник экономики, права и социологии. 2018. № 1. С. 205–209.
  4. Podgorny B. The Russian stock market as a social space: a theoretical basis // Economic Annals XXI. 2017. No. 3–4. P. 20–24.
  5. Kriksciuniene D., Sakalauskas V. The impact of public information on stock market fluctuations // Transformations in Business and Economics. 2012. 11 (1). P. 84–99.
  6. Галкин А.С., Гуров И.Н. Студников С.С. Влияние санкций на детерминанты стоимости акций российских компаний // Инновации и инвестиции. 2020. № 3. C. 161–166.
  7. Миркин Я.М. Влияние санкций на финансовые риски российской экономики // Банковские услуги. 2015. № 8. С. 17–24.
  8. Aldhyani T., Alzahrani A. Framework for Predicting and Modeling Stock Market Prices Based on Deep Learning Algorithms // MDPI. 2022. 11. P. 1–19. doi: 10.3390/electronics11193149
  9. Bansal M., Goyal A., Choudhary A. Stock market prediction with high accuracy using machine learning techniques. Procedia Computer Science. 2022. P. 247–265. doi.org/10.1016/j.procs.2022.12.028
  10. Daradkeh K. A hybrid data analytics framework with sentiment convergence and multi-feature fusion for stock trend prediction // MDPI Journal of Electronics. 2022. 11. 1–20. doi.org/10.3390/electronics11020250
  11. Ghosh P., Neufeld A., Sahoo J. Forecasting directional movements of stock prices for intraday trading using LSTM and random forests. Financial Research Letters. 2023. P. 1–8. doi.org/10.48550/arXiv.2004.10178
  12. Kulshreshtha S., Vijayalakshmi A. An ARIMA-LSTM hybrid model for stock market prediction using live data. Journal of Engineering Science and Technology Review, 13(4), 117–123. doi: 10.25103/jestr.134.11
  13. Shah A., Gor M., Meet S., Shah M. A stock market trading framework based on deep learning architectures // Multimedia Tools and Applications. .2022. 81. P. 14153–14171. doi.org/10.1007/s11042-022-12328-x
  14. Vijh M, Chandola D., Tikkiwal V., Kumar A. Stock Closing Price Prediction using Machine Learning Techniques // Procedia Computer Science. 2022. 167. P. 599–606. doi: 10.1016/j.procs.2020.03.326
  15. Zaheer S., Nadeem A., Hussain, S., Algarni A. A Multi Parameter Forecasting for Stock Time Series Data Using LSTM and Deep Learning Model // MDPI-Mathematics. 2023. P. 1-24. doi.org/10.3390/math11030590
  16. Недосекин А. О. Фондовый менеджмент в расплывчатых условиях. СПб: Типография Сезам, 2003.
  17. Bera A., Higgins M. Lee S. Interaction between autocorrelation and conditional heteroskedasticity: a random-coefficient approach // Journal of Business & Economic Statistics. 1992. 10. P. 133–142.
  18. Nelson D. Conditional heteroskedasticity in asset returns: a new approach // Econometrica. 1991. Vol. 59. No. 2. P. 347–370. https://doi.org/0012-9682(199103)59:22.0.CO;2-V
  19. Sentana E. Quadratic ARCH models // Review of Economic Studies. 1995. Vol. 62. No. 4. P. 639–661. doi: 10.2307/2298081
  20. Samuel Tabot. Exploring Volatility Clustering Financial Markets and Its Implication // Journal of economic and social development. 2023. 10(2). P. 81–85.
  21. Yunhao Gu. Efficient Market Hypothesis during COVID-19 Pandemic // AEMPS. 2023. Vol. 26. P. 301-307. doi: 10.54254/2754-1169/26/20230588
  22. Дорохов Е.В. Исследование манипуляций фондовыми активами на примере акций американских высокотехнологичных компаний биржи Nasdaq // Финансы и управление. 2023. № 1. С. 50–68. doi: 10.25136/2409-7802.2023.1.37548 EDN: WBBLRZ URL: https://nbpublish.com/library_read_article.php?id=37548
  23. Zadeh L.A. Fuzzy sets // Information and Control, 1965, vol. 8, N 3, P. 338–353.
  24. Дамодаран А. Инвестиционная оценка: инструменты и методы оценки любых активов. М. Альпина Бизнес Букс, 2008.
  25. Официальный сайт Exxon Mobil Corporation (XOM). Financial results. Electronic resource. URL: https://investor.exxonmobil.com/earnings/financial-results (дата обращения: 12.08.2023).
  26. Официальный сайт Federal Reserve System. Federal Reserve Board – Federal Reserve issues FOMC statement. Electronic resource. URL: https://www.federalreserve.gov/newsevents/pressreleases/monetary20230726a.htm (дата обращения: 12.08.2023).
  27. Нефтегазовые компании США, актуализация оценки. Electronic resource. URL: https://sinara-finance.ru/upload/iblock/755/vh4ja3k9aoqjvrw46on05iprsto7q7ff.pdf (дата обращения: 12.08.2023).
  28. Недосекин А. О. Фондовый менеджмент в расплывчатых условиях. СПб: Типография Сезам, 2003.
  29. Официальный сайт NYSE. Exxon Mobil Corporation XOM. Electronic resource. URL: https://www.nyse.com/quote/XNYS:XOM (дата обращения: 12.08.2023).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).