Алгоритм занижения цены IPO

Эта статья поднимает множество проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалить эти сообщения-шаблоны )

Эта статья, возможно, содержит оригинальные исследования . Пожалуйста, улучшите его , проверив сделанные утверждения и добавив встроенные цитаты . Заявления, содержащие только оригинальные исследования, следует удалить. ( Апрель 2011 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

Эта статья написана как личное размышление, личное эссе или аргументированное эссе , в котором излагаются личные чувства редактора Википедии или представлены оригинальные аргументы по теме. Пожалуйста, помогите улучшить его , переписав в энциклопедическом стиле . ( Апрель 2011 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

Эта статья может потребовать очистки, чтобы соответствовать стандартам качества Википедии . Нет очистки причина не была указана. Пожалуйста, помогите улучшить эту статью, если можете. ( Апрель 2011 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

( Узнайте, как и когда удалить этот шаблон сообщения )

Занижение цены IPO - это увеличение стоимости акций от цены первоначального предложения до цены закрытия первого дня. Многие считают, что IPO по заниженной цене оставляет деньги на столе для корпораций, но некоторые считают, что занижение цены неизбежно. Инвесторы заявляют, что заниженная цена свидетельствует о высоком интересе к рынку, который увеличивает спрос. С другой стороны, акции с завышенной ценой будут падать в долгосрочной перспективе по мере стабилизации цены, поэтому заниженная цена может уберечь эмитентов от судебных разбирательств с инвесторами.

Алгоритмы занижения цены IPO [ править ]

Андеррайтеры, инвесторы и корпорации, планирующие первичное публичное размещение акций (IPO), эмитенты заинтересованы в их рыночной стоимости. Всегда возникает напряжение, поскольку андеррайтеры хотят поддерживать низкую цену, в то время как компании хотят высокой цены IPO.

Недооценка также может быть вызвана чрезмерной реакцией инвесторов, вызывающей всплески в первые дни торгов. Процесс ценообразования IPO аналогичен ценообразованию на новые и уникальные продукты, когда данные о рыночном спросе, принятии продукта или реакции конкурентов немногочисленны. Кроме того, на заниженную цену также влияют идиосинкразические факторы фирмы, такие как ее бизнес-модель. ^[1] Таким образом, трудно определить четкую цену, которая усугубляется разными целями эмитентов и инвесторов.

Проблема с разработкой алгоритмов для определения заниженной цены связана с зашумленными , сложными и неупорядоченными наборами данных. Кроме того, люди, окружающая среда и различные условия окружающей среды вносят нарушения в данные. Чтобы решить эти проблемы, исследователи нашли различные методы искусственного интеллекта, которые нормализуют данные.

Искусственная нейронная сеть [ править ]

Искусственные нейронные сети (ИНС) решают эти проблемы путем сканирования данных для разработки внутренних представлений о взаимосвязи между данными. Определяя взаимосвязь с течением времени, ИНС более чувствительны и адаптируются к структурным изменениям данных. Существует две модели ИНС: обучение с учителем и обучение без учителя.

В моделях контролируемого обучения есть тесты, которые необходимо пройти, чтобы уменьшить количество ошибок. Обычно, когда встречаются ошибки, например, результат теста не совпадает с входом теста, алгоритмы используют обратное распространение для исправления ошибок. В то время как в моделях обучения без учителя входные данные классифицируются на основе того, какие проблемы необходимо решить.

Эволюционные модели [ править ]

Эволюционное программирование часто сочетается с другими алгоритмами, например, ИНС, для повышения устойчивости, надежности и адаптируемости. Эволюционные модели уменьшают количество ошибок, позволяя численным значениям изменяться в рамках фиксированной структуры программы. Разработчики предоставляют своим алгоритмам переменные, а затем предоставляют обучающие данные, чтобы помочь программе сгенерировать правила, определенные во входном пространстве, которые делают прогноз в выходном пространстве переменных.

При таком подходе решение принимается индивидуумом, а совокупность состоит из альтернатив. Однако выбросы заставляют людей действовать неожиданно, когда они пытаются создать правила для объяснения всего набора.

Система, основанная на правилах [ править ]

Например, Quintana ^[2] сначала абстрагирует модель с 7 основными переменными. Правила произошли от системы эволюционных вычислений, разработанной в Мичигане и Питтсбурге:

Престиж андеррайтера - престижна ли андеррайтер в роли ведущего менеджера? 1 для истины, 0 в противном случае.
Ширина диапазона цен - ширина необязательного диапазона справочных цен, предлагаемого потенциальным клиентам во время роуд-шоу. Эту ширину можно интерпретировать как признак неуверенности в отношении реальной стоимости компании и, следовательно, как фактор, который может повлиять на первоначальную доходность.
Корректировка цены - разница между окончательной ценой предложения и шириной диапазона цен. Если корректировка выходит за пределы предыдущего ценового диапазона, это можно рассматривать как неопределенность.
Цена предложения - окончательная цена предложения IPO.
Удерживаемые акции - отношение количества акций, проданных на IPO, к количеству акций после размещения за вычетом количества акций, проданных на IPO.
Размер предложения - логарифм размера предложения в миллионах долларов, исключая вариант сверхраспределения.
Технологии - это технологическая компания? 1 для истины, 0 в противном случае.

Quintana использует эти факторы как сигналы, на которые обращают внимание инвесторы. Алгоритм, который объясняет его команда, показывает, как предсказание с высокой степенью уверенности возможно только с подмножеством данных.

Двухуровневое эволюционное прогнозирование [ править ]

Luque ^[3] подходит к проблеме с выбросами, выполняя линейную регрессию по набору точек данных (вход, выход). Алгоритм обрабатывает данные, выделяя области для зашумленных данных. Эта схема имеет преимущество в том, что она изолирует зашумленные шаблоны, что снижает влияние выбросов на систему генерации правил. Алгоритм может вернуться позже, чтобы понять, влияют ли изолированные наборы данных на общие данные. Наконец, худшие результаты алгоритма превзошли предсказательные способности всех других алгоритмов.

Агентное моделирование [ править ]

В настоящее время многие алгоритмы предполагают однородное и рациональное поведение инвесторов. Однако есть подход, альтернативный финансовому моделированию, и он называется агентным моделированием (ABM). ABM использует различных автономных агентов, поведение которых развивается эндогенно, что приводит к сложной динамике системы, которую иногда невозможно предсказать, исходя из свойств отдельных агентов. ^[4] ABM начинает применяться в вычислительных финансах. Хотя, чтобы ABM была более точной, необходимо разработать более совершенные модели для генерации правил.

Ссылки [ править ]

^ Морриконе, Серена; Федерико Мунари; Раффаэле Ориани; Гаэтан де Рассенфоссе (2017). «Стратегия коммерциализации и занижение цены IPO» (PDF) . Политика исследований . 46 (6): 1133–1141. DOI : 10.1016 / j.respol.2017.04.006 .
^ Кинтана, Дэвид; Кристобаль Луке; Педро Исаси (2005). «Эволюционная система прогнозирования заниженных цен IPO на основе правил». В материалах конференции 2005 г. по генетическим и эволюционным вычислениям (GECCO '05) : 983–989. DOI : 10.1145 / 1068009.1068176 . ЛВП : 10016/4081 . ISBN 1595930108. S2CID 3035047 .
^ Луке, Кристобаль; Дэвид Кинтана; JM Valls; Педро Исаси (2009). «Двухуровневое эволюционное прогнозирование заниженной цены IPO». В материалах одиннадцатой конференции Конгресса по эволюционным вычислениям (CEC'09) . Пискатави, Нью-Джерси, США: IEEE Press: 2374–2378. DOI : 10.1109 / cec.2009.4983237 . ISBN 978-1-4244-2958-5. S2CID 1733801 .
^ Брабазон, Энтони; Цзян Данг; Ян Демпси; Майкл О'Нил; Дэвид М. Эдельман (2010). «Естественные вычисления в финансах: обзор» (PDF) . Справочник по естественным вычислениям .

[1] Морриконе, Серена; Федерико Мунари; Раффаэле Ориани; Гаэтан де Рассенфоссе (2017). «Стратегия коммерциализации и занижение цены IPO» (PDF) . Политика исследований . 46 (6): 1133–1141. DOI : 10.1016 / j.respol.2017.04.006 .

[2] Кинтана, Дэвид; Кристобаль Луке; Педро Исаси (2005). «Эволюционная система прогнозирования заниженных цен IPO на основе правил». В материалах конференции 2005 г. по генетическим и эволюционным вычислениям (GECCO '05) : 983–989. DOI : 10.1145 / 1068009.1068176 . ЛВП : 10016/4081 . ISBN 1595930108. S2CID 3035047 .

[3] Луке, Кристобаль; Дэвид Кинтана; JM Valls; Педро Исаси (2009). «Двухуровневое эволюционное прогнозирование заниженной цены IPO». В материалах одиннадцатой конференции Конгресса по эволюционным вычислениям (CEC'09) . Пискатави, Нью-Джерси, США: IEEE Press: 2374–2378. DOI : 10.1109 / cec.2009.4983237 . ISBN 978-1-4244-2958-5. S2CID 1733801 .

[4] Брабазон, Энтони; Цзян Данг; Ян Демпси; Майкл О'Нил; Дэвид М. Эдельман (2010). «Естественные вычисления в финансах: обзор» (PDF) . Справочник по естественным вычислениям .

[1]