کاربرد سامانه‌های توصیه‌کننده در تکوین ربات‌های هوشمند مالی: رویکرد نگاشت دانش

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مدیریت، دانشکده علوم انسانی، دانشگاه میبد، میبد، ایران

2 دکتری، گروه حسابداری و مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران

3 استادیار، گروه حسابداری و مالی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران

چکیده

اهداف: شناخت مشتریان و ارائۀ پیشنهادهای سرمایه‌گذاری شخصی به آنها جنبه‌ای ضروری از یک استراتژی مشورتی سودمند و مؤثر است. بسیاری از خانوارها برای راهنمایی سرمایه‌گذاری به مشاوران مالی اعتماد می‌کنند. تجزیه‌‌و‌تحلیل داده‌های هوشمند یکی از زمینه‌های هوش مصنوعی است که مسئلۀ یادگیری سیستم‌های اتوماتیک را بدون برنامۀ صریح حل می‌کند. شرکت‌های مالی دریافته‌اند که باید خودشان را به‌سرعت با محیط سازگار و با استفاده از سیستم‌های خودکار در هزینه و دقت توصیه‌های مالی به سرمایه‌گذاران صرفه‌جویی کنند. در سال‌های اخیر نوعی مشاوره مبتنی بر فناوری به‌عنوان روش جایگزین با نام مشاورۀ روبو معرفی ‌شده است. مشاورۀ روبو توصیه‌گری مالی است که از طریق الگوریتم‌های یادگیری ماشینی برای تجزیه‌و‌تحلیل خودکار سطح ریسک محصول مالی و ارائۀ سبد سرمایه‌گذاری پیشنهادی کمک می‌کند. ربات‌های هوشمند، پلتفرم‌های دیجیتالی هستند که خدمات برنامه‌ریزی مالی و سرمایه‌گذاری را مبتنی بر الگوریتم و به‌طور خودکار ارائه می‌دهند.
روش: در این پژوهش با استفاده از روش نگاشت دانش به ‌مرور سیستماتیک پژوهش‌های انجام‌شده درخصوص ربات‌های هوشمند توجه ‌شده است. سپس مرتبط‌ترین پژوهش‌ها در این زمینه شناسایی و طبقه‌بندی آنها براساس مقالات، نویسندگان، مجلات، مؤسسات و کشورها انجام شده است.
نتایج: در انتها چارچوبی به‌منظور طراحی ربات‌های هوشمند در ایران پیشنهاد شده است. این پژوهش دیدی کلی به پژوهشگران درخصوص‌ روند پژوهش‌های انجام‌شده و اهمیت موضوع می‌دهد. روش نگاشت دانش با ارائۀ اطلاعات کمی و دقیق، نویسندگان را در بهبود کیفیت مقاله‌ها، تحلیل تأثیر آنها و انتخاب بهترین راهکار در نگارش مقالات علمی یاری می‌کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of recommendation systems in the development of Robo Advisors: A Bibliometrics Method

نویسندگان [English]

  • Fatemeh Zarei 1
  • marziyeh nourahmadi 2
  • Hojjatollah Sadeqi 3
1 Assistant Professor, Department of Management, Faculty of Humanities, Meybod University, Meybod, Iran.
2 Ph.D. in Financial engineering, Faculty of Economic, Management and Accounting, Yazd University, Yazd, Iran.
3 Department of Finance and Accounting, School of Management and Economics, Yazd University, Iran.
چکیده [English]

Recognizing customers` requests and offering them personal investment suggestions is an essential aspect of a useful and effective consulting strategy. Many households trust financial advisors for investment guidance. Intelligent data analysis is one of the fields of artificial intelligence that solves the problem of learning automated systems without an explicit program. Financial companies have found that they need to adapt quickly to the environment and use automated systems to save money on the cost and accuracy of financial advice to investors. In recent years, a type of technology-based counseling has been introduced as an alternative to Robo Advisors. Robo Advisors is a financial advisor who can assist through machine learning algorithms to automatically analyze the financial product risk level and provide portfolio advice. Robo Advisors are digital platforms that offer algorithm-based and automated financial planning services such as investing. In this study, a systematic review of the empirical studies done on Robo Advisors is given and at the end, a proposed framework for designing Robo Advisors is presented.
Keywords: Recommender Systems, Robo Advisors, Consulting, Wealth Management, Bibliometrics Method
 
Introduction
The objective of this study is to understand customers` requests and provide personalized investment recommendations to them, which is an essential component of an influential advisory strategy. Families and investors trust financial advisors for guidance in the field of investment. In the modern world, to leverage artificial intelligence data, financial companies must adapt to a compatible environment and provide financial recommendations more accurately and efficiently through their automated systems. Recently, a technology-based alternative form of consultation called "robo-advisory" has emerged. Robo-advisory is a financial recommendation system that analyzes the risk levels of financial products and offers recommended stock portfolios through machine learning algorithms. These intelligent digital platforms provide financial planning and investment services based on algorithms and do so automatically.
Methodology
This study employs A Bibliometrics Method to investigate studies conducted in the field of intelligent robots, providing an overview of robo-advisory research over the past decade. The Bibliometrics Method is a powerful tool in systematic reviews and scientific data analysis, assisting authors in receiving quantitative feedback on their studies. It automatically collects bibliometric and scientometric data from various sources and analyzes them. By using bibliometrics, authors can obtain important information such as the number of papers related to the topic, citation counts, references, collaborative network diagrams, and academic growth over time. The results are derived from data from sources like Scopus, WoS, and are subject to analysis. The main aim of this study is to utilize Bibliometrics Method tools and highlight various indicators currently used in the literature.
In this study, the Bibliometrics Method is employed systematically to investigate empirical studies conducted in the field of intelligent robots. Additionally, this study identifies and categorises the most relevant studies in this domain based on articles, authors, journals, institutions, and countries.
 
Results
Robo-advisors hold significant importance in the financial sector, as these systems possess the capability to analyze data accurately and logically. They assist individuals in making better, information-based financial decisions. In other words, robo-advisors are powerful tools for enhancing the efficiency and practicality of wealth management and investment. As a final outcome, a proposed framework for designing intelligent robots in Iran is presented. This research can help enhance the knowledge of researchers regarding research trends and the importance of these issues. The Bibliometrics method, by providing precise and quantitative information, aids authors in improving the quality of their stdies, analyzing their impact, and selecting the best solutions in scientific writing.
 

کلیدواژه‌ها [English]

  • Recommender Systems
  • Robo Advisors
  • Consulting
  • Wealth Management
  • Bibliometrics Method

مقدمه

اطلاعاتی که بازیابی و استفاده می‌شود، به‌سرعت افزایش‌ یافته است. داده‌کاوی فرایند استخراج اطلاعات از حجم زیادی از داده‌ها و روش کشف و پیداکردن الگوی مناسب از حجم زیادی از مجموعۀ داده‌هاست. هدف اصلی از فرایند داده‌کاوی، این است که اطلاعات مناسب و مرتبط از حجم زیادی از مجموعه داده‌ها استخراج شده و به ساختار قابل‌فهم تبدیل شود. یکی از زیرمجموعه‌های داده‌کاوی، سیستم توصیه[1] است (Patel et al., 2017). سیستم‌های توصیه‌کننده در اواسط دهۀ 1990 ظاهر شدند؛ اما از زمان جایزۀ نت فلیکس[2] اقبال جالب‌توجهی را کسب کردند. امروزه سیستم‌های توصیه‌کننده در مقیاس وسیعی از حوزه‌ها از قبیل فیلم‌ها (نت فلیکس)، کتاب (آمازون)[3] یا موسیقی (اسپتی فای)[4] به کار گرفته شده است. به‌طور کلی از آنجایی که انتخاب‌های زیادی در سیستم وجود دارد و کاربران فقط به بخش کوچکی از آیتم‌ها علاقه دارند، سیستم‌های توصیه‌کننده در هر دامنه‌ای مفید هستند (Zibriczky, 2016). با توسعۀ تکنیک‌های جدید توصیه، سیستم‌های توصیۀ بیشتری اجرا و بسیاری از برنامه‌های کاربردی سیستم‌های توصیه در دنیای واقعی ایجاد شده است. کاربرد سیستم‌های توصیه شامل توصیۀ اخبار، مقالات، فیلم‌ها، موسیقی، کتاب‌ها، اسناد و زمینه‌های تجارت الکترونیک، آموزش الکترونیک، مدیریت الکترونیک و خدمات تجارت الکترونیک است (Patel et al., 2017). سیستم‌های توصیه ابزارها و روش‌های نرم‌افزاری برای کشف پیشنهادها و توصیه‌هایی برای آیتم‌های هستند که برای کاربران مفیدند. این پیشنهادها با فرایندهای تصمیم‌گیری مختلفی مرتبط هستند؛ مانند آیتم‌هایی که باید از سوی کاربران خریداری شود، فیلم‌هایی که تماشا می‌کنند، موسیقی‌هایی که گوش می‌دهند یا اخباری که می‌خوانند. بیشتر سیستم‌های توصیه برای برنامه‌های مختلف طراحی ‌شده‌اند. هدف اصلی سیستم‌های توصیه، این است که آیتم مناسبی را برای کاربران حقیقی ارائه دهد. سیستم‌های توصیه این قابلیت را دارد که براساس تاریخچه و نمایۀ کاربران پیشنهاد کند که آیا یک کاربر آیتم خاصی را ترجیح می‌دهد یا خیر (Patel et al., 2017).

سیستم‌های توصیه‌کننده به‌صورت کلی دو نتیجه دارند: به کاربر در تصمیم‌گیری کمک می‌کنند (به‌طور مثال، از میان چندین گزینۀ پیش‌رو کدام انتخاب بهتر است و غیره) و باعث افزایش آگاهی کاربر در زمینۀ موردعلاقۀ وی می‌شود (به‌طور مثال، در حین ارائۀ پیشنهاد کاربر با اقلام و اشیای جدیدی که در گذشته از آنها شناخت نداشته است، آشنا می‌شود). یکی از کاربردهای سیستم‌های توصیه‌کننده در حوزۀ مالی، ربات‌های هوشمند است. این‌که چه سرمایه‌ای باید انتخاب شود، چه مقدار پول در دارایی‌های مختلف سرمایه‌گذاری شود و در زمانی که ارزش سرمایه‌گذاری کم می‌شود، چه‌کاری باید انجام داد، این موارد سؤالاتی است که بیشتر افرادی که تاکنون سرمایه‌گذاری کرده‌اند یا قصد سرمایه‌گذاری دارند، از خود پرسیده‌اند. برای دستیابی به بازدۀ کافی از سرمایه‌گذاری، نیاز به دانش، تجربه، تخصص و تلاش لازم است.  شرکت‌های خدمات مالی از قبیل بانک‌ها، کارگزاری‌ها، شرکت‌های بیمه و تراست‌ها، خدمات سرمایه‌گذاری را به مشتریان خود ارائه می‌دهند و به آنها کمک می‌کنند تا به اهداف خود دست یابند. چنین خدمات سرمایه‌گذاری اغلب شامل مشاوره در استراتژی‌های سرمایه‌گذاری و مدیریت سبد سرمایه‌گذاری اختیاری است که در آن مشتریان مدیریت سبد سرمایه‌گذاری را به خبرگان این حوزه از بازارهای مالی محول می‌کنند (Briner & Denyer, 2012).

توصیۀ استراتژی‌های سرمایه‌گذاری مالی کاری پیچیده است. اغلب، مشاوران مالی باید قبل از این‌که گزینه‌ای پیدا کنند که همۀ نیازها و محدودیت‌های سرمایه‌گذاران را برآورده کند، با مشتریان خود گفت‌وگو کنند و از بین چندین پیشنهاد سرمایه‌گذاری، مناسب‌ترین آن را پیدا کنند. امروزه شناختن مشتریان و ارائۀ پیشنهادهای سرمایه‌گذاری شخصی به آنها جنبه‌ای ضروری از یک استراتژی مشورتی سودمند و مؤثر است. به‌کارگیری فناوری اطلاعات در سرمایه‌گذاری به‌منظور افزایش شفافیت و ارائۀ گزارش بهتر و به‌موقع به مشتری است؛ اما بر روند تصمیم‌گیری سرمایه‌گذاران اثرگذار نیست. امروزه تعداد مقالات علمی منتشرشده در حوزه‌های مختلف علمی در حال توسعه و افزایش است و امکان به‌روزرسانی دائمی مقالات و اطلاعات با انتشار مقالات جدید امکان‌پذیر نیست؛ بنابراین مرور متون نقش مهمی را در ترکیب یافته‌های پژوهش‌های گذشته به‌منظور استفادۀ مؤثر از پایگاه دانش موجود، پیشبرد یک پژوهش و ارائۀ بینشی مبتنی بر شواهد قابل‌آزمایش و قضاوت حرفه‌ای ایفا می‎کند (Briner & Denyer, 2012). هدف از این پژوهش، بررسی کاربردهای سیستم‌های توصیه‌کننده درخصوص ربات‌های هوشمند با استفاده از روش نگاشت دانش[5] است. با استفاده از نگاشت دانش، الگوها و مدل‌های مختلف در علم‌سنجی موردمطالعه قرار داده و تحولات در علم و علم‌سنجی تحلیل می‌شوند. این اطلاعات به نویسندگان کمک می‎کند تا موضوعات پرطرفدار و پرمخاطب‌تر را شناسایی و برنامه‌ریزی خود را براساس این اطلاعات به‌روز کنند. در بخش دوم به ارائۀ تعریف سیستم‌های توصیه‌کننده، دسته‌بندی سیستم‌های توصیه‌کننده و تعریف ربات‌های هوشمند توجه می‌شود. سپس با استفاده از پکیج بیبلیومتریکس[6] در R به مروری بر مطالعات انجام‌شده درخصوص ربات‌های هوشمند و اهمیت این موضوع، مدیریت سبد سرمایه‌گذاری و ربات‌های هوشمند توجه ‌شده است و پس از ارائۀ چالش‌های موجود درخصوص سیستم‌های توصیه‌کننده مدلی پیشنهادی برای توصیۀ مدیریت سرمایه ارائه می‌شود.

 

مبانی نظری

برای درک بهتر مسئله، ابتدا باید به تعریف سیستم توصیه‌کننده توجه شود. در جدول (1) مهم‌ترین تعاریف مطرح‌شده درخصوص سیستم‌های توصیه‌کننده آورده شده است.

جدول (1) تعاریف مرتبط با سیستم‌های توصیه‌کننده

Table (1) Definitions related to recommender systems

همکاران

تعریف

ریسی و همکاران[7] (2011)

سیستم‌های توصیه‌کننده (RS) ابزارها و تکنیک‌های نرم‌افزاری هستند که آیتم‌هایی را که برای کاربر قابل‌استفاده است، پیشنهاد می‌کنند.

پارک و همکاران[8] (2012)

این سیستم‌ها از فناوری تحلیلی برای محاسبۀ احتمال این‌که کاربر محصول را خرید می‌کند، استفاده می‌کنند؛ بنابراین کاربران توصیه‌هایی را که برای خرید مناسب است، دریافت می‌کنند.

دی کامپوز و همکاران[9](2010)

سیستم‌های توصیه‌کننده سعی می‌کند که ترجیحات کاربر را کشف و اطلاعاتی دربارۀ آنها دریافت و نیازهای آنها را پیش‌بینی کند. به‌طور گسترده، سیستم توصیه‌کننده پیشنهادهای خاصی راجع به آیتم‌ها (محصولات یا اقدامات) در یک حوزه ارائه می‌دهد که ممکن است موردتوجه کاربر قرار بگیرد.

جو و همکاران[10](2016)

سیستم‌های توصیه‌کننده خدماتی است که داده‌های مشتری ازجمله داده‌های خرید کاربر را تجزیه‌وتحلیل می‌کند تا مناسب‌ترین محصول یا خدمات را به آنها توصیه کند.

تاتیانا و میخائیل[11] (2018)

سیستم توصیه‌کننده یک الگوریتم هوش مصنوعی است که اطلاعات مربوط به رفتار مشتریان را فیلتر و محصولاتی را به آنها پیشنهاد می‌کند. این پیشنهاد مبتنی بر عوامل مختلفی از قبیل خریدهای گذشته، اطلاعات جمعیتی، تاریخچۀ جست‌وجوی آنها و غیره است. پیاده‌سازی سیستم توصیه‌کننده سه رویکرد اصلی دارد: فیلترینگ مشارکتی، فیلترینگ مبتنی بر محتوا و سیستم توصیۀ ترکیبی.

ایسینکائی و همکاران[12](2015)

سیستم‌های توصیه‌کننده مشکل اطلاعات اضافی‌ای را که کاربران به‌طور نرمال با آن روبه‌رو می‌شوند، با توصیه‌های شخصی‌سازی‌شده برطرف می‌کند.

پاتل و جین[13]  (2018)

فرایندهای توصیه بخش بزرگی از اطلاعات اضافه را که مشتریان در موقع سفارش‌دادن با آن روبه‌رو می‌شوند، با ارائۀ توصیه‌های شخصی‌سازی‌شده حل می‌کند.

بوبادیلا و همکاران[14]

(  2018)

در سیستم‌های توصیه‌کننده اعتماد یا قابلیت اطمینان به این صورت تعریف می‌شود: «چقدر مطمئن هستید که سیستم توصیه، توصیه‌های درست را ارائه می‌دهد؟»

دسته‌بندی سیستم‌های توصیه‌کننده

سیستم‌های توصیه‌دهنده به دو دستۀ شخصی‌سازی‌‌شده و غیرشخصی‌‌شده دسته‌بندی می‌شود. در روش پیشنهاد غیرشخصی‌شده تعدادی آیتم خاص بدون در نظر گرفتن تمایل و سلیقه و علایق کاربران و ویژگی‌های خاص آیتم‌ها به کلیۀ کاربران توصیه می‌شود. این روش برای ارائۀ پیشنهادهای در حجم زیاد، ساده است؛ اما دقت آن هرگز به‌اندازۀ دقت روش شخصی‌سازی‌شده نخواهد بود؛ زیرا این روش مستقل از شناخت کاربر عمل می‌کند. در این روش بیشتر از الگوریتم‌های رتبه‌بندی آیتم استفاده می‌شود و N آیتمی که بیشترین رتبه را دارد، به تمام کاربران پیشنهاد می‌شود. مشهورترین روش، روش پیشنهاد مبتنی بر محبوبیت است که در آن آیتم‌هایی که بیشتر موردتوجه کاربران قرار گرفته‌اند و از محبوبیت بیشتری برخوردارند، پیشنهاد می‌شود. روش پیشنهاد شخصی‌سازی‌شده در این روش برخلاف روش غیرشخصی، کاربران و گروه‌های مختلف افراد، پیشنهادهای متنوع و متفاوت دریافت می‌کنند. درواقع، این روش سعی در ارائۀ پیشنهادهایی مرتبط با ویژگی‌ها و تمایل کاربر و درنتیجه اثرگذاری بیشتر بر تصمیم‌گیری کاربران دارند (Pereira & Varma, 2019).

 

شکل (1) تکنیک‌های سیستم‌های توصیه‌کننده (Pereira & Varma, 2019)

Figure (1) Recommender systems techniques (Pereira & Varma, 2019)

 

برای درک تأثیر ربات‌های هوشمند بر بازار مالی و تعیین این‌که آیا گزینۀ مناسبی هستند، ابتدا، لازم است، اصول اولیۀ سیستم مالی و نحوۀ تکامل ربات‌های هوشمند را درک کرد. در بخش زیر به معرفی تعریف کلی این مفهوم و تاریخچۀ این بحث توجه ‌شده است.

ربات‌های هوشمند[15]، پلتفرم‌های دیجیتالی[16] هستند که خدمات برنامه‌ریزی مالی مانند سرمایه‌گذاری را مبتنی بر الگوریتم و به‌طور خودکار ارائه می‌دهند. این سرویس به‌خاطر توانایی خود نیاز به نظارت انسانی ندارد. ربات‌های هوشمند اطلاعاتی را از مشتریان خود در خصوص وضعیت مالی و اهداف آیندۀ آنها جمع‌آوری می‌کند. برای انجام این کار از مشتریان خواسته می‌شود که به یک نظرسنجی یا چند سؤال آنلاین پاسخ دهند و از این داده‌های واردشده برای ارائۀ مشاوره استفاده ‌کنند (Salo & Haapio, 2017). اغلب نرم‌افزار ربات‌های هوشمند سؤالاتی از سرمایه‌گذاران درخصوص موقعیت مالی و اهداف آنها می‌پرسد و براساس پاسخ‌ها، الگوریتم‌هایی برای تهیۀ یک توصیه برای خرید، فروش یا نگهداری برخی از محصولات ارائه می‌کند. مشاورۀ حاصل به اطلاعات ورودی مشتری و منطق الگوریتم بستگی دارد که چه نوع توصیه‌ای براساس اطلاعات به‌ کار رفته است. این ابزار به‌عنوان یک درخت تصمیم‌گیری در نظر گرفته می‌شود که در آن مشتری به‌دنبال پاسخ به یکسری سؤالات می‌رود. بعضی از ربات‌های هوشمند به‌طور کامل اتوماتیک هستند؛ در حالی‌ که برخی از آنها به تعاملات انسان با انسان در برخی از مراحل توصیه نیاز دارند. ربات‌های هوشمند فرایند مشاورۀ سرمایه‎گذاری را تغییر می‌دهند. به‌ غیر از نوع تعامل، تغییراتی در نوع فرمت اطلاعات و قراردادها ارائه می‌کنند (Salo & Haapio, 2017). در شکل (2) به مقایسۀ ربات‌های هوشمند و سبدگردانی[17] و صندوق سرمایه‌گذاری توجه ‌شده است.

مشتری

صندوق سرمایه‌گذاری

سرمایه‌گذاری براساس اهداف صندوق

ارائۀ گزارش‌های زمان‌بندی‌شده

 

 

صندوق سرمایه‌گذاری

 

 

 

مشتری

سبدگردان

تعیین ریسک پذیری

سرمایه گداری

ارایه گزارشهای زمان بندی شده

سبدگردان

 

مشتری

برنامه‌ریز ثروت

تعیین میزان ریسک پذیری

مشخص‌کردن اهداف سرمایه‌گذاری

ارائۀ برنامۀ سرمایه‌گذاری

ارایه گزارشهای زمان بندی شده

سرمایه‌گذاری

 

 


برنامه‌ریز ثروت

 

 

 

 

 

 

ربات‌های هوشمند

 

 

مشتری

ربات

تعیین میزان ریسک پذیری

مشخص‌کردن اهداف سرمایه گذاری

ارائۀ برنامۀ سرمایه گذاری

ارایه گزارشهای  لحظه ای

سرمایه گذاری

 

 

شکل (2) مقایسۀ بین ربات‌های هوشمند و سبدگردانی و صندوق سرمایه‌گذاری

Figure (2) Comparison between smart robots, portfolio management and investment fund

 

         

 

روش پژوهش

در این پژوهش، با توجه به رویکرد نگاشت دانش تلاش شده است تا با بررسی مطالعات انجام‌شده در زمینۀ کاربرد سیستم‌های توصیه‌کننده به حل مسئلۀ مطرح در طراحی ربات‌های هوشمند توجه شود. نرم‌افزارهای مختلفی برای تحلیل نگاشت دانش وجود دارد که در ادامه، به ارائۀ نرم‌افزارهای مطرح در این حوزه توجه می‌شود. درنهایت، نرم‌افزار اصلی و روشی که در این پژوهش به کار گرفته شده است، تشریح می‌شود: سایت نت ایکسپلورر[18] و واس ویور[19]: این دو ابزار نرم‌افزاری با زبان جاوا توسط ون ایک[20] و وال من[21] طراحی شده‌ است و به تحلیل و نمایش شبکه‌های ارجاعی مجموعه‌های علمی کمک می‌کند. اسکای مت[22]: این ابزار نرم‌افزاری منبع باز برای انجام تجزیه‌وتحلیل علمی تحت چارچوب طولی[23] توسعه یافته است. بیب اکسل[24]: این ابزار به محققان در تجزیه‌و‌تحلیل داده‌های بیبلوگرافیک یا داده‌های متنی با قالب مشابه کمک می‌کند. این ابزار فایل‌های داده‌ای تولید می‌کند که به اکسل[25] یا هر برنامه‌ای که رکوردهای داده‌های تبدیل شده را قبول می‌کند، برای پردازش بیشتر وارد شود. ساینس اف ساینس طولز[26]: این ابزار نرم‌افزار رایگان، تجزیه‌و‌تحلیل و نمایش مجموعه‌های بیبلوگرافیک را ازنظر زمانی، مکانی، موضوعی و شبکه‌ای پشتیبانی می‌کند. سایت اسپیس[27]: این ابزار نرم‌افزار جاوا رایگان برای تصویرسازی و تجزیه‌و‌تحلیل روندها و الگوهای ادبیات علمی است. وانتگ پوینت[28]: این نرم‌افزار تجاری برای تجزیه‌و‌تحلیل نقشه‌های علمی استفاده می‌شود. علاوه بر این، وانتگ پوینت ابزاری برای تصویرسازی اصلی نقشه‌های بیبلومتری ارائه می‌دهد .(Aria & Cuccurullo, 2017) در این پژوهش، از رویکرد نگاشت دانش برای حل مسئلۀ پژوهش در خصوص کاربرد سیستم‌های توصیه‌کننده در طراحی ربات‌های هوشمند استفاده شده است. بیبلیومتریکس یا رویکرد نگاشت دانش یک ابزار کاربردی در زمینۀ بیبلیومتریک و سایر حوزه‌های علوم اجتماعی است که اسناد علمی و اطلاعات بیبلیومتریک را کمی تحلیل می‌کند. این ابزار به‌صورت یک پکیج نرم‌افزاری برای زبان R ارائه شده است. R یک محیط و زبان برنامه‌نویسی متن باز و منبع باز[29] است که برای تجزیه‌و‌تحلیل داده‌های آماری و بیبلیومتریک به کار می‌رود. بیبلیومتریکس توسط تیم تحقیقاتی به رهبری مونیکا چیترویچی[30] توسعه داده شده است و برای تحقیق‌گران و دانشمندانی که به تحلیل داده‌های علمی و پژوهشی علاقه دارند، ابزاری قدرتمند است. بیبلیومتریکس از مجموعه‌ای از ابزارها و توابع برای انجام تحلیل‌های مختلف بیبلیومتریک و علم‌سنجی پشتیبانی می‌کند. این ابزار به کاربران امکان می‌دهد تا اطلاعات علمی را از پایگاه‌های دادۀ مختلف (مانند وب اف ساینس[31]، اسکپوس[32]، گوگل اسکلار[33] و غیره) جمع‌آوری کرده و آنها را تبدیل به ساختارهای داده‌ای مناسب کنند، تحلیل‌های مختلفی را بر روی این داده‌ها اجرا کنند و نتایج را به‌صورت گرافیکی و تصویری نمایش دهند (Cobo et al., 2011).

 نحوۀ اجرای فرایند نگاشت دانش اولین بار توسط برنیر بیان ‌شده است (Borner et al., 2003). رویکرد استاندارد این فرایند شامل پنج مرحله است: طرح مطالعه، جمع‌آوری داده‌ها، تجزیه‌وتحلیل داده‌ها، مصورسازی و تفسیر اطلاعات (Aria & Cuccurullo, 2017 ;Zupic & Cater, 2015). در مرحلۀ طرح مطالعه، محققان سؤال‌های پژوهش را تعریف می‌کنند و روش‌های مناسب کتاب‌شناختی را که پاسخ سؤال(ها) باشند، انتخاب می‌کنند. سه نوع کلی از سؤالات پژوهش با استفاده از کتاب‌شناختی برای نگاشت دانش پاسخ داده می‌شود که شامل: شناسایی پایگاه دانش موضوع یا پژوهش و ساختار ذهنی آن، بررسی حیطۀ پژوهش (یا ساختار مفهومی) موضوع یا زمینۀ پژوهش و ایجاد یک ساختار شبکۀ اجتماعی از یک جامعۀ علمی خاص است. در طرح مطالعه، یکی از مهم‌ترین مراحل انتخاب زمان یا تصمیم درخصوص نحوۀ تقسیم دوره‌های زمانی است. تجزیه‌و‌تحلیل کتاب‌شناختی در یک نقطۀ زمانی برای ارائۀ تصویر ایستا از یک ‌رشته در یک نقطه از زمان انجام می‌شود. در جمع‌آوری داده‌ها محققان پایگاه داده‌ای را که حاوی اطلاعات کتاب‌شناختی است، انتخاب، مجموعه داده‎های اصلی را فیلتر و داده‎ها را از پایگاه دادۀ انتخاب‌شده استخراج می‌کنند. این مرحله می‌تواند شامل ساخت پایگاه دادۀ شخصی خودتان شود (Waltman, 2016).

برای تجزیه‌وتحلیل داده‌ها یک یا چند ابزار نرم‌افزاری کتاب‌شناختی یا آماری استفاده می‌شود. مرحلۀ چهارم، مصورسازی داده‌هاست. محققان باید تصمیم بگیرند که کدام روش مصورسازی برای نتایج به‌دست‌آمده از مرحلۀ سوم به کار گرفته و سپس از نرم‌افزار نگاشت مناسب استفاده شود. آخرین مرحله، تفسیر است. در این مرحله محققان یافته‌های خود را تفسیر می‌کنند و شرح می‌دهند. اگرچه روش‌های بیبلومتریک به‌طور معمول ساختار یک زمینه را به شکل متفاوتی نسبت به دسته‌بندی بررسی‌های ادبی سنتی نشان می‌دهند، جایگزین خواندن گسترده در زمینه نیستند. محققان با دانش عمیق در زمینه، مزیت خاصی دارند؛ اما مرحلۀ دوم تا چهارم به‌طور معمول از طریق نرم‌افزار پشتیبانی می‌شود؛ بنابراین مراحل دوم تا چهارم توسط نرم‌افزارهای کامپیوتری کمکی و شامل مراحل فرعی مختلفی هستند و به‌صورت کلی در سه مرحلۀ اصلی به تشریح این روش توجه می‌شود. مراحل پیاده‌سازی نگاشت علم برای کاربرد سیستم‌های توصیه‌کننده در حوزۀ مالی به شرح زیر است (Aria & Cuccurullo, 2017):

­­­

فراخوانی داده‌ها

آمار توصیفی

ماتریس داده‌ها و خصوصیات آنها

کاهش داده‌ها

نگاشت علمی دانش

ایجاد ماتریس شبکه

 

 

شکل (3) رویکرد نگاشت دانش (Aria & Cuccurullo, 2017)

Figure (3) Knowledge mapping approach (Aria & Cuccurullo, 2017)

 

باتوجه به شکل (3) مراحل نگاشت علم شامل سه مرحلۀ جمع‌آوری، تجزیه‌وتحلیل و مصورسازی داده‌هاست که در ادامه، این مراحل شرح داده می‎شود: الف) جمع‌آوری داده شامل سه مرحله است. ابتدا، بازیابی داده‌ها انجام می‌شود. بسیاری از پایگاه‌های کتاب‌شناختی آنلاین که پایگاه ذخیرۀ داده‌ها هستند، به‌عنوان منبع کتاب‌شناختی مورداستفاده قرار می‌گیرند؛ مانند: (Cobo et al., 2011) وب آف ساینس (دبلیو، اوه، اس[34]، اسکوپوس[35]، گوگل اسکلار[36] و ساینس دایرکت[37]) (Nourahmadi et al., 2021). در این پژوهش از پایگاه اسکوپوس و وب آف ساینس استفاده می‌شود. با توجه به نتایج به‌دست‌آمده تاکنون پژوهش‌های محدودی در زمینۀ «ربات‌های هوشمند[38]» انجام‌ شده است. برای درک بهتر موضوع کاربرد سیستم‌های توصیه‌کننده در مالی ابتدا، کلیدواژۀ robo-advisors در اسکوپوس و وب آو ساینس در تاریخ 1 ژانویه 2023 جستجو و پس از حذف مقالات نامرتبط و تکراری 100 مقاله حاصل شد. مراحل در شکل (4) نشان داده‌ شده است.

 

 

رویکرد نگاشت دانش

استخراج مقالات از پایگاه‌های اطلاعات علمی

اسکوپوس99 مقاله

 

وب آو ساینس62 مقاله

حذف مقالات تکراری

رسیدن به 100 مقاله برای بررسی و تحلیل

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل (4) مراحل استخراج مقالات از پایگاه‌های نمایه‌سازی

Figure (4) Steps to extract the studies from indexing databases

 

در گام بعدی، با استفاده از پکیج بیبلومتریک در نرم‌افزار R نتایج مقالات تحلیل شد. طبق نتایج به‌دست‌آمده تنها 100 مدرک در این خصوص وجود دارد که از این بین تنها 67 مورد آن مقاله است که توسط 242نویسنده نوشته است.

جدول (2) آمار توصیفی پژوهش‌های انجام‌شده در تاریخ  2017 الی 2023

Table (2) Descriptive statistics of the studies conducted in 2017 to 2023

توصیف

نتایج

اطلاعات اصلی

 

بازۀ زمانی

2017-2023

منابع (مجلات،کتاب‌ها و غیره)

79

فایل‌ها

100

نرخ رشد سالانه %

89/61

میانگین فایل‌ها

2/2

میانگین ارجاعات نسبت به هر مقاله

51/9

تعداد منابع

4469

نوع مقالات

 

(ID)کلمات کلیدی

351

(DE)کلمات کلیدی نویسنده

277

نویسندگان

 

نویسندگان

242

نویسندگانی با فایل‌های تک نویسنده‌ای

19

همکاری نویسندگان

 

مقالۀ تک نویسنده

20

مقالات با نویسندۀ مشترک

77/2

تألیف مشترک بین‌المللی درصد %

5

انواع فایل‌ها

 

مقاله

67

کتاب

2

فصل کتاب

4

مقالۀ کنفرانس

1

مروری کنفرانس

23

ناشر

3

 

در شکل (5) نحوۀ ارتباط بین کلیدواژه‌ها، کشورها و نویسندگان مقاله نمایش داده ‌شده است.

 

شکل (5) شبکۀ ارتباط بین نویسندگان، کلیدواژه‌ها و کشورهای تولیدکنندۀ پژوهش

Figure (5) Network of communication between authors, keywords and countries producing the research report

 

در شکل (6) کلمات کلیدی به‌کاررفته در مقالات و ابرکلمات با توجه به فراوانی به‌کاررفته در مقالات ملاحظه می‌شود.

 

شکل (6) کلیدواژه‌های مهم به‌کاررفته در مقالات

Figure (6) Important keywords used in the studies

جدول (3) مهم‌ترین کلمات کلیدی به‌کاررفته در مقالات

Table (3) The most important keywords used in the studies

واژگان

تعداد

سرمایه‌گذاری

17

ربات توصیه‌گر

14

هوش مصنوعی

10

یادگیری عمیق

7

مالی

6

تجارت

5

سنجش

4

بازارهای مالی

4

فین تک

4

پیش‌بینی‌کننده

4

تصمیمات سرمایه‌گذاری

4

سبد سرمایه‌گذاری

4

سیستم‌های یادگیری

4

سابقۀ معاملات کوتاه‌مدت

4

یادگیری ماشین

4

مدل مارکویتز

4

صندوق‌های سرمایه‌گذاری

4

شبکه‌های طبیعی

4

 

در شکل (7) شبکۀ ارتباط بین کلیدواژه‌های به‌کاررفته در مقالات مشاهده می‌شود.

 

شکل (7) شبکۀ ارتباط بین کلیدواژه‌های به‌کاررفته در مقالات

Figure (7) The network of connections between keywords used in the studies

تحلیل هم‌زمانی کلیدواژه‌های به‌کاررفته در مقالات براساس فراوانی و ارتباط آنها با سایر کلیدواژه‌ها برای درک درست ساختارهای پژوهش و درک روند پژوهش‌های صورت‌گرفته در این حوزه به ما کمک می‌کند. کلیدواژه‌ها در حکم گره‌های شبکه هستند که با خطوطی نشان‌دهندۀ ارتباط بین کلیدواژه‌ها هستند؛ همان‌طور که مشاهده می‌شود، سرمایه‌گذاری، ربات هوشمند و هوش مصنوعی مهم‌ترین کلیدواژه‌های رابط در این شبکه هستند. در شکل (8) کشورهای دارای بیشترین پژوهش در این حوزه نشان داده شده است که چین، آلمان و کره سه رتبۀ نخست را بین کشورها دارند.

 

شکل (8) کشورهای نویسندۀ مسئول

Figure (8) Countries of the corresponding author

 

در شکل (9) نویسندگان دارای بیشترین پژوهش در این حوزه نمایش داده‌ شده است.

 

شکل (9) نویسندگان دارای بیشترین پژوهش

Figure (9) The authors with the most research

 

همان‌طور که از شکل (9) پیداست، V Kobets، Lee K، Liu Q سه نویسنده با بیشترین پژوهش در حوزۀ روبوادوایزرها هستند. در شکل (10) نحوۀ تکامل موضوع و پژوهش در سه مقطع زمانی و اهمیت به کلیدواژه‌های مربوطه در هر مقطع زمانی نشان داده می‌شود؛ همان‌طور که مشاهده می‌شود، در 2023 توجه به هوش مصنوعی در کنار روبوادوایزرها اهمیت بیشتری می‌یابد.

 

شکل (10) تکامل موضوعی طی زمان

Figure (10) Evolution of the subject over time

 

شکل )11( نشان‌دهندۀ شکلی دو بعدی است که توسط کلیدواژه‌های به‌کاررفته در مقاله ترسیم ‌شده است. تجزیه‌وتحلیل عاملی برای خلاصه‌کردن داده‌های با متغیرهای چندگانه در یک فضای دوبعدی استفاده می‌شود و در آن کلمات نزدیک به نقطۀ مرکزی گروه در سال‌های اخیر بیشتر موردتوجه و کلمات نزدیک به لبۀ خوشه‌ها موضوعاتی هستند که کمتر موردتوجه پژوهشگران در این دورۀ زمانی قرار گرفته‌اند.

 

شکل (11) تحلیل خوشه‌ای نقشۀ عاملی کلمات کلیدی به‌کاررفته در پژوهش‌ها

Figure (11) Cluster analysis of the factor map of the keywords used in the study

در جدول (4) مهم‌ترین پژوهش‌های انجام‌شده درخصوص ربات‌های هوشمند بررسی شده است.

 

 

جدول (4) پیشینۀ پژوهش‌های انجام‌شده درخصوص ربات‌های هوشمند

Table (4) The background of the research done regarding intelligent robots

 

نتیجه‌گیری و یافته‌ها

نویسنده(گان)

توصیۀ گروهی مبتنی بر شبکۀ اجتماعی مالی برای مشاور روبو

این پژوهش با تمرکز بر روی رفتار سرمایه‌گذاری فردی و روابط اجتماعی گروه‌ها، یک مدل توصیۀ گروهی را براساس شبکه‌های اجتماعی مالی و الگوریتم‌های فیلتر مشارکتی ارائه می‌دهد. این مدل نه‌تنها اطلاعات اولیه و ترجیحات سرمایه‌گذاران فردی را مدنظر قرار می‌دهد، ارتباطات اجتماعی و ترجیحات ریسک گروه‌ها را نیز در نظر می‌گیرد. آزمایش‌ها با استفاده از مجموعه داده‌های معیار و واقعی نشان‌دهندۀ آن هستند که این الگوریتم پیشنهادی نسبت به روش‌های پیشرفتۀ دیگر به عملکرد برتری دست می‌یابد.

یو و همکاران[39] (2018)

 

به‌سمت طراحی مشاوران روبو برای سرمایه‌گذاران بی‌تجربه با نمونه‌گیری تجربه‌ای از داده‌های سری زمانی

در این پژوهش، روش بهبود طراحی بهینه یک مشاور روبو برای اهداف ریسک مالی را پیشنهاد می‌دهد. به‌ویژه بر روی مشاوران روبوی تمرکز می‌کند که می‌توانند 1. اطلاعات آماری دارایی‌های پرخطر را به زبان شهودی سرمایه‌گذاران منتقل کنند؛ 2. سرمایه‌گذار را به‌صورت عاطفی نظارت کنند؛ 3. هر دو عملکرد را انجام دهند. هدف این مطالعه دوگانه است؛ اول، درک تأثیر مشاوران رباتیک بر ریسک مالی و بازنگری تصمیمات سرمایه‌گذاری است؛ دوم، شناسایی افرادی که بیشتر تحت‌تأثیر توصیه‌های رباتیک قرار می‌گیرند.

گلاسر و همکاران[40] 2018))

برنامۀ کاربردی فناوری نوین مالی[41]: چارچوبی برای یک سیستم پیشنهادی چند عاملی که برای افزایش توانایی مالی مصرف‌کننده طراحی ‌شده است

این پژوهش یک چارچوب سیستم توصیه‌گر مبتنی بر هستی‌شناسی و چند عامل برای بهبود توانایی مالی از طریق توصیۀ اهداف مالی به نام فین پت لایت[42] ارائه می‌دهد. این چارچوب معماری یک سیستم توصیه‌گر مالی شخصی را فراهم می‌کند که برای شناسایی و توصیۀ اهداف مالی خاص و دستیابی مناسب برای طیف گسترده‌ای از کاربران با موقعیت‌های مالی طراحی‌ شده است. چارچوب آن اصول پیاده‌سازی یک برنامۀ کاربردی فناوری مالی جدید را با هدف حل عدم اعتماد فراگیر در خدمات مشاورۀ مالی سنتی و نقص‌های مفید در برنامه‌های فین تک ارائه می‌دهد.

بونل و همکاران[43]

(2020)

 

مدل تخصیص دارایی برای یک مشاور مشاوره‌ای با استفاده از شاخص بی‌ثباتی بازار مالی و الگوریتم‌های ژنتیک

این مطالعه مدلی را پیشنهاد می‌کند که ساختار سبد سرمایه‌گذاری را با استفاده از شاخص ناپایداری سری‌های زمانی مالی و الگوریتم‌های ژنتیک  (GAs)معرفی‌ می‌کند و از شاخص بی‌ثباتی برای فیلتر دارایی‌های سرمایه‌گذاری و بهینه‌سازی مقدار آستانه استفاده می‌کند. برای یک تحلیل تجربی از سهام و اوراق قرضه، (ETF) استفاده و عملکرد مدل را با مدل‌های برابری ریسک و میانگین واریانس مقایسه می‌کند.

ان و همکاران[44]

(2020)

 

 

 

برنده‌شدن برای پیروزی: طراحی مشاوره روبو برای غلبه بر اینرسی[45] تصمیم

در این مطالعه، از دیدگاه روان‌شناختی سوابق و پیامدهای اینرسی (تغییر وضعیت) تصمیم بررسی می‌شود. این کار اولین گام در طراحی سیستم‌های پشتیبانی تصمیم تطبیقی است که با تغییر عناصر رابط در موقعیت‌های تصمیم خاص احتمال اینرسی تصمیم کاربران را کاهش می‌دهد.

جانگ و همکاران[46]

(2018)

توصیۀ ابزارهای مالی براساس طبقه‌بندی مصرف‌کنندۀ مالی توسط: تکنیک‌های استخراج متن

در این مطالعه رویکردی برای استنباط تمایل به سرمایه‌گذاری از داده‌های بدون ساختار مشتریان که به‌طور داوطلبانه در طول مشاوره ارائه می‌دهند، استفاده ‌شده است. برای این منظور الگوریتم طبقه‌بندی بهینه‌شده برای ویژگی‌های مشتریان مالی طراحی، ارزیابی و روش هوشمندی ارائه‌ شده است که به‌طور خودکار محصولات سرمایه‌گذاری را توصیه می‌کند.

لی و همکاران[47]

2016) (

مشاوران روبو و مالی‌سازی سرمایه‌گذاران غیرمتخصص

این پژوهش به مطالعه و چگونگی مالی‌سازی زندگی روزمره کمک می‌کند. سپس به بررسی تأثیر گنجاندن و حذف مشاوران روبو توجه و تأکید می‌کند که این مشاوران ممکن است انگیزۀ تلاش را‌ برای ارتقای سواد مالی و آموزش به‌ویژه در شرایط بازارهای نوسانی ضعیف کنند.

تان[48]

(2020)

مشاوران روبو جایگزینی برای مشاوره مالی انسانی

در این پژوهش بررسی‌ شده است که آیا مشاوران روبو تقاضای سرمایه‌گذاران را برای مشاوره‌ی مالی انسانی کاهش می‌دهند. نتایج نشان‌دهندۀ آن است که بین استفاده از روبو مشاوران و جستجوی مشاورۀ مالی انسانی رابطۀ منفی و قوی وجود دارد. به‌علاوه، نشان از آن دارد که تأثیر جایگزینی مشاوران روبو به‌ویژه از سوی سرمایه‌گذارانی ایجاد می‌شود که از تقلب در سرمایه‌گذاری نگران هستند.

برینر و میل[49]

(2020)

هوش  مصنوعی در فین‌تک: درک پذیرش مشاوران روبو در میان مشتریان

این پژوهش به‌منظور بهبود درک پذیرش مشتریان برای استفاده از مشاوران روبو یک چارچوب پژوهشی ارائه می‌دهد که تأثیر هوش مصنوعی بر فناوری مالی (فین‌تک) را در نظر می‌گیرد و پیش‌بینی می‌کند که متغیرهای شخصی و اجتماعی-جمعیتی (آشنایی با ربات‌ها، سن و جنسیت) بر روابط اصلی مداخله می‌کنند. نتایج نشان‌دهندۀ آن است که نگرش مصرف‌کنندگان نسبت به مشاوران‌ روبو همراه با نرم‌افزار رسانه‌های جمعی و ذهنی شخصی عوامل کلیدی پذیرش هستند. این تأثیر بر نگرش کاربرانی با سطح آگاهی بالاتر از ربات‌ها بیشتر است.

بلانچ و همکاران[50]

(2019)

مشاوران روبو، تجارت الگوریتمی و مدیریت سرمایه‌گذاری: شگفتی‌های انقلاب صنعتی چهارم در بازارهای مالی

این مطالعه عملکرد تعدیل‌شدۀ ریسک مشاوران روبو را با صندوق‌های معمولی مقایسه می‌کند. نتایج نشان‌دهندۀ آن است که به‌طور میانگین مشاوران روبو عملکرد برتری نسبت به صندوق‌های سهام، دارایی‌های ثابت، بازار پول و ترکیبی داشتند و آنها از سه شاخص سهام برجسته نیز عملکرد بهتری داشتند. نتایج نشان از آن داشت که مشاوران روبو نه‌تنها دسترسی آسان و با هزینۀ کمتر ارائه می‌دهند، در عملکرد تعدیل‌شدۀ ریسک نیز بهتر عمل می‌کنند.

تائو و همکاران[51]

(2021)

 

یافته‌ها

الف) مدیریت سبد سرمایه‌گذاری و ربات‌های هوشمند

مدیران سرمایه‌گذاری عملکرد سبد سرمایه‌گذاری را در سه فعالیتی پیدا می‌کنند که روند مدیریت سبد سرمایه‌گذاری را تشکیل می‌دهند. آن شامل: سیاست سرمایه‌گذاری، انتخاب سبد و زمان‌بندی بازار. پژوهش‌های انجام‌شده دربارۀ برنامه‌های بزرگ بازنشستگی ایالات‌متحده نشان‌دهندۀ آن است که کل بازدۀ سیاست سرمایه‌گذاری 6/93 درصد است؛ از این ‌رو، سیاست سرمایه‌گذاری مهم‌ترین بخش در مدیریت سبد سرمایه‌گذاری است و اغلب به آن تخصیص استراتژیک گفته ‌می‌شود (Brinson et al., 1986). سیاست سرمایه‌گذاری یا تخصیص استراتژیک تعیین می‌کند که کدام دسته از دارایی‌ها با چه وزنی برای رسیدن به هدف سرمایه‌گذاری انتخاب شوند (Brinson et al., 1986). با توجه به نوع دارایی و وزن آن، از آنجا که هر نوع از دارایی ریسک و بازدۀ مرتبط با خود را دارد، مدیر سرمایه‌گذاری باید دربارۀ تحمل ریسک، افق سرمایه‌گذاری و سطح ریسک سرمایه‌گذاری تصمیم‌گیری کند (Cochrane, 1999). مشاورۀ روبو از سال 2006 آغاز شده و راهی جدید برای مدیریت سبد سرمایه‌گذاری است. انتخاب سرمایه‌گذاری در دارایی‌هایی که مطابق با ترجیحات مشتری نسبت به ریسک و بازده است، فرایند سنتی انتخاب کلاس‌ها و وزن دارایی‌ها را با استفاده از الگوریتم‌ها برای قراردادن سرمایه‌گذاران در سبدهای سرمایه‌گذاری مختلف براساس ریسک‌پذیری سرمایه‌گذاری به‌طور خودکار و اتوماتیک انجام می‌دهد. سرمایه‌گذار برای اطلاعات ورودی الگوریتم‌ها به‌صورت آنلاین دربارۀ تحمل ریسک خود به پرسشنامه پاسخ می‌دهد (Moyer, 2015).

مدیریت سبد سرمایه‌گذاری به دو دسته مدیریت فعال و غیرفعال تقسیم می‌شود

(Sharpe, 1991; Al-Aradi & Jaimungal, 2018). در ابتدا، به‌عنوان ‌مثال، یک بازار اوراق بهادار مانند S&P500 یا OMXS 30 انتخاب ‌شده است. پس ‌از آن سرمایه‌گذار باید فعال یا منفعل‌بودن را انتخاب کند. سرمایه‌گذار منفعل با توجه به وزنی که هر اوراق بهادار در بازار دارد، کلیۀ اوراق بهادار بازار را خریداری و نگهداری می‌کند (Jasmeen & Satyanarayana, 2012;Sharpe, 1991 ). اگر اوراق بهادار x نشان‌دهندۀ 2 درصد از بازار است، سبد سرمایه‌گذاری، سرمایه‌گذار منفعل نیز شامل 2 درصد از اوراق بهادار x است. سرمایه‌گذاران منفعل بازدۀ مشابه با بازدۀ بازار به دست خواهند آورد و به دلیل پژوهش کم دربارۀ انتخاب دارایی هزینۀ کمتری را متحمل می‌شوند. با مدیریت منفعل به نمایندگی از بازار می‌توان از تنوع گسترده‌ای بهره‌مند شد که سهم مهمی در استراتژی‌های مدیریت منفعل مشاوران روبو دارد (Mhanga & Berg, 2019). فون (2017) بیان می‌کند که مشاوران روبو به‌طور کلی استراتژی‌های سرمایه‌گذاران منفعل را با تمرکز به سه زمینۀ اصلی ارائه می‌دهند (Phoon & Koh, 2017). تخصیص دارایی و پیاده‌سازی آن، نظارت بر سبد سرمایه‌گذاری و تنظیم مجدد سبد سرمایه‌گذاری است.

 

مرحلۀ پنجم

هر مظنه یا درخواست سفارشی در زمان واقعی توسط مشاور ثبت می‌شود

مرحلۀ چهارم

مشتری می‌تواند بررسی کند و سفارش را تأیید یا رد کند

مرحلۀ سوم

ایده‌های سرمایه‌گذاری مناسب از طریق کانال‌های خدمات به مشتری منتقل می‌شود

مرحلۀ اول

محصولات سرمایه‌گذاری

مالک یا شخص ثالث

مرحلۀ دوم

تحلیل ایده ها از طریق پلتفرم

مشتری به‌منظور انتخاب محصولات مناسب و تخصیص

 

شکل (12) جریان مدیریت سرمایه‌گذاری (Phoon & Koh, 2017)

Figure (12) Investment management flow) Phoon & Koh, 2017(

 

در حال حاضر دو نوع مشاورۀ روبو وجود دارد: استارت‌آپ‌های مستقل مانند بیترمنت[52]و ویلدفرونت[53] و پلتفرم‌های مشاورۀ روبو که توسط شرکت‌های سرمایه‌گذاری تأسیس ‌شده‌اند؛ مانند ونگورد[54]و بلک روسک[55].

مدیران سبد سرمایه‌گذاری فعال از دو طریق برای سرمایه‌گذاران خود ارزش ایجاد می‌کنند: الف) هدف مدیران سبد سرمایه‌گذاری انتخاب سبدی از اوراق بهادار و تخصیص آن به روشی است که بازدۀ بیشتری نسبت به خرید شاخصی مانند S&P500 برای سرمایه‌گذار فراهم کند؛ ب) تجدیدنظر در تخصیص اوراق بهادار و نظارت بر اوراق بهادار براساس شرایط بازار است. اگر یک مدیر صندوق در هر دو فرایند موفق است، عملکرد او موفق قلمداد شده و معیاری برای موفقیت یا شکست یک صندوق است (Shukla, 2004). مدیریت فعال روشی گران‌قیمت برای مدیریت سبد سرمایه‌گذاری است و تنها در صورتی ارزش‌افزوده برای سرمایه‌گذاران ایجاد می‌کند که بازدۀ اضافی بعد از هزینه‌ها بیشتر از هزینه‌ای است که او برای این روش پرداخته است (Sharpe, 1991). شارپ به دلایل زیر مخالف مدیریت فعال بود: اگر سبک‌های مدیریت فعال و منفعل به‌طور معقولی تعریف شده است، باید این‌گونه بیان کرد که: الف) قبل از هزینه‌ها، بازدۀ دلاری روش مدیریت فعال برابر با بازدۀ دلاری روش مدیریت منفعلانه است؛ ب) بعد از هزینه‌ها، بازدۀ دلاری به روش مدیریت فعال کمتر از روش مدیریت منفعل است (Mhanga & Berg, 2019).

ب)عوامل مؤثر در انتخاب سهام

در جدول (5) عوامل مؤثر در انتخاب سهام توضیح داده‌ شده است:

جدول (5) عوامل رفتاری مؤثر در انتخاب سهام ((Tertilt & Scholz, 2018

Table (5) Effective behavioral factors in stock selection (Tertilt & Scholz, 2018)

اطلاعات کلی

ظرفیت ریسک

تحمل ریسک

درآمد

بستگی به میزان صرف‌نظرکردن از سرمایه دارد

سن

مقدار سرمایه‌گذاری

پیش‌بینی درآمد

وابستگی به سرمایه‌گذاری

شرح شغل

نسبت مقدار سرمایه‌گذاری به مقدار پس‌انداز

وابستگی با ریسک

دیگر

نسبت مقدار سرمایه‌گذاری به کل سرمایه

انتخاب سطح ریسک سبد سرمایه‌گذاری

منبع درآمد

افق زمانی سرمایه‌گذاری

راحتی سرمایه‌گذاری در سهام

پس‌انداز

بدهی‌ها

سرمایه‌گذاری مبتنی بر اعتبار

زمان بازنشستگی

نسبت پس‌انداز

در ارتباط با تصمیمات مالی

نحوۀ محاسبه

کل سرمایه

درجۀ اتخاذ ریسک مالی

وضعیت کاری

 

تحصیلات

 

 

سرمایه‌گذاری در دارایی‌های ریسکی برای هیجان (Thrill)

 

 

تجربۀ سقوط/واکنش نسبت به سقوط و ورشکستگی/بیشترین سقوط قبل از فروش

 

 

خانواده و وضعیت خانواده

 

 

جنسیت

 

 

تجربۀ سرمایه‌گذاری

 

 

اهداف سرمایه‌گذاری

 

 

نوع سرمایه‌گذار/ارزیابی آستانۀ ریسک خود

 

 

ترجیحات بازده نسبت به ریسک

 

متغیرهای ظرفیت ریسک[56] در پنج دستۀ گسترده دسته‌بندی می‌شود: 1. اهداف و محدودیت‌های سبد سرمایه‌گذاری؛ 2. درآمد؛ 3. هزینه‌ها؛ 4. ترازنامه؛ 5. تعهدات مالی (Cordell, 2001).

 

 

جدول (6) عوامل مؤثر بر ظرفیت ریسک (Tillmans, 2017)

Table (6) Factors influencing risk capacity (Tillmans, 2017)

دسته

متغیر

منبع

اهداف و محدودیت‌های سبد سرمایه‌گذاری

افق زمانی

نیازهای جاری درآمد

چشم‌انداز سرمایه

نرخ رشد

محدودیت‌های مالیاتی

کوردل[57]

(2001)

 

درآمد

مبلغ

ثبات

کوردل،(2001)

چاوزالی و ریگانی[58] 

(2012)

هزینه‌ها

ثابت در مقابل احتیاطی

مبلغ نسبت به درآمد

کوردل، 2001))

ترازنامه

دارایی‎ها

تنوع‎بخشی

تخصیص دارایی

در معرض ریسک قرارگرفتن در دارایی‎های مختلف

 

بدهی‎ها

مبلغ

دورۀ زمانی

ساختار بدهی

 

تعهدات مالی

خانواده

وثیقه‌ای

بازنشستگی

کوردل، ((2001), چاوزالی و ریگانی) (2012

 

 در طبقه‌بندی اهداف و محدودیت‌های سبد سرمایه‌گذاری متغیرهای مختلفی وجود دارد که بر ظرفیت ریسک سرمایه‌گذار تأثیر می‌گذارد. ظرفیت ریسک به پنج عامل بستگی دارد: 1. هدف سبد سرمایه‌گذاری؛ 2. زمان دستیابی به آن اهداف (افق سرمایه‌گذاری)؛ 3. نیاز به درآمد؛ 4. ملاحظات مالیاتی؛ 5. تحمل ریسک (Cordell, 2001). دور از انتظار نیست، هدفی که سرمایه‌گذار برای سبد سرمایه‌گذاری در نظر گرفته است و نرخ بازدۀ لازم برای دستیابی به آن هدف باعث تغییر اساسی سبد سهام شود. زمانی که یک سرمایه‌گذار می‌خواهد، سرمایه‌اش حفظ شود، ممکن است سبد سرمایه‌گذاری خود را محدود به اوراق قرضه دولتی کند که بازدۀ کمی ایجاد می‌کند؛ اما سطح ایمنی آن زیاد است. برعکس آن، زمانی است که یک سرمایه‌گذار هدفش رشد است، ممکن است سبد خود را محدود به دارایی‌هایی کند که دارای ریسک‌های بیشتری هستند. افق زمانی که سرمایه‌گذار می‌خواهد به بازدۀ مورد هدف خود دست یابد نیز تأثیر بسزایی بر میزان ظرفیت ریسک دارد. این مبتنی بر این تصور است که سرمایه‎گذاران جوان در مقایسه با سرمایه‎گذاران مسن ریسک‎پذیری بیشتری دارند. از آنجا که بازدۀ بازار و سرمایۀ انسانی ارتباط تنگاتنگی با یکدیگر ندارند، سرمایه‎گذاران جوان تنوع بیشتری در برابر ریسک بازار ایجاد می‌کنند (Cocco et al., 2005).  هانا و چن(1997) نیز شواهدی تجربی در تأیید این نظر یافته‌اند (Hanna & Chen, 1997). برای افق‌های زمانی طولانی‌مدت سرمایه‌گذاری (20 سال یا بیشتر) سبد سرمایه‌گذاری با مقدار زیادی سهام برای هر سطح از دارایی‌های مالی یا سطح ریسک‌گریزی نسبی مطلوبیت بیشتری دارد. این نشان‌دهندۀ آن است که حتی وقتی شخص به میزان جالب‌توجهی ریسک‌گریزی دارد (سطح تحمل ریسک پایین)، هنگام سرمایه‌گذاری برای مدت‌زمان طولانی (20 سال یا بیشتر) مطلوبیت موردانتظار برای انتخاب سبد سرمایه‌گذاری ریسکی نسبت به سبد سرمایه‌گذاری کم‌ریسک بیشتر می‌شود؛ همچنین پاسخ به این سؤال که آیا سرمایه‌گذار به درآمد حاصل از سرمایه‌گذاری‌های خود وابسته است یا خیر، به تغییرات قابل‌توجهی در تخصیص سبد سرمایه‌گذاری منجر می‌شود؛ به‌عنوان ‌مثال، اگر یک سرمایه‌گذار برای تأمین نیازهای مصرفی روزانۀ خود به درآمد سرمایه‌گذاری وابسته است، نیاز است که سبدی از سهامی انتخاب کند که سود تقسیمی بیشتری دارند؛ بنابراین گزینه‌های سرمایه‌گذاری او را نسبت به سهامی که سود تقسیمی زیاد ندارند، محدود می‎کند .(Hanna & Chen, 1997) شاید ملاحظات مالیاتی فقط مربوط به سرمایه‌گذاران در کشورهایی است که از سود سرمایه مالیات می‌گیرند. در چنین کشورهایی تغییر در تخصیص اوراق بهادار برای کاهش بار مالیاتی مفید است؛ همان‌طور که پیش‌تر بیان شد، بازۀ زمانی که یک سرمایه‎گذار برای سرمایه‎گذاری در نظر دارد، تأثیر مهمی بر میزان ریسک دارد؛ مانند تأثیر آن بر سرمایۀ انسانی. میزان سرمایۀ بیشتر و به‌عبارتی درآمد بیشتر به سرمایه‎گذار امکان سرمایه‎گذاری در دارایی‌های با ریسک بیشتر را می‎دهد(Cocco et al., 2005) ؛ همچنین میزان هزینه‌های شخصی اعم از ثابت یا احتیاطی در میزان ریسکی که فرد تحمل می‌کند، مؤثر است. در اینجا این تصور وجود دارد که برای تأمین هزینه‌های خود، شخص باید یک بافر مالی داشته باشد تا متحمل هزینه شود. وقتی چنین بافری وجود ندارد، به مشکلات نقدینگی برای سرمایه‌گذار منجر می‌شود. در صورت نیاز به فروش دارایی با تخفیف به ضررهای اضافی منجر می‌شود. تخصیص سبد سرمایه‌گذاری جاری برای یک شخص، امکان سرمایه‌گذاری اضافی را برای سبد سرمایه‌گذاری محدود می‌کند. از آنجا که شخص همیشه باید هنگام سرمایه‌گذاری کل تخصیص سبد سرمایه‌گذاری را در نظر بگیرد، ازجمله کلیۀ دارایی‌ها و بدهی‌ها تخصیص‌های موجود به‌طور بالقوه تخصیص‌های یک سرمایه‌گذار را محدود می‌کند. کاوزالی و ریجونی اظهار داشتند که مشاوران با دارایی‌های ترازنامۀ سرمایه‌گذاران (ثروت قابل سرمایه‌گذاری) سروکار دارند و از طرفی، بدهی (وام‌های مالی) را نادیده می‌گیرند. وجود بدهی تأثیر اهرمی بر سبد سرمایه‌گذاری دارد و تأثیر نوسان بازار بر سود و زیان تقویت می‌شود. بیشتر سرمایه‌گذاران به‌احتمال از این موضوع آگاهی ندارند؛ اما مشاوران آنها باید این امر را در نظر داشته باشند و بااحتیاط بیشتری مواردی ریسکی را به آنها پیشنهاد کنند. در پایان وجود تعهدات مالی نیز بر میزان ریسکی که سرمایه‌گذار متحمل می‌شود، مؤثر است. کاوزالی و ریجونی موارد زیر را بیان می‌کنند: داشتن فرزند (یا افراد تحت تکفل) محدودیتی را ایجاد می‌کند که باید احتیاط بیشتری در سرمایه‌گذاری انجام داد. یک زن و شوهر ممکن است در معرض ریسک‌هایی مانند بیماری، تصادف و غیره قرار گیرند؛ بنابراین با ریسک‌های مالی بیشتری مواجه می‌شوند(Cavezzali & Rigoni, 2012) .

ج) چالش‌های سیستم‌های توصیه‌کننده

در جدول (7) به بررسی چالش‌های موجود درخصوص سیستم‌های توصیه‌کننده توجه ‌شده است.

 

 

جدول (7) چالش‌های سیستم‌های توصیه‌کننده

Table (7) The challenges of recommender systems

مقاله(ها)

تعریف

مسئله

 

راشید و همکاران[59](2002)

 

سیستم توصیه اغلب براساس علایق و پروفایل (مشخصات) کاربر است. جاذبه و تنظیمات کاربر پس از مدتی تغییر می‌یابد. تغییر تنظیمات کاربر یکی از چالش‌های اصلی در سیستم توصیه است.

تغییر تنظیمات کاربر

 

چن و همکاران([60] 2011)

 

ساروار[61](2001)

 

جین و همکاران[62] (2015)

 

تعداد زیادی از کاربران و آیتم‌هایی وجود دارد؛ اما به‌طور تقریبی همیشه کاربران فقط چند آیتم را رتبه‌بندی می‌کنند. تکنیک‌های سیستم توصیه پروفایل‌هایی نزدیک به علایق کاربران خود ایجاد می‌کند. اگر کاربر فقط تعداد آیتم‌های کمی را انتخاب کند، خیلی سخت می‌شود، به سلیقۀ او دست پیدا کرد و شاید پروفایلی به‌اشتباه برای کاربر توصیه شود. پراکندگی مسئله‌ای است که به دلیل کمبود اطلاعات ایجاد می‌شود.

پراکندگی

 

 

ساروار و همکاران(2000)

(2001)

غضنفر و پروگل بنت[63] (2010)

جین و همکاران(2015)

با افزایش تعداد کاربران و آیتم‌ها سیستم نیاز به منابع بیشتری برای پردازش و ارائۀ توصیه‌ها دارد.

مقیاس‌پذیری[64]

 

 

ساروار و همکاران ( 2000)

 

مترادف احتمال آیتم‌های بسیار نزدیکی است که نام‌ها و ورودی‌های مشابهی دارند. بیشتر سیستم‌های توصیه به‌سختی بین آیتم‌هایی مانند لباس نوزاد و کودک تمایز قائل می‌شوند.

مترادف[65]

 

 

راماکریشان و همکاران[66]

(2001)

جکمانز و همکاران[67]  (2013)

جین و همکاران(2015)

برای دریافت دقیق‌ترین و درست‌ترین توصیه‌ها، سیستم باید بیشترین اطلاعات ممکن را از کاربر دریافت کند که شامل داده‌های جمعیت‌شناختی و اطلاعات مربوط به مکان یک کاربر خاص است ((Patel et al., 2017.

حریم خصوصی[68]

 

 

کریمی و همکاران[69](2018)

لیکا و همکاران[70] (2014)

جین و همکاران(2015)

شروع سرد اشاره به وضعیتی رایج در بسیاری از زمینه‌های کاربردی در سیستم‌های توصیه دارد. شروع سرد کاربر اشاره به موقعیتی دارد که اطلاعات کمی دربارۀ ترجیحات کاربری است که توصیه دربارۀ او صورت می‌گیرد.item cold-start  بدین معنی است که یک توصیۀ جدید آیتم (به‌عنوان‌ مثال مقاله) اضافه‌ شده است که هنوز توسط افراد بررسی نشده است. مشکل پراکندگی داده‌ها اغلب با این مسئله مرتبط است و به‌ویژه برای رویکردهای فیلترینگ مشارکتی رخ می‌دهد (Karimi et al., 2018).

شروع سرد[71]

 

د) فرایند توصیۀ ثروت پیشنهادی

 سیستم توصیۀ پیشنهادی شامل سه بخش اصلی یعنی مدیریت پس‌انداز، هزینه و سرمایه‌گذاری است. دادۀ چندین نفر تجزیه‌وتحلیل می‌شود تا ترجیحات و گزینه‌های مرتبط با سطح ریسک‌پذیری و ریسک‌گریزی آنها به دست آید. با فیلترکردن مشخص می‌شود که افراد از چه روشی برای پس‌انداز خود استفاده کرده و پول خود را در کجا سرمایه‌گذاری کرده‌اند و چگونه پول خود را برای خرید و معاملات خرج می‌کنند. سپس توصیه‌هایی به آنها می‌شود تا تصمیم درستی بگیرند. این امر به استفادۀ بهتر از پول و بیشترین سود منجر می‌شود. با پیشنهاددادن به افراد دربارۀ چگونگی نگهداری پول و راهنمایی دربارۀ سرمایه‌گذاری‌کردن پول‌های افراد، آنها می‌توانند بازدۀ بیشتری از پول خود به دست آورند.

حقوق

هزینه

سرمایه‌گذاری

پس‌انداز

پایگاه داده

هزینه

پایگاه داده سرمایه گذاری

پایگاه داده

 پس انداز

فیلترینگ مشارکتی مبتنی بر آیتم

مدیریت ثروت شخصی

شکل (13) فلوچارت مدیریت توصیۀ ثروت شخصی (Kanaujia et al., 2016)

Figure (13) Flow chart of personal wealth recommendation management (Kanaujia et al., 2016)

 

نتیجه‌گیری

روبوادوایزرها اهمیت بسیاری در حوزۀ مالی دارند؛ زیرا این سیستم‌ها قدرت تحلیل دقیق و منطقی داده‌ها را دارا هستند و به افراد کمک می‌کنند تا تصمیم‌گیری‌های مالی بهتر و مبتنی بر اطلاعات کامل‌تر انجام دهند. به‌عبارت‌ دیگر، روبوادوایزرها ابزاری قدرتمند برای بهبود کارآمدی و کاربردی‌بودن مدیریت ثروت و سرمایه‌گذاری هستند.

این پژوهش با استفاده از شاخص‌های نگاشت دانش به‌روز به نمایی کلی از پژوهش‌های روبوادوایزر در دهۀ گذشته توجه می‌کند. روش نگاشت دانش ابزاری قدرتمند در مطالعات بیبلومتریک و تحلیل داده‌های علمی است که به نویسندگان مقاله کمک می‌کند تا بازخورد‌ها و بررسی‌های کمی دربارۀ مقاله‌هایشان دریافت کنند. این روش، اطلاعات بیبلومتریک و علم‌سنجی را از منابع مختلف به‌صورت خودکار جمع‌آوری کرده و آنها را تحلیل می‌کند. نویسندگان با استفاده از بیبلومتریک اطلاعات مهمی مانند تعداد مقالات مرتبط با موضوع، تعداد نقل‌قول‌ها، تعداد ارجاع‌ها، نمودار شبکۀ همکاران و رشد علمی در طول زمان را به دست می‌آورند.

اصلی‌ترین هدف این پژوهش، بهره‌گیری از ابزارهای نگاشت دانش مدرن و مدنظر قراردادن شاخص‌های مختلفی است که در حال حاضر در ادبیات استفاده می‌شوند. از آنجایی ‌که هیچ راه‌حل قطعی برای نحوۀ استفاده از پول برای پس‌انداز، سرمایه‌گذاری و هزینه وجود ندارد و مردم نیز از طرح‌های جایگزین که سودآورتر، اقتصادی‌تر و قابل‌اطمینان‌تر است، آگاهی کافی ندارند، بسیاری از افراد برای انتخاب پروژه‌ها به پیشنهادهای دوستان، اقوام و همسایگان خود روی می‌آورند؛ اما تصمیماتی که برای یک نفر مناسب است، به‌حتم برای افراد دیگر نیز مناسب نیست؛ زیرا هر فرد با عوامل مختلفی از دیگران متمایز می‌شود؛ به همین دلیل سیستم‌های توصیه‌کننده راهی برای تجزیه‌وتحلیل مالی به‌منظور ارائۀ پیشنهادهای صحیح و کارآمد به افراد است که به سود و ثروت منجر می‌شود. در این پژوهش، به بررسی سیستم‌های روبوادوایزر، تاریخچه و کارکرد آنها توجه و درنهایت، سیستمی توصیه‌کننده برای مدیریت ثروت پیشنهاد شده است. این پژوهش مبنایی برای عملیاتی‌سازی این‌گونه سیستم‌هاست. با ارائۀ این پیشنهادها و یافته‌ها امید است که پژوهش‌های آتی در این حوزه نیز تازه‌ترین دستاوردها و پیشرفت‌ها را در ارتقای کارآمدی و کاربردی‌بودن سیستم‌های توصیه‌کنندۀ مالی به ارمغان بیاورد. در ادامه، به ارائۀ پیشنهاد‌هایی برای پژوهش‌های آتی توجه شده است: پژوهش در حوزۀ روبوادوایزرها به‌عنوان یک موضوع پژوهشی جذاب و پرکاربرد در دنیای مالی است. این روزها روبوادوایزرها به‌عنوان راه‌حلی نوین برای مدیریت دارایی‌ها و سرمایه‌گذاری‌ها در بازارهای مالی شناخته می‌شوند. برخی از پیشنهادها برای پژوهش در این حوزه عبارت‌اند از: 1. مقایسۀ کارایی روبوادوایزرها با مدیریت سنتی دارایی‌ها: مقایسۀ کارایی روبوادوایزرها در مدیریت سبدهای سرمایه‌گذاری با مدیریت سنتی دارایی‌ها ازجمله مسائلی است که بررسی شده و موردتوجه قرار گرفته است. مقایسۀ عملکرد، سودآوری، ریسک و سایر عوامل مهم بین این دو رویکرد نقاط قوت و ضعف هرکدام را مشخص می‌کند؛ 2. ارزیابی ریسک‌ها و مدیریت آنها: بررسی میزان ریسک مرتبط با سرمایه‌گذاری‌های انجام‌شده توسط روبوادوایزرها و مدیریت این ریسک‌ها بهبود عملکرد این سیستم‌ها را تسهیل کرده و سرمایه‌گذاران را مطمئن‌تر نسبت به استفاده از این فناوری‌ها می‌کند؛ 3. تأثیر فاکتورهای مختلف بر عملکرد روبوادوایزرها: مطالعۀ تأثیر فاکتورهای مختلفی مانند نوع الگوریتم استفاده‌شده، ترکیب دارایی‌ها، فرضیات بازار و غیره بر عملکرد روبوادوایزرها کمک می‌کند تا نقاط ضعف و قوت این سیستم‌ها بهتر درک شود؛ 4. طراحی الگوریتم‌های بهینه: پژوهش در زمینۀ طراحی و بهینه‌سازی الگوریتم‌های استفاده‌شده در روبوادوایزرها بهبود عملکرد این سیستم‌ها را تسهیل کرده و ازنظر کارایی و دقت آنها پیشرفت‌هایی را ایجاد می‌کند؛ 5. بررسی تأثیر تغییرات بازار بر عملکرد روبوادوایزرها.

 

[1]. Advisory system

[2]. Netflix 

[3]. Amazon

[4]. Spotify

[5]. Bibliometrix methode

[6]. Bibliometrix

[7]. Ricci

[8]. Park

[9]. DeCampos. et al

[10]. Jooa

[11]. Tatiana & Mikhail

[12]. Isinkaye. et al

[13]. Patel & Jai

[14]. Bobadilla. et al

[15]. Robo-advisors

[16]. Digital platforms

[17]. Portfolio Management

[18]. CitNetExplorer

[19]. VOSviewer

[20]. Van Eck

[21]. Waltman

[22]. SciMAT

[23]. Longitudinal

[24]. BibExcel

[25]. Excel

[26]. Science of Science (Sci2) Tool

[27]. CiteSpace

[28]. VantagePoint

[29]. Open-source

[30]. Monica Chitu

[31]. Web of Science

[32]. Scopus

[33]. Google Scholar

[34]. Web of Science (WoS at http://www.webofknowledge.com )

[35]. Scopus (http://www.scopus.com )

[36]. Google Scholar (http://scholar. google.com)

[37]. Science Direct (http://www.sciencedirect.com)

[38]. robo-advisors

 

[39] .Xue. et al

[40]. Glaser. et al

 

 

 

[43] .Bunnell

[44]. Ahn

[45]. Inertia

[46]. Jung

[47] . Lee

[48]. Tan

[49]. Brenner & Meyll

[50]. Belanche.et al

[51] . Tao.et al

[52]. Betterment

[53]. Wealthfront

[54]. Vanguard

[55]. BlackRock

[56]. Risk capacity

[57]. Cordell

[58]. Cavezzali & Rigoni

[59]. Rashid. et al

[60]. Chen. et al

[61]. Sarwar

[62]. Jain. et al

[63] . Ghazanfar & Prugel-Bennett

[64]. Scalability

[65]. Synonymy

[66] . Ramakrishnan.et al

[67] . Jeckmans. et al

[68]. Privacy

[69] . Karimi. et al

[70] . Lika. et al

[71]. Cold-start

نوراحمدی، مرضیه، راستی، فاطمه، و صادقی، حجت‌الله (1400). مروری بر پژوهش‌های انجام‌شده درخصوص خوشه‌بندی سری‌های زمانی مالی: رویکرد نگاشت دانش. پیشرفت‌های مالی و سرمایه‌گذاری، 2(2)، 23-57.