The Term Structure of Investor Sentiment and Stock Return

Davallou, Maryam; Faghihi, Mohammad Reza; Kookani, Nazanin

doi:10.22108/amf.2025.145197.1987

The Term Structure of Investor Sentiment and Stock Return

Articles in Press

Document Type : Research Paper

Authors

¹ Department of Finance and Insurance, Faculty of Management and Accounting, Shahid Beheshti University, Tehran, Iran

² statistics Department, faculty of mathematics, Shahid beheshti university, Iran

10.22108/amf.2025.145197.1987

Abstract

This study investigates the impact of investor sentiment on stock returns across short-term daily, weekly, and monthly horizons—namely the sentiment term structure. While prior literature establishes a link between sentiment and stock price volatility, empirical evidence on the role of the time horizon remains limited and conflicting. We test the effect of investor sentiment on excess stock returns at these three frequencies using panel regression, controlling for market excess returns, size, and value factors. Investor sentiment is measured through four indirect proxies, synthesized into composite indices using both Principal Component Analysis (PCA) and the Kalman filter. The results indicate that investor sentiment exerts a significant yet temporally decaying influence on stock returns; the magnitude of the effect diminishes from the daily to the weekly and monthly horizons, revealing a downward-sloping term structure. This finding is robust, as it holds for both the PCA- and Kalman filter-based sentiment indices. To our knowledge, this is the first study to systematically examine the differential impact of investor sentiment across these high-frequency horizons and the first to empirically validate its temporal structure using both of these methodological approaches.
Key words: Kalman Filter, Principal Component Analysis, Stock Return, Term Structure of Investors Sentiment
JEL Classification: C22, C38, G12, G41
Introduction
Classical finance theories are predicated on the assumption of rational investors, asserting that stock prices are determined by fundamental factors while largely neglecting the influence of investor sentiment. However, this paradigm is challenged by historical market anomalies such as the 1929 Great Depression, Black Monday in 1987, and the dot-com bubble of the 1990s. Corroborating these events, a growing body of empirical research confirms that investor sentiment significantly contributes to stock price volatility (Baker & Wurgler, 2007; Kim & Ha, 2010; Kumar & Lee, 2006; Frazzini & Lamont, 2008; Antoniou et al., 2013).
Despite this established connection, the majority of empirical studies examine sentiment effects within a single, static time horizon. A critical gap exists, as emerging evidence suggests that the impact of sentiment is not uniform but varies across different timeframes (Li, 2020; Kim & Ryu, 2021). The underlying rationale is that as new information emerges over weekly or monthly periods, initial emotional reactions among investors are corrected, and stock prices tend to revert toward their intrinsic values, highlighting the time-dependent nature of sentiment effects.
This study, therefore, investigates the impact of investor sentiment on stock returns across daily, weekly, and monthly horizons—a relationship we term the temporal structure of sentiment. Elucidating this dynamic is crucial for informing sound investment decisions, effective policy-making, and robust risk management practices.
To accurately measure this latent construct, we rely on indirect proxies derived from financial and economic variables. Recognizing that any single variable captures both sentiment and unrelated noise, we synthesize multiple indicators to construct a more efficient and robust measure of unobservable investor sentiment (Baker & Wurgler, 2006). Specifically, this study employs two distinct methodologies to create composite sentiment indices: Principal Component Analysis (PCA), which extracts the common variation from a set of proxies (Berger & Turtle, 2011; Huang et al., 2014; Kamath et al., 2024), and the Kalman filter, a state-space technique designed to process all available information from the variables while optimally minimizing noise and estimation errors.

Materials and Methods
To test the first hypothesis concerning the impact of investor sentiment on excess stock returns across daily, weekly, and monthly horizons, a panel regression was employed, following Li (2020). Equations (1) through (3) were specified for this purpose and were estimated separately for the sentiment indices derived from Principal Component Analysis (PCA) and the Kalman filter.

(1)

(2)

(3)

where is investor sentiment change, is the size factor, is the book-to-market factor, is risk-free rate, and is market return at time t and i refers to i^th firm stock.
To test the second hypothesis—that the influence of investor sentiment diminishes over longer time horizons—the sentiment coefficients (β) estimated from the panel regressions were annualized using Equation (4). These annualized coefficients were then systematically compared across the daily, weekly, and monthly frequencies.

(4)

Where denotes the annual sentiment coefficient, represents the sentiment coefficient corresponding to each frequency, and the constant 250 indicates the assumed number of trading days in a year.
Stock return was calculated as the natural logarithm of the difference in adjusted closing prices, which account for dividends and stock splits. The market risk premium was defined as the difference between the market return and the risk-free rate, the latter proxied by Central Bank bond yields. The market return was computed as the log return of the Tehran Stock Exchange (TSE) index. The size (SMB) and the value factor (HML) factors were constructed following the methodology of Fama and French (1992). The composite sentiment index was constructed for daily, weekly, and monthly frequencies using four variables and two methods of PCA and Kalman filter. PCA extracts common components assumed to capture investor sentiment, while the Kalman filter processes all observed information to estimate sentiment while minimizing noise (Brown & Cliff, 2004; Li, 2020). Sentiment proxies are measured as below: a) Adjusted turnover rate – reflects changes in stock liquidity due to investor sentiment (Baker & Stein, 2004).

(5)

In which, R_it represents the return of stock i at time t, VOL_it denotes the trading volume (measured in number of shares) for firm i at time t, and Shares Outstanding refers to the total shares outstanding for firm i at time t. b) Buy–sell imbalance – captures net retail demand for a stock at a given time.

(6)

In which denotes the purchase volume of stock i on day j during period t, and represents the selling volume of stock i on day j during period t. c) Trading volume – higher traded value indicates elevated investor sentiment (Li & Yang, 2017).

(7)

In which represents the total number of shares of stock i traded during period t, and denotes the closing price of stock i at time t. d) Psychological line index – measures the proportion of positive trading days, indicating general market sentiment toward a stock.

(8)

In which indicates the number of trading days during period t on which the closing price of stock i exceeds that of the previous day, and represents the total number of trading days for stock i during period t.
Findings
To assess the impact of investor sentiment on excess stock returns, we estimated panel regressions using a sequence of models: a single-factor model (investor sentiment), a two-factor model (adding the market excess return), and a multi-factor model (further incorporating the size and value factors). The results for the PCA-based sentiment index are reported in Table 1.

Table (1) Results of the effect of investor sentiment (PCA) on excess returns

Variable
Frequency

Daily

Weekly

Monthly

a

Intercept

0/0027^***

0/0084^***

0/0258^***

Investor Sentiment

0/0099^***

0/0249^***

0/0548^***

Adjusted R-squared

0/1536

0/2292

0/2485

Annual Coefficient of Investor Sentiment

9/7420

2/2722

0/9019

b

Intercept

0/0014^***

0/0044^***

0/1070^***

Investor Sentiment

0/0093^***

0/0224^***

0/0484^***

Excess Market Return

0/7290^***

0/6420^***

0/6140^***

Adjusted R-squared

0/2614

0/3340

0/3628

Annual Coefficient of Investor Sentiment

8/3086

1/9088

0/7674

c

Intercept

0/0010^***

0/0037^***

0/0048^***

Investor Sentiment

0/0091^***

0/0223^***

0/0440^***

Excess Market Return

0/8994^***

0/6906^***

0/7949^***

Size Factor (SMB)

0/0486^***

0/2648^***

0/5311^***

Value Factor (HML)

0/0270^***

-0/0202^**

0/0054

Adjusted R-squared

0/2925

0/3492

0/4286

Annual Coefficient of Investor Sentiment

7/8744

1/8951

0/6801

The results indicate a positive and statistically significant effect of investor sentiment on excess stock returns across all examined frequencies—daily, weekly, and monthly. Notably, the adjusted R² values exhibit an increasing trend from daily to monthly horizons, suggesting that the explanatory power of sentiment strengthens over longer timeframes. This finding is consistent with the literature, including Andleeb (2023) and McClure et al. (2004), which posits that investor sentiment exerts a more pronounced influence on short-term investment decisions, with this effect gradually dissipating as the investment horizon extends. Crucially, the persistence of a significant sentiment effect in our multi-factor models, which control for other systematic risks, indicates that its impact on returns is distinct and not subsumed by established risk factors. To ensure robustness, the analysis was replicated using the Kalman filter-based sentiment index. As summarized in Table 2, the results remain qualitatively unchanged, thereby reinforcing the primary conclusions.

Table 2: Effect of Investor Sentiment (Kalman Filter) on Excess Return

Variable
Frequency

Daily

Weekly

Monthly

a

Intercept

0/0007^***

0/0033^***

0/0155^***

Investor Sentiment

0/0023^***

0/0092^***

0/0236^***

Adjusted R-squared

0/0531

0/1483

0/2119

Annual Coefficient of Investor Sentiment

0/7396

0/5549

0/3245

b

Intercept

0/0002^***

0/0007^***

0/0033^***

Investor Sentiment

0/0023^***

0/0087^***

0/0218^***

Excess Market Return

0/5878^***

0/5929^***

0/6084^***

Adjusted R-squared

0/1429

0/2550

0/3565

Annual Coefficient of Investor Sentiment

0/7396

0/5182

0/2967

c

Intercept

0/0000

0/0003^*

-0/0010

Investor Sentiment

0/0023^***

0/0085^***

0/0205^***

Excess Market Return

0/7609^***

0/6395^***

0/7630^***

Size Factor (SMB)

0/4387^***

0/2389^***

0/4806^***

Value Factor (HML)

0/0315^***

-0/0084

0/0051

Adjusted R-squared

0/1770

0/2709

0/4152

Annual Coefficient of Investor Sentiment

0/7396

0/5037

0/2770

Consistent with the primary results, the Kalman filter-based sentiment index also demonstrates a positive and statistically significant influence on stock return across all observed frequencies. However, a key finding emerges when examining the annualized sentiment coefficients: their magnitude displays a monotonic decline as the investment horizon extends from daily to monthly. This pattern indicates a decaying term structure for investor sentiment, where its pricing effect attenuates over longer periods. This result robustly confirms that the impact of investor sentiment on excess returns follows a consistently downward-sloping term structure.

Discussion and conclusion
This study provides robust evidence of a direct and significant impact of investor sentiment on excess stock return across daily, weekly, and monthly investment horizons. These findings align with a growing body of literature that underscores the importance of sentiment in short-term price formation (e.g., Andleeb, 2023; Seok et al., 2018; Ryu et al., 2016; Dai, 2025).
A central finding is the decaying influence of investor sentiment as the observation horizon extends from daily to monthly data, revealing a consistently downward-sloping term structure. This pattern suggests that irrational behavioral factors disproportionately drive short-term investment decisions, whereas their influence wanes over longer periods. The results corroborate the findings of Yang & Gao (2014) and extend the work of Li (2020) to the context of the Tehran Stock Exchange, demonstrating that short-term waves of investor optimism or pessimism are ultimately transient. Consequently, investor sentiment appears to be a key driver of short-term asset mispricing, generating excess returns that are subsequently corrected as prices converge toward their fundamental values over the long run.
Crucially, this downward term structure is not an artifact of measurement, as it holds consistently for sentiment indices constructed using both Principal Component Analysis and the Kalman filter. This methodological robustness strongly confirms the time-dependent nature of sentiment effects, as theorized by Fu (2024). Furthermore, the persistent explanatory power of sentiment even after controlling for market, size, and value factors—a consistency also noted by Brown & Cliff (2004)—indicates that the informational content of investor sentiment captures dimensions of risk and return distinct from those in traditional asset-pricing models.

Keywords

Main Subjects

Capital Assets Pricing

Full Text

مقدمه

احتساب فرض منطقی‌بودن سرمایه‌گذاران در نظریه‌های مالی کلاسیک، باعث شده است تا عوامل مؤثر بر بازدۀ سهام به مؤلفه‌های بنیادین محدود شده و تأثیر احساسات سرمایه‌گذاران در قیمت‌گذاری سهام نادیده انگاشته ‌‌شود. در این صورت، قیمت‌ سهام معمولاً برابر ارزش ذاتی است و اگر برخی سرمایه‌گذاران با معاملات غیرمنطقی خود موجب ایجاد شوک عرضه/ تقاضا شوند، آربیتراژگران منطقی به سرعت این شوک‌ها را از بین می‌برند[1] (Kumar et al., 2013). پارادایم مذکور با برخی رویدادهای تاریخی بازارهای مالی سازگار نیست. تاریخ بازار سرمایه شاهد وقایعی نظیر سقوط بزرگ سال 1929، یکشنبۀ سیاه 1987 و حباب دات‌کام دهۀ 1990 بوده است. هریک از این رخدادها ناظر بر تغییر بزرگ و ناگهانی قیمت سهام است که با نظریه‌های مالی کلاسیک قابل‌توضیح نیست (Baker & Wurgler, 2007). پژوهش‌های اخیر نشان می‌دهد که بخشی از نوسان قیمت سهام متأثر از احساسات سرمایه‌گذار است (Kim & Ha, 2010; Kumar & Lee, 2006; Frazzini & Lamount, 2008; Antoniou et al., 2013; Baker & Wurgler, 2006). مادامی‌‌که سرمایه‌گذاران براساس احساسات معامله کنند و آربیتراژگران ریسک‌گریز با محدودیت‌ آربیتراژ مواجه باشند، تغییر احساسات در کوتاه‌مدت باعث قیمت‌گذاری نادرست و نوسانات بالا شده و درنهایت موجب بازگشت قیمت‌ها در بلندمدت می‌شود (Ung et al., 2024)؛ اما براون و کلیف (Brown & Cliff, 2004) شواهدی دال بر توان پایین احساسات در تبیین تغییرات بازدۀ کوتاه‌مدت سهام ارائه کردند. سینگر و همکاران (Singer et al., 2013) نیز نشان دادند که احساسات سرمایه‌گذار (در بازۀ هفتگی) قادر به پیش‌بینی بازدۀ آتی سهام بورس آلمان نیست (Li, 2020)؛ درحالی‌که یافته‌های جدیدتر به‌خصوص در بازارهای نوظهور حاکی‌از اثر کوتاه‌مدت احساسات بر بازدۀ سهام است (Wang et al., 2021; Zhang et al., 2022).

بیشتر شواهد تجربی تنها در یک بازۀ زمانی اثر احساسات سرمایه‌گذار را بر بازدۀ سهام بررسی کردند: بیکر و ورگلر (Baker & Wurgler, 2007)، کیم و ها (Kim & Ha, 2010)، کومار و لی (Kumar & Lee, 2006) و یو و یوآن (Yu & Yuan, 2011) در بازۀ زمانی ماهانه، ونگ و همکاران (Wang et al., 2021) و کورو(Kurov, 2008) در بازۀ هفتگی و سافا و مارونی (Safa & Maroney, 2012) و سیمونز و ویگینز (Simons & Wiggins, 2001) در بازۀ روزانه؛ اما لی (Li, 2020) و کیم و ریو (Kim & Ryu, 2020) نشان دادند که اثر احساسات سرمایه‌گذار بر بازدۀ سهام می‌تواند در کوتاه‌مدت و بلندمدت با یکدیگر متفاوت باشد. ازآنجاکه سرمایه‌گذاران در کوتاه‌مدت امکان تحلیل دقیق اطلاعات بنیادی را ندارند، عمدتاً تصمیمات آن‌ها متأثر از احساسات است. واکنش آنی سرمایه‌گذاران به نوسان قیمت سهام در همان روز منجر می‌شود؛ اما با انتشار اطلاعات بیشتر در بازه‌های زمانی هفتگی و ماهانه، این رفتار هیجانی اصلاح می‌شود و سهام به ارزش ذاتی خود بازمی‌گردد. همچنین، نقش سرمایه‌گذاران نهادی که براساس تحلیل‌ اطلاعات بنیادی تصمیم می‌گیرند، در افق‌های زمانی بلندمدت برجسته‌تر می‌شود و اثر احساسات بر بازدۀ سهام کاهش می‌یابد (Dai, 2025). اگرچه اثر احساسات بر بازدۀ سهام می‌تواند در کوتاه‌مدت درخور‌توجه باشد، بسته به کارایی بازار به‌تدریج از بین می‌رود؛ بدین مفهوم که تقاضای لحظه‌ای سرمایه‌گذاران در واکنش به احساسات به دلیل دسترسی به داده‌ها و اطلاعات بیشتر در بلندمدت تقلیل می‌یابد. این الگو نشان‌ می‌دهد که عوامل روانی غالباً در تصمیم‌گیری کوتاه‌مدت مؤثرند؛ اما در بلندمدت نقش آربیتراژگرانی تقویت می‌شود که براساس اطلاعات بنیادی معامله می‌کنند (Seok et al., 2024). به بیان ینگ و گئو (Yang & Gao, 2014) و ینگ و ژو (Yang & Zhou, 2016) اثر احساسات سرمایه‌گذار بر بازدۀ سهام دارای ساختار زمانی نزولی است؛ بدین مفهوم که تأثیر احساسات بر بازدۀ سهام با گذر زمان کاهش می‌یابد. یافتۀ‌ کیم و آریو (Kim & Ryu, 2020) نیز نشان‌دهندۀ ماهیت کوتاه‌مدت اثر احساسات بر تصمیم‌گیری سرمایه‌گذاران است؛ بر این اساس، انتظار می‌رود رابطۀ احساسات و بازدۀ سهام متأثر از افق زمانی باشد و خوش‌بینی/ بدبینی سرمایه‌‌گذاران در طول زمان از بین برود (Cagli et al., 2020). به‌نحوی‌که در بازارهای درحال‌توسعه همچون اندونزی، روسیه، چین، هند و پاکستان به دلایلی نظیر عمق کم بازار، بالابودن تعداد سرمایه‌گذاران خُرد و شفافیت اطلاعاتی کمتر، اثر احساسات بر بازدۀ سهام سریع‌تر و شدیدتر است و به همین ترتیب، در زمان کوتاه‌تری از بین می‌رود (Andleeb & Hassan, 2023b).

هدف پژوهش حاضر بررسی تأثیر احساسات سرمایه‌گذار بر بازدۀ سهام در بازه‌های زمانی مختلف روزانه، هفتگی و ماهانه است (ساختار زمانی احساسات). شناخت اثر احساسات سرمایه‌گذار بر بازدۀ سهام برای تصمیمات سرمایه‌گذاری، سیاست‌گذاری در بازارهای مالی و مدیریت ریسک حائز اهیمیت است. برخی پژوهشگران معتقدند احساسات سرمایه‌گذار می‌تواند بازدۀ آتی کوتاه‌مدت/ بلندمدت را پیش‌بینی کرده و به تشخیص فرصت‌های سرمایه‌گذاری کمک کند (Riso & Vacca, 2024; Yacoubian, 2025).

یکی از رایج‌ترین معیارهای اندازه‌گیری احساسات، سنجه‌های غیرمستقیمی است که با استفاده از متغیرهای مالی/ اقتصادی احساسات را اندازه‌گیری می‌کند. بسیاری از مطالعات با استفاده از متغیرهایی مانند نرخ گردش سهام، حجم معاملات و اندیکاتورهای تحلیل تکنیکال به تعریف شاخص احساسات هر سهم پرداختند؛ اما ازآنجاکه هریک از این متغیرها علاوه‌بر مؤلفۀ احساسات شامل مؤلفه‌های غیرمرتبط دیگری نیز است، برای اندازه‌گیری کارآمد‌تر و منظورکردن حداکثر اطلاعات حقیقی و غیرقابل‌مشاهدۀ احساسات، معمولاً از ترکیب چند متغیر استفاده می‌شود (Baker & Wurgler, 2006). در این پژوهش از دو روش مختلف برای محاسبۀ معیار ترکیبی احساسات استفاده شده است؛ روش «تحلیل مؤلفه‌های اصلی» (Berger & Turtle, 2012; Huang et al., 2015; Kamaht, et al., 2024) و روش «فیلتر کالمن» که فراتر از ایدۀ جداسازی مؤلفه‌های مشترک متغیرها هستند و تمام اطلاعات حاصل از متغیرهای مبنای ترکیب را بدون در نظرگرفتن میزان دقت پردازش می‌کنند و خطا/ نویز داده‌ها را به حداقل می‌رسانند.

مطالعات داخلی انجام‌شده تاکنون از متغیرهای مختلفی مانند شاخص قدرت نسبی، حجم معاملات و عدم‌تعادل خرید-فروش برای اندازه‌گیری احساسات استفاده کردند (Nasiri & Kamyabi, 2019; Mehrani & Madanchi, 2018; Bagheri & Seddighi, 2023)؛ اما در این پژوهش از ترکیب جدیدی از متغیرها برای تعریف شاخص ترکیبی احساسات سرمایه‌گذار استفاده شده است. همچنین، پژوهش‌های انجام‌شده در بورس اوراق بهادار تهران، فقط رابطۀ احساسات و بازدۀ سهام را در یک بازۀ زمانی بررسی کردند و طبق بررسی به‌عمل‌آمده، تاکنون در هیچ‌یک از پژوهش‌های پیشین، اثر ساختار زمانی احساسات بر بازدۀ سهام بررسی نشده است. پژوهش حاضر برای نخستین بار به واکاوی تأثیر احساسات سرمایه‌گذار بر بازدۀ سهام در سه تواتر زمانی روزانه، هفتگی و ماهانه پرداخته و ساختار زمانی احساسات سرمایه‌گذار را آزموده است. در عمدۀ پژوهش‌های پیشین همچون آقابابائی و مدنی (Aghababaei & Madani, 2021)، گنجی و همکاران (Ganji et al., 2023) و باقری و صدیقی (Bagheri & Seddighi, 2023) از شاخص ترکیبی احساسات مبتنی بر روش «تحلیل مؤلفه‌های اصلی» استفاده شده است. در این پژوهش برای اولین بار در بورس اوراق بهادار تهران از روش «فیلتر کالمن» برای ساخت شاخص احساسات استفاده شده است. به‌علاوه برای نخستین بار ساختار زمانی احساسات براساس دو روش «فیلتر کالمن» و «تحلیل مؤلفه‌های اصلی» بررسی شده است.

مبانی نظری

از زمانی که فاما (1970) فرضیۀ بازار کارا را مطرح کرد، نظریۀ مالی کلاسیک به‌سرعت توسعه یافته است. ایدۀ اصلی مالی کلاسیک آن است که در یک بازار رقابتی، رفتارهای معاملاتی غیرمنطقی مانند توجه به احساسات و سیگنال‌های غیرمرتبط با عوامل بنیادین به‌سرعت توسط آربیتراژگران از بین می‌رود؛ اما رخداد تعداد بسیار خلاف قاعده‌ها در بازارهای مالی باعث شد تا پژوهشگران مالی به بررسی مجدد فرضیه‌های اولیۀ مالی کلاسیک بپردازند. دلونگ و همکاران (Delong et al., 1990) برای اولین بار مدلی برای معامله‌گر اختلال‌زا ارائه کردند که اثر احساسات سرمایه‌گذار را در قیمت‌گذاری دارایی منظور می‌کند. سرمایه‌گذار اختلال‌زا و غیر‌منطقی به‌جای معامله براساس اطلاعات منتشرشدۀ عمومی همانند اعلامیه‌های سود، گزارش تحلیل‌گران و عوامل کلان اقتصادی، براساس انتظارات، عقاید و احساس خود معامله می‌کند. طبق نظریۀ معامله‌گر اختلال‌زا، اثر متقابل این معامله‌گران و آربیتراژگران منطقی تعیین‌کنندۀ قیمت بازار دارایی است (Hu et al., 2021). شلیفر و سامرز (Sheliefer & Summers, 1990) مدل معامله‌گر اختلال‌زا را با تکیه بر دو فرض ارائه می‌کنند: اول، بعضی از سرمایه‌گذاران منطقی نیستند و احساسات و هیجانات بر تقاضای آن‌ها نسبت‌به دارایی‌‌های ریسکی اثرگذار است؛ دوم، آربیتراژ دارای ریسک است و در دنیای واقعی برخلاف فرضیۀ بازار کارا، آربیتراژ بدون ریسک و هزینه وجود ندارد؛ بنابراین، آربیتراژگران در معاملات خود با محدودیت مواجه هستند و نمی‌توانند انحراف قیمت ایجادشده را به‌سرعت و بدون ریسک از بین ببرند؛ درنتیجه تغییر احساسات سرمایه‌گذار به‌طور کامل توسط آربیتراژگران از بین نمی‌رود و بر بازدۀ سهام اثرگذار است (Shelifer & Summers, 1990).

اثر احساسات سرمایه‌گذار به دلیل فراز و فرود بازار سهام در دو دهۀ اخیر توجه بسیاری را جلب کرده ‌است. افراد با احساسات مثبت، خوش‌بینانه‌ تصمیم می‌گیرند؛ اما افراد با احساسات منفی، بدبینانه تصمیم‌گیری می‌کنند (Antoniou et al., 2013). احساسات سرمایه‌گذار، قضاوتی عاطفی و هیجانی دربارۀ شرکت یا وضعیت بازار است و طبق مطالعات مالی رفتاری توضیح‌دهندۀ تفاوت بین قیمت دارایی‌ها و ارزش ذاتی آن‌ها است (Beer & Zouaoui, 2013). نتایج بسیاری از مطالعات در دهه‌‌های اخیر نشان می‌دهد که بازدۀ سهام متأثر از احساسات سرمایه‌گذار است ( Baker & Stein, 2004; Yang & Zhang, 2014; Yu & Yuan, 2011; Kim & Ryu, 2020; Andleeb & Hassan, 2023b; Chen, 2024).

بسیاری از پژوهش‌های تجربی رابطۀ احساسات و بازدۀ سهام را با تمرکز بر افق زمانی بررسی کردند. نتایج برخی مطالعات حاکی‌از اثر معنادار احساسات بر بازدۀ سهام در بلندمدت است (Shi et al., 2019)؛ درحالی‌‌که نتایج سایر پژوهش‌ها نشان می‌دهد که احساسات دارای اثر کوتاه‌مدت بر بازدۀ سهام است (Sun et al., 2016; Banchit et al., 2020; Mehrani & Madanchizaj, 2018). براون و کلیف (Brown & Cliff, 2005) ادعا می‌کنند که احساسات دارای اثر بلندمدت بر بازدۀ سهام است؛ زیرا شوک تقاضای ایجاد‌شده توسط سرمایه‌گذار اختلال‌زا که باعث قیمت‌گذاری نادرست سهام می‌شود، در بلندمدت پایدار می‌ماند و احساسات قادر به پیش‌بینی بازدۀ یک تا سه سال آتی سهام است. درحالی‌که بیکر و ورگلر (Baker & Wurgler, 2006) معتقدند که هر قیمت‌گذاری نادرست باید اصلاح شود و پس از دوره‌های با احساسات بالا، بازدۀ سهام کاهش می‌یابد. اسکملینگ (Schemling, 2009) با بررسی اثر احساسات بر بازدۀ سهام در دوره‌های زمانی یک‌‌ماهه در شانزده کشور پیشرفته، ادعای اخیر را تأیید کرده و استدلال می‌کند که آربیتراژگران قادرند شوک‌های تقاضای ایجاده‌‌شده توسط معامله‌گران غیرمنطقی را از بین ‌ببرند؛ بنابراین، قیمت دارایی‌های فراقیمت‌گذاری‌شده، اصلاح می‌شود و بازدۀ آنها کاهش می‌یابد؛ اما در بازارهای درحال‌رشد که کارایی کمتری دارد، فشار معاملات می‌تواند به دلیل بالا‌بودن احساسات، برای مدت طولانی‌تری تداوم یابد و ارتباط بین احساسات سرمایه‌گذار و بازدۀ سهام در کوتاه‌مدت مثبت باشد (Beer & Zouaoui, 2013). نتایج پژوهش ریشاد و هاریتا (Rishad & Harita, 2020) در بازار درحال‌توسعۀ هند نیز نشان می‌دهد که احساسات سرمایه‌گذار در بازۀ زمانی ماهانه بر بازدۀ سهام مؤثر است. بسیاری از پژوهش‌های اخیر بر اثر کوتاه‌مدت احساسات بر بازدۀ سهام تأکید کردند. سئوک و همکاران (Seok et al., 2019) نشان دادند که سطوح بالای احساسات سرمایه‌گذار باعث افزایش بازدۀ کوتاه‌مدت سهام می‌شود و آربیتراژگران قادر به از بین بردن فوری فشار معاملات ناشی از احساسات سرمایه‌گذار در بورس اوراق بهادار کره نیستند Seok et al., 2019)). آندلیب و حسن (Andleeb & Hassan, 2023a) نیز با بررسی رابطۀ احساسات سرمایه‌گذار در چندین کشور درحال‌توسعه در بازه‌های زمانی مختلف نشان می‌دهد که احساسات سرمایه‌گذار در بیشتر این کشور‌ها در کوتاه‌مدت بر بازدۀ سهام اثر مثبت دارد. به‌علاوه در تعدادی از این بازار‌های درحال‌توسعه (برزیل، روسیه، اندونزی و چین) رابطۀ مثبت احساسات و بازدۀ سهام صرفاً در کوتاه‌مدت (روزانه) تأیید شد (Andleeb & Hassan, 2023a). طبق یافتۀ کاگلی و همکاران (Cagli et al., 2020) رابطۀ بین احساسات و بازدۀ سهام به افق زمانی بستگی دارد؛ بر این اساس، فرضیۀ اول پژوهش عبارت است از: احساسات سرمایه‌گذار (سطح سهام) بر بازدۀ اضافی سهام در بازه‌های زمانی روزانه، هفتگی و ماهانه اثر‌گذار است.

بیشتر پژوهش‌های انجام‌شده رابطۀ احساسات و بازدۀ سهام را تنها در یک بازۀ زمانی بررسی کرده‌اند. اگرچه بعضی شواهد تجربی مانند براون و کلیف (Brown & Cliff, 2004) از داده‌های هفتگی و ماهانه، گائو و همکاران (Gao et al., 2010) و لی و همکاران (Lee et al., 1991) از داده‌های ماهانه و سالانه برای ایجاد شاخص احساسات سرمایه‌گذار استفاده کرده‌اند، شواهد موجود به‌ندرت به تأثیر متفاوت احساسات بر بازدۀ سهام در فراوانی‌های مختلف می‌پردازد (Li, 2020). برای نمونه ریو و همکاران (Ryu et al., 2016) با استفاده از شاخص ترکیبی احساسات، رابطۀ احساسات و رفتار سرمایه‌گذار را با بازدۀ اضافی سهام بررسی کرده‌اند. نتایج حاصل در دو بازۀ زمانی روزانه و ماهانه نشان می‌دهد که پس از کنترل ویژگی‌های شرکتی شامل اندازۀ شرکت، نوسان بازدۀ سهام، نسبت ارزش دفتری به ارزش بازار، بازدۀ دارایی‌ها، اهرم، جریان نقدی شرکت و رفتار معاملاتی سرمایه‌گذار، کماکان تأثیر احساسات سرمایه‌گذار بر بازدۀ سهام مثبت است (Ryu et al., 2016). برخی پژوهش‌ها نشان‌ می‌دهد که رابطۀ احساسات سرمایه‌گذار و بازدۀ سهام وابسته به زمان بوده و در افق‌های زمانی کوتاه‌مدت و بلندمدت با یکدیگر متفاوت است (Chen, 2024). ینگ و گئو (Yang & Gao, 2014) با استفاده از سنجه‌های «احساسات بازار سهام» و «احساسات مبتنی بر قرارداد آتی شاخص سهام» در سه بازۀ زمانی روزانه، هفتگی و ماهانه دریافتند که تأثیر هر دو سنجه در کوتاه‌مدت (روزانه، هفتگی و ماهانه) بر بازدۀ شاخص قرارداد آتی، مثبت و معنادار و تابع نزولی یکنواخت از زمان است. به‌نحوی‌که با افزایش بازۀ زمانی، اثر احساسات سرمایه‌گذار بر بازدۀ سهام کاهش می‌یابد و عوامل غیرعقلایی در تصمیم‌گیری کوتاه‌مدت متضمن اثر بیشتری است. یافتۀ ینگ و ژو (Yang & Zhou, 2015) نیز مؤید اثر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام و ساختار زمانی نزولی رابطۀ یادشده است. لی (Li, 2020) با استفاده از سنجۀ ترکیبی احساسات در فواصل زمانی روزانه، هفتگی و ماهانه نشان داد که اثر احساسات بر بازدۀ سهام با افزایش بازۀ زمانی کاهش می‌یابد و ساختار زمانی اثر احساسات سرمایه‌گذار دارای تابع نزولی یکنواخت است. کیم و ریو (Kim & Ryu, 2020) با طبقه‌بندی سرمایه‌گذاران به سه گروه «حقیقی داخلی»، «حقوقی داخلی» و سرمایه‌گذاران «خارجی» دریافتند که برای هر سه دسته سرمایه‌گذاران، اثر احساسات در بازۀ یک‌روزه دارای بیشترین تأثیر است و با طولانی‌شدن بازۀ زمانی، اثر احساسات به‌صورت یکنواخت کاهش می‌یابد؛ بر این اساس، فرضیۀ دوم این پژوهش مبنی بر آن است که اثر احساسات سرمایه‌گذار (سطح سهام) با افزایش بازۀ زمانی از روزانه به هفتگی و ماهانه کاهش می‌یابد.

نخستین گام بررسی رابطۀ احساسات سرمایه‌گذار و بازدۀ سهام، اندازه‌گیری احساسات است. مطالعات بسیاری تلاش کردند تا احساسات سرمایه‌گذار را اندازه‌گیری کنند. این پژوهش‌ها عمدتاً با استفاده از دو نوع سنجۀ مستقیم و غیر‌مستقیم، احساسات سرمایه‌گذار را اندازه‌گیری می‌کنند. سنجه‌‌های مستقیم احساسات با استفاده از پرسش‌نامه‌، به‌طور مستقیم دربارۀ احساس سرمایه‌گذاران به شرایط حال حاضر و آیندۀ اقتصاد و بورس اوراق بهادار سؤال می‌کند. همچنین، با تعریف سنجه‌‌های غیر‌مستقیم تلاش می‌شود تا از متغیر‌های اقتصادی و مالی برای اندازه‌‌گیری شرایط ذهنی سرمایه‌گذاران استفاده شود. در اندازه‌گیری احساسات سرمایه‌گذار با استفاده از سنجه‌های مختلف می‌توان هریک از این متغیر‌ها را به‌صورت مستقل به‌عنوان شاخص احساسات سرمایه‌گذار در نظر گرفت (Beer & Zouaoui, 2013). با پیشرفت فناوری، برخی پژوهش‌ها سنجه‌های نوآورانه‌ای برای اندازه‌گیری احساسات معرفی کردند؛ برای نمونه چیا و همکاران (Chiah et al., 2022) با اندازه‌گیری احساسات با استفاده از داده‌های مربوط به جست‌وجوی افراد در اینترنت، رابطۀ معکوس احساسات و بازدۀ آتی را در کوتاه‌مدت تأیید کردند (Chiah et al., 2022). مک‌گرک و همکاران (McGurk et al., 2022) با استفاده از تحلیل متن پیام‌ها در شبکه‌های اجتماعی به‌عنوان سنجۀ احساسات نشان دادند که این سنجه بر بازدۀ غیرعادی سهام اثرگذار است؛ اما بنابر استدلال بیکر و ورگلر (Baker & Wurgler, 2006) این روش ناکارآمد است؛ زیرا هریک از این متغیرها علاوه‌بر مؤلفۀ احساسات می‌تواند شامل مؤلفه‌های غیرمرتبط با احساسات نیز باشد. آن‌ها برای رفع این محدودیت از یک شاخص ترکیبی استفاده می‌کنند و با استفاده از روش تحلیل مؤلفه‌های اصلی، مؤلفه‌های مشترک این متغیر‌ها را استخراج می‌کنند (Seok et al., 2019)؛ بنابراین، در مطالعات اخیر ساخت شاخص‌های ترکیبی جایگزین استفاده از یک متغیر برای اندازه‌گیری احساسات سرمایه‌گذار شده است (Kim & Lee, 2022; Chen & Haga, 2021; Chen et al., 2019). براون و کلیف (Brown & Cliff, 2004) در بررسی رابطۀ بازدۀ کوتاه‌مدت سهام و احساسات سرمایه‌گذار از دو روش تحلیل مؤلفه‌های اصلی و فیلتر کالمن برای ایجاد شاخص ترکیبی احساسات استفاده کردند. یافته‌ها نشان‌دهندۀ هم‌حرکتی هر دو سنجۀ احساسات سرمایه‌گذار و بازدۀ اخیر بازار است (Brown & Cliff, 2004).

روش‌ پژوهش

این پژوهش از نوع پس‌رویدادی و مبتنی بر داده‌های مشاهده‌شده است. نمونۀ آماری شامل کلیۀ شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران طی بازۀ زمانی فروردین ۱۳۹۰ تا اسفند ۱۳۹۹ است که سال مالی آن‌ها منتهی به ۲۹ اسفند است (به‌منظور همگن‌سازی داده‌ها و افزایش قابلیت مقایسه) و جزو واسطه‌‌‌‌های مالی نظیر بانک‌ها، بیمه‌ها، شرکت‌های سرمایه‌گذاری و صندوق‌های سرمایه‌گذاری نیستند (به دلیل ماهیت فعالیت و ساختار مالی متفاوت)[2].

برای آزمون فرضیۀ اول مبنی بر تأثیر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام در سه بازۀ روزانه، هفتگی و ماهانه، همانند لی (Li, 2020) معادلات (1)، (2) و (3) در چهارچوب رگرسیون داده‌های ترکیبی در سه بازۀ روزانه، هفتگی و ماهانه به‌صورت جداگانه برازش شده است. برازش معادلات (2) و (3) که به ترتیب با افزونۀ «صرف ریسک بازار» و عوامل فاما و فرنچ (Fama & French, 1993) تصریح شده است، با هدف آزمون هم‌پوشانی اثر احساسات توسط عوامل فراگیر ریسک انجام شده است. این معادلات به‌طور مجزا برای شاخص احساسات مبتنی بر دو روش «تحلیل مؤلفۀ اصلی» و «فیلتر کالمن» برازش شده است.

(1)

(2)

(3)

که تغییر احساسات سرمایه‌گذار، عامل اندازۀ زمان t، عامل ارزش زمان t و نرخ بهرۀ بدون ریسک و بازدۀ بازار در زمان t و i سهام شرکت‌های نمونه است.

سطح احساسات می‌تواند با عوامل بنیادینی مانند متغیرهای کلان اقتصادی هم‌بسته باشد؛ اما هم‌بستگی تغییر احساسات معمولاً کمتر است و به همین دلیل با بررسی تغییر احساسات، اثر خالص‌تر احساسات شناسایی می‌شود (Baker, & Wurgler, 2006)؛ علاوه‌براین، بازدۀ بازار به تغییرات احساسات واکنش می‌دهد نه به سطح مطلق آن؛ بنابراین، تغییر احساسات عامل اصلی تغییر انتظارات و تصمیم‌گیری سرمایه‌گذاران است (تغییر احساسات محرک است نه مقدار آن) (Shen et al., 2016). به‌علاوه سطح احساسات معمولاً با خودش هم‌بستگی زیادی دارد که موجب بی‌ثباتی ضرایب برآوردی رگرسیون می‌شود. استفاده از تغییر احساسات باعث کاهش ‌همبستگی‌ سریالی متغیر می‌شود (Wooldridge, 2016).

برای آزمون فرضیۀ دوم مبنی بر کاهش اثر احساسات بر بازدۀ سهام توأم با افزایش بازۀ زمانی از روزانه به ماهانه، بتای احساسات برآوردشده (حاصل از برازش رگرسیون داده‌‌های ترکیبی) در فراوانی‌های مختلف زمانی مقایسه شده است. برای این منظور ضرایب بتای برآوردی از روابط (1)، (2) و (3)، با استفاده از رابطۀ (4) به ضرایب سالانه تبدیل شده و با یکدیگر مقایسه شده است.

(4)

که ضریب سالانۀ احساسات، ضریب احساسات در بازه‌های زمانی روزانه/ هفتگی/ ماهانه و 250 تعداد روزهای معاملاتی در سال است.

متغیر‌های پژوهش به شرح ذیل اندازه‌گیری شده است:

بازدۀ سهام به‌صورت لگاریتم طبیعی نسبت قیمت سهام شرکت پس از تعدیل بابت افزایش سرمایه و سود نقدی در زمان t به t-1 محاسبه شده است. صرف ریسک بازار، مابه‌التفاوت بازدۀ شاخص کلو نرخ بهرۀ بدون ریسک است. نرخ بهرۀ بدون ریسک معادل نرخ سود اوراق مشارکت بانک مرکزی منظور شده است^[3]. بازدۀ بازار لگاریتم طبیعی نسبت شاخص کل بورس اوراق بهادار تهران در زمان t به t-1 است.

اندازه (SMB) و ارزش (HML): به تبعیت از فاما و فرنچ (Fama & French, 1993) ابتدا سهام شرکت‌های نمونه در پایان تیرماه هر سال براساس میانۀ ارزش بازار سال گذشته به دو پرتفوی کوچک (S) و بزرگ (B) تقسیم شده است. سپس مجدداً برای هر سال، کل سهام نمونه براساس نسبت ارزش دفتری به ارزش بازار سال قبل به سه پرتفوی 30درصد بالا (H)، 40 درصد میانی (M) و 30 درصد پایین (L) تقسیم شده و از فصل مشترک این دو طبقه‌بندی، شش پرتفوی تشکیل شده است. عوامل اندازه و ارزش طبق روابط (5) و (6) محاسبه شده است.

	(5)
	(6)

سنجۀ احساسات را می‌توان در دو سطح «بازار» یا «سهام» محاسبه کرد. در برخی مطالعات سنجۀ‌ احساسات سطح بازار با استفاده از متغیرهایی نظیر «نرخ تنزیل صندوق‌های سرمایه‌گذاری با سرمایۀ ثابت» (Neal & Wheatley, 1998)، «نرخ گردش بازار» (Baker & Stein, 2004) و «تعداد عرضه‌های عمومی اولیه» (Fisher & Statman, 2003) محاسبه شده و اثر آن بر بازدۀ سهام بررسی شده است؛ اما کومار و لی (Kumar & Lee, 2006) نشان دادند که احساسات سطح بازار می‌تواند بعضی اطلاعات موجود در سنجۀ احساسات سهام را حذف کند؛ بر این اساس، سنجۀ احساسات سطح سهام شامل اطلاعات ارزشمند بیشتری در مقایسه با احساسات بازار است (Kumar & Lee, 2006). ازآنجاکه هر شرکت دارای ویژگی‌های منحصربه‌فرد خود است، شاخص احساسات بازار قادر به اندازه‌گیری احساسات سرمایه‌گذار این شرکت‌ها نیست؛ بنابراین، روند آتی پژوهش‌ها از بررسی اثر احساسات بازار به سوی اثر احساسات سطح سهام بر بازدۀ سهام در حال تغییر است.

به بیان براون و کلیف (Brown & Cliff, 2004) میان سنجه‌های مختلف احساسات سرمایه‌گذار، رابطۀ هم‌خطی وجود دارد؛ پس نتایج حاصل از کاربرد چندین سنجۀ احساسات به‌صورت جداگانه در یک مدل، تفسیرپذیر نبوده و ضرایب مدل معتبر نیست. بنابر استدلال بیکر و ورگلر (Baker & Wurgler, 2006) هریک از این سنجه‌ها علاوه‌بر مؤلفۀ احساسات شامل مؤلفه‌های نا‌مرتبط با احساسات است؛ به همین دلیل، در پژوهش‌‌های بسیاری مانند بیکر و ورگلر (Baker & Wurgler, 2006; 2007)، براون وکلیف (Brown & Cliff, 2004)، هانگ و همکاران (Huang et al., 2015) و ریو و همکاران (Ryu et al., 2016) برای اندازه‌گیری احساسات سرمایه‌گذار با استفاده از روش‌های مختلف، مؤلفه‌های مشترک این متغیرها استخراج شده و یک شاخص ترکیبی احساسات سرمایه‌گذار تشکیل شده است. در این پژوهش نیز از دو روش مختلف برای این منظور استفاده شده است. در پژوهش حاضر به پیروی از لی (Li, 2020)، شاخص ترکیبی احساسات با استفاده از چهار متغیر مختلف سطح سهام تشکیل می‌‌شود. برای استخراج مؤلفه‌های مشترک این چهار متغیر از دو شیوۀ متفاوت استفاده شده است؛ در روش اول همانند لی (Li, 2020) از «تحلیل مؤلفه‌های اصلی» و در روش دوم همانند براون و کلیف (Brown & Cliff, 2004) از «فیلتر کالمن» استفاده شده است. شاخص ترکیبی احساسات سرمایه‌گذار در سطح سهام با استفاده از این دو روش در سه تواتر زمانی روزانه، هفتگی و ماهانه محاسبه شده است. لازم به یادآوری است که روش قطعی برای اندازه‌گیری احساسات سرمایه‌گذار وجود ندارد (Li, 2020). به‌منظور استفاده از تمام اطلاعات حقیقی موجود و غیرقابل‌مشاهده برای اندازه‌‌گیری احساسات سرمایه‌‌گذار، مقایسۀ روش‌‌‌های مختلف با رویکرد متفاوت می‌تواند نمای کامل‌تری در مقایسه با شاخص ترکیبی ارائه کند. «تحلیل مؤلفه‌های اصلی» با استخراج مؤلفۀ مشترک، ترکیب‌های خطی این چهار متغیر را می‌سازد که با یکدیگر هم‌بسته نیست (فرض می‌‌شود که این مؤلفۀ مشترک، احساسات سرمایه‌گذار است)؛ اما «فیلتر کالمن» تمام اطلاعات متغیرهای مشاهده‌‌شده را بدون در نظرگرفتن میزان دقت‌، پردازش کرده و احساسات سرمایه‌گذار را برآورد می‌کند (Brown & Cliff, 2004).

در تحلیل مؤلفه‌های اصلی (PCA) مجموعه‌ای از متغیرهای هم‌بسته به مجموعۀ جدیدی از متغیرها تبدیل می‌شود که با یکدیگر ناهم‌بسته‌ است. این روش به‌خصوص در شرایطی مفید است که ترکیب ساختار داده‌‌ها کاملاً مشخص نیست. در این روش متغیر‌های همبسته موجود در یک فضای چندبعدی به مجموعه‌ای از مؤلفه‌های ناهم‌بسته تبدیل می‌شود که هریک از آن‌ها ترکیب خطی متغیرهای اولیه است. مؤلفه‌های غیرهم‌بستۀ به‌دست‌آمده، مؤلفه‌های اصلی (PC) نامیده می‌شود که از بردارهای ویژۀ ماتریس کوواریانس یا ماتریس هم‌بستگی متغیرهای اصلی به دست می‌‌آید. معمولاً دو یا سه مؤلفۀ اول بخش درخور توجهی از پراکندگی داده‌ها را توضیح می‌دهد (Fakhri, 2012). با استفاده از این روش ترکیبات p متغیر اولیه ، برای ایجاد حداکثر p مؤلفۀ مستقل به‌صورت ایجاد می‌شود. هر مؤلفۀ اصلی به‌صورت زیر تعریف می‌‌شود:

(7)

که مؤلفۀ iام، ضریب متغیرهای اولیه و متغیر اولیه است. ضرایب طوری برآورد می‌شود که اولین مؤلفه حداکثر واریانس داده‌ها را در نظر گرفته و دومین مؤلفه حداکثر واریانس در نظر گرفته‌نشده توسط اولین مؤلفه را توضیح دهد؛ این روند ادامه می‌یابد تا آخرین مؤلفه تمام واریانس داده‌ها را در نظر گیرد؛ بنابراین، احساسات سرمایه‌‌گذار براساس اولین مؤلفۀ اصلی چهار متغیر هر شرکت طبق رابطۀ (8) به دست می‌آید.

(8)

که احساسات سرمایه‌گذار به سهام iدر زمان t و Fضرایب متغیرها در اولین مؤلفۀ اصلی برای هر بازۀ زمانی است.

فیلتر کالمن روش دیگری است که برای ایجاد شاخص احساسات سرمایه‌گذار استفاده شده است. یکی از کاربردهای فیلترکالمن، یافتن مقادیر یک/ چند سری ‌زمانی است که به‌طور ستقیم قابل‌اندازه‌گیری نیست. در این روش با استفاده از مشاهدات مخدوش متغیر مدنظر یا اطلاعات کمیّت دیگری که به‌طور خطی/ غیرخطی متأثر از متغیر مدنظر است، به برآورد کمیّت پنهان پرداخته می‌شود؛ بر این اساس، داده‌های مربوط به متغیرهای قابل‌مشاهده و متأثر از احساسات سرمایه‌گذار برای بازسازی متغیر اخیر استفاده می‌شود که مستقیماً قابل‌اندازه‌گیری نیست. این روش فراتر از ایدۀ جداسازی مؤلفه‌های مشترک متغیرها بوده و به دنبال حل «مسئلۀ معکوس»[4] است. ازآنجاکه این مسئله با اثرات یک پدیده آغاز می‌شود و سپس علت آن توسط این اثرات محاسبه می‌شود، «مسئلۀ معکوس» نام دارد. برای برآورد متغیر غیرقابل‌اندازه‌گیری (حالت) با استفاده از فیلتر کالمن باید ابتدا ضابطۀ میان متغیر منظور را با مشاهدات اندازه‌گیری‌شده به فرم فضا-حالت تصریح کرد. سپس با تکنیک حداکثر درست‌نمایی به برآورد پارامترهای مدل و مقادیر متغیر حالت پرداخت. مدل فضا-حالت خطی گاوسی در شکل ابتدایی آن در چارچوب یک فرایند خودرگرسیون برداری q بعدی مرتبۀ اول به‌صورت معادلات «حالت» و «مشاهدات» (9) و (10) است.

	(9)
	(10)

که بردار مشاهدات ، ماتریس مشاهدات مرتبۀ ، بردار حالت ، بردار خطای مشاهدات با امید ریاضی صفر و ماتریس مربع واریانس-کواریانس R از مرتبۀ p، بردار جزء خطا معادلۀ حالت با امید ریاضی صفر و ماتریس مربع واریانس-کواریانس Q از مرتبۀ q، و بردار ضرایب متغیرهای توضیحی با مرتبه و به ترتیب در معادلات «حالت» و «مشاهدات»، بردار مرتبۀ متغیرهای توضیحی و ضریب خودرگرسیون مرتبۀ یک است (Kalman, 1960). برای محاسبۀ شاخص احساسات سرمایه‌گذار هر سهم ( ) همانند لی (Li, 2020) از چهار متغیر «نرخ تعدیل‌شدۀ گردش سهام» ، «عدم‌تعادل خرید و فروش» ، «مبلغ معامله» و «شاخص خط روان‌شناختی» استفاده شده است. برای برآورد هر سهم، ابتدا معادلات حالت و مشاهدات (11) و (12) هر سهم i منظور شده و درنهایت مقادیر به‌واسطۀ فیلتر کالمن و روش MLE برآورد شده است.

For i in {1, 2, 3, …, n}:
	(11)
	(12)

که دینامیک در معادلۀ حالت (11) از نوع خودرگرسیون مرتبۀ یک با ضریب و نویز مشاهدات است. متغیر تصادفی نرمال با امید ریاضی صفر و واریانس است. در معادلۀ مشاهدات، بردار مشاهدات و بردار تصادفی نرمال جزء خطا با امید ریاضی صفر و ماتریس واریانس-کوواریانس Q است (ماتریس مربع مرتبه 4).

همان‌گونه که اشاره شد، احساسات سرمایه‌گذار مستقیماً قابل‌مشاهده و اندازه‌گیری نیست؛ اما آثار آن ازطریق رفتار معاملاتی سرمایه‌گذار با علائمی نظیر تغییر حجم و مبلغ معاملات، تغییر جهت بازده و تقاضای سهام قابل‌رهگیری است. اصولاً احساسات مثبت و خوش‌‌بینی سرمایه‌گذاران موجب افزایش معاملات و بدبینی آنها منتج به کاهش معامله است. بدیهی است تغییر هریک از متغیرهای برشمرده صرفاً ناشی از احساسات سرمایه‌گذار نبوده و متأثر از عوامل و مؤلفه‌های بسیاری است. با استناد به شواهد تجربی می‌توان استدلال کرد که حداقل بخشی از تغییرات این متغیرها ناشی از احساسات سرمایه‌گذار است. برای این منظور با استفاده از چهار متغیر متأثر از احساسات سرمایه‌گذار شامل نرخ تعدیل‌‌شدۀ گردش سهام (Yang & Zhou, 2016; Li & Yang, 2017)، عدم‌تعادل خرید_فروش (Chen & Zhang, 2023)، مبلغ معامله (Li & Yang, 2017) و شاخص خط روان‌شناختی (Yang & Gao, 2014; Yang & Zhou, 2016) در چارچوب دو روش «تحلیل مؤلفه‌های اصلی» و «فیلتر کالمن» به برآورد شاخص احساسات سرمایه‌گذار پرداخته شده است. این متغیرها به شرح زیر اندازه‌گیری شده است.

الف) نرخ تعدیل‌شدۀ گردش سهام: به تعبیر بیکر و استین (Baker & Stein, 2004) نرخ تعدیل‌شدۀ گردش سهام می‌تواند شاخص احساسات سرمایه‌گذار باشد؛ زیرا نشانۀ تغییر نقدشوندگی ناشی از احساسات سرمایه‌گذار است. ینگ و ژو (Yang & Zhou, 2016) و لی و یانگ (Li & Yang, 2017) نیز نرخ تعدیل‌شدۀ گردش را معیار مناسب احساسات سرمایه‌گذار می‌دانند. این معیار براساس رابطۀ (13) محاسبه شده است.

(13)

که بازدۀ سهام شرکت i در زمان t، تعداد سهام معامله‌شدۀ شرکت i در زمان t و Shares Outstanding تعداد سهام جاری شرکت i در زمان t است.

نرخ گردش تعدیل‌شده علاوه‌بر سنجش نقدشوندگی، جهت احساسات (خوش‌بینی یا بد‌بینی) را نیز آشکار می‌کند. برخلاف نرخ گردش سهام که صرفاً نقدشوندگی را توضیح می‌دهد، ATR قادر است دو حالت مثبت و منفی را باتوجه ‌به جهت حرکت قیمت‌ها تفکیک کند. این شاخص ترکیب دو مؤلفۀ کلیدی «شدت» و «جهت احساسات» است. حجم زیاد معامله معمولاً نشانۀ حضور فعال سرمایه‌گذاران در بازار است؛ مثبت/ منفی‌بودن بازده نشان می‌دهد که این فعالیت در چه جهتی صورت گرفته است. اگر حجم زیاد معامله همراه با رشد قیمت باشد، ATR مثبت و نشان‌دهندۀ خوش‌بینی است؛ اما اگر حجم زیاد معاملات با افت قیمت همراه باشد، ATR منفی و نشان‌دهندۀ بدبینی است (Yang & Zhou, 2016; Wang et al., 2021)؛ به عبارت دیگر این شاخص بیان‌ می‌کند که بازار با حجم معاملۀ زیاد و پرجنب‌وجوش ناشی از ترس است یا طمع.

ب) عدم‌تعادل خرید-فروش^[5]: طبق برخی شواهد تجربی حداقل بخشی از معاملات سرمایه‌گذاران خُرد مبتنی بر سیگنال‌های احساسی و غیرمرتبط با عوامل بنیادین است (Barber & Odean, 2009; Zhou & Hang, 2019). ژو و هانگ (Zhou & Hang, 2019) از عدم‌تعادل خرید-فروش به‌عنوان معیار رفتار معاملاتی سرمایه‌گذار استفاده کردند. به تعبیر کومار و لی (Kumar & Lee, 2006) عدم‌تعادل خرید-فروش هر سهم، شاخص مستقیم خالص تقاضای خرده‌فروشی هر سهم در زمان معین است. نتایج پژوهش آن‌ها نشان می‌دهد که معاملات سرمایه‌گذاران خُرد با یکدیگر هم‌بستگی دارد. به‌علاوه معاملات سیستماتیک سرمایه‌گذاران موجب هم‌حرکتی بازدۀ سهام می‌شود که به عوامل بنیادی مربوط نیست. اگر سرمایه‌گذاران خُرد در یک بازۀ زمانی معین به‌طور خالص خریدار سهم باشند (به دلایلی نظیر احساسات)، آن‌گاه عدم تعادل خرید-فروش، مثبت است و اگر در دورۀ زمانی مشخصی فروشندۀ سهم باشند، عدم‌تعادل خرید-فروش، منفی است. عدم‌تعدل خرید-فروش سهم i در زمان tبراساس رابطۀ (14) محاسبه شده است.

(14)

که حجم خرید سهام i در روز j زمان t و حجم فروش سهام i در روز j دورۀ زمانی t است. برای تفکیک معاملات روزانه به خرید/ فروش از الگوریتم لی و ردی (Lee & Ready, 1991) استفاده شده ‌است. در این الگوریتم میانگین مظنۀ خرید و فروش در ‌نظر گرفته ‌شده‌ است و معاملات با قیمت بیشتر از میانگین،با عنوان «خرید» و معاملات با قیمت کمتر با عنوان «فروش» طبقه‌بندی می‌شود. معاملاتی که دقیقاً در قیمت برابر میانگین مظنۀ خرید/ فروش انجام شده است، ازطریق قانون تیک[6] طبقه‌بندی می‌شود. طبق این قانون در صورتی معامله با عنوان «خرید» طبقه‌بندی می‌شود که قیمت معاملۀ فعلی بیشتر از قیمت معاملۀ قبلی باشد. درصورتی‌که معامله با قیمت کمتر از معاملۀ قبلی انجام شده‌ باشد، معاملۀ مذکور با عنوان «فروش» طبقه‌بندی می‌شود. اگر قیمت معاملۀ فعلی و قبلی با یکدیگر برابر باشد، طبقه‌‌‌بندی معامله ازطریق مقایسۀ قیمت آن با قیمت دو معاملۀ قبلی صورت می‌گیرد (Davallou & Azizi, 2017).

ج) مبلغ معامله: افزایش مبلغ معاملۀ سهام معین به‌منزلۀ احساسات بالای سرمایه‌گذار و به مفهوم افزایش تقاضای سهم در واکنش به احساسات سرمایه‌گذار است (Li & Yang, 2017). سطوح متفاوت مبلغ معامله نشانۀ عقاید مختلف دربارۀ‌ سهام متفاوت است. مبلغ معاملۀ سهام i طی دورۀ زمانی t با استفاده از رابطۀ (15) محاسبه شده است.

(15)

که تعداد سهام معامله‌شده سهام i طی دورۀ زمانی tو قیمت پایانی سهم i در زمان t است. طبق یافته باربر و اودین (Barber & Odean, 2009) زمانی که سرمایه‎‌گذاران دچار هیجان می‌شوند، میل آن‌ها به معامله بدون در نظر گرفتن اطلاعات جدید افزایش می‌یابد. افزایش مبلغ معامله منعکس‌کنندۀ علاقه و مشارکت سرمایه‌گذاران به یک سهم است. حجم معاملات زیاد همراه با افزایش قیمت به معنی فشار خرید و خوش‌بینی سرمایه‌گذاران است؛ درحالی‌که اگر حجم معامله افزایش یابد و قیمت سهام افت کند، نشانۀ فشار فروش و بدبینی آنها است.

د) شاخص خط روان‌شناختی^[7]

به‌زعم ینگ و گائو (Yang & Gao, 2014) و یانگ و ژو (Yang & Zhou, 2016) این شاخص می‌تواند نماگر احساسات سرمایه‌گذار باشد و از رابطۀ (15) به دست آمده است. افزایش PLI به معنای صعودی‌بودن قیمت سهم در بیشتر روزها در بازۀ زمانی موردبررسی و خوش‌بینی سرمایه‌گذاران و کاهش آن به معنای غلبۀ افت قیمت سهم و بدبینی سرمایه‌گذاران است. این شاخص نشان‌دهندۀ مثبت/ منفی‌بودن احساسات کلی بازار دربرابر یک سهم است (Phoung, 2021).

(16)

که تعداد روز معاملاتی است که قیمت پایانی سهام i در دورۀ زمانی t بیش از قیمت پایانی روز قبل باشد، تعداد روز معاملاتی سهام i در دورۀ زمانی t است.

لازم به ذکر است داده‌های مربوط به متغیرهای احساسات سرمایه‌گذار در بازه‌های زمانی هفتگی و ماهانه از تجمیع داده‌های روزانه به دست آمده است. بازدۀ سهام در بازۀ هفتگی و روزانه براساس قیمت پایانی آخر دوره محاسبه شده است؛ به عبارت دیگر قیمت هفتگی (قیمت ماهانه)، آخرین قیمت هفته (ماه) است.

یافته‌ها

آمار توصیفی متغیرها در سه تواتر روزانه، هفتگی و ماهانه به ترتیب در بخش‌های (الف)، (ب) و (ج) جدول (1) ارائه شده است.

جدول (1) آمار توصیفی

Table (1) Descreptive statistics

کمینه	بیشینه	انحراف معیار	میانه	میانگین	متغیر	تواتر
0511/0-	0482/0	0257/0	0000/0	0028/0	بازدۀ اضافی سهام	(الف) روزانه
0326/0-	0356/0	0116/0	0001/0	0016/0	بازدۀ اضافی بازار
0732/0-	0575/0	0102/0	0004/0	0003/0	عامل اندازه (SMB)
0945/0-	0809/0	003/0	0014/0-	0016/0-	عامل ارزش (HML)
0000/0	153000000	8038888	340507	2875865	حجم معامله
4600/21-	9668/30	1459/1	0887/0-	0450/0	احساسات سرمایه‌گذار (PCA)
5799/44-	5702/40	0378/2	0000/0	0009/0	احساسات سرمایه‌گذار (فیلترکالمن)
2468/0-	2409/0	0670/00	0008/0-	0088/0	بازدۀ اضافی سهام	(ب) هفتگی
1154/0-	1405/0	0346/0	0004/0	0063/0	بازدۀ اضافی بازار
1457/0-	0920/0	0300/0	0018/0	0010/0	عامل اندازه (SMB)
1231/0-	1078/0	0253/0	0071/0-	002/0-	عامل ارزش (HML)
0000/0	275000000	30125878	7678975000	10024057	حجم معامله
0990/14-	6567/19	1488/1	1235/0-	0582/0	احساسات سرمایه‌گذار (PCA)
6947/30-	4109/22	4406/2	0000/0	0053/0	احساسات سرمایه‌گذار (فیلترکالمن)
5831/0-	8591/0	1535/0	0012/0	0258/0	بازدۀ اضافی سهام	(ج) ماهانه
2314/0-	3818/0	0926/0	0115/0	0246/0	بازدۀ اضافی بازار
3586/0-	2301/0	0807/0	0050/0	0029/0	عامل اندازه (SMB)
1912/0-	1489/0	0604/0	0314/0-	0324/0-	عامل ارزش (HML)
0000/0	1210000000	123000000	4574280	43437581	حجم معامله
0199/14-	3587/16	1743/1	0501/0-	0805/0	احساسات سرمایه‌گذار (PCA)
5956/19-	0640/19	7493/2	0000/0	0144/0	احساسات سرمایه‌گذار (فیلتر کالمن) (فیلتر کالمن)

همان‌گونه که در جدول (1) ملاحظه می‌شود، میانگین بازدۀ اضافی سهام نمونه در سه بازۀ روزانه، هفتگی و ماهانه به ترتیب 0028/0، 008/0 و 0258/0 و بازدۀ اضافی بازار به ترتیب 0016/0، 0063/0 و 0246/0 است. بازدۀ بیشتر سهام نمونۀ توأمان متضمن انحراف معیار بیشتری بوده و نشان می‌دهد که ریسک و بازدۀ سهام نمونه بیش از بازار است. میانگین شاخص روزانه احساسات سرمایه‌گذار (PCA) برابر 0450/0 است که درصورت استفاده از داده‌های هفتگی و ماهانه به ترتیب به 0582/0 و 0805/0 افزایش می‌یابد. باوجودی‌که سطح شاخص احساسات (فیلتر کالمن) پایین‌تر از احساسات سرمایه‌گذار (PCA) است، اما روند صعودی مقادیر این شاخص نیز همراه با کاهش فراوانی مشاهدات از روزانه به ماهانه محرز است.

اثر ساختار زمانی احساسات سرمایه‌گذار (PCA) بر بازدۀ اضافی سهام

به‌منظور بررسی تأثیر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام، رگرسیون دادۀ ترکیبی تک‌عاملی (احساسات سرمایه‌گذار)، دوعاملی (احساسات سرمایه‌گذار و بازدۀ اضافی سهام) و چندعاملی (احساسات سرمایه‌گذار، بازدۀ اضافی سهام، عوامل ارزش و اندازه) برازش شده است. طبق نتایج آزمون مانایی[8]، همۀ متغیرها در سطح اطمینان 99درصد مانا است. باتوجه‌به نتایج آزمون‌های F لیمر و هاسمن برای برازش تأثیر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام، مدل‌های رگرسیونی در تواتر روزانه همگی به‌صورت «رگرسیون داده‌‌های ترکیبی با اثرات ثابت» برازش شده است. همۀ مدل‌های رگرسیونی در تواتر هفتگی و ماهانه به‌صورت رگرسیون تلفیقی برآورد شده است (به استثنای مدل تک‌عاملی هفتگی مبتنی بر PCA که به‌صورت «اثرات ثابت» برآورد شده است).

نتایج حاصل از برازش تأثیر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام با استفاده از سنجۀ مبتنی بر PCA در جدول (2) ارائه شده است.

جدول (2) نتایج بررسی اثر احساسات سرمایه‌گذار (PCA) بر بازدۀ اضافی سهام

Table (2) Rsults of the effect of investor sentiment (PCA) on excess returns

ماهانه	هفتگی	روزانه	تواتر متغیر
«الف»
^***0258/0	^***0084/0	^***0027/0	عرض از مبدأ
^***0548/0	^***0249/0	^***0099/0	احساسات سرمایه‌گذار
2485/0	2292/0	1536/0	ضریب تعیین تعدیل‌شده
9019/0	2722/2	7420/9	ضریب سالانۀ احساسات سرمایه‌گذار
«ب»
^***1070/0	^***0044/0	^***0014/0	عرض از مبدأ
^***0484/0	^***0224/0	^***0093/0	احساسات سرمایه‌گذار
^***6140/0	^***6420/0	^***7290/0	بازدۀ اضافی بازار
3628/0	334/0	2614/0	ضریب تعیین تعدیل‌شده
7674/0	9088/1	3086/8	ضریب سالانۀ احساسات سرمایه‌گذار
«ج»
^***0048/0	^***0037/0	^***0010/0	عرض از مبدأ
^***0440/0	^***0223/0	^***0091/0	احساسات سرمایه‌گذار
^***7949/0	^***6906/0	^***8994/0	بازدۀ اضافی بازار
^***5311/0	^***2648/0	^***0486/0	عامل اندازه (SMB)
0054/0	^**0202/0-	^***0270/0	عامل ارزش (HML)
4286/0	3492/0	2925/0	ضریب تعیین تعدیل‌شده
6801/0	8951/1	8744/7	ضریب سالانۀ احساسات سرمایه‌گذار

طبق نتایج منعکس در تابلو «الف» جدول (2) ضریب احساسات سرمایه‌گذار برای تواتر زمانی روزانه، هفتگی و ماهانه به ترتیب 0099/0، 0249/0 و 0548/0 و مؤید اثر مثبت و معنادار بر بازدۀ اضافی سهام است. ضریب تعیین تعدیل‌شده سه تواتر مذکور به ترتیب 1536/0، 2292/0 و 2485/0 حاکی از تقویت توان توضیحی بازدۀ سهام توسط احساسات در گذر از داده‌های روزانه به ماهانه است. رابطۀ بین احساسات و بازدۀ سهام به افق زمانی بستگی دارد. همسو با شواهد این پژوهش، آندلیب و حسن (Andleeb & Hassan, 2023b) نیز نشان می‌دهد که در بازار‌های درحال‌توسعۀ برزیل، روسیه، اندونزی و چین اثر احساسات در کوتاه‌مدت (روزانه) بر بازدۀ سهام مثبت و معنادار است؛ اما در بازار هند با افزایش احساسات سرمایه‌گذار در کوتاه‌مدت، بازدۀ سهام کاهش می‌یابد. بتای سالانۀ احساسات سرمایه‌گذار در تواتر روزانه 742/9 است که در مقایسه با بتای سالانۀ احساسات در تواتر هفتگی (2722/2) و ماهانه (9019/0) بزرگ‌ترین مقدار را دارد؛ بنابراین، اثر ساختار زمانی نزولی احساسات سرمایه‌گذار به‌وضوح مشاهده می‌شود؛ بنابراین، همان‌طورکه مک‌‌کلر و همکاران (Mcclure et al., 2004) بیان داشتند، احساسات و هیجانات اثر بیشتری در تصمیم‌گیری کوتاه مدت دارد و گرایشات احساسی کوتاه‌مدت سرمایه‌گذاران در بلندمدت از بین می‌رود.

در تابلو «ب» جدول (2) با احتساب بازدۀ اضافی بازار به‌عنوان ریسک سیستماتیک مؤثر بر بازدۀ اضافی سهام، ضریب احساسات سرمایه‌گذار در سه تواتر زمانی روزانه، هفتگی و ماهانه به ترتیب 0093/0، 0224/0، 0448/0 و ضریب تعیین تعدیل‌شده به ترتیب 2614/0، 3347/0 و 3628/0 است. همان‌طور که ملاحظه می‌شود، ضریب احساسات سرمایه‌گذار با لحاظ‌شدن بازدۀ اضافی بازار همچنان در هر سه بازۀ زمانی، مثبت و معنا‌دار است. مقایسۀ بتای سالانۀ احساسات سرمایه‌گذار نشان می‌دهد که با افزایش بازۀ زمانی از روزانه به هفتگی و سپس ماهانه، بتای سالانه کاهش می‌یابد (3086/8، 9088/1 و 7674/0)؛ بنابراین، اثر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام کماکان در طول زمان نزولی است. باتوجه‌به نحوۀ کاهش بتای احساسات سرمایه‌گذار، اثر ساختار زمانی احساسات بر بازده همانند ینگ و گئو (Yang & Gao, 2014) و کیم و ریو (Kim & Ryu, 2020) محدب است.

می‌توان ادعا کرد که اثر احساسات بر بازدۀ سهام ناشی از حذف سایر عوامل ریسک سیستماتیک است. در پاسخ به ادعای اخیر، اثر عوامل ریسک فاما و فرنچ (Fama & French, 1993) در تابلو «ج» جدول (2) ملحوظ شده است. ضریب احساسات سرمایه‌گذار برای تواتر روزانه، هفتگی و ماهانه به ترتیب 4867/0، 2648/0 و 5311/0 و ضریب تعیین تعدیل‌شده به ترتیب 2925/0، 3492/0 و 4286/0 است. همان‌گونه که ملاحظه می‌شود، اثر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام در هر سه بازۀ زمانی کماکان مثبت و معنا‌دار است. نتایج باتیا و بردنین (Bathia & Bradnin, 2018) نیز نشان می‌دهد که اضافه‌کردن احساسات به مدل فاما و فرنچ (Fama & French, 1993) می‌تواند تغییرات بازدۀ سهام را بهتر توضیح دهد. به‌علاوه ضریب سالانۀ احساسات سرمایه‌گذار برای تواتر روزانه، هفتگی و ماهانه به ترتیب برابر 87/7، 89/1 و 68/0 است؛ بنابراین، اثر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام پس از کنترل عوامل فاما و فرنچ (Fama & French, 1993) همچنان تابع نزولی از زمان است (همانند Yang & Zhou, 2015 2020; Kim & Ryu,)؛ به این معنا که سرمایه‌گذاران می‌توانند با افزایش بازۀ زمانی، اطلاعات ارزشمند بیشتری دربارۀ سهام به دست آورند؛ بنابراین، اثر عوامل غیرعقلایی در تصمیم‌گیری سرمایه‌گذاران به مرور زمان کاهش می‌یابد. نتایج جدول (2) در تأیید یافتۀ پژوهش مک‌کلر و همکاران (Mcclure et al., 2004) روی مغز انسان هنگام تصمیم‌گیری‌ مالی، نشان‌دهندۀ کوتاه‌مدت بودن ماهیت اثر احساسات است. یافته‌های ینگ و گئو (Yang & Zhou, 2015) نیز همانند این پژوهش نشان می‌دهد که احساسات سرمایه‌گذار در تواتر روزانه بیشترین اثر را بر بازدۀ سهام دارد و اثر احساسات با کاهش تواتر زمانی (هفتگی و ماهانه) کاهش می‌یابد. با این تفاوت که در پژوهش ینگ وگئو (Yang & Zhou, 2015) احساسات سرمایه‌گذار در تواتر ماهانه بر بازدۀ سهام اثرگذار نیست.

برای بررسی توان توضیحی تغییرات بازدۀ سهام توسط احساسات سرمایه‌گذار و عوامل فراگیر ریسک شامل «بازدۀ اضافی بازار»، «عوامل اندازه و ارزش» ضرایب تعیین تعدیل‌‌شده رگرسیون‌های برآوردی در سه تواتر روزانه‌، هفتگی و ماهانه به شرح جدول (3) مقایسه شده است.

جدول (3) مقایسۀ توان توضیحی احساسات و مدل سه‌عاملی

Table (3) The comparison between explinatory power of sentiment and three factor model

تواتر	مدل	α	β_rmrf	β_SMB	β_HML	β_S	ADJ-R²
«الف» روزانه	تک‌عاملی	^***0002/0	^***5889/0				0901/0
	دوعاملی	^***0014/0	^***7290/0			^***0093/0	2614/0
	سه‌عاملی	0000/0	^***7627/0	^***4435/0	^***3720/0		1251/0
	چندعاملی	^***0010/0	^***8994/0	^***4867/0	^***0270/0	^***0091/0	2931/0
«ب» هفتگی	تک‌عاملی	^***0006/0	^***6377/0				1239/0
	دوعاملی	^***0044/0	^***6420/0			^***0224/0	3347/0
	سه‌عاملی	0002/0	^***6856/0	^***2588/0	0035/0		1441/0
	چند عاملی	^***0037/0	^***6905/0	^***2648/0	^**0202/0-	^***0223/0	3492/0
«ج» ماهانه	تک‌عاملی	^***0024/0	^***6682/0				1756/0
	دوعاملی	^***0107/0	^***6140/0			^***0484/0	3628/0
	سهعاملی	^*0018/0-	^***8430/0	^***5677/0	^**0291/0		2586/0
	چندعاملی	^*0048/0	^***7949/0	^***5311/0	0054/0	^***0440/0	4286/0

طبق تابلو «الف» جدول (3) ضریب تعیین تعدیل‌شده مدل دوعاملی 26درصد است؛ بدین مفهوم که 26درصد تغییرات بازدۀ اضافی سهام توسط تغییرات بازدۀ اضافی بازار و احساسات سرمایه‌گذار توضیح داده ‌می‌شود. ضریب تعیین 12درصدی مدل سه‌عاملی دال بر توضیح 12درصد تغییرات بازدۀ اضافی سهام توسط بازدۀ اضافی بازار، عوامل ارزش و اندازه است. توان توضیحی مدل دوعاملی 14درصد بیش از مدل سه‌عاملی است. همان‌گونه که در تابلو «ب» جدول (3) ملاحظه می‌‌شود، ضریب تعیین 33درصدی مدل دوعاملی، حدود 20درصد بیش از ضریب تعیین مدل سه‌عاملی (14درصد) است. باتوجه‌به نتایج تابلو «ج» ضریب تعیین تعدیل‌شدۀ مدل دوعاملی 10درصد بیشتر از ضریب تعیین تعدیل‌شده مدل سه‌عاملی است؛ به این ترتیب می‌توان استدلال کرد که اثر احساسات سرمایه‌گذار در توضیح تغییرات بازدۀ اضافی سهام قوی‌تر از عوامل اندازه و ارزش است و بنابراین نقش مهم‌تری در قیمت‌گذاری دارایی‌ها ایفا می‌کند. نتایج این بررسی همسو با یافتۀ لی (Li, 2020) نشان‌ از اهمیت زیاد احساسات سرمایه‌گذار در قیمت‌گذاری سهام است.

اثر ساختار زمانی احساسات سرمایه‌گذار (فیلتر کالمن) بر بازدۀ اضافی سهام

در این بخش تأثیر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام در سه بازۀ زمانی روزانه، هفتگی و ماهانه در چارچوب رگرسیون دادۀ ترکیبی آزمون شده است. با این تفاوت که سنجۀ احساسات سرمایه‌گذار مبتنی بر فیلترکالمن است.

جدول (4) اثر احساسات سرمایه‌گذار (فیلتر کالمن) بر بازدۀ اضافی سهام

Table (4) The effect of investor sentiment (Kalman filter) on excess returns

ماهانه	هفتگی	روزانه	تواتر متغیر
«الف»
^***0155/0	^***0033/0	^***0007/0	عرض از مبدأ
^***0236/0	^***0092/0	^***0023/0	احساسات سرمایه‌گذار
2119/0	1483/0	0531/0	ضریب تعیین تعدیل‌شده
3245/0	5549/0	0/7396	ضریب سالانۀ احساسات سرمایه‌گذار
«ب»
^***0033/0	^***0007/0	^***0002/0	عرض از مبدأ
^***0218/0	^***0087/0	^***0023/0	احساسات سرمایه‌گذار
^***6084/0	^***5929/0	^***5878/0	بازدۀ اضافی بازار
3565/0	2550/0	1429/0	ضریب تعیین تعدیل‌شده
2967/0	5182/0	7396/0	ضریب سالانۀ احساسات سرمایه‌گذار
«ج»
0010/0-	^*0003/0	0000/0	عرض از مبدأ
^***0205/0	^***0085/0	^***0023/0	احساسات سرمایه‌گذار
^***7630/0	^***6395/0	^***7609/0	بازدۀ اضافی بازار
^***4806/0	^***2389/0	^***4387/0	عامل اندازه (SMB)
0051/0	0084/0-	^***0315/0	عامل ارزش (HML)
4152/0	2709/0	1770/0	ضریب تعیین تعدیل‌شده
2770/0	5037/0	7396/0	ضریب سالانۀ احساسات سرمایه‌گذار

طبق تابلو «الف» جدول (4)، ضریب احساسات سرمایه‌گذار در تواتر روزانه، هفتگی و ماهانه به ترتیب 0023/0، 0092/0 و 0236/0 مثبت و معنا‌دار و حاکی از تأثیر احساسات سرمایه‌گذار (فیلتر کالمن) بر بازدۀ سهام است. بتای سالانۀ احساسات سرمایه‌گذار برای بازه‌های زمانی روزانه، هفتگی و ماهانه به ترتیب 7396/0، 5549/0 و 3245/0 است؛ بدین مفهوم که تأثیر احساسات بر قیمت‌گذاری سهام در گذر زمان از روزانه به ماهانه کاهش یافته است. در تابلو «ب» جدول (4) با اضافه‌کردن بازدۀ اضافی بازار به مدل، ضریب احساسات سرمایه‌گذار (فیلتر کالمن) در تواتر روزانه، هفتگی و ماهانه به ترتیب 0023/0، 0087/0 و 0218/0 همچنان مثبت و معنادار است و نشان می‌دهد که بازدۀ اضافی بازار قادر به توضیح محتوای اطلاعاتی مستتر در احساسات نیست. ضریب سالانۀ احساسات سرمایه‌گذار (فیلتر کالمن) در تواتر روزانه، هفتگی و ماهانه به ترتیب 7396/0، 5172/0 و 2967/0 حاکی از قوت یافتۀ پژوهش مبنی بر ساختار نزولی احساسات سرمایه‌گذار است. در تابلو «ج» جدول (4) پس از افزودن عوامل فاما و فرنچ (Fama & French, 1993)، ضریب احساسات سرمایه‌گذار در بازۀ زمانی روزانه 0023/0، هفتگی 0085/0 و ماهانه 0205/0 کماکان مثبت و معنا‌دار است. احساسات سرمایه‌گذار (فیلتر کالمن) با اضافه‌کردن بازدۀ اضافی بازار، ارزش و اندازه همچنان بر بازدۀ اضافی سهام اثرگذار است. ضریب سالانۀ احساسات سرمایه‌گذار در تواتر روزانه، هفتگی و ماهانه به ترتیب 7396/0، 5037/0 و 2770/0 است. همان‌گونه که ملاحظه می‌شود، طبق نتایج هر سه تابلو «الف»، «ب» و «ج» جدول (4) ضریب احساسات سرمایه‌گذار با افزایش بازۀ زمانی از روزانه به هفتگی و ماهانه کاهش می‌یابد؛ بنابراین، اثر ساختار زمانی احساسات سرمایه‌گذار (فیلتر کالمن) همواره نزولی است. این یافته نشان می‌دهد که برخلاف نتایج سیمونز و ویگینز (Simons & Wiggins, 2001) مبنی بر معنادارنبودن اثر احساسات سرمایه‌گذار بر بازدۀ سهام در بازۀ زمانی سی‌روزه، احساسات سرمایه‌گذار در کوتاه‌مدت بر بازدۀ سهام مؤثر است. ساختار زمانی احساسات سرمایه‌گذار در بورس اوراق بهادار تهران در تأیید یافته‌های ینگ و گئو (Yang & Gao, 2014) و کیم و ریو (Kim & Ryu, 2020) می‌تواند توضیح‌دهندۀ نحوۀ تصمیم‌گیری سرمایه‌گذاران در بازه‌های زمانی متفاوت باشد. نتایج حاصله مؤید یافتۀ مک‌کلر (Mcclure et al., 2004) مبنی بر تأثیر احساسات سرمایه‌گذار بر تصمیم‌گیری سرمایه‌‌گذار در کوتاه‌مدت است.

نتایج حاصل از بررسی اثر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام با استفاده از هر دو روش «تحلیل مؤلفه‌های اصلی» و «فیلترکالمن» نشان‌ می‌دهد که اثر احساسات سرمایه‌گذار بر بازدۀ اضافی سهام در هر سه تواتر زمانی، مثبت و معنادار است؛ اما با طولانی‌‌شدن بازۀ زمانی ضعیف‌تر می‌شود. نمودار (1) نشان‌دهندۀ وجود ساختار زمانی نزولی احساسات سرمایه‌گذار در سه تواتر روزانه، هفتگی و ماهانه است. محور افقی این نمودار، تواتر (روزانه، هفتگی و ماهانه) و محور عمودی ضریب سالانه احساسات سرمایه‌گذار است.

نمودار (1) اثر ساختار زمانی احساسات سرمایه‌گذار بر بازدۀ اضافی سهام

Figure (1) The term structure effect of investor sentiment on excess return

همان‌طورکه ملاحظه می‌شود، اثر احساسات، تابع همواره نزولی از زمان بوده و با افزایش بازۀ زمانی، اثر احساسات سرمایه‌گذار بر بازدۀ سهام با استفاده از هر دو روش PCA و فیلتر کالمن کاهش می‌یابد؛ اما اثر احساسات بر بازدۀ سهام با استفاده از روش فیلتر کالمن هموارتر از PCA است. این یافته‌ها همسو با یافته ینگ و گئو (Yang & Zhou, 2015) و لی (Li, 2020) نشانگر ماهیت کوتاه‌مدت اثر احساسات است. نتایج پژوهش کیم و ریو (Kim & Ryu, 2020) نیز در تأیید یافته‌های این پژوهش نشان می‌دهد که اثر رفتار معاملاتی سرمایه‌گذاران بر بازدۀ سهام با طولانی‌شدن بازۀ زمانی کاهش می‌یابد.

نتایج بسیاری از پژوهش‌ها نشان می‌دهد که عامل اندازه مستقیماً بر میزان اثرگذاری احساسات بر قیمت سهام مؤثر است. اندازه با عواملی نظیر نقدشوندگی، شفافیت اطلاعاتی و میزان توجه سرمایه‌گذاران به یک سهم مرتبط است و این ویژگی‌ها تعیین‌کنندۀ میزان تأثیر احساسات بر بازدۀ سهام است. به بیان دقیق‌تر، شرکت‌های کوچک‌تر به دلیل عدم تقارن اطلاعاتی و نقدشوندگی کمتر، بیشتر در معرض نوسانات ناشی از احساسات قرار می‌گیرند (Chen & Zhang, 2023; Zhang et al., 2021; Li & Zhou, 2019). سالور و ایکینجی (Salur & Ekinci, 2023) و لی (Li, 2020) نشان می‌دهند که با کنترل عامل اندازه، اثر احساسات بر بازدۀ سهام تغییر می‌کند؛ ازاین‌رو بررسی رابطۀ احساسات سرمایه‌گذار و بازده به تفکیک اندازه، این امکان را فراهم می‌سازد که میزان پایداری نتایج در میان شرکت‌ها با ویژگی ساختاری متفاوت سنجیده شود. نتایج حاصل در جدول (5) ارائه شده است:

جدول (5) اثر احساسات سرمایه‌گذار (PCA) بر بازدۀ سهام شرکت‌های بزرگ/ کوچک

Table (5) The effect of investor sentiment (PCA) on stock returns of small and big firms

شرکت‌های کوچک			شرکت‌های بزرگ			متغیر	مدل
ماهانه	هفتگی	روزانه	ماهانه	هفتگی	روزانه PCA	متغیر	مدل

^***0548/0	^***0245/0	^***0093/0	^***0548/0	^***0259/0	^***0118/0	احساسات سرمایه‌گذار	تک‌عاملی
2473/0	2515/0	1662/0	2485/0	1945/0	1365/0	ضریب تعیین تعدیل‌شده
9019/0	2112/2	3086/8	9019/0	4297/2	8972/15	ضریب سالانۀ احساسات سرمایه‌گذار
^***0439/0	^***0229/0	^***0086/0	^***0406/0	^***0208/0	^***0104/0	احساسات سرمایه‌گذار	چهارعاملی
4425/0	3495/0	2941/0	4329/0	3661/0	3138/0	ضریب تعیین تعدیل‌شده
6781/0	9782/1	8753/6	6153/0	693/1	1030/11	ضریب سالانۀ احساسات سرمایه‌گذار
کالمن فیلتر
^***0246/0	^***0093/0	^***0024/0	^***0230/0	^***0090/0	^***0023/0	احساسات سرمایه‌گذار	تک‌عاملی
2160/0	1517/0	0542/0	2064/0	1436/0	0514/0	ضریب تعیین تعدیل‌شده
1868/0	2982/0	4021/0	1738/0	2874/0	3825/0	ضریب سالانۀ احساسات سرمایه‌گذار
^***0208/0	^***0087/0	^***0023/0	^***0200/0	^***0082/0	^***0023/0	احساسات سرمایه‌گذار	چهارعاملی
4116/0	2735/0	1792/0	4210/0	2661/0	1738/0	ضریب تعیین تعدیل‌شده
1561/0	2767/0	3825/0	1498/0	2589/0	3825/0	ضریب سالانۀ احساسات سرمایه‌گذار

اثر احساسات بر بازدۀ سهام شرکت‌‌های کوچک و بزرگ کماکان برقرار است؛ اگرچه درصورت استفاده از PCA برای اندازه‌‌گیری احساسات، شدت رابطۀ احساسات و بازدۀ روزانۀ سهام در شرکت‌‌های بزرگ‌‌تر تقویت می‌شود (درحالی‌که به ازای استفاده از شاخص مبتنی بر فیلتر کالمن، شدت رابطۀ مذکور با تفاوت ناچیزی در شرکت‌های کوچک‌‌تر، بیشتر است). ساختار زمانی نزولی احساسات در شرکت‌های کوچک و بزرگ تأیید می‌شود، با این تفاوت که به ازای شاخص فیلتر کالمن رابطۀ اخیر هموارتر است. این یافته اهمیت سنجۀ اندازه‌گیری احساسات سرمایه‌گذار را دوچندان می‌سازد.

نتایج و پیشنهادها

نتایج حاکی از تأثیر مستقیم احساسات سرمایه‌گذار در سه بازۀ زمانی روزانه، هفتگی و ماهانه بر بازدۀ اضافی سهام است. این یافته همسو با نتایج بسیاری از مطالعات اخیر مانند آندلیب و حسن (Andleeb & Hassan, 2023b)، سئوک و همکاران (Seok et al., 2019)، ریو و همکاران (Ryu et al., 2019) و دائی (Dai, 2025) دال بر اثرگذاری احساسات بر بازدۀ کوتاه‌مدت سهام است. تأثیر احساسات سرمایه‌گذار بر بازدۀ سهام همراه با افزایش تواتر زمانی از روزانه به هفتگی و ماهانه، کاهش می‌یابد و ساختار زمانی احساسات سرمایه‌گذار تابع همواره نزولی از زمان است؛ بدین‌مفهوم که عوامل غیرعقلایی حائز اثر بیشتری بر تصمیم‌گیری کوتاه‌مدت هستند و احساسات در تصمیمات بلندمدت نقش کمتری دارد. این نتایج در تأیید یافتۀ ینگ و گئو (Yang & Gao, 2014) نشان می‌دهد که نقش احساسات در توضیح تصمیمات کوتاه‌مدت سرمایه‌گذاران برجسته‌‌‌تر است؛ بنابراین، ساختار زمانی احساسات سرمایه‌گذار (رابطۀ احساسات و بازدۀ سهام) در بورس اوراق بهادار تهران نزولی بوده و بدین‌ترتیب یافتۀ لی (Li, 2020) تأیید شده است. می‌توان استدلال کرد که رابطۀ احساسات و بازدۀ سهام متأثر از تواتر زمانی است و خوش‌بینی/ بدبینی کوتاه‌مدت سرمایه‌گذاران با گذشت زمان از بین می‌رود؛ بر این اساس، احساسات متضمن نقش مهمی در قیمت‌گذاری نادرست دارایی است و بالارفتن آن، افزایش بازدۀ کوتاه‌مدت را به دنبال دارد؛ اما این قیمت‌گذاری نادرست در بلندمدت ماندگار نیست. کاهش اثر احساسات سرمایه‌‌گذار بر بازدۀ سهام با طولانی‌تر شدن تواتر زمانی از روزانه به ماهانه بیانگر آن است که اثر معاملات سرمایه‌گذاران احساسی در طول زمان از بین می‌رود و انحراف قیمت دارایی‌ها از قیمت‌ ذاتی در طی زمان رفع می‌شود.

نتایج به‌دست‌آمده با استفاده از هر دو شاخص احساسات سرمایه‌گذار (PCA و فیلتر کالمن) در سه بازۀ زمانی نشانگر ساختار زمانی همواره نزولی اثر احساسات سرمایه‌گذار است و در تأیید نتایج چن (Chen, 2024) نشان می‌دهد که اثر احساسات بر بازدۀ سهام به تواتر زمانی بستگی دارد. بررسی رابطۀ احساسات و بازدۀ سهام با استفاده از دو شاخص احساسات سرمایه‌گذار (PCA و فیلترکالمن) همانند براون و کلیف (Brown & Cliff, 2004) به نتایج یکسانی منتج شد. توان توضیحی احساسات سرمایه‌گذار در تبیین تغییرات بازدۀ سهام پس از کنترل اثر بازدۀ بازار، اندازه و ارزش کماکان مثبت و معنادار است؛ بنابراین، محتوای اطلاعاتی احساسات فراتر از آن است که در عوامل ریسک فراگیر منظور شود.

باتوجه‌به نتایج حاصل‌شده مبنی بر کاهش اثر احساسات بر بازدۀ سهام در طول زمان و با منظورکردن واقعیت کنترل‌گرهای خودکار نظیر محدودیت نوسان قیمت و حجم مبنا، اهمیت اجتناب از تصمیمات کوتاه‌مدت و فعالیت‌های سفته‌بازی برای سرمایه‌گذاران نامطلع دوچندان می‌شود. شایان ذکر است که علاوه‌بر محدودیت‌‌های پیش‌گفته، مهم‌ترین محدودیت پیش ‌روی این پژوهش، دسترسی‌نداشتن به داده‌‌های سفارشات خرید و فروش سهام شرکت‌های نمونه بود که باوجود مکاتبات متعدد با سازمان بورس و اوراق بهادار و شرکت بورس، داده‌های مربوط برای سال‌های 1400 تا 1403 ارائه نشد؛ بر این اساس، پیشنهاد می‌شود تا در پژوهش‌های آتی اثر کنترل‌گرهای خودکار بر ساختار زمانی احساسات بررسی شود.

[1] . به همین دلیل، پیش از دهۀ 1990 پژوهش‌های محدودی دربارۀ اثر احساسات سرمایه‌گذار بر بازدۀ سهام انجام می‌شد.

[2]^.. داده‌های این پژوهش شامل قیمت پایانی هر سهم، تعداد معاملات سهام هر شرکت، بازدۀ بازار، اندازۀ شرکت‌ و ارزش دفتری سهام از شرکت مدیریت فناوری بورس تهران و قیمت پیشنهادی خرید و فروش از سال 1390 تا سال 1394 از کتابخانۀ سازمان بورس اوراق بهادار تهران و از سال 1394 تا 1399 از شرکت مدیریت فناوری بورس تهران تهیه شده است.

داده‌‌هایی که به‌منظور محاسبۀ احساسات سرمایه‌گذار جمع‌آوری شده‌‌ است، به دلیل وجود دادۀ دورافتاده در سطح 1 و 99درصد به کف و سقف نزدیک شده‌اند.

[3]. از سال 1390 تا 1397 از نرخ سود اوراق مشارکت بانک مرکزی استفاده شده و در سال 1398 و 1399 به دلیل وجودنداشتن این نرخ، از نرخ مشابه سال 1397 استفاده شده است.

[4]. Inverse problem

[5].Buy-sell Imbalance

[6].Tick rule

². Psychological Line Index

[8] . Augmented Dickey-Fuller

Aghababaei, M. E., & Madani, S. (2021). Investor sentiment and stock return synchronicity in Tehran Stock Exchange. Journal of Financial Management Perspective, 11(34), 95–115.

https://doi.org/10.52547/jfmp.11.34.95 ]In Persian].

Andleeb, R., & Hssan, A. (2023a). Predictive effect of investor sentiment on current and future returns in emerging equity markets. Plos One Journal, 18(50), 1-15. https://doi.org/10.1371/journal.pone.0281523

Andleeb, R., & Hassan, A. (2023b). Impact of investor sentiment on contemporaneous and future equity returns in emerging markets. Financial Innovation, 9(1),1-11. http://dx.doi.org/10.1177/21582440231193568

Antoniou, C., Dukas, J. A., & Subrahmanyam, A. (2013). Cognitive dissonance, sentiment, and momentum. Journal of Finance and Quantative Analysis, 48(1), 245-275.

Bagheri, M. M., & Seddighi, R. (2023). The relationship between credit rating and stock returns with an emphasis on the role of investors’ emotions. Journal of Asset Management and Financing, 11(3), 1-22.

https://doi.org/10.22108/amf.2023.136083.1771 ]In Persian]

Baker, M., & Stein, J. (2004). Market liquidity as a sentiment indicator. Journal of Financial Markets, 7(3), 271–299. https://doi.org/10.1016/j.finmar.2003.11.005

Baker, M., & Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. The Journal of Finance, 61(4), 1645–1680. https://doi.org/10.1111/j.1540-6261.2006.00885.x

Baker, M., & Wurgler, J. (2007). Investor sentiment in the stock market. Journal of Economic Perspective, 21(2), 129–151. http://dx.doi.org/10.2139/ssrn.962706

Banchit, A., Abidin, S., Lim, S., & Morni, F. (2020). Investor sentiment, portfolio returns, and macroeconomic variables. Journal of Risk and Financial Management, 13(11), 1-14. https://doi.org/10.3390/jrfm13110259

Barber, B., Odean, T., & Zhu, N. (2009). Do retail trades move markets? .The Review of Financial Studies, 22(1), 151-186. https://doi.org/10.1093/rfs/hhn035

Beer, F. & Zouaoui, M. (2013). Measuring stock market investor sentiment. The Journal of Applied Business Research, 29(1), 51-68. https://B2n.ir/pr7872

Berger, D., & Turtle, H. J. (2012). Cross-sectional performance and investor sentiment in a multiple risk factor model. Journal of Banking and Finance, 36(4), 1107-1121. http://dx.doi.org/10.1016/j.jbankfin.2011.11.001

Brown, G., & Cliff, M. (2004). Investor sentiment and the near-term stock market. Journal of Empirical Finance, 11(1), 1–27. http://dx.doi.org/10.1016/j.jempfin.2002.12.001

Brown, G., & Cliff, M. (2005). Investor sentiment and asset valuation. Journal of Business, 78(2), 405–440.

https://doi.org/10.1086/427633

Bhatia, D., & Bredin, D. (2018). Investor sentiment: Does it augment the performance of asset pricing models? International Review of Financial Analysis, 59, 290–303. https://doi.org/10.1016/j.irfa.2018.03.014

Cagli, E. C., Ergün, Z. C., & Durukan, M. B. (2020). The causal linkages between investor sentiment and excess returns on Borsa Istanbul. Borsa Istanbul Review, 20(3), 214–223.

http://dx.doi.org/10.1016/j.bir.2020.02.001

Chen, Y., Chou, R., & Lin, C. (2019). Investor sentiment, seo market timing, and stock price performance. Journal of Empirical Finance, 2019, 51, 28–43. http://dx.doi.org/10.1016/j.jempfin.2019.01.008

Chen, S., & Haga, K. (2021). Using E-GARCH to analyze the impact of investor sentiment on stock returns near stock market crashes. Frontiers in Psychology, 12, 664849. https://doi.org/10.3389/fpsyg.2021.664849

Chen, X. (2024). The impact of investor sentiment on stock returns. 3rd International Conference on Business Management, Marketing and Foreign Trade. https://doi.org/10.62051/s554wz06

Chen, H., & Zhang, Y. (2023). Research on the effect of firm-specific investor sentiment on the idiosyncratic volatility anomaly: Evidence from the Chinese market. Pacific-Basin Finance Journal, 81, 102114.

https://doi.org/10.1016/j.pacfin.2023.102114

Chiah, M., Hu, X., & Zhong, A. (2022). Photo sentiment and stock returns around the world, Finance Research Letters, 46(PB), 102417.

Dai, J. (2025). The relationship between investor sentiment and stock returns under big data. Advances in Economic Management andPpolitical Sciences, 166(1), 82-89.

http://dx.doi.org/10.54254/2754-1169/2025.20925

Davallou, M., & Azizi, N. (2017). The investigation of information risk pricing; Evidence from adjusted probability of informed trading measure. Financial Research Journal, 19(3), 415-438.

https://doi.org/10.22059/jfr.2018.251305.1006600 ]In Persian]

Delong, J., Shleifer, A., Summers, L., & Waldmann, R. (1990). Noise trader risk in financial markets. Journal of Political Economy, 98(4), 703–738. https://doi.org/10.1086/261703

Fakhri, M. (2012). The calculation of asset price index and analysis of its effects on inflammation. Trend of Economic Research, 60(19), 29-61. http://dx.doi.org/10.54443/jaruda.v1i4.54 ]In Persian]

Fama, E. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. https://doi.org/10.2307/2325486

Fama, E., & French, K. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33, 3–56. http://dx.doi.org/10.2469/faj.v56.n2.2340

Fisher, L., & Statman, M. (2003). Investor sentiment and stock returns. Financial Analysts Journal, 56(2), 16-23.

http://dx.doi.org/10.2469/faj.v56.n2.2340

Frazzini, A., & Lamont, O. (2008). Dumb money: Mutual fund flows and the cross-section of stock returns. Journal of Financial Economics, 88, 299–322. http://dx.doi.org/10.1016/j.jfineco.2007.07.001

Ganji, H. R., Mashayekh, S., & Seddighi, Z. (2023). Examinig the impact of investors on their expectations of future earnings. Emperical Studies in Financial Accounting, 78(20), 155-190.

https://doi.org/10.22054/qjma.2023.73514.2452 ]In Persia]

Gao, X., Yu, J., & Yuan, Y. (2010). Investor sentiment and idiosyncratic risk puzzle (SSRN Working Paper No. 1571717). Social Science Research Network. https://doi.org/10.2139/ssrn.1571718

Hu, J., Sui, Y., & Ma, F. (2021). The measurement method of investor sentiment and its relationship with stock market. Computational Intelligence and Neuroscience, (1), 6672677. https://doi.org/10.1155/2021/6672677

Huang, D., Jiang, F., Tu, J., & Zhou, G. (2015). Investor sentiment aligned: A powerful predictor of stock returns. The Review of Financial Studies, 28(3), 792-837. https://dx.doi.org/10.2139/ssrn.2311618

Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45. https://doi.org/10.1115/1.3662552

Kamaht, A., Shenoy, S., Abhilash, A., & Kumar N, S. (2024). Does investor sentiment affect the Indian stock market? Evidence From nifty 500 and other selected sectoral indices. Cogent Economics and Finance, 12(1), 1-12. https://doi.org/10.1080/23322039.2024.2303896

Kim, T., & Ha, N. (2010). Investor sentiment and market anomalies. 23rd Australasian Finance and Banking Conference 2010 Paper. https://dx.doi.org/10.2139/ssrn.1663649

Kim, Y., & Lee, K. (2022). Impact of investor sentiment on stock retuns. Journal of Financial Studies, 51(1), 132-162. https://doi.org/10.1111/ajfs.12362

Kim, K., & Ryu, D. (2020). Predictive ability of investor sentiment for the stock market. Journal for Economic Forecasting, (4), 33-46.

Kumar, A., & Lee, C. (2006). Retail investor sentiment and return comovements. The Journal of Finance, 61(5), 2451–2486. https://doi.org/10.1111/j.1540-6261.2006.01063.x

Kumar, A., Page, J. K., & Spalt, O. G. (2013). Investor sentiment and return comovements: Evidence from stock splits and headquarters changes. Review of Finance, 17(3), 921–953.

Kurov, A. (2008). Investor sentiment, trading behavior and informational efficiency in index futures markets. The Financial Review, 43(1), 107–127. https://doi.org/10.1111/j.1540-6288.2007.00188.x

Lee, C. & Ready, M. (1991). Inferring trade direction from intraday data. The Journal of Finance, 46(2), 733-741.

Lee, C., Shleifer, A., & Thaler, R. (1991). Investor sentiment and the closed-end fund puzzle. The Journal of Finance, 46(1), 75–109. https://doi.org/10.1111/j.1540-6261.1991.tb03746.x

Li, G. (2020). Investor sentiment and size effect. Open Journal of Social Sciences, 8(7), 252–266. https://doi.org/10.4236/jss.2020.87021

Li, J. (2020). The term structure effects of individual stock investor sentiment on excess returns. International Journal of Finance and Economics, 26(2), 1695-1705. https://doi.org/10.1002/ijfe.1872

Li, J., & Yang, C. (2017). The cross-section and time-series effects of individual stock sentiment on stock prices. Applied Economics, 49(47), 4806-4815.

Li, Y., & Zhou, Z. (2019). Does the time horizon of the return predictive effect of investor sentiment vary with stock characteristics? A Granger causality analysis in the frequency domain. Economic Modelling, 80, 284-273.

Mehrani, K., & Madanchizaj, M. (2018). The test of the effect of investor trading behavior and investors sentiment on excess return in Tehran stock exchange. Journal of Financial Management Straregy, 6(2), 140-167. https://doi.org/10.22051/jfm.2018.16581.1445 ]In Persian]

McClure, S., Laibson, D., Loewenstein, G., & Cohen, J. (2004). Separate neural systems value immediate and delayed monetary rewards. Science, 306(5695), 503–507. https://doi.org/10.1126/science.1100907

McGurk, Z., Nowak, A., & Hall, J.C. (2022). Stock returns and investor sentiment: Textual analysis and social media. Journal of Economic Finance, 44, 458–485. http://dx.doi.org/10.1007/s12197-019-09494-4

Nasiri, S. Z., & Kamyabi, Y. (2019). Investigating the impact of investor’s sentiment and trading behavior on excess return: Revised Fama and French five factor model. Journal of Asset Management & Financing, 7(4), 97-116. https://doi.org/10.22108/amf.2019.116716.1418 ]In Persian]

Neal, R., & Wheatley, S. M. (1998). Do measures of investor sentiment predict returns? Journal of Financial and Quantitative Analysis, 33(4), 523-547. http://dx.doi.org/10.2307/2331130

Phuong, L. (2021). Investor sentiment by psychological line index and stock return. Financial Economics, 6(7), 1259-1264. http://dx.doi.org/10.5267/j.ac.2020.8.026

Rishad, H., & Haritha, P. H. (2020). An empirical examination of investor sentiment and stock market volatility: evidence from India. Financial Innovation, 34(6), 1-15. http://dx.doi.org/10.1186/s40854-020-00198-x

Riso, L., & Vacca, G. (2024). Sentiment dynamics and volatility: A study based on GARCH‑MIDAS and machine learning. Finance Research Letters, 62(B),  105178. http://dx.doi.org/10.1016/j.frl.2024.105178

Ryu, D., Kim, H., & Yang, H. (2016). Investor sentiment, trading behavior and stock returns. Applied Economics Letters, 24(12), 826-830. https://doi.org/10.1080/13504851.2016.1231890

Ryu, D., Ryu, D., & Yang, H. (2019). Investor sentiment, market competition, and financial crisis: Evidence from the Korean stock market. Emerging Markets Finance and Trade, 56(8), 1804-1816.

https://doi.org/10.1080/1540496X.2019.1675152

Safa, M., & Maroney, N. (2012). Bid-ask spread, futures market sentiment and exchange rate returns. Journal of Economic Cooperation & Development, 33(4), 63–85.

Salur, B. V., & Ekinci, C. (2023). Anomalies and investor sentiment: International evidence and the impact of size factor. International Journal of Financial Studies, 11(1), 49. https://doi.org/10.3390/ijfs11010049

Schmeling, M. (2009). Investor sentiment and stock returns: Some international evidence. Journal of Empirical Finance, 16(3), 394–408. https://doi.org/10.1016/j.jempfin.2009.01.002

Seok, S. I., Cho, H., & Ryu, D. (2019). Firm-specific investor sentiment and daily stock returns. North American Journal of Economic and Finance, 50, 100857. http://dx.doi.org/10.1016/j.najef.2018.10.005

Seok, S., Cho, H., & Ryu, D. (2024). Dual effects of investor sentiment and uncertainty in financial markets. Quarterly Review of Economics and Finance, 95, 300–315. https://doi.org/10.1016/j.qref.2024.04.006

Shen, J., Yu, J., & Zhao, S. (2016). Investor sentiment and economic forces. Review of Financial Studies, 29(6), 1506–1533. https://dx.doi.org/10.2139/ssrn.1991244

Shleifer, A., & Summers, L. H. (1990). The noise trader approach to finance. Journal of Economic Perspectives, 4(2), 19–33.

Shi, Y., Tang, Y., & Long, W. (2019). Sentiment contagion analysis of interacting invetors: Evidence from chinas stock forum. Statistical Mechanics and Its Applications, 523, 246-259.

https://doi.org/10.1016/j.physa.2019.02.025

Simons, D. P., & Wiggins, R. A. (2001). S&P futures returns and contrary sentiment indicators. Journal of Futures Markets, 21(5), 447–462. https://doi.org/10.1002/fut.4

Singer, N., Laser, S., & Dreher, F. (2013). Published stock recommendations as investor sentiment in the near-term stock market. Empirical Economics, 45(3), 1233–1249. https://doi.org/10.1007/s00181-012-0649-2

Sun, N., Najand, M., & Shen, J. (2016). Stock return predictability and investor sentiment: A high-frequency perspective. Journal of Banking and Finance, 73, 147-164. https://doi.org/10.1016/j.jbankfin.2016.09.010

Ung, S., Gebka, B., & Anderson, R. (2024). An enhanced investor sentiment index. The European Journal of Finance, 30(8), 827-864. https://doi.org/10.1080/1351847X.2023.2247440

Wang, W., Su, C., & Duxbury, D. (2021). Investor sentiment and stock returns: Global evidence. Journal of Empirical Finance, 63, 365–391. https://doi.org/10.1016/j.jempfin.2021.07.010

Wooldridge, J. M. (2016). Introductory Econometrics: A Modern Approach (6th ed.). Cengage Learning.

Yacoubian, L. (2025). The predictive power of social media sentiment on stock market returns. Internatinal Journal for Multidisciplinary Research, 7(3), 1-13. https://doi.org/10.36948/ijfmr.2025.v07i03.46689

Yang, C., & Gao, B. (2014). The term structure of sentiment effect in stock index futures market. North American Journal of Economics and Finance, 30, 171–182. http://dx.doi.org/10.1016/j.najef.2014.09.001

Yang, C., & Zhang, R. (2014). Dynamic sentiment asset pricing model. Economic Modeling, 37, 362-367.

https://doi.org/10.1016/j.econmod.2013.11.041

Yang, C., & Zhou, L. (2015). Investor trading behavior, investor sentiment and asset prices. The North American Journal of Economics and Finance, 34, 42-62. https://doi.org/10.1016/j.najef.2015.08.003

Yang, C., & Zhou, L. (2016). Individual stock crowded trades, individual stock investor sentiment and excess returns. North American Journal of Economics and Finance, 38, 39–53.

https://doi.org/10.1016/j.najef.2016.06.001

Yu, J., & Yuan, Y. (2011). Investor sentiment and the meanvariance relation. Journal of Financial Economics, 100(2), 367–381. https://doi.org/10.1016/j.jfineco.2010.10.011

Zhang, Y., Liu, S., & Zhang, C. (2021). Investor sentiment, idiosyncratic risk, and stock price premiu: Evidence from Chinese cross-listed companies. SAGE Open, 11(2), 1–16.

https://doi.org/10.1177/21582440211024621

Zhang, C., Wu, X., Deng, H., & Zhang, H. (2022). A time‑varying study of Chinese investor sentiment, stock market liquidity and volatility: Based on deep learning BERT model and TVP‑VAR model. Applied Intelligence, 53, 11335–11352. https://doi.org/10.48550/arXiv.2205.05719

Zhou, L., & Huang, J. (2019). Investor trading behaviour and stock price crash risk. International Journal of Finance & Economics, 24(1), 227–240. https://doi.org/10.1002/ijfe.1659

References

آقابابایی، محمدابراهیم، و مدنی، سعید (1400). احساسات سرمایه‌گذار و هم‌زمانی بازدۀ سهام در بورس اوراق بهادار تهران. فصلنامه دیدگاه‌های مدیریت مالی، 11(34)، 95-115. https://doi.org/10.52547/jfmp.11.34.95

باقری، محمدمهدی، و صدیقی، رحمت‌الله (1402). رابطه رتبه اعتباری و بازده سهام با تأکید بر نقش هیجانات سرمایه‌گذاران. فصلنامه مدیریت دارایی و تأمین مالی، 11(3)، 1-22. https://doi.org/10.22108/amf.2023.136083.1771

دولو، مریم، و عزیزی، نازنین (1396). واکاوی منشأ قیمت‌گذاری ریسک اطلاعات؛ شواهدی از معیار احتمال معاملات آگاهانۀ تعدیل شده. تحقیقات مالی، 19(3)، 415-438.

https://doi.org/10.22059/jfr.2018.251305.1006600

گنجی، حمیدرضا، مشایخ، شهناز، و صدیقی، ذکیه (1402). بررسی تأثیر احساسات سرمایه‌گذاران بر انتظارات آنان از سودهای آتی. مطالعات تجربی حسابداری مالی، 20(78)، 155-190.

https://doi.org/10.22054/qjma.2023.73514.2452

فخری، محدث (1390). محاسبه شاخص قیمت دارایی‌ها و بررسی اثر آن بر تورم. روند پژوهش‌های اقتصادی، 19(60)، 61-29. http://dx.doi.org/10.54443/jaruda.v1i4.54

مهرانی، کیارش، و معدنچی زاج، مهدی (1397). آزمون اثر احساسات و الگوی رفتاری معامالت سرمایه‌گذاران بر بازده مازاد سهام در بورس اوراق بهادار. راهبرد مدیریت مالی، 6(2)، 140-167.

https://doi.org/10.22051/jfm.2018.16581.1445

نصیری، سیده‌زهرا، و کامیابی، یحیی (1398). بررسی تأثیر تمایلات و رفتار معاملاتی سرمایه‌گذاران فردی بر بازده مازاد: الگوی تجدیدنظرشده فاما و فرنچ. مدیریت دارایی و تأمین مالی، 7(4)، 97-116.

https://doi.org/10.22108/amf.2019.116716.1418

Refrrences