فعالیت مغز پویایی قیمت سهام را پیش‌بینی می‌کند

سرمایه گذاری موفق چالش برانگیز است زیرا پیش بینی مداوم قیمت سهام دشوار است. با این حال، شواهد تصویربرداری عصبی اخیر نشان می‌دهد که فعالیت در نواحی مغز مرتبط با عاطفه پیش‌بینی‌کننده نه تنها ممکن است انتخاب فردی را پیش‌بینی کند، بلکه رفتار کل خارج از نمونه را نیز پیش‌بینی می‌کند. بنابراین، در دو آزمایش، ما به طور خاص آزمایش کردیم که آیا فعالیت عاطفی پیش‌بینی‌کننده مغز در انسان‌های سالم می‌تواند تغییرات کل قیمت سهام را پیش‌بینی کند یا خیر. با استفاده از تصویربرداری تشدید مغناطیسی عملکردی، در آزمایش اول (n = 34، 6 زن؛ 140 کارآزمایی / موضوع) دریافتیم که فعالیت هسته اکومبنس جهت قیمت سهام را پیش‌بینی می‌کند، در حالی که فعالیت insula قدامی (AIns) انحرافات قیمت سهام را پیش‌بینی می‌کند. در دومین آزمایش تکرار از پیش ثبت‌شده (39، 7 زن) که شامل موضوعات و سهام مختلف بود، فعالیت AINs همچنان انحرافات قیمت سهام را پیش‌بینی می‌کرد. نکته مهم این است که فعالیت AINs حرکت قیمت سهام را حتی زمانی که رفتار انتخاب و شاخص‌های متعارف سهام پیش‌بینی نمی‌کند (به عنوان مثال، حرکات قبلی قیمت سهام)، و تجزیه و تحلیل طبقه‌بندی کننده نشان داد که پیش‌بینی‌های مبتنی بر فعالیت مغز باید به بازارهای دیگر تعمیم یابد. این یافته‌ها با نشان دادن اینکه فعالیت AINs ممکن است به عنوان یک شاخص پیشرو برای انحرافات قیمت سهام عمل کند، نشان می‌دهد که فعالیت عصبی مرتبط با تأثیر پیش‌بینی ممکن است به پیش‌بینی انتخاب کل در محیط‌های پویا و رقابتی مانند بازارهای سهام گسترش یابد.

بیانیه اهمیت بسیاری تلاش می کنند، اما نمی توانند تغییرات قیمت سهام را به طور مداوم پیش بینی کنند. با این حال، شواهد جدید نشان می دهد که فعالیت عاطفی پیش بینی کننده مغز نه تنها ممکن است انتخاب فردی را پیش بینی کند، بلکه ممکن است انتخاب کل را نیز پیش بینی کند. با فرض انتخاب دسته جمعی شاخص قیمت سهام، آزمایش کردیم که آیا فعالیت مغز نمونه برداری شده در طول ارزیابی قیمت سهام می تواند تغییرات بعدی در قیمت آن سهام را پیش بینی کند یا خیر. در دو آزمایش تصویربرداری عصبی، ترکیبی از حرکات قبلی قیمت سهام و فعالیت مغز در منطقه‌ای که در پردازش عدم قطعیت و برانگیختگی دخیل بود، تغییرات قیمت سهام در روز بعد را پیش‌بینی کرد - حتی زمانی که رفتار چنین نبود. این یافته‌ها مفروضات سنتی کارایی بازار را با این دلالت به چالش می‌کشند که داده‌های تصویربرداری عصبی ممکن است «اطلاعات پنهان» را نشان دهد که قادر به پیش‌بینی پویایی قیمت سهام است.

مقدمه

اگرچه سرمایه گذاران تلاش می کنند تا تغییرات قیمت سهام را پیش بینی کنند، اما اکثر آنها به طور مداوم این کار را انجام نمی دهند. بر این اساس، نظریه مالی سنتی حاکی از آن است که سرمایه گذاران نباید بتوانند به طور قابل اعتماد قیمت سهام را پیش بینی کنند (فاما، 1970)، اگرچه محققان امور مالی رفتاری استثناهایی را شناسایی کرده اند (فارمر و لو، 1999؛ باربریس و تالر، 2003؛ شیلر، 2003؛ هیرشلیفر، 2015).). پیش بینی قیمت سهام ممکن است به دلایل زیادی چالش برانگیز باشد، از جمله تغییرات تصادفی در ترجیحات سیستماتیک سرمایه گذاران، و همچنین آربیتراژ ترجیحات سیستماتیک سرمایه گذاران ساده لوح توسط سرمایه گذاران پیچیده تر (کامر، 2003؛ باربری، 2018).

علیرغم چالش تبدیل پیش‌بینی‌های فردی به پیش‌بینی‌های کل، کار تصویربرداری عصبی اخیر نشان می‌دهد که برخی از پیش‌بینی‌کننده‌های عصبی انتخاب فردی ممکن است برای پیش‌بینی انتخاب کل مقیاس بیشتری داشته باشند (فالک و همکاران، 2012؛ کناتسون و ژنفسکی، 2018). به عنوان مثال، میانگین فعالیت عصبی گروهی در نمونه‌های آزمایشگاهی برای پیش‌بینی واکنش‌های کل بازار به کلیپ‌های موسیقی (برنز و مور، 2012)، تبلیغات (ونکاترامن و همکاران، 2015)، درخواست‌های وام خرد (Genevsky و Knutson، 2015)، تامین مالی جمعی استفاده شده است. پیشنهادات (Genevsky و همکاران، 2017)، خلاصه اخبار (Scholz و همکاران، 2017)، و کلیپ های ویدئویی (Tong et al., 2020). در برخی موارد، فعالیت عصبی اندازه‌گیری‌شده تجربی حتی می‌تواند انتخاب کل را بهتر از ترجیحات یا انتخاب‌های رفتاری بیان‌شده پیش‌بینی کند. این یافته‌های جمع‌آوری‌شده حاکی از آن است که برخی از فرآیندهای عصبی که قبل از انتخاب‌های فردی رخ می‌دهند، ممکن است برای پیش‌بینی انتخاب‌های دیگران تعمیم داده شوند و ممکن است این کار را قوی‌تر از سایر فرآیندهای عصبی یا حتی رفتار انجام دهند (Knutson and Genevsky, 2018).

ما با بررسی اینکه آیا فعالیت مغزی اندازه گیری شده تجربی می تواند تغییرات در قیمت سهام را پیش بینی کند ، به دنبال گسترش این رویکرد "عصبی" در یک جهت جدید مهم بودیم. ما به طور خاص آزمایش کردیم که آیا فعالیت مغزی نمونه برداری شده از گروهی از افراد ارزیابی و سرمایه گذاری در سهام ممکن است اطلاعات مفیدی را در مورد قریب الوقوع قیمت سهام نشان دهد. پیش بینی دینامیک قیمت سهام یک چالش جدید قابل توجه را نشان می دهد ، زیرا قیمت سهام نه تنها گزینه های کل افراد را منعکس می کند (که در آن افزایش قیمت ها باعث افزایش قیمت ها می شود ، در حالی که افزایش قیمت های فروش کاهش می یابد) ، بلکه تعامل پویا و رقابت بین افراد را نیز نشان می دهد (De Martino ETآل. ، 2013). دانستن اینکه آیا فرآیندهای عصبی پیش بینی پویایی قیمت سهام ممکن است بینش هایی را در مورد اینکه مکانیسم های عصبی در افراد تعمیم می یابد تا به طور کلی انتخاب کل را تعمیم دهد ، و آزمایش بیشتر اینکه آیا فعالیت مغزی به پیش بینی رفتار کل در محیط های پویا و رقابتی مانند بازارهای سهام گسترش می یابد.

با این تصور که تأثیر پیش بینی کننده می تواند انتخاب خطرناک در افراد را پیش بینی و پیش بینی کند (Bechara et al. ، 1996 ؛ Loewenstein et al. ، 2001 ؛ Knutson and Greer ، 2008) ، ما فرض کردیم که فعالیت مغز نمونه ای مرتبط با تأثیر و رویکرد مثبت برانگیختهرفتار [به عنوان مثال ، فعالیت هسته (NACC)] پیش بینی افزایش تقاضا برای سهام و افزایش قیمت های مرتبط (یعنی جهت قیمت) ، اما فعالیت مغزی همراه با تأثیر منفی یا به طور کلی برانگیخته و رفتار اجتناب [یعنی انسولین قدامی (AINS)فعالیت] در عوض پیش بینی می کند که کاهش یا تغییر تقاضا برای سهام و کاهش قیمت یا تغییر قیمت ها (به عنوان مثال ، تورم قیمت ؛ پائولوس و همکاران ، 2003 ؛ کوهنن و ناتسون ، 2005 ؛ ناتسون و هوتل ، 2015). علاوه بر این ، و سازگار با یک حساب "مقیاس جزئی" (ناتسون و ژنوسکی ، 2018) ، ما فرض کردیم که فعالیت در مناطق عمیق تر مغز مرتبط با تأثیر پیش بینی شده ممکن است انتخاب کل را پیش بینی کند - حتی وقتی فعالیت در مناطق قشر مغز مرتبط با ادغام ارزش [به عنوان مثالقشر جلوی مغز میانی (MPFC)] و رفتار بعدی انتخابی انجام نمی شود. ما این فرضیه ها را ابتدا در یک آزمایش تصویربرداری عصبی آزمایش کردیم و سپس تکرارپذیری و تعمیم پذیری آن یافته ها را در یک آزمایش تصویربرداری عصبی از پیش تعیین شده دوم بررسی کردیم.

مواد و روش ها

طراحی تجربی

فاعل، موضوع.

Forty-one healthy subjects were recruited and scanned for experiment 1 and 49 healthy subjects were recruited and scanned for (preregistered) experiment 2. The sample size for experiment 1 was based on a review of previous neuroforecasting research (Knutson and Genevsky, 2018). Exclusion criteria included typical magnetic resonance safety criteria (e.g., no metal in the body or fear of enclosed spaces), as well as history of psychotropic drug use, brain damage, alcoholism, substance use, or cardiac medications. For experiment 1, six subjects were excluded for excessive head motion during scanning (i.e., >4 میلی متر حرکت از یک حجم تصویر به تصویر دیگر) و یک موضوع به دلیل دستیابی به داده های ناقص حذف شد و در مجموع 34 نفر برای تجزیه و تحلیل (6 زن ؛ دامنه سنی = 22-43 سال ؛ میانگین سنی = 29. 1 سال ؛SD = 5. 35). برای آزمایش 2 ، 7 نفر به دلیل حرکت بیش از حد سر در حین اسکن از مطالعه خارج شدند و 3 نفر به دلیل دستیابی به داده های ناقص از مطالعه حذف شدند و در مجموع 39 فرد برای تجزیه و تحلیل باقی مانده اند (7 زن ؛ دامنه سن = 18-47 سال ؛ میانگین سنی = 27. 5 سال؛ SD = 6. 14). بیشتر افراد دانشجویان در دانشگاه استنفورد بودند ، هیچ تخصصی در زمینه سرمایه گذاری مالی لازم نبود ، و افراد گزارش دادند که آنها یا به هیچ وجه سرمایه گذاری نکرده اند یا فقط در حساب های شخصی (حرفه ای) سرمایه گذاری کرده اند. مطابق با عدم تعادل جنسی که به طور معمول در معامله گران حرفه ای مشاهده می شود ، مردان بیشتری نسبت به زنان داوطلبانه.

افراد 20 دلار در ساعت برای مشارکت و همچنین فرصتی برای نگه داشتن هرگونه پولی که به دست آورده اند بر اساس عملکرد خود در کار قیمت گذاری دارایی (APT) و یک کار تصمیم گیری مالی بعدی نامربوط (در اینجا توصیف نشده است) دریافت کردند. افراد به طور متوسط 10. 40 دلار (SD ، 0. 36 دلار) در هر سهام در آزمایش 1 و 10. 29 دلار (SD ، 0. 41 دلار) برای هر سهام در آزمایش 2 (که شامل 10. 00 دلار شروع موقوفه برای هر سهام بود) درآمد کسب کردند. کلیه مراحل به تصویب توسط هیئت بررسی نهادی در مورد موضوعات انسانی پزشکی دانشگاه استنفورد انجام شد.

روش.

پس از ارائه رضایت آگاهانه ، افراد دستورالعمل ها را می خوانند و چندین کارآزمایی عملی را برای کار تجربی مورد علاقه انجام می دهند (یعنی وظیفه قیمت گذاری دارایی ؛ شرح زیر) و همچنین آزمایشات تمرین برای یک کار تصمیم گیری بعدی و مختلف مالی. در آزمایش 1 ، وظیفه دوم کار استراتژی تخصیص سرمایه گذاری رفتاری بود (کوهنن و ناتسون ، 2005) ، و در آزمایش 2 کار دوم یک کار قمار بود (لئونگ و همکاران ، 2016) - موارد مربوط به این کارها توصیف می شوددر جای دیگرقبل و بعد از اسکن ، افراد پرسشنامه هایی را که ارزیابی اطلاعات جامعه شناختی و تفاوت های فردی در تجربه عاطفی و توانایی های شناختی را انجام می دهند ، تکمیل کردند (اقتباس از ناتسون و همکاران ، 2011).

وظیفه قیمت گذاری دارایی

To assess brain activity related to stock price dynamics, we designed a novel APT suitable for use with functional magnetic resonance imaging (fMRI). The APT displays trend lines that sequentially and dynamically depict historical prices of real stocks. After each daily price update, subjects chose whether to either invest in the displayed stock or not (Fig. 1). Stock trend lines depicted daily closing prices and came from 14 different stocks selected from the S&P 500 index and extracted from online finance data (listed on https://finance.yahoo.com). For each experiment, we randomly selected a 30 d trading period in 2015 (October 28 to December 9, 2015, for experiment 1; March 4 to April 15, 2015 for experiment 2), which represented recent markets relative to the time when the experiments were conducted (i.e., in 2016). For experiment 1, 14 stocks were randomly selected from the S&P 500 index. For experiment 2, 14 stocks were pseudorandomly selected from the S&P 500 index to exclude stocks used in experiment 1, as well as to avoid incidental autocorrelation within and between stocks. Specifically, to select stocks for experiment 2, we estimated an ordinary least-squares regression model for each stock based on the stock prices of the selected 30 d trading period. Then, stocks were divided into six bins based on their slope (i.e., β value of the regression model was >0 یا<0) and volatility (i.e., residual sum of squares of the regression model was either low, medium, or high). Next, two or three stocks were randomly selected from each of these bins to yield a random but stratified set of 14 stocks that varied in terms of slope and volatility. Stocks that were included in experiment 1 were excluded from selection in experiment 2. In both experiments, stock prices were converted to z scores to fit their trend lines on a common vertical value axis for display. Importantly, subjects were not informed about which stock identities or time periods were sampled.

ساختار کارآزمایی وظیفه قیمت گذاری دارایی. محاکمات شامل ارائه خط روند سهام (2 ثانیه ، سمت چپ) بود. انتخاب برای سرمایه گذاری (4 ثانیه ، میانه) و نتیجه (2 ثانیه ، درست). یک صلیب تثبیت مرکزی (2-6 ثانیه) ، بین آزمایشات ارائه شد (به تصویر کشیده نشده است).

در حین کار ، افراد به طور متوالی خطوط روند را به روز می کنند که مربوط به هر یک از 14 سهام (10 کارآزمایی/سهام) است. خطوط روند قیمت سهام با استفاده از فرمت "پنجره نورد" نمایش داده شد ، به گونه ای که هر یک از 10 به روزرسانی خط روند 20 به روزرسانی قیمت قبلی را به همراه جدیدترین به روزرسانی در پایان خود نشان داد (یعنی در سمت راست). برای هر سهام ، افراد با یک موقوفه 10. 00 دلاری شروع شدند و پس از آن 10 انتخاب سرمایه گذاری متوالی پس از به روزرسانی خط روند نمایش داده شد. بنابراین سهام در بلوک های 10 محاکمه ، در یکی از دو سفارش شبه و شبه ارائه شد.

در طول هر کارآزمایی ، افراد در ابتدا خط روند را منعکس می کردند که تاریخچه قیمت سهام بیش از 20 به روزرسانی قبلی (برای 2 ثانیه) را منعکس می کند ، و پس از آن یک انتخاب سریع برای نشان دادن اینکه آیا آنها می خواهند یا در آن سهام سرمایه گذاری کنند یا نه از طریقدکمه را فشار دهید (به عنوان مثال ، "بله" یا "نه" ، که از لحاظ مکانی متعادل شده است ؛ 4 ثانیه). اگر افراد سرمایه گذاری کنند و قیمت سهام آن افزایش یابد ، تراز آنها 1. 00 دلار افزایش یافته است اما اگر افراد سرمایه گذاری کنند و قیمت سهام آن کاهش یابد ، مانده آنها 1. 00 دلار کاهش یافته است. بنابراین ، با توجه به احتمال تقریباً افزایش قیمت سهام یا کاهش قیمت سهام ، ارزش کلی مورد انتظار سرمایه گذاری یا عدم سرمایه گذاری در هر آزمایشی تقریباً 0. 00 دلار بود. پس از انتخاب سرمایه گذاری یا خیر ، یک صفحه بازخورد نشان داد که آیا قیمت سهام در واقع افزایش یافته یا کاهش یافته است ، همراه با میزان پولی که موضوع به دست آورده یا از دست داده است به عنوان یک نتیجه از انتخاب آنها و تعادل کلی تجمعی آنها (2 ثانیه)وادسرانجام ، افراد در حالی که منتظر شروع آزمایش بعدی هستند ، از نظر بصری بر روی یک صلیب ارائه شده مرکزی (2-6 ثانیه) تثبیت می شوند (شکل 1).

در پایان هر بلوک 10 آزمایشی، به آزمودنی‌ها آموزش داده شد تا تصور کنند که فرصتی برای سرمایه‌گذاری در سهام بیشتری از آن سهام به عنوان معامله‌گر دارند و انتخاب خود را برای خرید، فروش یا نگهداری (یعنی نه برای خرید) نشان دهند. و نه برای فروش) سهام با فشار دکمه (6 ثانیه). سپس آزمودنی‌ها اعتماد خود را به انتخاب خود ارزیابی کردند (یعنی با انتخاب یکی از گزینه‌های 0-25٪، 26-50٪، 51-75٪ و 76-100٪، 6 ثانیه). این انتخاب‌های نهایی و رتبه‌بندی‌های اطمینان در اینجا بیشتر مورد تجزیه و تحلیل قرار نمی‌گیرند، زیرا انتخاب‌های آزمایش به آزمایش آزمودنی‌ها برای سرمایه‌گذاری، متغیرهای رفتاری حیاتی مورد علاقه برای تحلیل‌های پیش‌بینی فعلی را فراهم می‌کند. کل مقدار پولی که در طول هر بلوک به دست آمده (یا از دست رفته) به وقف اولیه 10 دلاری آزمودنی ها اضافه شد (یا از آن کم شد). در پایان هر آزمایش، 4 بلوک از 14 بلوک به صورت تصادفی انتخاب شد و میانگین پرداختی در این چهار بلوک به پرداخت پایه ساعتی آزمودنی‌ها اضافه شد. بنابراین، هر دو آزمایش از فریب استفاده نکردند و کاملاً با انگیزه سازگار بودند. این کار به دو مرحله اسکن شامل هفت سهام در هر اجرا با خطوط روند 10 به روز رسانی قیمت (آزمایش) تقسیم شد که در مجموع 140 آزمایش که 32 دقیقه به طول انجامید.

تحلیل آماری

اکتساب و تجزیه و تحلیل fMRI

تصاویر با یک اسکنر MRI 3. 0 T (General Electric) با استفاده از یک سیم پیچ 32 کاناله به دست آمد. چهل و شش برش به ضخامت 2. 9 میلی‌متر (رزولوشن درون صفحه، 2. 9 میلی‌متر؛ همسانگرد، بدون شکاف، اکتساب درهم) به‌صورت محوری از میدپون‌ها تا بالای تاج جمجمه گسترش یافته‌اند تا پوشش کل مغز را فراهم کنند. اسکن های عملکردی کل مغز با توالی پالس گرادیان-اکوی وزن T2* (زمان تکرار، 2 ثانیه، زمان اکو، 25 میلی ثانیه، زاویه چرخش، 77 درجه) به دست آمد. اسکن‌های ساختاری با وضوح بالا پس از اسکن‌های عملکردی با توالی پالس با وزن T1 (زمان تکرار، 7. 2 میلی‌ثانیه؛ زمان اکو، 2. 8 میلی‌ثانیه؛ زاویه چرخش، 12 درجه) به دست آمد تا محلی‌سازی و ثبت همزمان آنها تسهیل شود.

Analyses of fMRI data were conducted using Analysis of Functional Neural Images (AFNI) software, version AFNI_18.0.25 (Cox, 1996). For preprocessing, voxel time series were concatenated across runs; sinc interpolated to correct for nonsimultaneous slice acquisition within each volume; motion corrected; spatially smoothed to minimize the effects of anatomic variability while retaining sufficient resolution to visualize structures of interest (4 mm full-width at half-maximum kernel); normalized to the percentage signal change with respect to the average of each voxel over the entire task; and high-pass filtered to omit frequencies with periods >دهه 90

برای استخراج داده های مغز برای آزمایش پیش بینی های مهم ، تجزیه و تحلیل های هدفمند متمرکز بر داده های استخراج شده از سه حجم از پیش تعریف شده مورد علاقه (VOI) که فعالیت آنها قبلاً انتخاب فردی را در مطالعات مربوط به ریسک مالی پیش بینی می کرد (کوهنن و ناتسون ، 2005) ، و همچنین پیش بینیرفتار سطح بازار (ناتسون و ژنوسکی ، 2018). این متاآنالیز به صورت متاآنالیز (Knutson and Greer ، 2008) Vois به طور خاص بر کانونهای دو طرفه از پیش تعریف شده (حوزه های قطر 8 میلی متر) در NACC (تمرکز Talairach: x ، ± 10 ؛ y ، +12 ؛ z ، −2) ، متمرکز شده است. Ains (تمرکز Talairach: X ، 28 ± ؛ Y ، +18 ؛ Z ، -5) و MPFC (تمرکز Talairach: X ، 4 ؛ y ، +45 ؛ z ، 0). دوره های زمان فعالیت ابتدا با گذشت زمان در هر وکسل عادی شد و سپس به طور متوسط بر روی وکسل هایی که شامل هر VOI بودند ، به طور متوسط انجام شد. برای پیش بینی تجزیه و تحلیل ، فعالیت مغز به طور متوسط که مطابق با ارائه به روزرسانی قیمت سهام بود ، قبل از ورود به مدل ها ، برای پاسخ همودینامیکی 6 ثانیه (یعنی کسب حجم 2 ثانیه چهارم پس از شروع آزمایش) عقب مانده است. فعالیت بیش از 4 SD قبل از تجزیه و تحلیل حذف شد ، علاوه بر آزمایشاتی که قیمت سهام در 2 روز پایدار مانده است (چهار کارآزمایی در آزمایش 1 و دو آزمایش در آزمایش 2) زیرا آنها نمی توانند به عنوان افزایش قیمت یا کاهش قیمت طبقه بندی شوندواد

برای آزمایش اینکه آیا فعالیت عصبی می تواند پویایی قیمت سهام را پیش بینی کند ، رگرسیون لجستیک تجزیه و تحلیل می کند که پیش بینی حرکت قیمت سهام روز بعد از آن بر اساس داده های خوشه ای توسط سهام و به طور متوسط نسبت به افراد انجام می شود (یعنی 10 به روزرسانی قیمت در هر سهام به طور متوسط بیش از همه افراد در نمونه؛ کلیه تجزیه و تحلیل رگرسیون با استفاده از بسته LME4 نسخه 1. 1-21 زبان آماری R انجام شد ؛ R Core Team ، 2018). این مدل ها شامل اثرات ثابت موارد زیر است: (1) شاخص های سهام (مدل بازار).(2) انتخاب متوسط برای سرمایه گذاری یا خیر (مدل رفتاری) ؛. و (4) همه این اجزای ترکیب شده (مدل ترکیبی). برای بازار و مدل های ترکیبی ، شاخص های سهام شامل حرکت قیمت سهام در روز گذشته (یعنی افزایش قیمت در مقابل کاهش) و شاخص های شیب و نوسانات هر خط روند به روز شده است. برای محاسبه شاخص های شیب و نوسانات ، ما یک مدل رگرسیون حداقل مربعات معمولی برای هر خط روند به روز شده (10 به روزرسانی/سهام ، بنابراین 10 مدل رگرسیون/سهام) تخمین زده ایم. شاخص های شیب و نوسانات ، به ترتیب ، β و مجموع باقیمانده مربع های هر مدل رگرسیون را که با استفاده از خط روند به روز شده ارائه شده در یک کارآزمایی خاص تخمین زده می شود ، منعکس می کند. برای متغیرهای نتیجه ، ادامه مسیر قیمت (به عنوان مثال ، قیمت پس از افزایش در آزمایش قبلی افزایش یافته یا پس از کاهش در آزمایش قبلی کاهش یافته است) ، در حالی که معکوس های فهرست بندی شده تورم قیمت (به عنوان مثال ، قیمت پس از افزایش در آزمایش قبلی کاهش یافته یا پس از آن افزایش یافته استکاهش در آزمایش قبلی). برای آزمایش اینکه آیا مدل ترکیبی به طور قابل توجهی بهتر یا بدتر از سایر مدل ها انجام شده است (با استفاده از عملکرد LRTEST نسخه بسته R LMTest نسخه 0. 9-34) از آزمون های نسبت احتمال استفاده شد.

برای تعیین اینکه آیا پیش‌بینی‌های عصبی می‌توانند در سراسر بازارها تعمیم پیدا کنند، ما یک طبقه‌بندی ماشین بردار پشتیبان خطی بر روی داده‌های شاخص رفتاری، عصبی و سهام از آزمایش 1 (یا آزمایش 2) آموزش دادیم و آزمایش کردیم که آیا این طبقه‌بندی‌کننده می‌تواند حرکت قیمت سهام را پیش‌بینی کند یا خیر. سهام مورد استفاده در آزمایش 2 (یا آزمایش 1) بالاتر از شانس (با استفاده از بسته e1071 R، نسخه 1. 7–2؛ تیم R Core، 2018). طبقه‌بندی‌کننده‌ها بر روی مدل ترکیبی و همچنین بر روی یک مدل کاهش‌یافته که فقط شامل فعالیت پیش‌بینی‌کننده AIN، حرکت قیمت سهام در آزمایش قبلی و تعامل آنها بود، آموزش داده شدند. از آنجایی که حرکت بعدی قیمت سهام متغیر نتیجه بود، داده‌ها به گونه‌ای کاهش یافتند که شامل 50 درصد افزایش و 50 درصد کاهش قیمت سهام باشد. سپس آزمون‌های دوجمله‌ای ارزیابی کردند که آیا طبقه‌بندی‌کننده‌ها می‌توانند حرکت قیمت سهام را خارج از نمونه بالاتر از شانس (یعنی 50٪ مطابق با فرضیه بازار کارآمد) پیش‌بینی کنند. برای بررسی بیشتر اینکه آیا طبقه‌بندی‌کننده‌ها می‌توانند قیمت سهام را پیش‌بینی کنند، طبقه‌بندی‌کننده‌ها علاوه بر این بر روی قیمت‌های تصادفی سهام آزمایش 1 (یا آزمایش 2) آموزش دیدند و سپس روی داده‌های غیرتصادفی آزمایش 2 (یا آزمایش 1) آزمایش شدند، با این فرض که آموزش در مورد داده‌های تصادفی بایدیک نتیجه پوچ تولید کند. قیمت سهام در هر آزمایش 500 بار تصادفی شد تا وابستگی برآورد به هر ترتیب تصادفی خاص کاهش یابد. از آزمون t تک نمونه ای برای مقایسه اینکه آیا دقت آزمون مدل های آموزش دیده بر روی قیمت سهام تصادفی شده به طور قابل توجهی از شانس بیشتر است استفاده شد.

برای تأیید درگیری کار و انتخاب دقیق حجم های از پیش تعریف شده مورد علاقه، دو تجزیه و تحلیل کل مغز انجام شد. اولین تجزیه و تحلیل کل مغز، فعالیت های فردی مغز را در پاسخ به نتایج مختلف مقایسه کرد. برای این تحلیل، افزایش فعالیت NAcc در پاسخ به سودها (یعنی افزایش قیمت پس از انتخاب سرمایه‌گذاری) و همچنین برای جلوگیری از پیامدهای زیان (یعنی کاهش قیمت خلاف واقع پس از انتخاب عدم سرمایه‌گذاری کاهش می‌یابد؛ Kuhnen and Knutson، 2005؛ Lohrenz et al. همکاران، 2007). مدل‌های رگرسیون کل مغز که فعالیت عصبی را در پاسخ به پیامدها تجزیه و تحلیل می‌کنند شامل 15 پس‌رونده است. دوازده رگرسیور جالب نبودند [یعنی شش رگرسیور که حرکت باقیمانده را نمایه می کنند، دو رگرسیور که فعالیت مرتبط با CSF و شدت ماده سفید را نمایه می کنند (چانگ و گلوور، 2009)، و چهار رگرسیور که هر یک از دوره های آزمایشی را مدل می کنند]. دو رگرسیون متعامد ذیل در تضاد قرار گرفتند: (1) نتایج پس از انتخاب های سرمایه گذاری (به عنوان مثال، افزایش قیمت و سود مالی در مقابل کاهش قیمت و زیان مالی پس از انتخاب برای سرمایه گذاری؛ شروع، صفحه بازخورد؛ مدت زمان، 2 ثانیه). و (2) نتایج پس از انتخاب عدم سرمایه گذاری (به عنوان مثال، کاهش قیمت یا سود خلاف واقع در مقابل افزایش قیمت یا ضرر خلاف واقع پس از انتخاب عدم سرمایه گذاری؛ شروع، صفحه بازخورد؛ مدت زمان، 2 ثانیه).

دومین تحلیل کل مغز تأیید کرد که میانگین فعالیت در مناطق پیش‌بینی‌شده، حرکت کل قیمت سهام در روز آینده را پیش‌بینی می‌کند. این مدل شامل 12 پس‌رونده بود که مورد توجه نبودند، از جمله رگرسیورهایی که موارد زیر را نمایه می‌کردند: حرکت باقیمانده، رگرسیورهای 1-6. فعالیت مرتبط با CSF و شدت ماده سفید (چانگ و گلوور، 2009)، رگرسیون 7-8. هر یک از دوره های آزمایشی، رگرسیون 9-12. دو رگرسیون متعامد مورد علاقه، قیمت سهام آتی را به شرح زیر مقایسه کردند: (1) جهت (افزایش قیمت در مقابل کاهش؛ شروع، صفحه محرک؛ مدت زمان، 4 ثانیه). و (2) عطف (یعنی تغییر جهت قیمت در مقابل ادامه، شروع، نمایش محرک، مدت، 4 ثانیه). برای هر دو تجزیه و تحلیل کل مغز، همه رگرسیون‌های مورد علاقه با یک تابع متغیر γ که یک تابع پاسخ همودینامیک متعارف را مدل‌سازی می‌کنند، درگیر شدند. نقشه‌های آمار t برای پس‌رونده‌های مورد علاقه به نقشه‌های امتیاز z تبدیل شدند، با نقشه‌های ساختاری هم‌ثبت شدند، از نظر فضایی با تاب برداشتن به فضای Talairach نرمال‌سازی شدند و به‌عنوان وکسل‌های 2 میلی‌متر 3 نمونه‌سازی مجدد شدند. آستانه های آماری وکسل کل مغز روی p تنظیم شد< 0.001, uncorrected, as suggested for exploratory characterization (Cox et al., 2017). A minimum cluster size of 18 contiguous, face-to-face 2.9 mm 3 voxels yielded a corrected whole-brain correction of p < 0.05 (after applying the 3dClustSim algorithm to a gray matter mask from AFNI version 18.0.25).

در دسترس بودن داده ها

پیش‌ثبت‌نام برای آزمایش 2 (https://osf. io/7pwnq) و همچنین داده‌های شناسایی‌شده مرتبط و کد تحلیلی برای هر دو آزمایش (https://osf. io/yd8gn) در Open Science Framework موجود است.

نتایج

در هر دو آزمایش، ما در ابتدا آزمایش کردیم که آیا رفتار انتخاب افراد و شاخص‌های سهام می‌توانند پویایی واقعی قیمت سهام را پیش‌بینی کنند. در مرحله بعد، ما آزمایش کردیم که آیا فعالیت مغز آزمودنی‌ها می‌تواند پویایی واقعی قیمت سهام را پیش‌بینی کند - چه قبل و چه بعد از کنترل شاخص‌های رفتاری و سهام مرتبط. در نهایت، ما تحلیل‌های کل مغز را برای تأیید مشارکت و مشارکت افراد در فعالیت در مناطق پیش‌بینی‌شده مورد علاقه در پیش‌بینی‌های حرکت قیمت سهام انجام دادیم.

رفتار انتخاب و شاخص های سهام

مطابق با تئوری مالی سنتی (به عنوان مثال، فرضیه بازار کارآمد؛ فاما، 1970)، ما پیش‌بینی کردیم که انتخاب افراد، حرکت قیمت سهام را پیش‌بینی نمی‌کند. تجزیه و تحلیل رگرسیون لجستیک بر این اساس نشان داد که رفتار انتخاب آزمودنی ها نمی تواند به طور قابل توجهی قیمت سهام روز بعد را پیش بینی کند (مدل رفتاری؛ آزمایش 1: z = 1. 60، p = 0. 110؛ آزمایش 2: z = 0. 51، p = 0. 609؛ جدول 1). علاوه بر این، آزمودنی‌ها در آزمایش‌ها به طور مشابه رفتار کردند (درصد آزمایش‌هایی که آزمودنی‌ها در آن سرمایه‌گذاری کردند: آزمایش 1: میانگین = 54. 89٪، SD = 13. 155٪؛ آزمایش 2: میانگین = 53. 45٪، SD = 13. 04٪). علاوه بر این، به نظر می‌رسد که آزمودنی‌ها در هر دو آزمایش به طور مشابه درگیر هستند، زیرا تحلیل‌های رگرسیونی که انتخاب را بر اساس شماره بلوک پیش‌بینی می‌کنند، نشان می‌دهد که انتخاب‌های آزمودنی‌ها در طول زمان تغییر نمی‌کند (یعنی رفتار در بین تمام 14 بلوک 10 آزمایشی متفاوت نیست: آزمایش 1: t.₍₄₄₁₎= -1. 23، β = -0. 25، p = 0. 221; آزمایش 2: t₍₅₀₆₎= 0. 91، β = 0. 020، p = 0. 336).

مدل های رگرسیون لجستیک پیش بینی پویایی قیمت سهام کل (آزمایش 1)

تحلیل رگرسیون لجستیک دیگر شامل شاخص های سهام به عنوان پیش بینی کننده (یعنی مدل بازار با شیب سهام، نوسانات و حرکت قیمت در روز قبل به عنوان اثرات ثابت) نشان داد که جهت قیمت سهام در روز قبل به طور معکوس جهت قیمت سهام را پیش بینی می کند. روز بعد در آزمایش 1 (مدل بازار؛ z = -2. 62، ص< 0.009; Table 1). This negative autocorrelation in stock prices may have provided subjects with information to aid their predictions. Thus, we pseudorandomly selected a set of stocks for experiment 2 to remove the potential confound of daily autocorrelation in prices (Market model; z = –0.60, p = 0.548; Table 2; see Materials and Methods) and thus support more robust verification of the generalizability of findings from experiment 1.

مدل های رگرسیون لجستیک پیش بینی پویایی قیمت سهام کل (آزمایش 2)

فعالیت مغز

حجم سود تجزیه و تحلیل: پیش بینی پویایی قیمت سهام

برای آزمایش این فرضیه مهم که فعالیت مغز می تواند پویایی قیمت سهام را پیش بینی کند ، رگرسیون لجستیک بیشتر تجزیه و تحلیل پیش بینی حرکات قیمت سهام روز بعد با استفاده از داده های عصبی به تنهایی (مدل عصبی) ، و همچنین پس از ترکیب متغیرهای عصبی با رفتار انتخاب و شاخص های سهام (مدل ترکیبی).

در آزمایش 1 ، مدل عصبی نشان داد که میانگین فعالیت NACC به طور مثبت قیمت سهام روز بعد را پیش بینی می کند (Z = 2. 20 ، P = 0. 028 ؛ جدول 1). مدل ترکیبی نشان داد که حرکت قیمت قبلی (Z = -2. 72 ، P = 0. 007) ، فعالیت NACC (Z = 2. 14 ، P = 0. 032) و تعامل حرکت قیمت قبلی با فعالیت AINS (Z = -2. 09 ، P = 0. 037) به طور قابل توجهی قیمت سهام روز بعد را پیش بینی کنید (مدل ترکیبی ؛ جدول 1). این تعامل همچنین در هنگام شامل فقط فعالیت عصبی AIN ، حرکت قیمت قبلی و تعامل آنها در یک مدل کاهش یافته قابل توجه باقی مانده است (47/4 = z ، 013/0 = P). مقایسه مدل مستقیم نشان داد که پیش بینی مدل پیش بینی قیمت سهام بهتر از مدل بازار (χ 2 = 14. 76 ، P = 0. 039) ، مدل رفتاری (χ 2 = 22. 98 ، P = 0. 006) و مدل عصبی (χ 2 =20. 04 ، P = 0. 005).

برای تجزیه تعامل حرکت قیمت و فعالیت AINS ، ما آزمایشات بعد از تعقیب و گریز فعالیت های AIN را برای تورم قیمت (به عنوان مثال ، قیمت پس از افزایش یا برعکس کاهش می یابد) در مقابل عدم تورم (یعنی افزایش قیمت به دنبال افزایش یا برعکس) انجام دادیم. به طور کلی ، پیش بینی فعالیت های AINS در مقابل عدم انعطاف پذیری (میانگین_تورم= –0. 011 ، SD_تورم= 0. 080 ؛در مقابل میانگین_{عدم جریان}= –0. 039 ، SD_{عدم جریان}= 0. 070 ؛حرف₍₁₂₀₎= 2. 12 ، P = 0. 036 ؛شکل 2). به طور خاص ، قیمت پیش بینی فعالیت AINS کاهش می یابد که به دنبال افزایش به جای کاهش قیمت کاهش می یابد (میانگین_{افزایش → کاهش}= –0. 003 ، SD_{افزایش → کاهش}= 0. 059 ؛در مقابل م_{کاهش → کاهش}= –0. 044 ، SD_{کاهش → کاهش}= 0. 060 ؛حرف₍₅₃₎= 2. 70 ، P = 0. 009). اگرچه هر دو NACC و AINS فعالیت دینامیک قیمت سهام (در مدل ترکیبی) هنگامی که انتخاب (در مدل رفتاری) انجام نداد ، همبستگی قابل توجهی در قیمت سهام در این آزمایش (در مدل بازار) یک آزمایش دوم از پیش ثبت شده را شامل می شود که شامل آن بودقیمت سهام بدون همبستگی.

فعالیت انسولین قدامی باعث کاهش قیمت سهام می شود. سمت چپ ، Ains Vois ؛میانی ، فعالیت AINS VOI در آزمایشات مربوط به تورم بیشتر است (به عنوان مثال ، قیمت سهام پس از افزایش قبلی کاهش می یابد یا پس از کاهش قبلی افزایش می یابد). میله های خطا SEM را به تصویر می کشند. حرف_{EXP 1}= 34 ؛حرف_{Exp 2}= 39. درست ، تعامل فعالیت AINS با حرکت قیمت سهام قبلی ، حرکت قیمت سهام خارج از نمونه را طبقه بندی می کند. نوار اول (دوم) دقت یک مدل کاهش یافته را که در فعالیت AINS ، حرکت قیمت سهام قبلی و تعامل آنها در آزمایش 1 (2) آموزش دیده است ، نشان می دهد و در آزمایش 2 (1) آزمایش می شود. خط نقطه نشان دهنده عملکرد شانس است. میله های خطا فواصل اطمینان 95 ٪ را نشان می دهد. حرف_{EXP 1}= 34 ، n_{Exp 2}= 39. Exp ، آزمایش.

بر خلاف آزمایش 1 ، مدل عصبی در آزمایش 2 ارتباط معنی داری از فعالیت NACC با پویایی قیمت سهام نشان نداد (مدل عصبی: NACC ، Z = 0. 05 ، P = 0. 959 ؛ جدول 2). مشابه آزمایش 1 ، هرچند ، مدل ترکیبی (که شامل انتخاب ، شاخص های سهام و داده های عصبی به عنوان پیش بینی کننده) در آزمایش 2 بود که تعامل قابل توجهی از حرکت قیمت قبلی با فعالیت AINS را نشان می دهد (Z = -2. 30 ، P = 0. 021 ؛جدول 2). این تعامل دوباره در هنگام شامل فقط فعالیت عصبی AIN ، حرکت قیمت قبلی و تعامل آنها در یک مدل کاهش یافته قابل توجه باقی مانده است (39/0 = z ، 017/0 = P). با این حال ، مقایسه مدل مستقیم نشان نداد که مدل ترکیبی به طور قابل توجهی از سایر مدل ها بهتر است.

همانطور که در آزمایش 1 ، فعالیت AIN ها به طور کلی تورم قیمت را در مقابل عدم انعطاف پذیری پیش بینی می کنند (میانگین_تورم= –0. 011 ، SD_تورم= 0. 065 ؛منظور داشتن_{بدون تورم}= –0. 037 ، SD_{بدون تورم}= 0. 058 ؛حرف₍₁₃₆₎= 2. 59 ، P = 0. 011 ؛شکل 2). باز هم ، فعالیت AIN به طور خاص پیش بینی قیمت کاهش می یابد که پس از آن افزایش می یابد در مقابل کاهش هایی که به دنبال آن کاهش می یابد (میانگین_{افزایش → کاهش}= –0. 011 ، SD_{افزایش → کاهش}= 0. 055 ؛منظور داشتن_{کاهش → کاهش}= –0. 041 ، SD_{کاهش → کاهش}= 0. 053 ؛حرف₍₆₂₎= 2. 31 ، P = 0. 024). اگرچه به نظر می رسد که مدل ترکیبی بیشترین واریانس را در آزمایش 2 (یعنی شبه بزرگتر 2) به خود اختصاص می دهد ، اما تناسب نسبت به سایر مدل ها (به عنوان مثال ، AIC بزرگتر) قوی تر بود ، و این نشان دهنده بیش از حد بالقوه است. بنابراین ، ما به دنبال آزمایش دقیق تر تعامل فعالیت AINS با حرکت قیمت آزمایشی قبلی با تست های طبقه بندی کننده بودیم.

تست های طبقه بندی کننده تعمیم

طبقه بندی کننده ای که بر اساس داده های مدل ترکیبی آزمایش 1 پیش بینی شده قیمت سهام در داده های آزمایش 2 با دقت 59. 42 ٪ (95 ٪ CI = 8. 19 ±) آموزش داده شده است ، که بیش از شانس (یا 50 ٪ دقت ؛ P = 0. 033 ، آزمون Binomial است.). نسخه کاهش یافته این طبقه بندی کننده که فقط بر روی یک مدل آموزش داده شده است شامل فعالیت عصبی AINS ، حرکت قیمت قبلی و تعامل آنها در داده های آزمایش 1 نشان داد که این تعامل به پیش بینی قیمت سهام آزمایش 2 با دقت 57. 97 ٪ ادامه می دهد (95 ٪ CI =8. 23 ٪)) ، که در یک سطح روند بیش از شانس بود (P = 0. 073 ، آزمایش دوتایی ؛ شکل 2). علاوه بر این ، طبقه بندی کننده های آموزش داده شده بر روی قیمت سهام تصادفی از آزمایش 1 نمی توانند قیمت سهام روز بعد را در آزمایش 2 پیش بینی کنند (مدل ترکیبی: T₍₄₉₉₎= 1. 39 ، P = 0. 165 ؛مدل کاهش یافته شامل فقط فعالیت عصبی AINS ، حرکت قیمت قبلی و تعامل آنها: T₍₄₉₉₎= 11. 134 ، P = 0. 257).

در مقابل ، یک طبقه بندی کننده که بر روی داده های مدل ترکیبی از آزمایش 2 حرکت قیمت سهام پیش بینی شده در داده های آزمایش 1 با دقت 63. 97 ٪ (95 ٪ CI = 8. 06 ±) آموزش داده شده است ، که از شانس فراتر رفته است (P = 0. 001 ، آزمایش دوتایی). نسخه کاهش یافته این طبقه بندی که فقط بر روی فعالیت عصبی AINS ، حرکت قیمت قبلی آموزش داده شده است ، و تعامل آنها در آزمایش 2 پیش بینی قیمت سهام از آزمایش 1 با دقت 66. 18 ٪ (95 ٪ CI = 7. 95 ±) ، که از شانس فراتر رفته است (P< 0.001, binomial test; Fig. 2). Again, classifiers trained on randomized stock prices from experiment 2 could not forecast next-day stock prices in experiment 1 (Combined model: t ₍₄₉₉₎= −0. 292 ، P = 0. 77 ؛مدل کاهش یافته شامل فقط فعالیت عصبی AINS ، حرکت قیمت قبلی و تعامل آنها: T₍₄₉₉₎= 0. 758 ، P = 0. 449). با هم ، این یافته ها نشان می دهد که تعامل فعالیت گروه های گروه با قیمت سهام روز گذشته حاوی اطلاعاتی است که قادر به پیش بینی حرکت قیمت سهام روز بعد ، حتی خارج از نمونه است.

تجزیه و تحلیل تأیید کننده کامل مغز

اولین تجزیه و تحلیل کل مغز پاسخ های پیش بینی شده به نتایج تشویقی و تعامل کار را تأیید کرد. همانطور که پیش بینی شده است ، فعالیت NACC در پاسخ به سود (یعنی افزایش قیمت پس از انتخاب سرمایه گذاری) و هم از اجتناب از خسارات (به عنوان مثال ، قیمت ضد خلاف پس از انتخاب سرمایه گذاری کاهش نمی یابد) افزایش یافته است. در مقابل ، فعالیت NACC در پاسخ به ضرر و زیان (یعنی کاهش قیمت پس از انتخاب سرمایه گذاری) کاهش یافته و سودهای از دست رفته (به عنوان مثال ، افزایش قیمت ضد عملی پس از انتخاب سرمایه گذاری افزایش می یابد ؛ جدول 3).

پاسخ های کل مغز به سود واقعی و ضد عملی در مقابل نتایج از دست دادن