تحقیقات مالی

تحقیقات مالی

توجه سرمایه‌‌گذار خُرد و رفتار گروهی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان
مریم دولو 1
ارغوان خلیلی 2
1 دانشیار، گروه مدیریت مالی، دانشکدۀ مدیریت مالی و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.
2 کارشناس ارشد، گروه مدیریت مالی، دانشکدۀ مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
10.22059/frj.2025.391308.1007722
چکیده
هدف: رفتار گروهی یکی از تورش‌های رفتاری در بازارهای مالی است که می‌تواند به تصمیم‌گیری غیرمنطقی و انحراف از ارزش ذاتی دارایی‌ها منجر شود. این رفتار در صورت‌عدم مدیریت، نوسان‌های بازار را افزایش می‌دهد و به شکل‌گیری حباب‌های قیمتی منجر می‌شود. ترکیدن این حباب‌ها زیان‌های درخور توجهی برای سرمایه‌گذاران و نهادهای مالی به همراه دارد. سرمایه‌گذاران حقیقی، به‌دلیل زمان و توجه محدود و همچنین، دسترسی به منابع اطلاعاتی محدود و یکسان، نمی‌توانند تمامی سهام را بررسی کنند. به همین دلیل، به نظر می‌رسد که در زمان معامله، احتمالاً به‌سمت سهم‌هایی گرایش پیدا کنند که توجه بیشتری را به خود جلب کرده‌اند. هدف اصلی پژوهش حاضر، بررسی اثر توجه سرمایه‌گذار حقیقی (خُرد) بر رفتار گروهی در بورس اوراق بهادار تهران است. در ادامه، اثر توجه سرمایه‌گذاران بر رفتار گروهی، میان سرمایه‌گذاران حقیقی و حقوقی مقایسه و همچنین، تفاوت آن در استفاده از داده‌های «معاملات» و «سفارش‌ها» بررسی شده است. در نهایت، تأثیر عواملی مانند، شدت ضربه به حدود قیمت، اندازۀ شرکت، مومنتوم و احساسات سرمایه‌گذاران نیز بر این رابطه آزمون شده است.
روش: به‌منظور آزمون تأثیر توجه سرمایه‌گذاران حقیقی بر رفتار گروهی، از رگرسیون داده‌های ترکیبی استفاده شده است. رفتار ‌گروهی با دو مدل LSV و FHW به‌عنوان کران بالا و پایین ارزش واقعی رفتار گروهی محاسبه می‌شود. توجه سرمایه‌گذاران از طریق شاخص حجم جست‌وجوی غیر‌عادی گوگل (ASVI) و حجم غیرعا‌دی معاملات (AVOL) سنجیده شده است. اثر سایر متغیرهای تأثیرگذار، رفتار گروهی سرمایه‌گذاران حقوقی، بازده سهام، معکوس نسبت P/E، حجم معاملات، انحراف معیار بازده سهام، ارزش بازار و تقاضای اطلاعات، به‌عنوان متغیر کنترل لحاظ شده‌اند. در ادامه، برای بررسی دقیق‌تر این تأثیر، شرکت‌ها بر اساس میانۀ اندازۀ شرکت، به دو گروه شرکت‌های بزرگ/کوچک و بر اساس میانۀ مومنتوم، به دو گروه مومنتوم بالا/ پایین تفکیک شده‌اند و برای هر گروه، مدل به‌صورت جداگانه برازش و نتایج با یکدیگر مقایسه شده است. در آخر، اثر توجه بر رفتار گروهی در شرایط احساسات مثبت و منفی (با سنجه شاخص آرمز) به‌طور جداگانه بررسی و مقایسه شده است. داده‌های ماهانۀ شرکت‌های نمونه، طی سال‌های ۱۳۸۸ تا شهریور ۱۴۰۲ بررسی شده‌اند.
یافته‌ها: یافته‌ها نشان می‌دهد که توجه سرمایه‌گذاران حقیقی، در شکل‌گیری و تشدید رفتار گروهی در بورس اوراق بهادار تهران نقشی کلیدی دارد. افزایش توجه، اغلب از تمایلات سرمایه‌گذاران به سهام خاص نشئت می‌گیرد که باعث کاهش تنوع در تصمیم‌های معاملاتی و همگرایی رفتار می‌شود. ارتباط میان توجه و رفتار گروهی زمانی اهمیت بیشتری پیدا می‌کند که این توجه به‌طور گسترده در بازار انتشار یابد و تعداد زیادی از سرمایه‌گذاران، بدون تحلیل دقیق، به تصمیم‌های دیگران تکیه کنند. پژوهش‌ها نشان داده‌اند که در شرایط افزایش توجه، سرمایه‌گذاران حقیقی، به‌دلیل اطلاعات محدود و تأثیرپذیری زیاد از جوّ روانی بازار، رفتار گروهی شدیدتری نشان می‌دهند. این توجه گسترده، سرمایه‌گذاران را به‌سمت تصمیم‌هایی مشابه سوق می‌دهد که در نهایت، به پدیده رفتار ‎گروهی منجر می‌شود. علاوه‌براین، عوامل روان‌شناختی نظیر احساسات مثبت، توجه بیشتری به سهام جلب می‌کند و خوش‌بینی حاکم بر سرمایه‌گذاران رفتار گروهی را تشدید می‌کند. به‌علاوه، شرکت‌های بزرگ و شناخته‌شده به‌دلیل شهرت و پوشش رسانه‌ای بیشتر، اغلب توجه بیشتری را جلب می‌کنند و در نتیجه، بستری مناسب برای شکل‌گیری رفتار گروهی فراهم می‌شود. به همین ترتیب، سهام با مومنتوم پایین، به‌دلیل نگرانی از زیان یا احتمال بازگشت قیمتی، بیشتر در کانون توجه قرار می‌گیرد و رفتار گروهی در این سهام شدت می‌یابد. به‌طورکلی، یافته‌ها بر اهمیت نقش توجه سرمایه‌گذاران در شکل‌دهی رفتار گروهی تأکید دارند و نشان می‌دهند که هرچه توجه سرمایه‌گذاران حقیقی افزایش یابد، تمایل به تصمیم‌های گروهی و همگرایی در بازار بیشتر خواهد شد.
نتیجه‌گیری: توجه سرمایه‌گذاران، به‌ویژه حقیقی‌ها، عامل کلیدی شکل‌گیری رفتار گروهی است. افزایش توجه به سهام خاص باعث کاهش تنوع تصمیم‌ها و همگرایی بیشتر سرمایه‌گذاران می‌شود. شرکت‌های بزرگ، به‌دلیل پوشش رسانه‌ای و سهام با مومنتوم پایین به‌دلیل نگرانی از زیان، بیشتر در معرض این رفتار قرار دارند. احساسات بازار نیز در شرایط مثبت، رفتار گروهی را تقویت و در شرایط منفی، واکنش‌های هیجانی را تشدید می‌کند. علاوه‌بر سرمایه‌گذاران حقیقی، رفتار حقوقی‌ها نیز بر این فرایند اثرگذار است، زیرا می‌تواند به‌عنوان سیگنالی برای سرمایه‌گذاران خرد عمل کند. این یافته‌ها با نظریه‌های مالی رفتاری هم‌خوانی دارد که نشان می‌دهد، تصمیم‌های سرمایه‌گذاران، نه‌تنها بر مبنای اطلاعات، بلکه تحت تأثیر جوّ روانی و رفتار سایرین شکل می‌گیرد.
کلیدواژه‌ها
احساسات سرمایه‌گذار
توجه سرمایه‌گذار خُرد
حد نوسان قیمت
رفتار‌ گروهی
مومنتوم.
موضوعات

عنوان مقاله English

Retail Investor Attention and Herding Behavior

نویسندگان English

Maryam Davallou 1
Arghavan Khalili 2
1 Associate Prof., Department of Financial Management and Insurance, Faculty of Management and Accounting, Shahid Beheshti University, Tehran, Iran.
2 MSc., Department of Financial Management, Faculty of Accounting and Management, Shahid Beheshti University, Tehran, Iran.
چکیده English

Objective
Herding behavior is a type of behavioral bias in financial markets that can lead to irrational decision-making and deviation from the intrinsic value of assets. If not managed, this behavior increases market volatility and can result in the formation of price bubbles. The bursting of these bubbles leads to significant losses for investors and financial institutions. Individual investors, due to limited time, attention, and access to uniform and limited information sources, are unable to analyze all stocks. Therefore, it seems likely that, during trading, they are drawn to stocks that attract more attention. The primary aim of this study is to investigate the effect of individual (retail) investor attention on herding behavior in the Tehran Stock Exchange. Furthermore, the study compares the effect of investor attention on herding behavior between individual and institutional investors, and also examines differences in trading and order data. Finally, factors such as the intensity of price limit hits, company size, momentum, and investor sentiment are analyzed in relation to this behavior

Methods
To test the effect of individual investor attention on herding behavior, a panel data regression approach was used. Herding behavior is calculated using the LSV and FHW models as upper and lower bounds of the true value of this behavior. Investor attention is measured through the Google Search Volume Index (ASVI) and abnormal trading volume (AVOL). In this model, to control for the effects of other influencing variables, institutional investor herding behavior, stock returns, the inverse of the P/E ratio, trading volume, standard deviation of stock returns, market capitalization, and information demand are included as control variables. To further examine this effect, companies are divided into two groups based on the median size (large and small companies) and median momentum (high and low momentum). The model is separately estimated for each group, and the results are compared. Finally, the effect of investor sentiment, measured by the Arms index, is also investigated, and the effect of attention on herding behavior is separately analyzed in both positive and negative sentiment conditions. Data were collected monthly, covering active companies in the Tehran Stock Exchange from 2009 to September 2023.

Results
The findings of this study indicate that individual investors' attention plays a key role in the formation and intensification of herding behavior in the Tehran Stock Exchange. Increased attention is often driven by investors' preferences for specific stocks, leading to reduced diversity in trading decisions and greater behavioral convergence. The relationship between attention and herding behavior becomes more significant when this attention spreads widely across the market, with many investors relying on the decisions of others without thorough analysis. Research has shown that, under conditions of increased attention, individual investors exhibit stronger herding behavior due to limited information and higher susceptibility to market sentiment. This widespread attention directs investors towards similar decisions, ultimately resulting in herding behavior. Furthermore, psychological factors such as positive sentiment attract more attention to stocks, and the prevailing optimism among investors exacerbates herding behavior. Additionally, well-known and large companies, due to their reputation and media coverage, tend to attract more attention, creating a favorable environment for the formation of herding behavior. Similarly, stocks with low momentum are more likely to attract attention due to concerns about losses or the possibility of price reversals, further intensifying herding behavior. Overall, the findings emphasize the importance of individual investors' attention in shaping herding behavior and demonstrate that as individual investors' attention increases, the tendency for group decisions and convergence in the market grows stronger.

Conclusion
Investors' attention, especially that of individual investors, is a key factor in the formation of herding behavior. Increased attention to specific stocks leads to reduced decision-making diversity and greater convergence among investors. Large companies, due to media coverage, and stocks with low momentum, due to concerns about losses, are more susceptible to this behavior. Market sentiment also strengthens herding behavior in positive conditions and intensifies emotional reactions in negative ones. In addition to individual investors, institutional investors' behavior also impacts this process, as it can act as a signal for retail investors. These findings align with behavioral finance theories, showing that investor decisions are shaped not only by information but also by psychological factors and the behavior of others.

کلیدواژه‌ها English

Herding behavior
Investor attention (Retail)
Investor sentiment
Momentum
Price limit
کشاورز حداد، غلامرضا؛ رضائی، محمد (۱۳۸۹). آزمون و تحلیل وجود رفتار گله‌ای در بین سرمایه‌گذاران نهادی بازار سهام ایران. فصلنامه پژوهش‌های اقتصادی ایران، 15(45)، 103-137.
یوسفی، راحله؛ شهرآبادی، ابوالفضل (1388). بررسی و آزمون رفتار توده وار سرمایه گذاران در بورس اوراق بهادار. مدیریت توسعه و تحول، 1(2)، 57-64.
 
References
Ahmad, S. & Wu, Y. (2022). Impact of herding behavior on investment management and market efficiency: Evidence from Pakistan Stock Exchange. International Journal of Finance and Economics, 60 (8), 2148- 2173.
Alexakis, C., Chantziaras, A., Economou, F., Eleftheriou, K. & Grose, C. (2023). Animal Behavior in Capital markets: Herding formation dynamics, trading volume, and the role of COVID-19 pandemic. The North American Journal of Economics and Finance, 67, 1-16.
Alharbi, K. M. & Hamid, N. I. N. B. A. (2024). Herding and retail investors’ decisions: A review literature. Environment and Social Psychology, 9 (4), 1-11.
Al-Shboul, M. (2012). Asymmetric Effects and the Herd Behavior in the Australian Equity Market. International Journal of Business and Management, 7 (7), 121-140.
Ap Gwilym, O., Kita, A. & Wang, Q. (2014). Speculate against speculative demand. International Review of Financial Analysis, 34, 212-221.
Barber, B. M., Odean, T. & Zhu, N. (2009). Do retail trades move markets. Review of Financial Studies, 22 (1), 151–186.
Barber, B.M., Lee, Y.T., Liu, Y.J. & Odean, T. (2008). Just how much do individual investors lose by trading. Review of Financial Studies, 22 (2), 609-632.
Barberis, N. & Thaler, R. (2003). A survey of behavioral finance. Handbook of the Economics of Finance, 1 (2), 1053-1128.
Bashir, H. A., Kumar, D. & Shiljas, K. (2021). Investor attention and herding in the cryptocurrency market during the covid-19 pandemic. Applied Finance Letters, 10: 67-77.
Bellando, R. (2010). Measuring herding intensity: a hard task. Available at SSRN 1622700.
Bijl, L., Kringhaug, G., Molnár, P. & Sandvik, E. (2016). Google searches and stock returns. International Review of Financial Analysis, 45, 150-156.
Bikhchandani, S. & Sharma, S. (2000). Herd Behavior in Financial Markets: A Review. IMF Staff Papers, 47 (3), 279-310.
Blasco, N., Corredor, P. & Ferreruela, S. (2012). Market sentiment: a key factor of investors’ imitative behavior. Accounting & finance, 52 (3), 663-689.
Borah, N., Cedric, M. & Suzanne, S. (2023). Investor Attention, News and the Herd Behavior of Individual Stock Returns. Journal of Finance, 21 (2), 1-16.
Cevik, E., Kirci Altinkeski, B., Cevik, E. I. & Dibooglu, S. (2022). Investor sentiments and stock markets during the COVID-19 pandemic. Financial Innovation, 8 (1), 1-34.
Chai, D., Dai, M., Gharghori, P. & Hong, B. (2021). Internet search intensity and its relation with trading activity and stock returns. International Review of Finance, 21 (1), 282-311.
Chang, E. C., Cheng, J. W. & Khorana, A. (2000). An examination of herd behavior in equity markets: An international perspective. Journal of Banking & Finance, 24 (10), 1651-1679.
Cheoljun, E., Jang, W., Kang, B., Lee, W. & Park, J. (2020). Investor Attention, Market Dynamics, and Momentum in the Korean Stock Market. Korean Journal of Financial Studies, 49 (4), 589-641.
Choi, K. H. & Yoon, S. M. (2020). Investor sentiment and herding behavior in the Korean stock market. International Journal of Financial Studies, 8 (2), 1-14.
Da, Z., Engelberg, J. & Gao, P. (2011). In search of attention. The journal of finance, 66 (5), 1461-1499.
Di Toro, M. (2023). The Effect of the Company Size on the Intrinsic Value and Herd Behaviour. International Journal of Research and Review, 9 (10), 2349-9788.
Erdős, S. & Várkonyi, P. (2023). Investigating macro herd behaviour: evidence from publicly traded German companies. Review of Behavioral Finance, Emerald Group Publishing Limited, 16 (2), 266-281.
Foucault, T., Moinas, S. & Theissen, E. (2007). Does anonymity matter in electronic limit order markets. Review of Financial Studies, 20 (5), 1707–1747.
Frey, S., Herbst, P. & Walter, A. (2007). Measuring mutual fund herding–a structural approach. Journal of International Financial Markets, Institutions and Money, 32, 219-239.
Guo, T., Finke, M. & Mulholland, B. (2015). Investor attention and advisor social media interaction. Applied Economics Letters, 22(4), 261-265.
Healy, P. M. & Palepu, K. G. (2001). Information asymmetry, corporate disclosure, and the capital markets: A review of the empirical disclosure literature. Journal of Accounting and Economics, 31 (1), 405-440.
Hirshleifer, D. & Teoh, S. H. (2003). Limited attention, information disclosure, and financial reporting. Journal of Accounting and Economics, 36 (1), 337-386.
Hsieh, S., Chan, C. & Wang, M. (2020). Retail investor attention and herding behavior. Journal Of Empirical Finance, (110), 446-455.
Huang, J., Zhang, P. & Zhang, J. (2023). Understanding Momentum and Reversal Investing Strategies. Journal of Economics, Finance and Accounting Studies, 5 (1), 106-112.
Hung, W., Lu, C. & Lee, F. (2010). Mutual fund herding its impact on stock returns: Evidence from the Taiwan stock market. Pacific-Basin Finance Journal, 18(5), 477-493.
Jafarzadeh, A. H., Fathi, M. R., & Köksal, C. D. (2026). Evaluating Financial Performance of Exchange-Listed Companies with Integrated DEA and Malmquist Index. Industrial Management Journal, 18(2), 121-149. doi: 10.22059/imj.2026.409783.1008283
Karaca‐Mandic, P., Norton, E. & Dowd, B. (2012). Interaction terms in nonlinear models. Health services research, 47 (1), 255-274.
Keshavarz Haddad, Gh. & Rezaei, M. (2009). Examining and Analyzing the Existence of Herd Behavior Among Institutional Investors in the Iranian Stock Market. Quarterly Iranian Economic Research, 15 (45), 103-137. (in Persian)
Kryzanowski, L. & Rouhghalandari, A. (2024). Does the Mad Money Show cause investors to go madly attentive. Available at SSRN 4199699.
Lai, H., Chang, T., Cheng, Hu. & Po-Ching, C. (2022). Can google search volume index predict the returns and trading volumes of stocks in a retail investor dominant market. Cogent Economics & Finance, Taylor & Francis Journals, 10 (1), 2014640.
Lakonishok, J., Shleifer, A. & Vishny, R. (1992). The impact of institutional trading on stock prices. Journal of Financial Economics, 32 (1), 23-43.
Lan, Q. & Lai, R. (2011). Herding and trading volume. Available at SSRN 1914208.
Li, J. & Yu, J. (2012). Investor attention, psychological anchors, and stock return predictability. Journal of Financial Economics, 104 (2), 401-419.
Li, X., Hendler, J. & Teall, J. (2016). Investor Attention on the Social Web. Journal of Behavioral Finance, 17 (1), 45-59.
Lin, C., Ko, K. C., Lin, L. & Yang, N. T. (2017). Price limits and the value premium in the Taiwan stock market. Pacific-Basin Finance Journal, 41, 26-45.
Lin, W.T., Tsai, S.C. & Sun, D.S. (2014). Search costs and investor trading activity: Evidence from limit order books. Emerging Markets Finance and Trade, 48 (3), 4–30.
Liu, W., Yang, J., Chen, J. & Xu, L. (2023). How social-network attention and sentiment of investors affect commodity futures market returns: New evidence from China. SAGE Open, 13 (1), 1-18.
Liu, Y.J., Tsai, C.L., Wang, M.C. & Zhu, N. (2010). Prior consequences and subsequent risk taking: New field evidence from the Taiwan Futures Exchange. Management Science, 56 (4), 606–620.
Lo, A. W. (2005). Reconciling efficient markets with behavioral finance: The adaptive markets hypothesis. Journal of Investment Consulting, 7 (2), 21-44.
Malkiel, B. G. (2019). The Efficient Market Hypothesis and its Critics. Journal of Economic Perspectives, 33 (1), 59-82.
Merli, M. & Roger, T. (2013). What drives herding behavior in financial markets. International Review of Financial Analysis, 29 (3), 75-84.
Nofsinger, J. & Sias, R.W. (1999). Herding and feedback trading by institutional and individual investors. The Journal of finance, 54 (6), 2263–2295.
Odean, T. (1999). Do investors trade too much. American economic review, 89 (5), 1279-1298.
Peltomäki, J. & Vähämaa, E. (2015). Investor attention to the Eurozone crisis and herding effects in national bank stock indexes. Finance Research Letters, 14, 111-116.
Seasholes, M.S. & Wu, G. (2007). Predictable behavior, profits, and attention. Journal of Empirical Finance, 14 (5), 590–610.
Shefrin, H. (2008). Beyond greed and fear: Understanding behavioral finance and the psychology of investing. Harvard Business Review, 78 (6), 75-79.
Shleifer, A. & Summers, L. H. (1990). The noise trader approach to finance. Journal of Economic Perspectives, 4 (2), 19-33.
Sias, R. (2004). Institutional investor herding. The review of financial studies, 17 (1), 165–206.
Swamy, V., Dharani, M. & Takeda, F. (2019). Investor attention and Google Search Volume Index: Evidence from an emerging market using quantile regression analysis. Research in International Business and Finance, 50 (1), 1-17.
Tan, L., Zhang, X. & Zhang, X. (2023). Retail and Institutional Investor Trading Behaviors: Evidence from China. Annual Review of Financial Economics, 16, 459-483.
Tauseef, S. (2023). Herd behaviour in an emerging market: an evidence of calendar and size effects. Journal of Asia Business Studies, 17 (3), 639-655.
Vlastakis, N. & Markellos, R. N. (2012). Information demand and stock market volatility. Journal of Banking & Finance, 36 (7), 1808-1821.
Yang, X., Fang, X., Gao, M., Ackert, L. & Qi, L. (2024). Visual Attention and Herding: Insights from a Laboratory Asset Trading Game. Available at SSRN.
Yousefi, R. & Shahrabadi, A. (2009). Examining and Testing Herd Behavior of Investors in the Stock Exchange. Development and Transformation Management, 1 (2), 57-64.
(in Persian)
Yusoff, W. F. W. & Majid, M. S. A. (2012). Herding behavior in the Malaysian stock market. Asian Journal of Finance & Accounting, 4 (2), 163-180.
Zaremba, A. & Kambouris, G. (2019). The sources of momentum in international government bond returns. Applied Economics, 51 (8), 848-857.
Zhou, R. T. & Lai, R. N. (2009). Herding and information based trading. Journal of Empirical Finance, 16 (3), 388-393.
تحقیقات مالی
دوره 28، شماره 3
1405
صفحه 742-770