مدل قیمت گذاری تحلیل عاملی (Factor Analysis for Pricing)، در ریاضیات (Mathematics)

انواع مدل های قیمت گذاری (Pricing Models) را در آموزش زیر شرح دادیم :

مدل قیمت گذاری تحلیل عاملی (Factor Analysis for Pricing) :

مدل قیمت گذاری تحلیل عاملی (Factor Analysis for Pricing) یک روش آماری چندمتغیره است که برای کاهش ابعاد داده ها و شناسایی عوامل پنهان (Latent Factors) مؤثر بر قیمت استفاده می شود. در این مدل، فرض می شود قیمت یک محصول (یا سبدی از محصولات) تحت تأثیر تعداد محدودی از عوامل غیرقابل مشاهده (مانند کیفیت برند، شرایط اقتصادی، ریسک بازار) قرار دارد. تحلیل عاملی به محققان کمک می کند تا این عوامل را شناسایی کرده و اثر آنها را بر قیمت کمی سازی کنند.

مدل آماری تحلیل عاملی:

فرض می کنیم

\[ p \]

متغیر مشاهده شده (مثلا قیمت سهام شرکت ها) داریم که به

\[ k \]

عامل مشترک (

\[ k < p \]

) وابسته هستند:

\[ X_i = \mu_i + \lambda_{i1} F_1 + \lambda_{i2} F_2 + ... + \lambda_{ik} F_k + \varepsilon_i \]

که در آن:

\[ X_i \]

: متغیر مشاهده شده i (مثلا قیمت سهام شرکت i)

\[ \mu_i \]

: میانگین متغیر i

\[ F_j \]

: عامل مشترک j (غیرقابل مشاهده)

\[ \lambda_{ij} \]

: بار عاملی (Factor Loading) - نشان دهنده حساسیت متغیر i به عامل j

\[ \varepsilon_i \]

: خطای خاص متغیر i (عوامل خاص)

فرض می شود عوامل مشترک

\[ F_j \]

و خطاها

\[ \varepsilon_i \]

مستقل و با میانگین صفر هستند.

🔑 کاربرد تحلیل عاملی در قیمت گذاری دارایی ها:

مدل قیمت گذاری آربیتراژ (APT) بر اساس تحلیل عاملی بنا شده است. در APT، بازده دارایی ها به چند عامل کلان اقتصادی (مانند رشد GDP، تورم، نرخ بهره) وابسته است. تحلیل عاملی به شناسایی این عوامل و تخمین بارهای عاملی کمک می کند.

مراحل انجام تحلیل عاملی برای قیمت گذاری:

گام ۱: جمع آوری داده های مربوط به قیمت (یا بازده) برای چندین محصول/دارایی در طول زمان.

گام ۲: بررسی مناسب بودن داده ها برای تحلیل عاملی (آزمون KMO و بارتلت).

گام ۳: استخراج عوامل اولیه (با روش تحلیل مؤلفه های اصلی - PCA یا روش حداکثر درستنمایی).

گام ۴: تعیین تعداد مناسب عوامل (با استفاده از معیارهایی مانند scree plot یا مقدار ویژه بالای 1).

گام ۵: چرخش عوامل (مانند واریماکس) برای تفسیرپذیری بهتر.

گام ۶: تفسیر عوامل بر اساس بارهای عاملی (مثلا عاملی که با قیمت نفت و انرژی همبستگی دارد، "عامل انرژی" نامیده می شود).

گام ۷: استفاده از نمرات عاملی (Factor Scores) به عنوان متغیرهای جدید در مدل های قیمت گذاری (مثلا رگرسیون).

مثال: تحلیل عاملی برای قیمت سهام شرکت های خودروسازی:

📘 مثال:

قیمت روزانه سهام ۱۰ شرکت خودروسازی در ۵ سال گذشته جمع آوری شده است. تحلیل عاملی روی بازده این سهام ها انجام می شود. نتایج نشان می دهد ۳ عامل اصلی وجود دارد:

عامل ۱: بار عاملی بالا برای همه شرکت ها (عامل بازار) - شاخص کل بازار.

عامل ۲: بار عاملی بالا برای شرکت های تولیدکننده خودروهای لوکس (عامل سلیقه مصرف کننده).

عامل ۳: بار عاملی بالا برای شرکت های با صادرات بالا (عامل نرخ ارز).

سپس می توان بازده هر سهم را به این عوامل رگرسیون کرد و بتاهای عاملی را به دست آورد. این بتاها در مدل APT برای قیمت گذاری سهام استفاده می شوند.

تحلیل عاملی در قیمت گذاری هدانیک (Hedonic Pricing):

در مدل هدانیک برای مسکن، ویژگی های زیادی وجود دارد (متراژ، تعداد اتاق، سن بنا، موقعیت). تحلیل عاملی می تواند این ویژگی ها را به چند عامل کلی کاهش دهد (مثلا عامل "کیفیت بنا"، عامل "موقعیت مکانی"، عامل "امکانات") و سپس قیمت بر اساس این عوامل برآورد شود.

مزایای تحلیل عاملی:

کاهش ابعاد داده ها و ساده سازی مدل ها

شناسایی ساختار پنهان و عوامل بنیادی مؤثر بر قیمت

کاهش همخطی (Multicollinearity) در رگرسیون ها

کاربرد در مدل های قیمت گذاری عاملی مانند APT

معایب و محدودیت ها:

تفسیر عوامل گاهی دشوار و ذهنی است

نتایج به روش استخراج و چرخش عوامل وابسته است

نیاز به داده های با کیفیت و حجم کافی

عوامل ممکن است در طول زمان تغییر کنند (ناپایدار باشند)

کاربردها:

مدل سازی قیمت دارایی ها (سهام، اوراق قرضه)

قیمت گذاری هدانیک (مسکن، خودرو)

تحلیل رفتار مصرف کننده و بخش بندی بازار

مدیریت ریسک و شناسایی منابع ریسک