Занижение цены IPO - это увеличение стоимости акций от первоначальной цены предложения до цены закрытия первого дня. Многие считают, что IPO по заниженной цене оставляет деньги на столе для корпораций, но некоторые полагают, что занижение цены неизбежно. Инвесторы заявляют, что занижение цены свидетельствует о высоком интересе к рынку, который увеличивает спрос. С другой стороны, акции с завышенной ценой в долгосрочной перспективе упадут, поскольку цена стабилизируется, поэтому занижение цены может уберечь эмитентов от судебных разбирательств с инвесторами.
Андеррайтеры, инвесторы и корпорации, планирующие первичное публичное размещение (IPO), эмитенты заинтересованы в их рыночной стоимости. Всегда возникает напряжение, поскольку андеррайтеры хотят поддерживать низкую цену, в то время как компании хотят высокой цены IPO.
Занижение цены также может быть вызвано чрезмерной реакцией инвестора, вызвавшей скачки цен в первые дни торгов. Процесс ценообразования IPO аналогичен ценообразованию на новые и уникальные продукты, когда данные о рыночном спросе, принятии продукта или реакции конкурентов немногочисленны. Кроме того, на заниженные цены также влияют идиосинкразические факторы фирмы, такие как ее бизнес-модель. Таким образом, трудно определить четкую цену, которая усугубляется разными целями эмитентов и инвесторов.
Проблема разработки алгоритмов определения заниженной цены связана с зашумленными,, сложными и неупорядоченными наборами данных. Кроме того, люди, окружающая среда и различные условия окружающей среды вносят нарушения в данные. Чтобы решить эти проблемы, исследователи нашли различные методы из искусственного интеллекта, которые нормализуют данные.
Искусственная нейронная сеть (ИНС) решает эти проблемы путем сканирования данных для разработки внутренних представлений о взаимосвязи между данными. Определяя взаимосвязь с течением времени, ИНС более чувствительны и адаптируются к структурным изменениям данных. Существует две модели ИНС: обучение с учителем и обучение без учителя.
В моделях контролируемого обучения есть тесты, которые необходимо пройти, чтобы уменьшить количество ошибок. Обычно, когда встречаются ошибки, т.е. тестовые выходные данные не соответствуют тестовым входным, алгоритмы используют обратное распространение для исправления ошибок. В то время как в моделях неконтролируемого обучения входные данные классифицируются на основе того, какие проблемы необходимо решить.
Эволюционное программирование часто сочетается с другими алгоритмами, например ИНС для повышения устойчивости, надежности и адаптируемости. Эволюционные модели снижают частоту ошибок, позволяя численным значениям изменяться в рамках фиксированной структуры программы. Разработчики предоставляют своим алгоритмам переменные, а затем предоставляют обучающие данные, чтобы помочь программе сгенерировать правила, определенные во входном пространстве, которые делают прогноз в выходном пространстве переменных.
В этом подходе решение принимается индивидуумом, а совокупность состоит из альтернатив. Однако выбросы заставляют людей действовать неожиданно, когда они пытаются создать правила для объяснения всего набора.
Например, Quintana сначала абстрагирует модель с 7 основными переменными. Правила произошли от системы эволюционных вычислений, разработанной в Мичигане и Питтсбурге:
Quintana использует эти факторы как сигналы, на которые обращают внимание инвесторы. Алгоритм, который объясняет его команда, показывает, как предсказание с высокой степенью уверенности возможно только с подмножеством данных.
Люк подходит к проблеме с выбросами, выполняя линейную регрессию по набору точек данных (вход, выход). Алгоритм обрабатывает данные, выделяя области для зашумленных данных. У схемы есть преимущество в том, что она изолирует зашумленные шаблоны, что снижает влияние выбросов на систему генерации правил. Алгоритм может вернуться позже, чтобы понять, влияют ли изолированные наборы данных на общие данные. Наконец, худшие результаты алгоритма превзошли предсказательные способности всех других алгоритмов.
В настоящее время многие алгоритмы предполагают однородное и рациональное поведение инвесторов. Однако есть подход, альтернативный финансовому моделированию, и он называется агентное моделирование (ABM). ABM использует различных автономных агентов, поведение которых развивается эндогенно, что приводит к сложной динамике системы, которую иногда невозможно предсказать на основе свойств отдельных агентов. ABM начинает применяться в вычислительных финансах. Хотя, чтобы ABM была более точной, необходимо разработать более совершенные модели для генерации правил.