The role of investor sentiment and financial technology systems on asset pricing and market efficiency
| dc.contributor.advisor | Artikis, Panagiotis | |
| dc.contributor.advisor | Αρτίκης, Παναγιώτης | |
| dc.contributor.author | Tsitsiri, Polyxeni G. | |
| dc.contributor.author | Τσιτσίρη, Πολυξένη | |
| dc.date.accessioned | 2025-09-11T07:38:32Z | |
| dc.date.available | 2025-09-11T07:38:32Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18122 | |
| dc.description.abstract | Η παρούσα διατριβή εξετάζει τον τρόπο με τον οποίο το επενδυτικό συναίσθημα και τα συστήματα Χρηματοοικονομικής Τεχνολογίας επηρεάζουν την τιμολόγηση των περιουσιακών στοιχείων και την αποτελεσματικότητα της αγοράς στην αγορά μετοχών Χρηματοοικονομικής Τεχνολογίας των χωρών G7 κατά την περίοδο Νοεμβρίου 2000 - Νοεμβρίου 2024. Με κίνητρο την αυξανόμενη ψηφιοποίηση των χρηματοπιστωτικών αγορών και συναλλαγών, την αύξηση των αλγοριθμικών συναλλαγών και τις συμπεριφορικές πτυχές της λήψης αποφάσεων από τους επενδυτές, η παρούσα έρευνα συνδέει τη συμπεριφορική χρηματοοικονομική με την τιμολόγηση περιουσιακών στοιχείων με βάση την καινοτομία. Παρόλο, που η αποτίμηση, που προκαλείται από το συναίσθημα, κυριαρχεί εδώ και καιρό στον τομέα της συμπεριφορικής τιμολόγησης περιουσιακών στοιχείων, υπάρχει αυξανόμενη εμπειρική και θεωρητική εστίαση στη σημασία του άυλου κεφαλαίου και των ψηφιακών υποδομών στην τιμολόγηση των αποδόσεων των περιουσιακών στοιχείων. Για τη μοντελοποίηση αυτής της δυαδικότητας, κατασκευάζονται σύνθετοι δείκτες, ο Δείκτης Επενδυτικού Κλίματος (ISI), που εισάγεται ως δείκτης κύκλου εργασιών και τιμής προς κέρδη, και ο δείκτης χρηματοοικονομικών τεχνολογικών συστημάτων (FSI), ως κεφαλαιακές δαπάνες σε επίπεδο επιχείρησης και κεφαλαιοποίησης, ενώ η Ε&Α (Έρευνα και Ανάπτυξη) και οι πατέντες εξαιρούνται λόγω περιορισμών στη διαθεσιμότητα των δεδομένων. Οι δύο δείκτες δημιουργούνται με τη χρήση Ανάλυσης Κύριων Συνιστωσών (PCA), τυποποιούνται και εισάγονται σε δέκα μοντέλα τιμολόγησης περιουσιακών στοιχείων, συμπεριλαμβανομένων του CAPM, των μοντέλων 3, 4 και 5 παραγόντων των Fama-French, του μοντέλου τεσσάρων παραγόντων του Carhart (FFC), του HML Devil (FAFF), του μοντέλου q-factor των Hou-Xue-Zhang και των προδιαγραφών QMJ και BAB, καθώς και q5. Η εμπειρική εκτίμηση βασίζεται σε παλινδρομήσεις πάνελ, που καταγράφονται από σταθερές και τυχαίες επιδράσεις, όπως προσδιορίζονται από τους ελέγχους Hausman, και είναι ισχυρά στην ετεροσκεδαστικότητα. Τα ευρήματα δείχνουν, ότι ο Δείκτης Χρηματοοικονομικών τεχνολογικών συστημάτων (FSI) είναι ένας στατιστικά και οικονομικά κοστολογημένος παράγοντας σε κάθε μοντέλο και περίοδο, αυξάνοντας σταθερά την προσαρμογή του μοντέλου και το προσαρμοσμένο R². Σε αντίθεση με το Δείκτη Συναισθήματος Επενδυτών (ISI), έχει μικρή και πεπερασμένη χρονικά εξαρτώμενη προβλεψιμότητα και η σημασία του είναι κυρίως στο πλήρες δείγμα και στην πρώιμη (2000-2012) υποπερίοδο, ενώ είναι απολύτως ασήμαντος στην προ και μετά το 2020 εποχή (πανδαιμική περίοδο). Αυτά τα αποτελέσματα υποδηλώνουν μια διαρθρωτική αλλαγή στη διαμόρφωση των αποδόσεων, από τις αποτιμήσεις, που καθοδηγούνται, από τη συμπεριφορά στα χρόνια της διαμόρφωσης της FinTech σε περιόδους τιμολόγησης, που καθοδηγούνται από την καινοτομία στην ώριμη, μετά την πανδημία, αγορά. Πραγματοποιούνται διάφοροι έλεγχοι αξιοπιστίας για την επιβεβαίωση αυτού του ευρήματος, συμπεριλαμβανομένης της ανάλυσης υποδείγματος (πριν/μετά το 2012 και πριν/μετά το 2020), εναλλακτικών ορισμών των υπερβάλλουσων αποδόσεων: αυτών που χρησιμοποιούν παγκόσμια επιτόκια χωρίς κίνδυνο (Fama-French, AQR, q-factors) και διαγνωστικών προδιαγραφών του υποδείγματος. Η διατριβή αναλύει, επίσης, την αποτελεσματικότητα της αγοράς μέσω της αυτοσυσχέτισης των αποδόσεων και της παλινδρόμησης της καθυστέρησης των τιμών. Τα ευρήματα αποκαλύπτουν, ότι η προβλεψιμότητα των αποδόσεων και η καθυστέρηση των τιμών έχουν την ισχυρότερη σημασία ως ανεπάρκεια ασθενούς μορφής στις πρώτες υποπεριόδους, οι οποίες στη συνέχεια μειώνονται ξαφνικά. Ο Δείκτης Συναισθήματος Επενδυτών (ISI) δεν είναι σε θέση να προβλέψει μεγάλη αναποτελεσματικότητα σε οποιαδήποτε περίοδο, ενώ ο Δείκτης Χρηματοοικονομικών τεχνολογικών συστημάτων (FSI) μπορεί να προβλέψει την ταχύτητα προσαρμογής των τιμών στα τελευταία έτη και την επίδρασή της στη ροή πληροφοριών, που επιταχύνουν τη ροή. Θεωρητικά, η διατριβή έχει συνέπειες για τα μοντέλα τιμολόγησης, που βασίζονται στη συμπεριφορά και την καινοτομία, υποδεικνύοντας ότι το επενδυτικό συναίσθημα είναι παροδικό και εξαρτάται από την κατάσταση, αλλά ότι τα συστήματα Χρηματοοικονομικής Τεχνολογίας αποτελούν μόνιμο διαρθρωτικό παράγοντα, τόσο για τη δημιουργία αποδόσεων, όσο και για τη βελτίωση της αποτελεσματικότητας. Μεθοδολογικά, δείχνει, πώς οι παράγοντες, που βασίζονται στην Ανάλυση Κύριων Συνιστωσών (PCA), μπορούν να ενσωματωθούν σε μοντέλα τιμολόγησης περιουσιακών στοιχείων σε πάνελ για μη ισορροπημένα πάνελ. Εμπειρικά, είναι σε θέση να αναγνωρίσει την ένταση της Χρηματοοικονομικής Τεχνολογίας ως παράγοντα τιμολόγησης και ως επεξηγηματικό παράγοντα της πληροφοριακής αποτελεσματικότητας για τις ανεπτυγμένες αγορές μετοχών. Τα αποτελέσματα αυτά έχουν σημαντικές συνέπειες για τους επενδυτές, τις ρυθμιστικές αρχές και τους φορείς χάραξης πολιτικής. Επιπλέον, υπογραμμίζουν την ανάγκη να λαμβάνονται υπόψη οι συγκεκριμένοι τεχνολογικοί παράγοντες στην αποτίμηση, την πρόβλεψη και τον σχεδιασμό πολιτικής (ιδίως σε κλάδους όπου οι ψηφιακές υποδομές έχουν μετασχηματιστικό αντίκτυπο στη δομή της αγοράς). Επιπλέον, τα εμπειρικά στοιχεία αυτής της μελέτης θα μπορούσαν επίσης να ρίξουν φως στη σχέση μεταξύ των συμπεριφορικών προκαταλήψεων, των τεχνολογικών συνόρων και της τιμολόγησης περιουσιακών στοιχείων στην εκκολαπτόμενη ψηφιακή κοινωνία. | el |
| dc.format.extent | 302 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | The role of investor sentiment and financial technology systems on asset pricing and market efficiency | el |
| dc.title.alternative | Ο ρόλος του συναισθήματος του επενδυτή και των συστημάτων χρηματοοικονομικής τεχνολογίας στην αποτίμηση των περιουσιακών στοιχείων και στην αποτελεσματικότητα των αγορών | el |
| dc.type | Doctoral Thesis | el |
| dc.contributor.department | Σχολή Οικονομικών, Επιχειρηματικών και Διεθνών Σπουδών. Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων | el |
| dc.description.abstractEN | This thesis examines how investor sentiment and FinTech Systems affect asset pricing and market efficiency in the FinTech equity market of G7 countries in the period of November 2000 - November 2024. Motivated by the increasing digitization of financial markets and trading, increases in algorithmic trading, and the behavioral aspects of investor decision making, this research connects behavioral finance with the innovation-based asset pricing. Although sentiment induced mispricing has long dominated the field of behavioral asset pricing, there has been an increasing empirical and theoretical focus on the importance of intangible capital and digital infrastructures in pricing asset returns. To model this duality, composite indexes are constructed, the Investor Sentiment Index (ISI), input as turnover and price-to-earnings measures, and the Financial Technology Systems Index (FSI), as firm-level capital expenditures and market capitalization, while R&D and patents are excluded because of data availability constraints. The two indices are generated using PCA, standardized and plugged into ten asset pricing models including the CAPM, Fama-French 3-, 4- and 5-factor models, Carhart’s four-factor model (FFC), HML Devil (FAFF), Hou–Xue–Zhang’s q-factor model, and QMJ and BAB and q5 specifications. The empirical estimation is based on panel regressions captured by fixed and random effects as determined by Hausman tests, and robust to heteroskedasticity. The findings show that FSI is a statistically and economically priced factor in each model and period, consistently increasing model fit and adjusted R². Unlike ISI, it has small and finite time-dependent predictability, and the significance is mainly in the full sample and the early (2000–2012) subperiod, whereas it is absolutely insignificant in the pre- and post-2020 era (pandemic period). These results suggest a structural change in return formation, from behaviorally driven valuations in FinTech’s formative years to innovation driven pricing regimes in the mature, post-pandemic market. A number of robustness checks are performed to confirm this finding, including subsample analysis (pre/post-2012 and pre/post-2020), alternative definitions of excess returns: that using global risk-free rates (Fama-French, AQR, q-factors), and model specification diagnostics. The thesis also analyzes the market efficiency through the return autocorrelation and the price delay regression. The findings reveal that return predictability and price delay have the strongest significance as weak-form inefficiencies in the early subperiods, which then suddenly drop. ISI is not able to predict a great deal of inefficiencies in any one period, and FSI can predict speed of price adjustment in the latter years and its impact on information speeding up flow. Theoretically, the thesis has implications for behavioral and innovation-based pricing models, indicating that investor sentiment is episodic and state-dependent, but that FinTech systems are a persistent structural driver of both return generation and efficiency enhancement. Methodologically, it shows how PCA based factors can be incorporated in panel asset pricing models for unbalanced panels. Empirically, it is able to recognize FinTech intensity as a priced factor and as an explanatory factor of informational efficiency for developed equity markets. These results are of significant consequences for investors, regulators and policy makers. Moreover, they highlight the need to consider tech-specific drivers in valuation, forecasting, and policy design (particularly in industries where digital infrastructures have a transformative impact market structure). Moreover, the empirical evidence for this study could also shed light on the relationship among behavioral biases, technological frontier and asset pricing in the burgeoning digital society. | el |
| dc.subject.keyword | Investor sentiment | el |
| dc.subject.keyword | Financial technology systems | el |
| dc.subject.keyword | Asset pricing | el |
| dc.subject.keyword | Market efficiency | el |
| dc.date.defense | 2025-09-02 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα