IPO 割安アルゴリズム

IPO の割安とは、株式価値が最初の公開価格から初日の終値まで上昇することです。割安なIPO は企業に利益をもたらすと多くの人が考えていますが、割安は避けられないと考える人もいます。投資家は、割安は市場への関心の高さを示し、需要を増やすと述べています。一方、割高な株式は価格が安定するにつれて長期的に下落するため、割安な価格設定は発行者を投資家の訴訟から守る可能性があります。

引受人や投資家、新規株式公開（IPO）を目指す企業、発行体は、自社の市場価値に関心を持っています。引受人は価格を低く抑えたいのに対し、企業は高いIPO価格を望むため、常に緊張が生じます。

株価が割安になる原因としては、取引初日に投資家が過剰反応して株価が急騰することもあります。IPO の価格設定プロセスは、市場の需要、製品の受け入れ、競合の反応に関するデータが乏しい新しいユニークな製品の価格設定に似ています。そのため、発行者と投資家の目標が異なるため、明確な価格を決定するのは困難です。

割安価格を決定するアルゴリズムを開発する際の問題は、ノイズが多く、複雑で、順序付けられていないデータセットを処理することです。さらに、人、環境、さまざまな環境条件により、データに不規則性が生じます。これらの問題を解決するために、研究者はデータを 正規化する人工知能のさまざまな手法を発見しました。

進化型プログラミングは、堅牢性、信頼性、適応性を向上させるために、人工ニューラル ネットワークなどの他のアルゴリズムと組み合わせられることがよくあります。進化型モデルは、プログラムの固定構造内で数値を変更できるようにすることで、エラー率を削減します。設計者はアルゴリズムに変数を提供し、次にトレーニング データを提供して、プログラムが入力空間で定義されたルールを生成し、出力変数空間で予測を行うのを支援します。

このアプローチでは、ソリューションが個体となり、集団は選択肢で構成されます。ただし、外れ値があると、個体はセット全体を説明するルールを作成しようとするときに予期しない動作をします。

例えば、Quintana ^[1]は、まず7つの主要な変数を持つモデルを抽象化します。このルールは、ミシガン大学とピッツバーグ大学で開発された進化計算システムから進化したものです。

• 引受人の名声 – 引受人は主幹事として名声を得ていますか? 真であれば 1、そうでない場合は 0。
• 価格帯の幅 – ロードショー中に潜在顧客に提供される拘束力のない参考価格帯の幅。この幅は、会社の実際の価値に関する不確実性の兆候として解釈され、したがって、初期の収益に影響を与える可能性のある要因として解釈されます。
• 価格調整 – 最終オファー価格と価格帯の幅の差。調整が以前の価格範囲外である場合、不確実性として見なすことができます。
• 公募価格 – IPOの最終公募価格
• 保有株式 – IPO で売却された株式数を、公募後の株式数から IPO で売却された株式数を引いた数で割った比率。
• 募集規模 – オーバーアロットメントオプションを除いた募集規模の対数（百万ドル単位）
• テクノロジー – これはテクノロジー企業ですか? 当てはまる場合は 1、当てはまらない場合は 0。

キンタナ氏はこれらの要因を投資家が注目するシグナルとして利用している。同氏のチームが説明するアルゴリズムは、データのサブセットのみで高い信頼性の予測が可能であることを示す。

Luque ^[2] は、データ ポイント (入力、出力) のセットに対して線形回帰を実行することで外れ値の問題に取り組んでいます。このアルゴリズムは、ノイズの多いデータに領域を割り当てることでデータを処理します。このスキームには、ノイズの多いパターンを分離して外れ値がルール生成システムに与える影響を軽減するという利点があります。このアルゴリズムは、後で戻って、分離されたデータ セットが一般データに影響を与えるかどうかを調べることができます。最後に、このアルゴリズムによる最悪の結果は、他のすべてのアルゴリズムの予測能力を上回りました。

現在、多くのアルゴリズムは投資家間の同質的かつ合理的な行動を前提としています。しかし、金融モデリングに代わるアプローチがあり、それはエージェントベースモデリング（ABM）と呼ばれています。ABMは、行動が内生的に進化するさまざまな自律エージェントを使用します。これにより、個々のエージェントの特性から予測することが不可能な複雑なシステムダイナミクスが生まれます。^[3] ABMは計算金融に適用され始めています。ただし、ABMをより正確にするには、ルール生成のためのより優れたモデルを開発する必要があります。