پیش‌بینی شاخص استرس فراگیر بازار سرمایه ایران با استفاده از مدل‌سازی ترکیبی یادگیری ماشین و متغیرهای برون‌زا
کلمات کلیدی:
بازار سرمایه, شاخص استرس فراگیر, یادگیری ماشین, DCC–MGARCH، ∆CoVaR, علیت گرنجر, ریسک سیستماتیکچکیده
هدف: هدف پژوهش ارائه مدلی کارآمد برای پیش‌بینی شاخص استرس فراگیر بازار سرمایه ایران با بهره‌گیری از ترکیب یادگیری ماشین و مدل‌های پویا. روش‌شناسی: این مطالعه از داده‌های روزانه ۲۰ شاخص صنعتی بورس اوراق بهادار تهران در دوره ده‌ساله ۱۳۹۳ تا ۱۴۰۳ استفاده کرد. ابتدا بازدهی لگاریتمی محاسبه شد و آزمون‌های نرمالیتی، مانایی و ناهمسانی واریانس اجرا شدند. برای سنجش ریسک سیستمی از مدل DCC–MGARCH و معیار ∆CoVaR استفاده شد. در ادامه سه مدل یادگیری ماشین شامل شبکه عصبی، جنگل تصادفی و رگرسیون بردار پشتیبان برای تعیین اهمیت نسبی صنایع و استخراج وزن‌ها به‌کار رفتند و بهترین مدل انتخاب شد. در نهایت شاخص استرس فراگیر بر اساس ماتریس همبستگی شرطی و وزن‌های استخراج‌شده ساخته شد. یافته‌ها: نتایج نشان داد توزیع اکثر شاخص‌ها نرمال نیست اما تمامی سری‌ها مانا و دارای ناهمسانی واریانس‌اند. آزمون انگل–شپرد وجود همبستگی پویا میان شاخص‌ها و ضرورت استفاده از مدل DCC را تأیید کرد. براساس ∆CoVaR صنایع خودرو، انبوه‌سازی، محصولات کاغذی و فلزات اساسی بیشترین ریسک سیستمی را ایجاد کردند. مدل جنگل تصادفی دقیق‌ترین عملکرد را در پیش‌بینی ریسک بازار داشت. شاخص استرس فراگیر دوره‌های پرتنش بازار را به‌صورت پیش‌نگر شناسایی کرد و سیگنال‌های هشدار پیش از ریزش‌های عمده صادر شد. آزمون گرنجر رابطه علّی یک‌طرفه از بازار ارز آزاد به شاخص استرس را تأیید کرد، در حالی که بازار سکه فاقد اثر معنادار بود. نتیجه‌گیری: مدل‌سازی ترکیبی شامل DCC–MGARCH و یادگیری ماشین ابزاری قابل‌اعتماد و پیش‌نگر برای سنجش ریسک سیستماتیک و پیش‌بینی استرس فراگیر بازار سرمایه ایران محسوب می‌شود و می‌تواند مبنایی برای مدیریت ریسک و سیاست‌گذاری کلان باشد.
دانلودها
مراجع
Ahmed, H., Aslam, F., & Ferreira, P. (2024). Navigating Choppy Waters: Interplay between Financial Stress and Commodity Market Indices. Fractal and Fractional, 8(2), 96. https://doi.org/10.3390/fractalfract8020096
Asadi, G. H., Abdoh Tabrizi, H., & Farazmand, S. (2022). Exchange Rates, Gold Coin Prices, and Herding in the Stock Market. Iranian Economic Review, 26(2), 389-406. https://ier.ut.ac.ir/article_88170.html
askar, W. I., laftah, F. M., & habib, H. B. (2022). Investigating the Relationship between Exchange Rate and Stock Price ( Case Study : iran). Muthanna Journal of Administrative and Economic Sciences. https://www.researchgate.net/publication/363307089_Investigating_the_Relationship_between_Exchange_Rate_and_Stock_Price_Case_Study_iran
Behravan, I., & Razavi, S. M. (2020). Stock price prediction using machine learning and swarm intelligence. Journal of electrical and computer engineering innovations (JECEI), 8(1), 31-40. https://jecei.sru.ac.ir/article_1421_6d94cea044bc908eba67a7ad40fe184e.pdf
Choi, S. B., Sauka, K., & Lee, M. (2024). Dynamic capital structure adjustment: an integrated analysis of firm-specific and macroeconomic factors in Korean firms. International Journal of Financial Studies, 12(1), 26. https://doi.org/10.3390/ijfs12010026
Dewi, L. P., Fitria, S. A., Nidia, S. P., & Sitio, V. (2024). Pasar modal dan pengaruhnya terhadap perekonomian di Indonesia. JAKA (JURNAL AKUNTANSI, KEUANGAN, DAN AUDITING) Учредители: Fakultas Ekonomi dan Bisnis Universitas Dian Nuswantoro, 5(1), 196-214. https://doi.org/10.56696/jaka.v5i1.10755
Fallah, M. F., Pourmansouri, R., & Ahmadpour, B. (2024). Presenting a new deep learning-based method with the incorporation of error effects to predict certain cryptocurrencies. International Review of Financial Analysis, 95, 103466. https://doi.org/10.1016/j.irfa.2024.103466
Ghaffari Gol Afshani, R., FallahShams, M. F., Safa, M., & Jahangirnia, H. (2023). Designing a Financial Volatility Index (FVI): approach to machine learning models in uncertainty. Macroeconomics and Finance in Emerging Market Economies, 1-30. https://doi.org/10.1080/17520843.2022.2154480
Gholizadeh, M., & Erfani, A. (2020). Analyzing the Structural Breaks and the Exchange Market Turbulence on Volatility Spillovers Between Exchange Rates and Tehran Stock Exchange. Financial Knowledge of Securities Analysis. https://doi.org/10.2139/ssrn.3730886
Jabil, Y. I., Ibbih, J. M., & Akawu, F. A. (2025). Macroeconomic variables and the performance of Nigerian capital market. Journal of Management Science and Career Development. https://www.researchgate.net/publication/388991179_MACROECONOMIC_VARIABLES_AND_THE_PERFORMANCE_OF_NIGERIAN_CAPITAL_MARKET
Kanthimathinathan, S. (2020). Capital Market Instruments and its Importance Role in Stock Market in India.
Nicolescu, L. (2020). Macroeconomic factors and capital markets. Selected experiences in Central and Eastern Europe. Management Dynamics in the Knowledge Economy, 8(2), 159-174. https://doi.org/10.2478/mdke-2020-0011
Okorontah, C. F., & John, O. O. (2022). The Nigerian Capital Market and Selected Macroeconomic Variables: An Econometric Analysis. https://www.researchgate.net/publication/362652065_The_Nigerian_Capital_Market_and_Selected_Macroeconomic_Variables_An_Econometric_Analysis
Permata, C. P., & Ghoni, M. A. (2019). Peranan pasar modal dalam perekonomian negara Indonesia. Jurnal AkunStie (JAS), 5(2), 50-61.
Pourmansouri, R., Fallahshams, M., & Afshani, R. G. G. (2025). Designing a financial stress index based on the GHARCH-DCC approach and machine learning models. Journal of the Knowledge Economy, 16(1), 2689-2718. https://doi.org/10.1007/s13132-024-02075-9
Shamisavi, M., & Jahanshahi, A. (2022). Forecasting tehran stock exchange trend with time series analysis, fundamental data, and sentiment analysis in news. 2022 30th International Conference on Electrical Engineering (ICEE),
Tavakoli, M., & Doosti, H. (2021). Forecasting the Tehran Stock market by Machine Learning Methods using a New Loss Function. Advances in Mathematical Finance and Applications, 6(2), 194-205. https://journals.iau.ir/article_678748.html
Torki, L., Samadi, S., & Safarpoor, Z. (2021). Analysis of the effect of macroeconomic variables on fluctuation of future gold market in Iran. International Journal of New Political Economy, 2(1), 251-271. https://doi.org/10.29252/jep.2.1.251
Yousfani, K., Iftikhar, H., Rodrigues, P. C., Armas, E. A. T., & López-Gonzales, J. L. (2025). Global Shocks and Local Fragilities: A Financial Stress Index Approach to Pakistan's Monetary and Asset Market Dynamics. Economies, 13(8), 243. https://doi.org/10.3390/economies13080243
Zhao, C. (2024). Key Factors for Financial Market Stability and Policy Response. Journal of World Economy, 3(3), 15-18. https://doi.org/10.56397/JWE.2024.09.02
دانلود
چاپ شده
ارسال
بازنگری
پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 الهام باباحیدریان , فرهاد حنیفی, میرفیض فلاح شمس (نویسنده)
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
