انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 1 2026 03 21 Predicting Mutual Fund Returns in Member Countries of the Federation of Euro-Asian Stock Exchanges: A Spatial and Artificial Intelligence Approach پیش‌‌بینی بازده صندوق‌‌های سرمایه‌‏گذاری مشترک کشورهای عضو فدراسیون بورس‌‌های اروپایی و آسیایی ـ رویکرد فضایی و هوش مصنوعی 187 235 106762 10.22059/frj.2025.385026.1007665 FA نشمیل اسماعیلی دانشجوی دکتری، گروه حسابداری مالی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. پرویز پیری دانشیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. علی آشتاب استادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. مهدی حیدری دانشیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. اکبر زواری رضایی استادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. 0009-0005-1999-3676 Journal Article 2024 11 07 <strong>Objective</strong> The primary objective of this study is to forecast the returns of investment funds in developed and developing countries that are members of the Federation of Euro-Asian Stock Exchanges (FEAS).   <strong>Methods</strong> This applied research study analyzes financial data from investment funds in FEAS countries over the period 2015–2023. The modeling framework employs artificial intelligence techniques, spatial econometrics, and a hybrid approach combining both within a spatial hybrid panel structure. The study examines the effects of key variables—including the Sharpe ratio, Jensen’s alpha, asset growth rate, and the proportion of retail investors—on fund returns. The central aim is to assess the predictive efficiency of these models under different economic conditions.   <strong>Results</strong> The findings demonstrate that artificial intelligence models outperform alternative approaches in forecasting returns for both developed and developing country groups. The neoclassical neural network showed the strongest performance across both groups, while the multilayer perceptron also proved effective in developed markets; in contrast, decision tree models exhibited weaker predictive capability. Moreover, integrating artificial intelligence methods with spatial techniques led to significant improvements in forecasting accuracy. The results indicate that market returns had a positive effect in both groups, with a more pronounced impact in developed countries. The analysis identified the Sharpe ratio, Jensen’s alpha, asset growth rate, and the proportion of retail investors as significant determinants of fund returns. Notably, the Sharpe ratio had a significant positive effect in both groups, reflecting the greater sensitivity of investors in developed markets to risk-adjusted returns. Finally, forecasting mutual fund returns using the combined artificial intelligence and spatial hybrid panel approach revealed substantial differences in model performance between developed and developing countries. In developed countries, models such as the multilayer perceptron and decision tree achieved superior performance, whereas in developing countries, deep learning and support vector machine models demonstrated greater effectiveness.   <strong>Conclusion</strong> This study demonstrates that developed markets substantially outperform developing markets in terms of predictability and performance stability. Advanced artificial intelligence models proved effective in forecasting fund returns in both developed and developing country groups. Ultimately, the design of hybrid models that integrate artificial intelligence with spatial analysis and spatial hybrid panels can enhance the accuracy of fund return forecasts, thereby enabling investors and fund managers to make more informed financial decisions. Accordingly, the implementation of hybrid artificial intelligence and spatial hybrid panel models in both groups improved efficiency and increased forecasting precision, exerting a considerable influence on the quality of financial decision-making. This research also revealed that variables affecting fund returns—including the Sharpe ratio, Jensen’s alpha, asset growth rate, and the proportion of retail investors—together with countries’ economic conditions, influence model performance, underscoring the importance of incorporating macroeconomic factors into financial and accounting analyses. For market practitioners and financial analysts, these findings can contribute to enhanced financial reporting processes, more rigorous risk assessment, and improved investment decision-making. Specifically, the results can facilitate greater transparency of financial information within investment funds. <strong>هدف:</strong> هدف اصلی این مقاله، پیش‌بینی بازده صندوق‌های سرمایه‌گذاری در کشورهای توسعه‌یافته و در حال توسعۀ عضو فدراسیون بورس‌های اروپایی و آسیایی است. روش: پژوهش حاضر از نوع کاربردی است و داده‌های مالی دورۀ ۲۰۱۵ تا ۲۰۲۳ مرتبط با صندوق‌های کشورهای توسعه‌یافته و در حال توسعه را بررسی می‌کند. برای مدل‌سازی، روش‌های هوش مصنوعی، اقتصادسنجی فضایی و ترکیب این دو در چارچوب پانل هیبرید فضایی به‌کار رفته‌اند تا تأثیر متغیرهای مهمی همچون نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه‌گذاران حقیقی بر بازده بررسی شود. هدف اصلی، سنجش کارایی مدل‌ها در پیش‌بینی عملکرد صندوق‌ها تحت شرایط اقتصادی متفاوت است. یافته‌ها: نتایج نشان می‌دهد که مدل‌های هوش مصنوعی نسبت به سایر روش‌ها، توانایی بیشتری برای پیش‌بینی بازده هر دو گروه کشورهای توسعه‌یافته و در حال توسعه دارند. شبکۀ عصبی نئوکلاسیک، بهترین عملکرد را در هر دو گروه نشان داده است، در حالی که پرسپترون چند لایه در کشورهای توسعه‌یافته نیز موفق بوده و درخت تصمیم ضعیف‌تر ظاهر شده است. همچنین، ترکیب روش‌های هوش مصنوعی با تکنیک‌های فضایی، باعث افزایش معنادار دقت پیش‌بینی شده است. یافته‌ها حاکی از آن است که بازده بازار در هر دو گروه اثر مثبت دارد و در کشورهای توسعه‌یافته پررنگ‌تر است. تحلیل‌های انجام شده نشان داد که متغیرهای مؤثر بر بازده صندوق‌ها، شامل نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه‌گذاران حقیقی بوده‌اند. نسبت شارپ در هر دو گروه، تأثیر مثبت معناداری داشته است و حساسیت بالای سرمایه‌گذاران در بازارهای توسعه‌یافته به ریسک تعدیل شده بازده را نشان می‌دهد. در نهایت، نتایج پیش‌بینی بازده صندوق‌های سرمایه‌گذاری مشترک با استفاده از رویکرد ترکیبی هوش مصنوعی و پانل هیبرید فضایی، نشان می‌دهد که عملکرد مدل‌ها در کشورهای توسعه‌یافته و در حال توسعه، تفاوت‌های معناداری دارد. در کشورهای توسعه‌یافته، مدل‌هایی مانند پرسپترون چند لایه و درخت تصمیم، بهترین عملکرد را داشته‌اند، در حالی که در کشورهای در حال توسعه، یادگیری عمیق و ماشین بردار پشتیبان برتری نشان داده‌اند. نتیجه‌گیری: پژوهش حاضر نشان داد که بازارهای توسعه‌یافته از نظر پیش‌بینی‌پذیری و ثبات عملکرد، به‌مراتب بهتر از بازارهای در حال توسعه هستند. همچنین مدل‌های پیشرفتۀ هوش مصنوعی در پیش‌بینی بازده صندوق‌ها، در هر دو گروه کشورهای توسعه‌یافته و در حال توسعه کارایی دارند. در نهایت، طراحی مدل‌های ترکیبی از هوش مصنوعی و تحلیل‌های فضایی و پانل هیبرید فضایی، می‌تواند دقت پیش‌بینی بازده صندوق‌ها را بهبود بخشد و به سرمایه‌گذاران و مدیران صندوق‌ها در اتخاذ تصمیم‌های مالی مؤثرتر کمک کند. بنابراین، طراحی مدل‌های ترکیبی هوش مصنوعی و پانل هیبرید فضایی، در هر دو گروه، باعث بهبود کارایی و افزایش دقت پیش‌بینی شده است و قادر است بر کیفیت تصمیم‌گیری‌های مالی تأثیر بسزایی بگذارد. این پژوهش نشان داد که متغیرهای مؤثر بر بازده صندوق‌ها، شامل نسبت شارپ، معیار بازدهی تفاضلی جنسن، رشد ارزش و درصد سرمایه‌گذاران حقیقی و شرایط اقتصادی کشورها، بر عملکرد این مدل‌ها تأثیر می‌گذارد. این امر اهمیت در نظر گرفتن عوامل کلان اقتصادی در تحلیل‌های مالی و حسابداری را برجسته می‌کند. برای فعالان بازار و تحلیلگران مالی، این نتایج می‌تواند به بهبود فرایندهای گزارشگری مالی، ارزیابی ریسک، و تصمیم‌گیری‌های سرمایه‌گذاری منجر شود. یافته‌های این پژوهش، به‌صورت ویژه می‌تواند به گسترش دامنۀ اطلاعات مالی صندوق‌های سرمایه‌گذاری کمک کند. https://jfr.ut.ac.ir/article_106762_77ec87f1d9bdc1ccfa25593c5b40b92f.pdf