انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 Multi-Criteria Fuzzy Portfolio Optimization Considering Varying Levels of Investor Expectations بهینه‌سازی سبد سرمایه‌گذاری چندمعیاره فازی با درنظر گرفتن سطوح مختلف انتظارات سرمایه‌گذار 1 30 97317 10.22059/frj.2024.372592.1007574 FA علی نمکی دانشیار، گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. 0000-0003-4167-6472 سعید شیرکوند دانشیار، گروه مالی و بیمه، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. امیرسینا جیرفتی دانشجوی دکتری، گروه مهندسی مالی، پردیس بین‌المللی کیش، دانشگاه تهران، تهران، ایران. 0009-0009-6449-8366 Journal Article 2024 02 13 Objective The objective of the present research is the optimization of investment portfolios, considering all significant criteria for investors in a fuzzy environment, and taking into account various levels of investor expectations for each criterion based on their risk preferences. On one hand, the utilization of fuzzy logic in modeling this problem can enhance its alignment with real-world conditions by accommodating uncertainty in input data. On the other hand, the proposed model for portfolio selection incorporates not only risk and return as key factors for investors but also considers other important factors. These factors include short-term and long-term returns, liquidity, maximum and minimum investment ratios in each asset, dividend distribution, and cardinality constraint (the number of assets within the portfolio). Another objective of this research is to present an innovative model compared to existing ones by incorporating a logistic fuzzy membership function to model various levels of investor expectations. This enables the formation of investment portfolios based on the priorities of investors with different risk appetites regarding different criteria. Methods The method of conducting this research involves initially addressing the optimization modeling of a nonlinear multi-objective problem in a fuzzy environment, considering all crucial factors for investors. Subsequently, employing quantitative methods and the foundations of fuzzy logic, we transform the problem into a single-objective linear problem, making it amenable to solution using conventional optimization methods and software. Ultimately, utilizing data from the 50 most active companies on the Tehran Stock Exchange (TSE) market, we implement the model and analyze the results. Results The research results indicate that the proposed model yields a return more than twice that of the index of the 50 most active companies on the Tehran Stock Exchange (TSE) for both aggressive and conservative investors. Additionally, the model, by incorporating a logistic-shaped membership function for various problem objectives, can be customized for investors with aggressive (risk-tolerant) or conservative (risk-averse) strategies. This customization is attributed to a parameter that determines the shape of the membership function in logistic functions, allowing the prioritization of different factors such as risk, short-term and long-term returns, liquidity, or dividend distribution for investors with varying levels of risk tolerance. Conclusion The utilization of logistic-shaped membership functions in a fuzzy environment, along with diverse criteria, can personalize the investment portfolio selection model for investors with different characteristics. This customization enables investors with various risk tolerances to construct a portfolio according to their priorities. This adaptability significantly enhances the practical applicability of the portfolio selection problem in the real world. Furthermore, employing computational methods and fuzzy principles allows the transformation of a nonlinear multi-objective problem into a single-objective linear model, facilitating its implementation and resolution. هدف: هدف از پژوهش حاضر، بهینه‌سازی سبد سرمایه‌گذاری با درنظر گرفتن تمامی معیارهای با اهمیت برای سرمایه‌گذار، در یک محیط فازی با لحاظ‌کردن سطوح مختلف انتظارات سرمایه‌گذار برای هر یک از معیارها بر اساس ریسکپذیری آن‌هاست. بر این اساس، از یک طرف، استفاده از منطق فازی در مدل‌سازی این مسئله، به‌دلیل درنظر گرفتن‌عدم قطعیت در داده‌های ورودی، می‌تواند به افزایش تطابق مسئله با شرایط دنیای واقعی منجر شود. از طرف دیگر، در مدل انتخاب سبد سرمایه‌گذاری ارائه‌شده، علاوه‌بر ریسک و بازده، به‌عنوان دو عامل کلیدی برای سرمایه‌گذار، برخی عوامل مهم دیگر درنظر گرفته خواهد شد تا بتواند معیارهای مختلف برای سرمایه‌گذار، از جمله ریسک، بازده کوتاه‌مدت و بلندمدت، نقدشوندگی، بیشینه و کمینه نسبت سرمایه‌گذاری روی هر دارایی، سود تقسیمی و محدودیت کاردینالیتی (تعداد دارایی‌های داخل پرتفوی) را لحاظ کند. هدف دیگر این پژوهش، ارائۀ مدلی نوآورانه نسبت به مدل‌های موجود با درنظر گرفتن تابع عضویت لاجستیک شکل فازی، به‌منظور مدل‌سازی سطوح انتظارات مختلف سرمایه‌گذاران است تا بتواند سبد سرمایه‌گذاری را بر اساس اولویت سرمایه‌گذاران با درجه ریسک‌پذیری مختلف نسبت به معیارهای متفاوت تشکیل دهد. روش: روش انجام این پژوهش بدین ترتیب است که ابتدا به مدل‌سازی یک مسئله بهینه‌سازی چندهدفه غیرخطی، در یک محیط فازی با درنظر گرفتن تمامی عوامل مهم برای سرمایه‌گذار پرداخته می‌شود. سپس با استفاده از روش‌های کمّی و مبانی منطق فازی، مسئله را به یک مسئلۀ خطی تک هدفه تبدیل می‌کنیم تا با استفاده از روش‌ها و نرم‌افزارهای معمول، بهینه‌سازی قابل حل باشد. در نهایت با استفاده از شاخص ۵۰ شرکت فعال‌تر بورس اوراق بهادار، به پیاده‌سازی مدل و تحلیل نتایج خواهیم پرداخت. یافته‌ها: یافته‌های پژوهش نشان می‌دهد که مدل ارائه‌شده برای هر دو سرمایه‌گذار ریسک‌پذیر و محافظه‌کار، نسبت به شاخص ۵۰ شرکت فعال‌تر بورس اوراق بهادار، بازدهی بیش از دو برابری دارد. علاوه‌براین، مدل ارائه‌شده، به‌دلیل درنظر گرفتن تابع عضویت لاجستیک‌شکل، برای اهداف مختلف مسئله می‌تواند برای سرمایه‌گذاران با استراتژی تهاجمی (ریسک‌پذیر) یا محافظه‌کار (ریسک‌گریز) شخصی‌سازی شود. دلیل این موضوع وجود پارامتر تعیین شکل تابع عضویت در توابع لاجستیک‌شکل است که می‌تواند اولویت عوامل مختلف از جمله ریسک، بازده کوتاهمدت و بلندمدت، نقدشوندگی یا سود تقسیمی را برای سرمایه‌گذاران مختلف با سطوح متفاوت ریسک‌پذیری مشخص کند. نتیجه‌گیری: استفاده از توابع عضویت لاجستیک‌شکل، در محیط فازی و معیارهای مختلف می‌تواند مدل انتخاب سبد سرمایه‌گذاری را برای سرمایه‌گذاران با ویژگی‌های مختلف شخصی‌سازی کند تا سرمایه‌گذاران با سطوح مختلف ریسک‌پذیری، بتوانند یک سبد سرمایه‌گذاری مطابق با اولویت‌های خود را تشکیل دهند. این موضوع به کاربردی شدن مسئلۀ انتخاب سبد سرمایه‌گذاری در دنیای واقعی کمک بسزایی می‌کند. همچنین با استفاده از روش‌های محاسباتی و اصول فازی، می‌توان مسئلۀ چندهدفۀ غیرخطی را به یک مدل تک‌هدفه خطی تبدیل کرد تا پیاده‌سازی و حل آن تسهیل شود.

https://jfr.ut.ac.ir/article_97317_ca8eccdd87d5188decb5d92e7ffb1c0b.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 Comparing the Estimation Power of Machine Learning Models and Statistical Models in Predicting Profit Component Changes and Selecting the Optimal Model بررسی و تطبیق قدرت تخمین مدل‌های یادگیری ماشین و مدل‌های آماری در پیش‌بینی جهت تغییرات اجزای سود و انتخاب مدل بهینه 31 57 97316 10.22059/frj.2024.373472.1007580 FA مریم ایزدی کارشناس ارشد، گروه مدیریت حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران. علی آشتاب استادیار، 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 03 03 Objective The aim of predicting profit changes is to create awareness for investors, financial analysts, managers, stock market officials, creditors, and other users to judge the business unit, make decisions about buying or selling stocks, or granting or denying loans and credits. The goal of this research is to evaluate the performance and compare the accuracy of machine learning models and statistical models in predicting the direction of changes in three profit components including net profit (loss), gross profit (loss), and operating profit (loss). Methods In this research, using the financial information of 139 manufacturing companies listed on the Tehran Stock Exchange over a 15-year period, from 2008 to 2022, and employing 25 machine learning models and 10 statistical models, the efficiency of machine learning models and statistical models in predicting the direction of changes in profit components including net profit (loss), gross profit (loss), and operating profit (loss) has been compared. In the present study, Excel software was used for data sorting, Eviews software for extracting descriptive statistics, and data mining software SPSS Modeler and Rapidminer for predicting profit changes. The performance of machine learning models was evaluated using two criteria: accuracy (predictive accuracy of the model) and AUC (area under the curve), and the performance of statistical models was evaluated only by the accuracy criterion. Finally, in order to select the model with the best performance for predicting the direction of changes in net profit (loss), gross profit (loss), and operating profit (loss), the best model among the machine learning models was chosen using the ROC curve. Results After calculating the average predictive accuracy of machine learning and statistical models, it was found that the average predictive accuracy of machine learning models for dependent variables including the percentage of changes in net profit (loss), percentage of changes in gross profit (loss), and percentage of changes in operating profit (loss) ranges from 83% to 93%. It was also found that the average predictive accuracy of statistical models for all three profit components varies from 76% to 83%. After confirming the non-normality of the average accuracy of machine learning and statistical models for profit components using the Kolmogorov-Smirnov test, the non-parametric Mann-Whitney U test was used to compare the predictive accuracy of machine learning models and statistical models in predicting the direction of changes in profit components. Conclusion The results of the research hypotheses test indicate the high efficiency of machine learning models in predicting the direction of changes in net profit (loss), gross profit (loss), and operating profit (loss), compared to statistical models. The ROC curve results indicate that the decision tree model achieved a predictive accuracy of 100% in forecasting the direction of changes in net profit (loss) and 99.38% accuracy in predicting the direction of changes in gross profit (loss). Additionally, the rule-based inference model demonstrated a predictive accuracy of 86.76% for forecasting the direction of changes in operating profit (loss). These models exhibited the best performance and were selected as the optimal models. هدف: هدف از پیش‌بینی تغییرات سود، آگاهی‌دادن به سرمایه‌گذاران، تحلیلگران مالی، مدیران، مسئولان بازار سهام، اعتباردهندگان و سایر استفاده‌کنندگان، به‌منظور قضاوت‌کردن واحد تجاری، تصمیم‌گیری برای خرید یا فروش سهام و اعطا یاعدم اعطای وام و اعتبارات است. این پژوهش با هدف ارزیابی عملکرد و مقایسۀ دقت پیش‌بینی مدل‌های یادگیری ماشین و مدل‌های آماری، برای پیش‌بینی جهت تغییرات سه مؤلفه سود، از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی اجرا شده است. روش: در این پژوهش با استفاده از اطلاعات مالی ۱۳۹ شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران، در دورۀ زمانی ۱۵ ساله، طی سال‌های ۱۳۸۷ تا ۱۴۰۱ و با به‌کارگیری ۲۵ مدل یادگیری ماشین و ۱۰ مدل آماری، به بررسی مقایسۀ کارایی مدل‌های یادگیری ماشین و مدل‌های آماری برای پیش‌بینی جهت تغییرات اجزای سود از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی پرداخته شده است. در پژوهش حاضر از نرم‌افزار اکسل برای مرتب‌سازی داده‌ها، نرم‌افزار ایویوز برای استخراج آمار توصیفی و از نرم‌افزارهای داده‌کاوی اس‌پی‌اس‌اس مدلر و رپیدماینر برای مدل‌سازی پیش‌بینی جهت تغییرات سود استفاده شده است. ارزیابی عملکرد مدل‌های یادگیری ماشین، از طریق دو معیار دقت پیش‌بینی مدل (accuracy) و ناحیه زیر منحنی (AUC) و ارزیابی عملکرد مدل‌های آماری تنها با معیار دقت پیش‌بینی مدل انجام شده است. در نهایت، به‌منظور انتخاب مدلی که بهترین عملکرد را برای پیش‌بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی دارد، از میان مدل‌های یادگیری ماشین، به انتخاب مدل بهینه با استفاده از منحنی راک پرداخته شده است. یافته‌ها: پس از محاسبۀ متوسط دقت پیش‌بینی مدل‌های یادگیری ماشین و مدل‌های آماری، مشخص شد که متوسط دقت پیش‌بینی مدل‌های یادگیری ماشین برای متغیرهای وابسته (درصد تغییرات سود (زیان) خالص، درصد تغییرات سود (زیان) ناخالص و درصد تغییرات سود (زیان) عملیاتی)، از ۸۳ درصد تا ۹۳ درصد و متوسط دقت پیش‌بینی مدل‌های آماری برای هر سه مؤلفه سود، از ۷۶ درصد تا ۸۳ درصد متغیر است. پس از احراز نرمال نبودن متوسط دقت مدل‌های یادگیری ماشین و مدل‌های آماری برای اجزای سود توسط آزمون کلموگروف اسمیرنف، از آزمون ناپارامتریک یومن ویتنی برای مقایسۀ دقت پیش‌بینی مدل‌های یادگیری ماشین و مدل‌های آماری برای پیش‌بینی جهت تغییرات اجزای سود استفاده شد. نتیجه‌گیری: نتایج آزمون فرضیه‌های پژوهش، بیانگر کارایی بالای مدل‌های یادگیری ماشین برای پیش‌بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی نسبت به مدل‌های آماری است. نتایج منحنی راک نیز نشانگر آن است که مدل درخت تصمیم با دقت پیش‌بینی معادل ۱۰۰ درصد، برای پیش‌بینی جهت تغییرات سود (زیان) خالص و دقت پیش‌بینی معادل ۳۸/۹۹ درصد برای پیش‌بینی جهت تغییرات سود (زیان) ناخالص و مدل استنتاج قوانین با دقت پیش‌بینی معادل ۷۶/۸۶ درصد در پیش‌بینی جهت تغییرات سود (زیان) عملیاتی، بهترین عملکرد را داشتند و به‌عنوان مدل بهینه انتخاب شدند.

https://jfr.ut.ac.ir/article_97316_725cb377eeb97a6d31b89276b6287c69.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 Examining the Impact of Changes in Natural Gas, Oil, and Currency Prices on the Return of Selected Stock Market Indices بررسی اثر تغییرات قیمت گاز طبیعی، نفت و ارز بر بازدهی شاخص‌های منتخب بازار سهام 58 84 101360 10.22059/frj.2024.369518.1007545 FA بختیار جواهری دانشیار، گروه اقتصاد، دانشکده علوم انسانی و اجتماعی، دانشگاه کردستان، سنندج، ایران. سیدمیثم موسوی فتاح کارشناس ارشد، گروه اقتصاد، دانشکده علوم انسانی و اجتماعی، دانشگاه کردستان، سنندج، ایران. خالد احمدزاده دانشیار، گروه اقتصاد، دانشکده علوم انسانی و اجتماعی، دانشگاه کردستان، سنندج، ایران. Journal Article 2023 12 12 Objective In recent years, the increasing demand for energy has highlighted the importance of energy in production. As a strategic energy source, natural gas is a vital component of the production process for goods and services. On the other hand, financial markets are crucial to any country's economy, and stock exchanges are a key component of these markets. Various indices calculated on stock exchanges indicate the return and overall trend of stock prices in the entire market and specific industries. The fluctuation of each index is influenced by changes in the stock prices of companies included in the calculation. Many factors contribute to fluctuations in companies' stock prices, including the price of natural gas, which is used by various industries in their production processes. Changes in gas prices affect companies' profit margins, leading to changes in their stock prices. Ultimately, these changes impact the overall return of the capital market. Given the significance of this topic, this research examines the short-term and long-term effects of changes in natural gas prices on the return of the Iranian stock market. Methods This research is classified as applied research, employing quantitative methodology. To analyze the monthly data spanning from April 2009 to March 2022, this study utilized the Vector Autoregression (VAR) method and the Johansen Cointegration Test. Results The results confirm a long-term relationship between natural gas price changes and selected capital market indices. The Johansen Cointegration Test indicates that changes in gas prices have a negative impact on stock market indices, OTC, chemical industries, industry, cement, and petroleum products in both the short- and long-term. Furthermore, the results indicate that exchange rate changes have a positive and significant effect on capital market indices in both the short- and long-term. Finally, the test results show that oil price changes have a negative impact on indices in the short-term, but in the long-term, changes in indices will move in the same direction as oil price changes. Conclusion Considering the significant impact of gas prices on capital market fluctuations, it is recommended that the government regulate gas prices to minimize their negative effects on capital market indices. To achieve this, sudden decisions regarding gas prices should be avoided. Instead of making annual budget decisions, a dynamic gas pricing formula should be designed, allowing the price of gas offered to industries to fluctuate in response to global gas price changes. This would provide investors with the stable, long-term economic conditions they require. To promote diversification of energy consumption, the government can implement policies to increase investment in renewable and emerging energy sectors, encouraging companies to switch to alternative energy sources. This would reduce industries' dependence on gas and mitigate the impact of gas price changes on the stock market. Objective In recent years, the increasing demand for energy has highlighted the importance of energy in production. As a strategic energy source, natural gas is a vital component of the production process for goods and services. On the other hand, financial markets are crucial to any country's economy, and stock exchanges are a key component of these markets. Various indices calculated on stock exchanges indicate the return and overall trend of stock prices in the entire market and specific industries. The fluctuation of each index is influenced by changes in the stock prices of companies included in the calculation. Many factors contribute to fluctuations in companies' stock prices, including the price of natural gas, which is used by various industries in their production processes. Changes in gas prices affect companies' profit margins, leading to changes in their stock prices. Ultimately, these changes impact the overall return of the capital market. Given the significance of this topic, this research examines the short-term and long-term effects of changes in natural gas prices on the return of the Iranian stock market. Methods This research is classified as applied research, employing quantitative methodology. To analyze the monthly data spanning from April 2009 to March 2022, this study utilized the Vector Autoregression (VAR) method and the Johansen Cointegration Test. Results The results confirm a long-term relationship between natural gas price changes and selected capital market indices. The Johansen Cointegration Test indicates that changes in gas prices have a negative impact on stock market indices, OTC, chemical industries, industry, cement, and petroleum products in both the short- and long-term. Furthermore, the results indicate that exchange rate changes have a positive and significant effect on capital market indices in both the short- and long-term. Finally, the test results show that oil price changes have a negative impact on indices in the short-term, but in the long-term, changes in indices will move in the same direction as oil price changes. Conclusion Considering the significant impact of gas prices on capital market fluctuations, it is recommended that the government regulate gas prices to minimize their negative effects on capital market indices. To achieve this, sudden decisions regarding gas prices should be avoided. Instead of making annual budget decisions, a dynamic gas pricing formula should be designed, allowing the price of gas offered to industries to fluctuate in response to global gas price changes. This would provide investors with the stable, long-term economic conditions they require. To promote diversification of energy consumption, the government can implement policies to increase investment in renewable and emerging energy sectors, encouraging companies to switch to alternative energy sources. This would reduce industries' dependence on gas and mitigate the impact of gas price changes on the stock market. هدف: در سال‌های اخیر با افزایش تقاضای انرژی، اهمیت بسیار زیاد انرژی در بحث تولید نمایان شده است. گاز طبیعی به‌عنوان یک منبع انرژی استراتژیک، از اجزای مهم فرایند تولید کالاها و خدمات به‌شمار می‌آید. از طرفی، بازارهای مالی یکی از بازارهای بسیار مهم هر کشور است و بورس‌های اوراق بهادار، اصلی‌ترین اجزای بازارهای مالی محسوب می‌شود. شاخص‌های متفاوتی که در بورس‌ها محاسبه می‌شوند، بازدهی و روند کلی قیمت سهام در کل بازار و صنایع خاص را نشان می‌دهند. تغییرات هر یک از شاخص‌ها، از نوسان‌های قیمت سهام شرکت‌هایی تأثیر می‌پذیرد که در محاسبۀ آن شاخص خاص لحاظ می‌شود. عوامل زیادی در نوسان‌های قیمت سهام شرکت‌ها تأثیر دارند که از آن جمله می‌توان به قیمت گاز طبیعی اشاره کرد که صنایع مختلف از آن در فرایند تولید بهره می‌گیرند. تغییرات قیمت گاز، در حاشیۀ سود شرکت‌ها تأثیر می‌گذارد و در نتیجه، قیمت سهام آن‌ها نیز دستخوش تغییرات می‌شود و در نهایت، این تغییرات قیمت سهام بر بازدهی کلی بازار سرمایه تأثیرگذار خواهد بود. از این رو با توجه به اهمیت موضوع، پژوهش حاضر به بررسی تأثیر کوتاه‌مدت و بلندمدت تغییرات قیمت گاز طبیعی بر بازده بازار سهام ایران پرداخته است. روش: این پژوهش از نظر نوع تحقیق، کاربردی محسوب می‌شود و از نظر فرایند تحقیق، کمّی است. در این پژوهش از روش خودتوضیح برداری و آزمون هم‌انباشتگی یوهانسن، برای تحلیل داده‌های ماهانۀ طی دورۀ فروردین سال ۱۳۸۸ تا اسفند سال ۱۴۰۱ استفاده شده است. یافته‌ها: نتایج به‌دست‌آمده وجود رابطۀ بلندمدت بین تغییرات قیمت گاز طبیعی و شاخص‌های منتخب بازار سرمایه را تأیید می‌کند. نتایج آزمون هم‌انباشتگی یوهانسن نشان می‌دهد که تغییرات قیمت گاز طبیعی در کوتاه‌مدت و بلندمدت، روی شاخص‌های بورس، فرابورس و صنایع شیمیایی، صنعت سیمان و فراورده‌های نفتی تأثیر منفی دارد. همچنین بر اساس سایر نتایج، تغییرات قیمت ارز در کوتاه‌مدت و بلندمدت، بر شاخص‌های بازار سرمایه اثر مثبت و معناداری دارد. در نهایت، نتایج آزمون‌ها نشان می‌دهد که تغییرات قیمت نفت در کوتاه‌مدت تأثیر منفی دارد؛ اما در بلندمدت تغییرات شاخص‌ها، هم‌جهت با تغییرات قیمت نفت خواهد بود. نتیجه‌گیری: با توجه به اهمیت قیمت گاز و نقش تعیین‌کننده آن در نوسان‌های بازار سرمایه، توصیه می‌شود که دولت به‌نحوی قیمت گاز را تنظیم کند که تأثیرهای منفیِ افزایش قیمت بر شاخص‌های بازار سرمایه کاهش یابد. در این خصوص، می‌بایست از اخذ تصمیم‌های ناگهانی در خصوص قیمت گاز پرهیز شود. به‌جای تصمیم‌گیری در بودجۀ سالانه، به طراحی فرمول قیمت‌گذاری گاز اقدام شود و با توجه به نوسان قیمتهای جهانی گاز، قیمت گاز ارائه شده به صنایع شناور باشد؛ زیرا سرمایهگذار به وضعیت اقتصادی ثابت و بلندمدت نیاز دارد. در بحث تنوع‌بخشی به مصرف انرژی، دولت می‌تواند با افزایش سرمایه‌گذاری در بخش انرژی‌های تجدیدپذیر و نو، سیاست‌هایی را اجرا کند تا شرکت‌ها به استفاده از انرژی‌های دیگر روی آورند. این امر از وابستگی صنایع به گاز می‌کاهد و تأثیر تغییرات قیمت گاز بر بورس را کاهش می‌دهد.

https://jfr.ut.ac.ir/article_101360_fecdc58ba5f837ccee29b04db507999c.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 Predicting Index Trend Using Hybrid Neural Networks with a Focus on Multi-Scale Temporal Feature Extraction in the Tehran Stock Exchange پیش‌بینی روند شاخص کل با استفاده از شبکه‌های عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه در بورس اوراق بهادار تهران 85 113 101361 10.22059/frj.2024.377816.1007611 FA محمد اصولیان استادیار، گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران. علی نیک مرام کارشناس ارشد، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران. مهدی کریمی کارشناس ارشد، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران. Journal Article 2024 06 10 Objective Predicting the future trends in financial markets stands as a critical task for both investors and researchers, given its pivotal role in enabling well-informed decision-making processes and effective risk management strategies. Nevertheless, the realm of stock market dynamics is fraught with inherent complexities and uncertainties, posing a formidable challenge when it comes to achieving accurate predictions. A wide array of predictive modeling techniques have been meticulously investigated, spanning from conventional statistical methodologies to more sophisticated machine learning algorithms. The primary focus of this research endeavor revolves around the predictive analysis of the Tehran Stock Exchange (TSE) Composite Index, wherein a novel hybrid neural network framework is employed. This approach seamlessly integrates multiscale temporal features, with the ultimate objective of bolstering prediction precision and offering profound insights into prevailing market trends and dynamics. Methods The hybrid neural network architecture that has been put forward integrates the unique capabilities of convolutional neural networks (CNNs) in the realm of feature extraction with the effectiveness of long short-term memory (LSTM) networks in capturing temporal dependencies. The dataset used in this study consists of daily historical data pertaining to the TSE Composite Index, covering a substantial period from the year 1998 to 2022, which has been meticulously gathered, preprocessed, and subsequently partitioned into distinct sets for training and validation purposes. Within the framework of this hybrid neural network model, a sophisticated approach is adopted to harness multiscale temporal features derived from the input data, enabling the generation of highly accurate predictions regarding the future trends of the index. Moreover, to further enhance the performance and resilience of the model, sophisticated feature engineering methodologies are implemented to optimize its overall functionality. Results The results of the study reveal that while the hybrid neural network model, integrating CNN and LSTM components, demonstrates promising capabilities in predicting the TSE Composite Index, its accuracy falls short compared to competing models, particularly at weekly and monthly time scales. Conversely, the standalone CNN model exhibits superior performance, yielding more accurate predictions of the index's movements. These findings challenge the prevailing notion regarding the efficacy of hybrid neural network models in financial market prediction, highlighting the importance of evaluating alternative modeling approaches based on their specific strengths and limitations. Conclusion Despite the potential of hybrid neural network models, as demonstrated in previous research, the findings of this study suggest that simpler neural network architectures, such as CNNs, may offer better prediction performance in certain scenarios. To address the limitations identified, future research endeavors could explore alternative model configurations, ensemble methods, or hybrid architectures that combine the strengths of different predictive models. Additionally, incorporating additional market indicators and exploring intraday data sources could further enhance prediction accuracy and robustness. This abstract encapsulates the key findings and implications of the research, providing valuable insights for investors, researchers, and practitioners in the field of financial market prediction. هدف: پیش‌بینی آینده در حوزۀ سرمایه‌گذاری اهمیت زیادی دارد؛ زیرا به سرمایه‌گذاران کمک می‌کند تا تصمیم‌های بهتری اتخاذ کنند و ریسک‌های خود را کاهش دهند. در این راستا با بهبود قدرت مدل‌های پیش‌بینی، می‌توان به بازدهی‌های بهتری در بازار دست یافت. با این حال، پیش‌بینی بازار سهام به‌دلیل نوسان قیمت‌ها و عدم‌قطعیت، دغدغۀ بزرگی است. به‌طور کلی، پیش‌بینی دقیق حرکت سهام بسیار دشوار است و بسیاری از پژوهشگران به بررسی روش‌هایی می‌پردازند که فقط جهت حرکت سهام را پیش‌بینی می‌کنند. از جمله این روش‌ها، می‌توان به گشت تصادفی، پروبیت و لاجیت اشاره کرد. روش‌های جدیدتری مانند ماشین بردار پشتیبان، الگوریتم نزدیک‌ترین همسایگی و شبکۀ عصبی مصنوعی، برای بهبود پیش‌بینی آینده معرفی شده‌اند. به‌علت اهمیت پیش‌بینی روند بازارهای مالی برای پژوهشگران و سرمایه‌گذاران، این پژوهش با هدف پیش‌بینی روند شاخص کل بورس اوراق بهادار تهران با استفاده از یک شبکۀ عصبی هیبریدی با تمرکز بر استخراج ویژگی مقیاس زمانی چندگانه انجام شده است. هدف از اجرای این پژوهش، بررسی قدرت پیش‌بینی روش معرفی شده و مقایسۀ آن با روش‌های رقیب است. روش: در این پژوهش، از یک شبکۀ عصبی هیبریدی که شامل شبکۀ عصبی کانولوشن (CNN) برای استخراج ویژگی‌ها و سه شبکۀ عصبی حافظۀ طولانی ـ کوتاه‌مدت (LSTM) برای یادگیری وابستگی‌های زمانی است، استفاده شده است. داده‌های استفاده‌شده، مقادیر روزانۀ شاخص کل بورس اوراق بهادار تهران از سال ۱۳۷۷ تا ۱۴۰۱ بود که پس از جمع‌آوری و نرمال‌سازی، به دو بخش آموزش و اعتبارسنجی تقسیم شد. این شبکۀ عصبی هیبریدی با بهره‌گیری از ویژگی مقیاس زمانی چندگانه، تلاش می‌کند تا پیش‌بینی دقیقی از روند شاخص ارائه دهد. همچنین، از روش‌های مهندسی استخراج برای بهبود دقت این شبکه‌ها استفاده شده که عبارت است از: ترکیب شبکه‌های عصبی مختلف در یک شبکۀ جامع. یافته‌ها: نتایج این پژوهش نشان داد که مدل شبکۀ عصبی هیبریدی پیشنهادی که ترکیبی از شبکه‌های عصبی CNN و LSTM است، برای پیش‌بینی شاخص کل بورس اوراق بهادار تهران توانایی کافی را ندارد. دقت این مدل در مقیاس‌های زمانی هفتگی و ماهانه، کمتر از مدل‌های رقیب بود. در مقابل، مدل شبکۀ عصبی CNN که به‌عنوان یکی از مدل‌های رقیب بررسی شد، عملکرد بهتری داشت و توانست نتایج دقیق‌تری در پیش‌بینی شاخص کل بورس ارائه دهد. این نتایج با مطالعات قبلی که موفقیت مدل‌های هیبریدی در پیش‌بینی بازارهای مختلف را نشان داده بودند، در تضاد است. نتیجه‌گیری: مدل شبکۀ عصبی هیبریدی پیشنهادی نتوانست شاخص کل بورس اوراق بهادار تهران را به‌درستی پیش‌بینی کند؛ در حالی که مدل CNN به تنهایی نتایج بهتری ارائه داد. این یافته‌ها نشان می‌دهد که شبکه‌های عصبی ساده‌تر، مانند CNN، ممکن است در مواردی عملکرد بهتری داشته باشند. برای پژوهش‌های آتی، پیشنهاد می‌شود با تغییر داده‌های روزانه به داده‌های بین‌روزی (مانند داده‌های دقیقه‌ای)، مدل شبکۀ عصبی هیبریدی مبتنی بر استخراج ویژگی زمانی چندگانه بار دیگر بررسی شود. همچنین، استفاده از شاخص‌های بیشتری مانند مقادیر آغازین، حجم، حداقل، حداکثر، میانگین متحرک و شاخص قدرت نسبی، می‌تواند بهبود دقت مدل‌های پیش‌بینی را به همراه داشته باشد.

https://jfr.ut.ac.ir/article_101361_ff3abba5a66438e8308989e0e5c44917.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 A Policy Framework for Promoting Financial Literacy in Iran چارچوب سیاستی برای ارتقای سواد مالی در ایران 114 139 101362 10.22059/frj.2024.379352.1007623 FA احمد جهانگیر فیض آبادی کارشناس ارشد، گروه معارف اسلامی و فرهنگ و ارتباطات، دانشگاه امام صادق علیه السلام، تهران، ایران. Journal Article 2024 07 14 Objective Financial literacy is widely recognized as a crucial life skill, with individuals in developed countries expected to attain a desirable level of financial competence. This significance is reflected in the fact that more than 60 countries have developed national policies and strategies to promote financial literacy, incorporating specific programs into their agendas. Iran is no exception. Enhancing financial literacy is particularly important given the country's distinct economic, social, political, and cultural conditions. Improving individuals' financial awareness, knowledge, and skills reduces financial errors, strengthens sound financial decision-making, boosts confidence, and aids in achieving financial security and well-being. Furthermore, it can contribute to macroeconomic and social improvements, ensure economic stability, and foster greater public alignment with financial and economic policies. Therefore, it is essential to integrate this issue into the agendas of higher-level policymaking institutions and develop policies to promote financial literacy that are tailored to Iran's unique Islamic-Iranian culture. Methods This study was conducted by collecting policy documents and national strategies from other countries, as well as through semi-structured interviews with experts, specialists, and scholars in financial management, financial literacy, and policymaking. It employs qualitative thematic analysis to explore the main question: What policy framework is needed to promote financial literacy in Iran? Results Research findings reveal that the policy framework for enhancing financial literacy in Iran can be structured around four primary themes, each comprising several subthemes. The domains include: 1. Policy prerequisites: (including legal, financial, executive, and cultural prerequisites); 2. Policy objectives (including educational, economic, and socio-political goals); 3. Policy requirements (including content development, audience analysis, expert cultivation, and evaluation measures); and 4. Policy tools (including traditional, classic, innovative, and supportive-motivational mechanisms). This framework can serve as a blueprint for policymaking in the field of financial literacy enhancement in Iran. Conclusion Financial literacy enhancement programs in any country must be designed in accordance with the country's unique circumstances. Given Iran's unique context, the proposed framework—grounded in international models and domestic expert insights—may guide policymakers in developing effective, localized policies in this domain. هدف: در عصر حاضر، سواد مالی یکی از دانش‌ها و مهارت‌های ضروری زندگی شناخته می‌شود؛ به‌طوری که در کشورهای توسعه‌یافتۀ جهان، هر فردی باید از سطح مطلوبی از سواد مالی برخوردار باشد. اهمیت این موضوع تا حدی است که تاکنون بیش از ۶۰ کشور جهان سیاست‌ها و استراتژی‌های ملی‌ای را برای ارتقای سواد مالی طراحی کرده‌اند و برنامه‌های مشخصی را در این راستا در دستور کار خود قرار داده‌اند. کشور ما نیز از این قاعده مستثنا نیست. ارتقای سواد مالی در ایران، به‌خاطر شرایط خاص اقتصادی، اجتماعی، سیاسی و فرهنگی، اهمیت بسزایی دارد؛ زیرا افزایش آگاهی‌ها، دانش و مهارت‌های مالی در افراد، خطاهای مالی آنان را کاهش می‌دهد، تصمیم‌گیری‌های درست مالی را در آن‌ها تقویت می‌کند، به آنان احساس اعتمادبه‌نفس می‌دهد و در رسیدن به رفاه و امنیت مالی آن‌ها را یاری می‌کند. علاوه‌بر اینها می‌تواند برای بهبود وضعیت کلان اقتصادی و اجتماعی کشور نیز مفید باشد، ثبات اقتصادی جامعه را تضمین کند و افراد جامعه را بیشتر با سیاست‌های اقتصادی و مالی همراه کند. از این‌رو ضروری است که در حوزۀ سیاست‌گذاری‌های عمومی نیز، این موضوع در دستور کار نهادهای بالادستی قرار گیرد و سیاست‌های ارتقای سواد مالی احصا شود و بهترین و مطلوب‌ترین سیاست‌ها در این حوزه مبتنی بر فرهنگ بومی ایرانی ـ اسلامی ما تدوین شود. روش: پژوهش حاضر که با جمع‌آوری اسناد سیاستی و استراتژی‌های ملی دیگر کشورها و نیز با استفاده از مصاحبۀ نیمه ساختار یافته با استادان، متخصصان و صاحب‌نظران مدیریت مالی، سواد مالی و سیاست‌گذاری اجرا و با شیوۀ تحلیل مضمون کیفی، تحلیل شده است، سعی دارد به این پرسش اصلی پاسخ دهد که چارچوب سیاستی برای ارتقای سواد مالی در ایران چیست؟ یافته‌ها: بر اساس یافته‌های پژوهش، چارچوب سیاستی برای ارتقای سواد مالی در ایران را می‌توان بر اساس چهار حوزۀ اصلی پی‌ریزی کرد که هر یک از این حوزه‌ها، از چند حوزۀ فرعی تشکیل می‌شود. این حوزه‌ها عبارت‌اند از: ۱. پیش‌نیازهای سیاستی (شامل پیش‌نیازهای قانونی، مالی، اجرایی و فرهنگی)؛ ۲. اهداف سیاستی (شامل اهداف آموزشی، اقتصادی و سیاسی ـ اجتماعی)؛ ۳. الزامات سیاستی (شامل الزامات محتوایی، مخاطب‌شناسی، متخصص‌پروری و ارزیابی)؛ ۴. ابزارهای سیاستی (شامل ابزارهای سنتی و کلاسیک، نوین و حمایتی ـ تشویقی). این چارچوب می‌تواند به‌عنوان طرحی جامع برای سیاست‌گذاری در زمینۀ ارتقای سواد مالی در ایران استفاده شود. نتیجه‌گیری: برنامه‌های ارتقای سواد مالی در هر کشوری باید متناسب با شرایط خاص آن کشور طراحی شود. با توجه به شرایط خاص ایران، چارچوبی را که این پژوهش بر اساس الگوهای بین‌المللی و نظرهای خبرگان داخلی ارائه کرده است، می‌تواند راهنمای مناسبی برای سیاست‌گذاران در تدوین و اجرای سیاست‌های مؤثر بومی در این زمینه باشد.

https://jfr.ut.ac.ir/article_101362_4034f2809b84bffc15f31367e1f23276.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 Developing "Multifactor Asset Pricing Models" Using Threshold Regression Approach and Credit Risk Factor توسعه مدل‌های چندعاملی قیمت‌گذاری دارایی‌ها با استفاده از رویکرد رگرسیون آستانه‌ای و عوامل مبتنی بر ریسک اعتباری 140 166 101363 10.22059/frj.2024.375819.1007594 FA هادی قره باغی دانشجوی دکتری، گروه مهندسی مالی، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. محمود بت شکن استادیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. Journal Article 2024 04 28 Objective This study aims to develop threshold asset pricing models to enhance the performance of common multi-factor models. Over the past thirty years, asset pricing models have evolved by incorporating pricing anomalies as new factors that previous models could not explain, leading to the introduction of hundreds of such factors. This proliferation underscores the importance of the “parsimony” principle, which advocates for models with minimal factors and maximal explanatory power. Given the abundance of potential variables influencing asset returns, it is essential to seek models that balance simplicity and effectiveness. In line with this principle, this study proposes threshold asset pricing models where the proposed factors are applied selectively to certain companies rather than universally. Through cross-sectional tests and threshold cross-sectional regression analyses, the research examines the threshold effect of variables such as credit risk on expected returns, using the debt ratio as a threshold variable. It is anticipated that the impact of credit risk or financial distress on expected returns will differ across various levels of indebtedness. If the threshold effect of the debt ratio proves significant, credit risk factors can be applied selectively to specific groups of assets with particular characteristics in time-series tests. The ultimate goal is to develop a model that, instead of incorporating factors in a binary manner, considers their presence for certain assets based on threshold conditions. This approach aims to maximize explanatory power while adhering to the parsimony principle, ultimately improving the effectiveness of asset pricing models by using factors only where they are most relevant. Methods To evaluate the performance of threshold asset pricing models, data from companies in the Iranian capital market (2001-2023) were used after applying common filters. Threshold regression techniques investigated the threshold effect, and the GRS test along with A(|aᵢ|), A(|aᵢ|/|r̄ᵢ|), and AR², tested the research hypotheses. Results The results demonstrate that the distance-to-default variable, both individually and in conjunction with other characteristics, is influenced by the threshold effect of the debt ratio. Specifically, there is a significant negative relationship—where a lower distance-to-default corresponds to higher expected returns—for stocks with high debt ratios. This indicates that for companies with higher leverage, investors demand greater returns due to the increased risk of default. Utilizing the threshold effect of variables affecting asset returns in cross-sectional regressions allows for a more precise and detailed analysis of how these variables impact individual stock returns. Additionally, incorporating the default risk factor into the examined asset pricing models enhances their explanatory power and predictive ability, especially for test assets with high debt thresholds. This improvement highlights the effectiveness of considering threshold effects in the models, as it increases their ability to accurately predict returns for assets that are more susceptible to default risk due to higher levels of indebtedness. Conclusion The results suggest that to adhere to the parsimony principle, threshold asset pricing models can be used to develop pricing models and price a subset of test assets with specific characteristics, yielding appropriate results. هدف: پژوهش حاضر به‌دنبال توسعه و بهبود مدل‌های قیمت‌گذاری آستانه‌ای با هدف ارتقای عملکرد مدل‌های چندعاملی رایج در حوزۀ پژوهش‌های قیمت‌گذاری دارایی‌هاست. در سه دهۀ اخیر، روند توسعۀ مدل‌های قیمت‌گذاری در حوزۀ پژوهش مالی، عمدتاً بر مبنای ناهنجاری‌های قیمت‌گذاری بوده است. این مدل‌ها بر اساس مدل‌های قبلی توجیه نمی‌شوند و به‌عنوان عوامل جدید به مدل‌ها اضافه شده‌اند. این روند تکاملی به ظهور صدها عامل مبتنی بر ناهنجاری‌های موجود در مدل‌های پیشین منجر شده است. با توجه به فراوانی متغیرهای احتمالی تأثیرگذار بر بازدهی دارایی‌ها و اهمیت ویژۀ رعایت اصل «اختصار» در توسعۀ مدل‌های قیمت‌گذاری، ضروری است که به‌دنبال مدل‌هایی با حداقل تعداد عامل و بیشترین توضیح‌دهندگی مطلوب باشیم. در راستای اصل فوق، این پژوهش به‌دنبال توسعۀ مدل‌های قیمت‌گذاری آستانه‌ای نوین است که در آن، عامل پیشنهادی به‌صورت هدفمند برای بعضی از شرکت‌ها و نه همۀ آن‌ها مورد استفاده قرار می‌گیرد. با انجام آزمون‌های مقطعی دقیق و رگرسیون مقطعی آستانه‌ای، تأثیر آستانه‌ای متغیرهای کلیدی مانند ریسک اعتباری بر نرخ بازده مورد انتظار با توجه به متغیر آستانۀ نسبت بدهی، به‌طور جامع بررسی می‌شود. انتظار می‌رود که تأثیر متغیرهای ریسک اعتباری یا اضطراب مالی بر نرخ بازده مورد انتظار، برای سطوح مختلف بدهی دارایی‌ها، به‌طور معناداری متفاوت باشد. در صورت معنادار بودن اثر آستانه‌ای نسبت بدهی، می‌توان در آزمون‌های سری زمانی، عامل‌های مربوط به ریسک اعتباری را به‌طور هدفمند، تنها برای دسته‌ای از دارایی‌ها با ویژگی‌های مشخص استفاده کرد. هدف نهایی و اساسی این پژوهش، توسعۀ مدلی نوآورانه است که به‌جای حضور یک عامل به‌صورت صفر و یک در مدل قیمت‌گذاری، حضور عامل برای بعضی از دارایی‌ها را بر اساس شرایط و معیارهای مشخص در نظر بگیرد. روش: برای بررسی عملکرد مدل‌های قیمت‌گذاری آستانه‌ای، از داده‌های شرکت‌های بازار سرمایۀ ایران در بازۀ زمانی ۱۳۸۰ تا ۱۴۰۲ بعد از اعمال فیلترهای رایج برای آزمون مدل‌های قیمت‌گذاری استفاده شده است. به‌منظور بررسی اثر آستانه‌ای در بررسی عملکرد مدل‌های قیمت‌گذاری، از تکنیک‌های رگرسیون آستانه‌ای و برای آزمون فرضیه‌های پژوهش، از آزمون GRS و آماره‌های ، ( ) و ( ) استفاده شده است. یافته‌ها: نتایج به‌دست آمده نشان می‌دهد که متغیر فاصله تا نکول، به‌تنهایی یا در حضور سایر ویژگی‌ها، تحت تأثیر اثر آستانه‌ای نسبت بدهی قرار می‌گیرد؛ به‌طوری که رابطۀ معنادار و منفی (فاصله تا نکول کم معادل بازدهی مورد انتظار بالا) برای سهام با نسب بدهی بالا برقرار است و به نظر می‌رسد، استفاده از اثر آستانه متغیرهای تأثیرگذار بر بازدهی دارایی در رگرسیون‌های مقطعی، امکان بررسی دقیق‌تری از اثر متغیرها بر بازدهی سهام انفرادی را فراهم می‌آورد. همچنین اضافه شدن عامل ریسک نکول به مدل‌های قیمت‌گذاری مورد بررسی، توان توضیح‌دهندگی و قدرت پیش‌بینی مدل‌ها را برای دارایی‌های آزمون با آستانه بدهی بالا افزایش می‌دهد. نتیجه‌گیری: نتایج حاصل نشان می‌دهد که برای رعایت اصل اختصار در مدل‌های قیمت‌گذاری، می‌توان از مدل‌های قیمت‌گذاری آستانه‌ای، برای توسعۀ مدل‌های قیمت‌گذاری و قیمت‌گذاری بخشی از دارایی‌های آزمون با ویژگی‌ها خاص بهره برد و در توضیح‌دهندگی و عملکرد برون نمونه‌ای نتیجه مناسب را دریافت کرد.

https://jfr.ut.ac.ir/article_101363_9577e514339be70fe2b23f93fac8292f.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 Mapping and Analyzing Research on COVID-19 and the Stock Market: A Bibliometric Analysis ترسیم و تحلیل نقشۀ علمی پژوهش‌های حوزۀ کووید19 و بازار سهام: مطالعۀ کتاب‌سنجی 167 188 99232 10.22059/frj.2024.373655.1007582 FA یونس نوبخت دکتری، گروه مالی و حسابداری، دانشکده اقتصاد و علوم اداری، دانشگاه سلجوق، قونیه، ترکیه. Journal Article 2024 03 22 Objective In addition to its impact on public health, the COVID-19 pandemic posed significant challenges to global economies, particularly stock markets. Consequently, the pandemic's effects on stock markets opened diverse avenues for research. Scholars worldwide have sought to explore this topic from various perspectives. This article aims to conduct a bibliometric analysis of studies on COVID-19 and the stock market in Iran by mapping and analyzing scientific research trends in this domain. Methods This applied study employs a bibliometric approach. The statistical population comprises all articles published on the subject of COVID-19 and the stock market in Iran between February 2020 and January 2023. Data analysis was conducted using Excel, Ravar PreMap, and VOSviewer software. Results Considering the process of publishing articles in the field of COVID-19 research and the stock market in Iran, the results show that the trend of publishing articles in this field is upward, with the highest number of published articles in 2022, accounting for 26 titles and 50% of all articles. Regarding the intellectual structure of research in the field of COVID-19 and the stock market in the country, the evaluation of the intellectual structure in bibliometric analysis is usually done by examining the most frequent keywords and their co-occurrence. The most frequent keywords help identify the main topics that make up the intellectual structure of the research and word co-occurrence is used to identify clusters, track time trends, and analyze the density of keywords. These methods help introduce dominant, developed, saturated, extinct, or emerging topics. In this research, to investigate the most frequent keywords, the main words used in the title, abstract, and the keywords selected by the authors in each article were analyzed. In total, researchers in the field of COVID-19 and the stock market in Iran have used 312 main keywords in their articles. The keywords "COVID-19" (47 occurrences) and "stock market" (42 occurrences) are the most frequent in this field, followed by "financial markets," "pandemic," "crisis," "stock market index," "stock market return," and "stock return." These keywords form the main core of the topics that make up the intellectual structure of research in this field in Iran. To investigate word co-occurrence, social network mapping was used. Analysis of the social network map of word co-occurrence was conducted using three methods: 1) Analysis of clusters of the most frequent keywords, 2) Investigation of the time process of the formation of clusters of the most frequent keywords, and 3) Density analysis of the most frequent keywords. However, due to the newness of the field and the small number of articles in this area in Iran, analyzing the articles by examining the time trend and the density of the most frequent keywords would not be meaningful. Therefore, word co-occurrence was analyzed only through the examination of clusters of the most frequent keywords. Drawing the word co-occurrence map in the field of COVID-19 research and the stock market in Iran identified only one thematic cluster. This cluster includes eight main keywords: COVID-19, stock market, financial markets, epidemic, crisis, stock market index, stock market return, and stock return, all connected by red lines. Thus, it can be said that the keywords in this cluster indicate the direction of studies in the field of COVID-19 and the stock market in Iran, which has developed in recent years. Regarding cooperation networks among universities in the field of COVID-19 research and the stock market in Iran, the results show that although there has been good cooperation between universities in this field, more cooperation is expected, especially with universities in other countries. Conclusion Facilitating the process of publishing articles in this field in Iran, it is expected that the results and suggestions of this research will serve as a roadmap for researchers to explore potential research opportunities in this field. هدف: همه‌گیری کووید ۱۹ علاوه‌بر تهدید سلامت عمومی، اقتصاد کشورها و به‌ویژه بازارهای سهام را با چالش‌های جدی مواجه کرد. از این رو، پژوهشگران کشورهای مختلف، هریک به سهم خود تلاش کردند تا موضوع را از جنبه‌های مختلف در این زمینه مطالعه و بررسی کنند. هدف این مقاله، مطالعۀ بیبلیومتریک پژوهش‌های انجام گرفته در حوزۀ کووید ۱۹ و بازار سهام در ایران، از طریق ترسیم و تحلیل نقشه‌های علمی است. روش: پژوهش از نوع کاربردی بوده و با استفاده از فنون کتاب‌سنجی اجرا شده است. جامعۀ آماری پژوهش، شامل کلیه مقالات منتشر شده در حوزۀ موضوعی کووید ۱۹ و بازار سهام در ایران از بهمن‌ماه ۱۳۹۸ تا فروردین‌ماه ۱۴۰۲ است. تجزیه‌وتحلیل داده‌ها نیز با استفاده از نرم‌افزارهای اکسل، راور پریمپ و وس ویور انجام شده است. یافته‌ها: بررسی‌ها نشان می‌دهد که روند انتشار مقاله‌های این حوزه در ایران، صعودی بوده است و بیشترین تعداد مقاله‌های منتشر شده نیز، به سال ۱۴۰۱ با ۲۶ عنوان و ۵۰ درصد از کل مقاله‌ها مربوط می‌شود. ارزیابی ساختار فکری پژوهش‌ها در تحلیل‌های کتاب‌سنجی، معمولاً از طریق بررسی پُرتکرارترین کلیدواژه‌ها و همچنین، هم‌رخدادی واژگان انجام می‌پذیرد. پُرتکرارترین کلیدواژه‌ها در شناسایی هستۀ اصلی موضوعات تشکیل‌دهندۀ ساختار فکری پژوهش‌ها و هم‌رخدادی واژگان در شناسایی خوشه‌ها، روند زمانی و همچنین، چگالی واژگان کلیدی تشکیل‌دهندۀ ساختار فکری پژوهش‌ها، از نکته نظر معرفی موضوعات غالب، توسعه‌یافته، اشباع‌شده، از بین‌رفته یا در حال ظهور مورد استفاده قرار می‌گیرند. در این پژوهش به‌منظور بررسی پُرتکرارترین کلیدواژه‌ها، از واژه‌های اصلی استفاده شده در عنوان، چکیده و همچنین، واژگان کلیدی منتخب نویسندگان در هریک از مقالات استفاده شد. در هر حال، پژوهشگران حوزۀ پژوهش‌های کووید ۱۹ و بازار سهام در ایران، از ۳۱۲ کلیدواژۀ اصلی در مقاله‌های خود استفاده کرده‌اند. کلیدواژه‌های کووید ۱۹ با ۴۷ و بازار سهام با ۴۲ بار تکرار، پُرتکرارترین کلیدواژه‌های این حوزه هستند و بعد از آن‌ها کلیدواژه‌های بازارهای مالی، همه‌گیری، بحران، شاخص بازار سهام، بازده بازار سهام و بازده سهام قرار دارند. این کلیدواژه‌ها هستۀ اصلی موضوعات تشکیل‌دهندۀ ساختار فکری پژوهش‌های این حوزه در ایران هستند. به‌منظور بررسی هم‌رخدادی میان واژگان نیز از نقشۀ شبکه‌های اجتماعی استفاده شد. تجزیه‌وتحلیل نقشۀ شبکه‌های اجتماعی هم‌رخدادی واژگان، از طریق سه روش انجام می‌شود: ۱. تحلیل خوشه‌های پُرتکرارترین کلیدواژه‌ها؛ ۲. بررسی روند زمانی تشکیل خوشه‌های پُرتکرارترین کلیدواژه‌ها؛ ۳. تحلیل چگالی پُرتکرارترین کلیدواژه‌ها. اما به‌علت جدید بودن و همچنین، تعداد کم مقاله‌های این حوزه در ایران، تجزیه‌وتحلیل مقاله‌ها از طریق بررسی روند زمانی و همچنین، چگالی پُرتکرارترین کلیدواژه‌ها معنادار نخواهد بود. بنابراین، هم‌رخدادی واژگان تنها از طریق تحلیل خوشه‌های پُرتکرارترین کلیدواژه‌ها انجام پذیرفت. در هر حال، ترسیم نقشۀ هم‌رخدادی واژگان کلیدی حوزۀ پژوهش‌های کووید ۱۹ و بازار سهام در ایران، فقط به شناسایی یک خوشۀ موضوعی منجر شد. این خوشه مشتمل بر ۸ کلیدواژۀ اصلی است که عبارت‌اند از: کووید ۱۹، بازار سهام، بازارهای مالی، همه‌گیری، بحران، شاخص بازار سهام، بازده بازار سهام و بازده سهام. بدین‌ترتیب می‌توان گفت که کلیدواژه‌های تشکیل‌دهندۀ این خوشه، مسیر مطالعات حوزۀ کووید ۱۹ و بازار سهام را در ایران نشان می‌دهد که در سال‌های اخیر آغاز شده است. بررسی‌ها نشان می‌دهد که همکاری‌های خوبی بین دانشگاه‌ها در این حوزه صورت گرفته است؛ اما همکاری‌های بیشتری، به‌ویژه با دانشگاه‌های سایر کشورها در این زمینه مورد انتظار است. نتیجه‌گیری: انتظار می‌رود که نتایج و پیشنهادهای این پژوهش، ضمن تسهیل روند انتشار مقاله‌های این حوزه در ایران، به‌عنوان نقشه‌راهی برای پژوهشگران، به‌منظور بهره‌بردن از فرصت‌های تحقیقاتی بالقوه در این زمینه استفاده شود.

https://jfr.ut.ac.ir/article_99232_ded9b987e7096630032787e4f19d64f2.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 27 1 2025 03 21 Asymmetric Effect of Investor Sentiment and Its Volatility on Trading Volume and Stock Returns: Evidence from the Tehran Stock Exchange اثر نامتقارن احساسات سرمایه‌گذاران و نوسان‌های آن بر ارزش معاملات و بازدهی سهام: شواهدی از بورس اوراق بهادار تهران 189 217 101369 10.22059/frj.2024.370207.1007550 FA مجتبی رستمی نوروزآباد استادیار، گروه مدیریت مالی، دانشکدۀ مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. علی سعیدی دانشیار، گروه مدیریت مالی، دانشکدۀ مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. فرید صفائی دانشجوی کارشناسی ارشد، گروه مدیریت مالی، دانشکدۀ مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. Journal Article 2023 12 26 Objective In recent years, there has been a paradigm shift from traditional approaches to behavioral finance perspectives. Behavioral finance, or colloquially investor sentiment, has gained popularity as a modern approach to asset pricing due to empirical support for the topic. There has been a renewed interest in understanding investor behavior in emerging stock markets. Accordingly, the present study aims to identify the asymmetric effect of investor sentiment on trading value and stock returns in the Tehran Stock Exchange. Methods This study's statistical population includes all companies listed on the Tehran Stock Exchange from 2016 to 2022. The number of these companies varied on different days during the period due to initial public offerings, transfers between the OTC and the stock exchange, and delistings. The Arms index also called the short-term trading Index, was used to measure investor sentiment, and the exponential GARCH model was used to measure sentiment fluctuations. Also, the transaction value and stock return models were estimated using mixed data-based methods. Results According to the findings, investor sentiment had a positive effect on transaction value. The effect of investor sentiment was greater when sentiment was positive than when it was negative. Also, sentiment fluctuations had a positive and significant effect on transaction value. On the other hand, the asymmetric effect of investor sentiment fluctuations on transaction value was significant. The results indicated that the effect of positive sentiment fluctuations was greater than the effect of negative sentiment fluctuations on transaction value. On the other hand, the increase in the dollar exchange rate, as a control variable, had a direct effect on transaction value, leading to its increase. Also, the effect of growth in fixed-income fund trading, as a control variable, was negative and significant. According to the results of estimating the stock return equation, with increasing pessimism and rising negative sentiment in the market, stock returns decrease during the period under review and vice versa. On the other hand, the dummy variable coefficient for investor sentiment is significant, which indicates the asymmetric effect of sentiment fluctuations on stock returns. The findings suggest that the effect of positive sentiment on stock returns is greater than that of negative sentiment. In addition, investor sentiment fluctuations have a positive and significant effect on stock returns. The asymmetric effect of investor sentiment risk on transaction value was significant. Finally, when investor sentiment was negative, the effect of sentiment fluctuations on stock returns was greater than when investor sentiment was positive in the market. Conclusion According to the results, the following hypotheses were not confirmed: the effect of positive sentiment fluctuations on transaction value is greater than that of negative sentiment fluctuations, and when investor sentiment is negative, the effect of sentiment fluctuations on stock returns is greater than when investor sentiment is positive in the market. However, the other research hypotheses were confirmed. هدف: در سال‌های اخیر تغییر پارادایمی از رویکردهای سنتی به دیدگاه‌های مالی رفتاری صورت گرفته است. مالی رفتاری یا به‌طور محاوره‌ای، احساسات سرمایه‌گذاران به‌عنوان رویکردی مدرن برای قیمت‌گذاری دارایی‌ها، به‌دلیل پشتیبانی تجربی از این موضوع، محبوبیت پیدا کرده است و علاقۀ مجددی به درک رفتار سرمایه‌گذاران در بازارهای سهام در حال ظهور پیدا شده است. بر همین اساس، هدف پژوهش حاضر، شناسایی اثر نامتقارن احساسات سرمایه‌گذاران بر ارزش معاملات و بازدهی سهام در بورس اوراق بهادار تهران است. روش: جامعۀ آماری این پژوهش تمامی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازۀ زمانی ۱۳۹۵ تا ۱۴۰۱ است. تعداد این شرکت‌ها در روزهای مختلف دوره، به‌علت عرضه‌های اولیه، انتقال از فرابورس به بورس یا برعکس، حذف نماد از بورس و توقف نماد متفاوت بوده است. برای اندازه‌گیری احساسات سرمایه‌گذاران از شاخص ARMS و برای اندازه‌‎گیری نوسان‌های احساسات از مدل گارچ نمایی استفاده شده است. همچنین مدل‎‌های ارزش معاملات و بازدهی سهام با استفاده از روش‌های مبتنی بر داده‌‎های ترکیبی برآورد شدند. یافته‌ها: یافته‌های پژوهش نشان داد که اثر احساسات ‌سرمایه‌گذاران بر ارزش معاملات، مثبت بوده است. اثر احساسات سرمایه‌گذاران در زمان وجود احساسات مثبت، بیشتر از زمانی است که احساسات منفی بوده است. همچنین، اثر نوسان‌های احساسات بر ارزش معاملات نیز مثبت و معنادار گزارش شده است. از سوی دیگر، اثر نامتقارن نوسان‌های احساسات سرمایه‌گذاران بر ارزش معاملات معنادار شده است. بر اساس نتایج، نوسان‌های احساسات مثبت در مقایسه با نوسان‌های احساسات منفی، روی ارزش معاملات تأثیر بیشتری دارد. از سوی دیگر، افزایش نرخ دلار به‌عنوان متغیر کنترلی، روی ارزش معاملات اثر مستقیم داشته و به افزایش آن منجر شده است. همچنین، تأثیر رشد معاملات صندوق‌های با درآمد ثابت نیز به‌عنوان متغیر کنترلی، منفی و معنادار بوده است. نتایج برآورد معادلۀ بازدهی سهام نشان داد که طی دورۀ بررسی، با افزایش بدبینی و احساسات منفی در بازار، بازدهی سهام کاهش می‌یابد و برعکس. از طرفی، ضریب متغیر مجازی برای احساسات سرمایه‌گذاران معنادار است که اثر نامتقارن نوسان‌های احساسات بر بازدهی سهام را نشان می‌دهد. یافته‌ها حاکی از بیشتر بودن اثر احساسات مثبت در مقایسه با احساسات منفی بر بازدهی سهام است. به‌علاوه، اثر نوسان‌های احساسات سرمایه‌گذاران بر بازدهی سهام نیز مثبت و معنادار بوده است. اثر نامتقارن ریسک احساسات سرمایه‌گذاران بر ارزش معاملات معنادار است و در نهایت، اثر نوسان‌های احساسات در زمان وجود احساسات منفی بر بازدهی سهام، بیشتر از زمانی است که احساسات مثبت در بازار وجود دارد. نتیجه‌گیری: بر اساس نتایج به‌دست آمده، از بین تمام فرضیه‌های مطرح شده در این پژوهش همه تأیید شدند و فقط دو فرضیه تأیید نشد. یکی تأثیر نوسان‌های احساسات مثبت بر ارزش معاملات در مقایسه با نوسان‌های احساسات منفی بیشتر است و دیگری، اثر نوسان‌های احساسات در زمان وجود احساسات منفی بر بازدهی سهام، بیشتر از زمانی است که احساسات مثبت در بازار وجود دارد.

https://jfr.ut.ac.ir/article_101369_3931cfb11b8546e58663003b2be1c222.pdf