انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Modeling Venture Capital Exit Time Using a Parametric Accelerated Failure Time Model مدل‌‏سازی زﻣﺎن ﺧﺮوج سرمایه‌‌گذار خطرپذیر با اﺳﺘﻔﺎده از مدل پارامتری زمان شکست تسریع‌شده 328 348 107623 10.22059/frj.2025.366656.1007524 FA پرنیان بیجاری کارشناس ارشد، گروه مهندسی مالی، دانشکدۀ مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران. پرستو محمدی استادیار، گروه مدیریت سیستم و بهره‌وری، دانشکدۀ مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران. Journal Article 2023 10 15 Objective Venture capitalists (VCs) are not long-term investors and generally exit a startup with a specific strategy, once their anticipated returns are secured. The timing and strategy of venture capital (VC) exit are critical factors that determine investors’ returns and significantly influence the success or failure of the new venture. Given the nascent nature of venture capital and the limited exit experience in Iran, the decision regarding the optimal exit time is a significant concern for Iranian VCs. Therefore, recognizing the importance of this decision, the present study aims to model the VC exit time by considering the factors that VCs use to determine their exit strategy from a startup. Methods To identify the factors influencing the timing and strategy of exit decisions, semi‑structured interviews were conducted with experts in the Iranian venture capital sector using convenience sampling. Subsequently, to assess the impact of these factors on the exit time of Iranian VCs, data were collected based on the identified variables. A questionnaire, developed based on existing venture capital studies, was distributed among all members of the statistical sample. The collected data were analyzed using the Competing Risks Survival Analysis method to simultaneously model the exit time and strategy. Results The interviews identified 24 factors influencing the exit decision time and 7 exit strategies VCs had employed. In the subsequent modeling, all 24 factors were initially included as covariates. To eliminate factors with minimal impact, correlation and univariate analyses reduced the set to 16 factors, upon which a multivariate model was built. For multivariate modeling, Accelerated Failure Time (AFT) regression models were used. The results indicate that the AFT model based on the Weibull distribution is suitable for the survival data. The impact of each factor on the exit time was then assessed using this model. Conclusion The results suggest that, across the exit strategies of Management Buyout (MBO), divestiture to a private investor, merger and acquisition (M&A), divestiture to stakeholders, and liquidation, the variable of Return on Investment (ROI)—a key factor highlighted in prior research—leads to a decrease in the exit hazard rate and consequently an increase in the investment duration. Furthermore, the variable “existence of a positive outlook for the startup’s future,” identified as a critical factor by Iranian VCs, reduces the exit hazard rate. This, in turn, prolongs the investment duration for strategies such as management buyout (MBO), divestiture to partners, divestiture to another VC, and divestiture to stakeholders. هدف: سرمایه‌گذاران خطرپذیر، پس از سرمایه‌گذاری روی کسب‌وکارهای نوپا، به مدیریت سبد سرمایه‌گذاری می‌پردازند و در زمانی که عواید پیش‌بینی‌شده برای آن‌ها تأمین شده باشد با در نظر گرفتن استراتژی خاصی، از کسب‌وکار نوپا خارج می‌شوند. خروج برای سرمایه‌گذاران خطرپذیر مهم‌ترین مرحلۀ سرمایه‌گذاری است و این مسئله که سرمایه‌گذار در چه زمانی و با چه استراتژی‌ای از کسب‌وکار نوپا خروج کند، سود سرمایه‌گذار را تعیین می‌کند و همچنین در موفقیت یا شکست کسب‌وکار نیز تأثیر می‌گذارد. به‌دلیل نوپا بودن سرمایه‌گذاری خطرپذیر و تجربۀ خروج محدود در ایران، تصمیم دربارۀ خروج، دغدغۀ مهمی برای سرمایه‌گذاران خطرپذیر ایرانی محسوب می‌شود. از این رو با توجه به اهمیت خروج، پژوهش حاضر به‌کمک عواملی که سرمایه‌گذار خطرپذیر در زمان تصمیم به خروج از کسب‌وکار نوپا، بر اساس استراتژی خروج خود در نظر می‌گیرد، به مدل‌سازی زمان خروج پرداخته است. روش: در پژوهش حاضر به‌منظور شناسایی عوامل مؤثر در زمان تصمیم به خروج از کسب‌وکار نوپا و استراتژی خروج سرمایه‌گذار، از طریق روش نمونه‌گیری در دسترس، مصاحبۀ نیمه‌ساختاریافته‌ای با خبرگان حوزۀ ﺳﺮﻣﺎﯾﻪ‌ﮔﺬاری ﺧﻄﺮﭘﺬﯾﺮ صورت پذیرفت. طی مصاحبه‌های انجام شده، ۲۴ عامل مؤثر در زمان تصمیم به خروج و ۷ استراتژی خروج که سرمایه‌گذاران خطرپذیر از طریق آن از کسب‌وکار خارج شده بودند، شناسایی شدند. سپس با هدف سنجش تأثیر این عوامل بر زمان خروج سرمایه‌گذار خطرپذیر ایرانی، از طریق تهیۀ پرسش‌نامه و توزیع آن در ﺑﯿﻦ ﺗﻤﺎﻣﯽ اﻋﻀﺎی نمونۀ آماری، به جمع‌آوری داده‌های مورد نیاز برای مدل پژوهش، بر مبنای عوامل شناسایی شده، پرداخته شد. در انت‌ها نیز داده‌های جمع‌آوری شده با هدف مدل‌سازی هم‌زمان زمان و استراتژی خروج با روش آنالیز بقا مدل ریسک رقابتی تجزیه‌وتحلیل واقع شدند. در مدل‌سازی مذکور ۲۴ عامل مؤثر بر زمان خروج، به‌عنوان متغیرهای کمکی مدل معرفی مدل شد. به‌منظور حذف عواملی که تأثیر کمی بر زمان خروج دارند؛ این ۲۴ عامل با تحلیل هم‌بستگی و تحلیل تک متغیره به ۱۶ عامل کاهش یافت و سپس مدل‌سازی چند متغیره صورت پذیرفت. برای مدل‌سازی چند متغیره نیز از مدل‌های رگرسیونی زمان شکست تسریع شده استفاده شد. یافته‌ها: تحلیل تأثیر متغیرهای کمکی بر زمان بقا و خطر خروج با کمک مدل پارامتری زمان شکست تسریع شده، بیانگر آن است که در استراتژی‌های بازخرید مدیریت، واگذاری سهام به سرمایه‌گذار خصوصی، ادغام و تملیک، واگذاری سهام به ذی‌نفعان و انحلال، متغیر بازده سرمایه‌گذاری که از نگاه محققان پژوهش‌های پیشین مهم است، به کاهش نرخ خطر خروج و افزایش مدت زمان سرمایه‌گذاری منجر می‌شود. همچنین متغیر وجود چشم‌انداز خوب برای آیندۀ استارتاپ که از دید سرمایه‌گذاران خطرپذیر ایرانی اهمیت دارد، در استراتژی‌های بازخرید مدیریت، واگذاری سهام به شرکا، واگذاری سهام به VC دیگر و واگذاری سهام به ذی‌نفعان، میزان خطر خروج را کاهش و به‌تبع، مدت زمان سرمایه‌گذاری را افزایش می‌دهد. همچنین نتایج مدل‌سازی بیان کرد که در ایران، سرمایه‌گذاری در صنعت فناوری اطلاعات و محصولات مصرفی در تمام استراتژی‌ها، سرعت خروج بیشتری دارد. همچنین سرمایه‌گذاری‌های مرحله بذری نیز، سرعت خروج بیشتری را نشان داده‌اند. دریافت پیشنهادهای ناخواسته، سرعت خروج بازخرید مدیریت را کاهش داده و به‌طور شایان توجهی به کاهش سرعت خروج از استراتژی ادغام و تملیک منجر شده است. نتیجه‌گیری: این پژوهش در زمینه مدل‌سازی زمان خروج سرمایه‌گذار خطرپذیر ایرانی، بر مبنای مدل ریسک رقابتی است که با هدف بررسی و مدل‌سازی رابطۀ احتمالی بین عوامل خطر و مدت زمان سرمایه‌گذاری (بقا) انجام شد. بدین منظور پس از معرفی پارامترهای مؤثر (عوامل خطر) در زمان تصمیم به خروج سرمایه‌گذاران خطرپذیر، اثرگذاری هر یک از عوامل خطر بر زمان خروج سرمایه‌گذاران خطرپذیر با کمک مدل زمان شکست تسریع شده، سنجیده شد. نتایج مدل بیان کرد که سرمایه‌گذاری در صنعت فناوری اطلاعات، سلامت، بیوتکنولوژی‌وکشاورزی، برق‌وانرژی، محصولات مصرفی و حمل‌ونقل، در تمام استراتژی‌ها به‌جز استراتژی بازخرید مدیریت، میزان خطر خروج را افزایش و به‌تبع آن، مدت زمان سرمایه‌گذاری را کاهش می‌دهند. همچنین سرمایه‌گذاری در مرحلۀ بذری در تمام استراتژی‌ها سرعت خروج را افزایش داده است و سرمایه‌گذاری در مرحله رشد، به افزایش سرکت خروج در تمام استراتژی‌ها به‌جز انحلال شده است.

https://jfr.ut.ac.ir/article_107623_177cd077c568db04fccc02bf36bb617f.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Ensemble Strategy for Algorithmic Trading Using Deep Reinforcement Learning استراتژی گروهی برای معاملات الگوریتمی با یادگیری تقویتی عمیق 349 372 107624 10.22059/frj.2025.378736.1007620 FA میثم امیری استادیار، گروه مالی و بانکداری، دانشکدۀ مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. مسلم پیمانی دانشیار، گروه مالی و بانکداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. 0000-0001-8507-4014 همو بغوزیان کارشناس ارشد، گروه مالی و بانکداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. Journal Article 2024 06 30 Objective Trading strategies are crucial in investment companies as they guide decision-making processes and optimize returns. However, designing a profitable strategy within the complex and dynamic stock market environment poses significant challenges. The intricacies of market behavior and the multitude of influencing factors necessitate advanced modelling techniques. The growing availability of extensive data sets and increased computational power have facilitated the use of agent-based models, which have become essential tools for understanding economic and financial systems. The Tehran Stock Exchange often requires rapid adaptation due to severe volatility, regulatory changes, and sudden economic shifts. The choice to implement an ensemble strategy, consisting of deep reinforcement learning agents, arises from the unique challenges and opportunities of the Tehran Stock Exchange. Unlike traditional supervised learning models that make predictions solely based on historical data, agent-based models offer an adaptive approach that can respond to market changes in real-time. Another reason for selecting this strategy is its capacity to perform complex portfolio management operations. Combining multiple deep reinforcement learning agents, each with distinct strengths, the ensemble approach can leverage diverse strategies to optimize trades, manage risk, and enhance decision-making across different market conditions. Therefore, this research proposes an Ensemble strategy for algorithmic trading, leveraging deep reinforcement learning to optimize stock trading strategies that maximize returns while minimizing investment risk. Methods This study implements an ensemble trading strategy by modelling the stock market and employing five distinct deep reinforcement learning algorithms. This ensemble strategy synthesizes each algorithm's strengths and best features, making it adaptable to various market conditions. To achieve this, Data from stocks listed in the price index of the top 50 companies on the Tehran Stock Exchange are utilized to train and test these algorithms. The performance of the trading agent, using different reinforcement learning algorithms, is subsequently evaluated and compared against the benchmark index and a traditional minimum-variance portfolio allocation strategy. The comparative analysis helps thoroughly assess the effectiveness of the ensemble approach in real-world trading scenarios. Results From June 29, 2022, to January 20, 2024, the research implemented various trading models to gauge their performance. The ensemble strategy demonstrated a significant annual return of 47.13%, a cumulative return of 78.47%, and a risk-adjusted return of 1.56. These results indicate a superior performance over individual deep reinforcement learning algorithms, the benchmark price index of the 50 Tehran Stock Exchange companies, and the traditional minimum-variance portfolio allocation strategy. Among the individual algorithms, the Soft Actor-Critic (SAC) algorithm recorded the highest returns, with an annual return of 29.89% and a cumulative return of 47.89%. However, its higher annual volatility of 44.22% suggested weaker risk management. Conversely, the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm achieved a more balanced outcome with a risk-adjusted return of 0.92, highlighting its effective risk management alongside respectable returns. Therefore, the findings indicate that the ensemble strategy can effectively create a trading strategy that outperforms deep reinforcement learning algorithms, the price index of the top 50 companies on the Tehran Stock Exchange, and the minimum variance portfolio allocation strategy. Conclusion The Ensemble strategy offers a robust and adaptive framework for dynamic stock portfolio management by combining the strengths of multiple deep reinforcement learning algorithms. It is a reliable trading strategy that enhances returns and effectively manages investment risks. Future improvements to this strategy also involve further integrating fundamental and macroeconomic indicators to refine its predictive accuracy. Additionally, incorporating legal and regulatory constraints into the stock market modeling process, as well as considering market participants beyond investors, could improve the realism and performance of the model. This holistic approach would provide a more comprehensive understanding of market dynamics, potentially leading to more stable and robust trading outcomes. هدف: استراتژی‌های معاملاتی در شرکت‌های سرمایه‌گذاری نقشی مهم دارند؛ با این حال، طراحی یک استراتژی سودآور در بازار سهامی که پیچیدگی و پویایی خاص خود را دارد، چالش‌برانگیز است. با افزایش دسترسی به داده‌ها و توان بیشتر محاسباتی، مدل‌های مبتنی بر عامل، برای درک اقتصاد و بازارهای مالی اهمیت بیشتری پیدا کرده‌اند. بازار بورس اوراق بهادار تهران، به‌دلیل نوسان‌های شدید، تغییرات قوانین نظارتی و تغییرات ناگهانی اقتصادی، اغلب به انطباق سریع نیاز دارد. انتخاب اجرای استراتژی گروهی، متشکل از عامل‌های یادگیری تقویتی عمیق، از چالش‌ها و فرصت‌های منحصربه‌فرد بورس اوراق بهادار تهران نشئت می‌گیرد. برخلاف مدل‌های یادگیری نظارت‌شده سنتی که پیش‌بینی‌ها را فقط بر اساس داده‌های تاریخی انجام می‌دهند، مدل‌های مبتنی بر عامل، یک رویکرد تطبیقی ارائه می‌کنند که می‌تواند بی‌درنگ به تغییرات بازار پاسخ دهد. یکی دیگر از دلایل انتخاب این استراتژی، ظرفیت آن برای اجرای عملیات پیچیدۀ مدیریت پرتفوی است. با ترکیب چندین عامل یادگیری تقویتی عمیق که هر یک نقاط قوت متمایزی دارند، رویکرد گروهی می‌تواند از استراتژی‌های متنوعی برای بهینه‌سازی معاملات، مدیریت ریسک و بهبود تصمیم‌گیری در شرایط مختلف بازار استفاده کند. بنابراین، هدف از این پژوهش، پیشنهاد استراتژی گروهی برای معاملات الگوریتمی و استفاده از الگوریتم‌های یادگیری تقویتی عمیق برای معاملات سهام، به‌منظور به حداکثر رساندن بازده و کمینه‌کردن ریسک سرمایه‌گذاری است. روش: در این پژوهش، با مدل‌‌سازی بازار سهام و استفاده از آموزش پنج الگوریتم یادگیری تقویتی عمیق، یعنی Advantage Actor Critic (A2C)، Deep Deterministic Policy Gradient (DDPG)، Proximal Policy Optimization (PPO)، Soft Actor-Critic (SAC) و Twin-Delayed Deep Deterministic (TD3)، یک استراتژی معاملاتی گروهی پیاده‌سازی می‌شود. این استراتژی، بهترین ویژگی‌های پنج الگوریتم را به ارث می‌برد و ادغام می‌کند؛ در نتیجه با موقعیت‌های مختلف بازار سازگاری بیشتری دارد. برای آموزش و آزمایش الگوریتم‌ها، از سهام موجود در شاخص قیمتی ۵۰ شرکت بورس اوراق بهادار تهران استفاده شده است. در آخر، نتایج حاصل از معامله با استراتژی معاملاتی طراحی‌شده با الگوریتم‌های یادگیری تقویتی عمیق به‌صورت مجزا، شاخص قیمتی ۵۰ شرکت بورس اوراق بهادار تهران و استراتژی تخصیص پرتفوی حداقل واریانس مقایسه و به بحث گذاشته می‌شود. یافته‌ها: با انجام معامله با استفاده از مدل‌های مختلف از تاریخ ۸ تیر ماه ۱۴۰۱ تا ۳۰ دی ماه ۱۴۰۲، استراتژی گروهی طراحی‌شده با بازده سالانه 13/47 درصد، بازده تجمعی 47/78 درصد، بازده تعدیل‌شده با ریسک 56/1 و حداکثر افت سرمایه 49/18 درصد، از الگوریتم‌های یادگیری تقویتی عمیق، شاخص قیمتی ۵۰ شرکت بورس اوراق بهادار تهران و استراتژی تخصیص پرتفوی حداقل واریانس از لحاظ بازدهی و مدیریت ریسک، عملکرد بهتری را از خود نشان داد. از بین الگوریتم‌های یادگیری تقویتی عمیق، SAC با بازده سالانه و بازده تجمعی 89/29 و ۸۹/۴۷ درصد از لحاظ بازدهی، بهترین عملکرد را داشت؛ اما نوسان‌های سالانه 22/44 درصدی آن موجب شد تا از لحاظ مدیریت ریسک عملکرد مطلوبی نداشته باشد. در مقابل، TD3 با بازده تعدیل‌شده با ریسک 92/0 از لحاظ بازدهی و مدیریت ریسک بهترین عملکرد را بین الگوریتم‌های یادگیری تقویتی عمیق داشت. بنابراین، یافته‌ها نشان می‌دهد که استراتژی گروهی می‌تواند به‌طور مؤثر یک استراتژی معاملاتی ایجاد کند که عملکردی بهتر از الگوریتم‌های یادگیری تقویتی عمیق و شاخص قیمت ۵۰ شرکت بورس اوراق بهادار تهران و استراتژی تخصیص پرتفوی حداقل واریانس از خود نشان دهد. نتیجه‌گیری: با توجه به اینکه استراتژی گروهی بهترین ویژگی‌های هر یک از الگوریتم‌های یادگیری تقویتی عمیق را ترکیب می‌کند و به‌صورت پویا به مدیریت پرتفوی سهام می‌پردازد، می‌توان از آن به‌عنوان یک استراتژی معاملاتی قابل اتکا برای کسب بازدهی بیشتر و مدیریت ریسک سرمایه‌گذاری استفاده کرد. در پژوهش‌های آتی به‌منظور بهبود عملکرد این الگوریتم می‌توان متغیرهای بنیادی و اقتصاد کلان را نیز برای یادگیری عامل معامله‌گر به کار گرفت. همچنین در نظر گرفتن محدودیت‌های قانونی و نظارتی در مدل‌سازی بازار سهام و پیاده‌سازی عامل‌های دیگری به‌جز سرمایه‌گذاران، می‌تواند مدل را به واقعیت نزدیک‌تر کند و عملکرد آن را بهبود بخشد.

https://jfr.ut.ac.ir/article_107624_76acab3142f5775337b1ac55b87b3ad6.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Long-Run Asymmetric Impacts of Political Risk Components on the Development of Iran’s Islamic Finance (Sukuk) Market بررسی اثرهای بلندمدت و نامتقارن مؤلفه‌‌های ریسک سیاسی بر توسعۀ بازار مالی اسلامی (صکوک) در ایران 373 399 107625 10.22059/frj.2025.374417.1007587 FA بهمن خانعلی زاده دکتری، گروه اقتصاد، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران. اشکان رحیم زاده استادیار، گروه اقتصاد، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران. محمد دالمن پور استادیار، گروه اقتصاد، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران. مجید افشاری راد دانشیار، گروه اقتصاد، دانشگاه خوارزمی، تهران، ایران. Journal Article 2024 03 28 Objective The growing complexity of trading instruments, the expansion of financial market activities, and the increasing number of financial institutions have significantly increased the importance of risk identification and assessment. Since risk evaluation is considered a crucial issue in the financial systems of all countries, this study aims to examine the effects of shocks to political risk components, along with economic complexity, on the development of the Islamic financial (Sukuk) market in Iran. Methods The data used in this research are based on the variables of the proposed model for the Iranian calendar years 1389–1401 (2010–2022). The data are seasonal and were obtained from the Central Asset Management Company of the Iranian Capital Market, the International Country Risk Guide (ICRG) database, and the MIT website. In this study, the Wald test was employed to examine the asymmetry of unexpected positive and negative shocks in the research variables affecting the development of the Sukuk market. In addition, the Nonlinear Autoregressive Distributed Lag (NARDL) approach was used to investigate and identify the nonlinear and asymmetric long-term relationships between political risk and its components, along with economic complexity, and the development of the Islamic financial market (Sukuk) in Iran. Results The results of the model estimations in this study, using the Wald test and the Nonlinear Autoregressive Distributed Lag (NARDL) approach, indicate that positive and negative shocks in political risk and its components—including corruption, investment profile, government stability, external tensions, internal tensions, and socioeconomic conditions—have asymmetric effects on the development of the Iranian Sukuk market. Among the political risk components, the most influential positive shock in the long run is associated with internal tensions, with a coefficient of 11.87, whereas the most influential negative shock is related to external tensions, with a coefficient of -5.60. In addition, economic complexity has a positive long-run effect on the development of the Sukuk market. Conclusion Developed financial markets mobilize household savings, reduce transaction and control costs, facilitate risk diversification and information acquisition about investment projects, so if the stock market develops, the level of investment in the economy can increase. In this regard, Sukuk has become one of the most important and effective financial instruments in the modern world, contributing to a fundamental strategic shift in the outlook of global investors. Due to their distinctive features and compliance with Islamic principles, Sukuk instruments, which are based on the financial innovations of Muslim scholars, have gained considerable popularity in recent years. In this context, the findings of the present study indicate that political risk components have a long-term and asymmetric effect on the development of the Sukuk market in Iran. The results also indicate that positive and negative shocks to political risk, especially in components such as government instability, political violence, and corruption control, have different and significant effects on the Islamic financial market development index. From a theoretical perspective, this study provides a new framework for understanding the institutional dynamics of Islamic financial development by analyzing the nonlinear relationship between political risk and sukuk. At the strategic and policy-making level, the results of the study emphasize that creating institutional stability, improving governance, and reducing political uncertainty are among the most important prerequisites for the sustainable growth of the sukuk market in Iran. Accordingly, it is recommended that policymakers focus on strengthening transparency, reducing corruption, and creating support structures appropriate to the characteristics of Islamic finance to pave the way for the expansion and deepening of this market. هدف: به‌دلایل متعددی همچون بزرگ شدن بخش‌های مالی فعال در بازار، افزایش تعداد مؤسسه‌های مالی و پیچیده‌شدن ابزارهای معاملاتی، شناخت ریسک اهمیت بسیار زیادی پیدا کرده است. با توجه به اینکه مقولۀ ارزیابی ریسک، موضوع بسیار مهمی در نظام مالی همۀ کشورها محسوب می‌شود، این پژوهش شوک‌های مؤلفه‌های ریسک سیاسی و پیچیدگی اقتصادی را بر توسعۀ بازار مالی اسلامی (صکوک) در کشور ایران شناسایی و تأثیرهای آن را بررسی می‌کند. روش: داده‌های مورد نیاز برای انجام این پژوهش، بر اساس متغیرهای مدل پیشنهادی، مربوط به دورۀ زمانی ۱۳۸۹ تا ۱۴۰۱ و به‌صورت فصلی است و از شرکت مدیریت دارایی مرکزی بازار سرمایۀ ایران، بانک اطلاعاتی راهنمای بین‌المللی ریسک کشوری (ICRG) و وبسایت دانشگاه ام‌آی‌تی جمع‌آوری شده است. در این تحقیق برای آزمون‌عدم تقارن شوک‌های مثبت‌ومنفی پیش‌بینی‌نشدۀ متغیرهای پژوهش بر توسعۀ بازار صکوک، از آزمون والد استفاده شده است. همچنین، برای بررسی و شناسایی روابط غیرخطی و نامتقارن بلندمدت ریسک سیاسی و مؤلفه‌های آن به همراه پیچیدگی اقتصادی بر توسعۀ بازار مالی اسلامی (صکوک) در کشور ایران، از رهیافت خودرگرسیونی با وقفه‌های توزیعی غیرخطی (NARDL) استفاده شده است. یافته‌ها: نتایج تخمین مدل‌های این پژوهش با استفاده از آزمون والد و رهیافت خودرگرسیونی با وقفه‌های توزیعی غیرخطی، حاکی از آن است که شوک‌های مثبت‌‏ومنفی ریسک سیاسی و مؤلفه‌های آن (فساد، نماد سرمایه‌گذاری، ثبات دولت، تنش‌های خارجی، تنش‌های داخلی، شرایط اجتماعی و سیاسی) اثرهای نامتقارنی بر توسعۀ بازار صکوک ایران دارند. از میان مؤلفه‌های ریسک سیاسی در بلندمدت، تأثیرگذارترین شوک‌ مثبت بر توسعۀ بازار صکوک، مربوط به مؤلفه تنش‌های داخلی با ضریب 87/11 است. در حالی که تأثیرگذارترین شوک منفی، مربوط به مؤلفۀ تنش‌های خارجی با ضریب 60/5- است. همچنین تأثیر پیچیدگی اقتصادی بر توسعۀ بازار صکوک در بلندمدت مثبت است. نتیجه‌گیری: بازارهای مالی توسعه‌یافته پس‌انداز خانوارها را بسیج می‌کنند، هزینه‌های مبادله و کنترل را کاهش می‌دهند و تنوع ریسک و کسب اطلاعات در مورد پروژه‌های سرمایه‌گذاری را تسهیل می‌کنند؛ بنابراین در صورت توسعۀ بازار بورس، سطح سرمایه‌گذاری در اقتصاد می‌تواند افزایش یابد. در همین راستا، امروزه صکوک به‌عنوان یکی از ابزارهای مالی مهم و کارآمد در دنیای مدرن کنونی، ظهور کرده است تا چشم‌انداز سرمایه‌گذارهای اقتصادی جهانی را با چرخش استراتژیک بنیادین تغییر دهد. صکوک با تکیه بر ابتکارهای مالی اندیشمندان مسلمان، به‌دلیل ویژگی‌های متمایز و پایبندی به اصول اسلامی، در سال‌های اخیر محبوبیت زیادی پیدا کرده است. در همین راستا، یافته‌های پژوهش نشان داد که مؤلفه‌های ریسک سیاسی، اثرهای بلندمدت و نامتقارنی بر توسعۀ بازار صکوک در ایران دارند. همچنین نتایج بیانگر آن است که شوک‌های مثبت‌ومنفی ریسک سیاسی، به‌ویژه در مؤلفه‌هایی مانند بی‌ثباتی دولت، خشونت سیاسی و کنترل فساد، بر شاخص توسعۀ بازار مالی اسلامی تأثیرهای متفاوت و معناداری می‌گذارند. از جنبۀ نظری، این پژوهش با تحلیل رابطۀ غیرخطی میان ریسک سیاسی و صکوک، چارچوبی جدید برای درک پویایی‌های نهادی توسعه مالی اسلامی ارائه می‌دهد. در سطح راهبردی و سیاست‌گذاری، نتایج تحقیق تأکید می‌کند که ایجاد ثبات نهادی، بهبود حکمرانی و کاهش نااطمینانی سیاسی، از مهم‌ترین پیش‌نیازهای رشد پایدار بازار صکوک در ایران هستند. بر این اساس، توصیه می‌شود که سیاست‌گذاران با تمرکز بر تقویت شفافیت، کاهش فساد و ایجاد ساختارهای حمایتی متناسب با ویژگی‌های مالی اسلامی، زمینه بسط و تعمیق این بازار را فراهم سازند.

https://jfr.ut.ac.ir/article_107625_fda8a5c260fe773f93ef7ef1369d45c1.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Fiscal Policy Effects on the Asset Portfolio Composition of the Central Bank of Iran تأثیر سیاست‌‌های مالی بر ترکیب سبد دارایی بانک مرکزی ایران 400 423 107629 10.22059/frj.2025.391042.1007721 FA مهلا افشارپور دکتری، گروه آموزشی علوم اقتصادی، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان، کرمان، ایران. سید عبدالمجید جلائی استاد، گروه آموزشی علوم اقتصادی، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان، کرمان، ایران. حسین اکبری فرد دانشیار، گروه آموزشی علوم اقتصادی، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان، کرمان، ایران. مهدی نجاتی دانشیار، گروه آموزشی علوم اقتصادی، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان، کرمان، ایران. Journal Article 2025 02 24 Objective This study aims to examine the impact of fiscal policies on the composition of the asset portfolio of the Central Bank of Iran (CBI). In particular, it investigates how fiscal policy instruments, including government expenditures, taxation, and transfer payments, influence the allocation of central bank assets. The study focuses on changes in the relative shares of assets such as foreign currencies, gold, government debt securities, and money demand within the CBI balance sheet. Understanding the interaction between fiscal policy decisions and the structure of central bank asset portfolios is important because central banks play a critical role in maintaining financial stability, managing foreign reserves, and supporting macroeconomic stability. Therefore, analyzing how fiscal policy adjustments affect asset allocation decisions may provide useful insights for improving macroeconomic policy coordination and central bank asset management strategies. Methods This study uses annual macroeconomic data for Iran covering the period 1971–2023. To analyze the relationship between fiscal policies and the optimal allocation of central bank assets, an optimal control framework is developed to capture the dynamic interactions between fiscal policy variables and the composition of central bank assets. The model parameters are estimated using the Particle Swarm Optimization (PSO) algorithm, and the computational implementation is conducted in the Spyder environment. To evaluate the sensitivity of the CBI’s asset portfolio to fiscal policy changes, a sensitivity analysis is conducted for three major fiscal policy instruments, including government expenditures, taxation, and transfer payments. Different fiscal policy scenarios are simulated within the range of 0.5 to 1.5, which represent strongly contractionary to strongly expansionary fiscal policy conditions. Results The empirical results indicate that fiscal policies may have a considerable influence on the composition of the CBI’s asset portfolio. The findings suggest that expansionary fiscal policies tend to increase the share of government debt securities in the asset portfolio while reducing the proportion of highly liquid assets. In contrast, contractionary fiscal policies appear to be associated with an increase in foreign reserve holdings and a reduction in debt securities. The sensitivity analysis further suggests that increases in government expenditures are likely to raise the share of debt securities and gold in the portfolio, possibly reflecting greater financing needs and a stronger preference for safe assets. Moreover, reductions in transfer payments and contractionary fiscal measures may decrease the share of certain foreign currencies, such as the US dollar and the Chinese yuan, in the central bank’s portfolio. The results also indicate that under expansionary fiscal conditions, the demand for safe assets such as gold and relatively stable currencies such as the euro tends to increase, which may reflect precautionary adjustments in the central bank’s asset allocation. Conclusion Fiscal policies may play an important role in shaping the structure of central bank asset portfolios. Expansionary fiscal policies are likely to increase reliance on government debt securities, whereas contractionary policies may contribute to strengthening foreign reserve positions. Accordingly, effective coordination between fiscal and monetary policies could be important for maintaining financial stability and improving central bank asset management. Designing balanced fiscal policies, with attention to their potential effects on central bank balance sheets, may help limit excessive liquidity growth, reduce financial risks, and promote greater diversification in the central bank’s asset portfolio. هدف: هدف این پژوهش، بررسی تأثیر سیاست‌های مالی بر ترکیب سبد دارایی بانک مرکزی جمهوری اسلامی ایران است. در این پژوهش تلاش می‌شود که نحوۀ اثرگذاری ابزارهای اصلی سیاست مالی، شامل مخارج دولت، مالیات‌ها و پرداخت‌های انتقالی بر نحوۀ تخصیص دارایی‌های بانک مرکزی بررسی شود. به‌طور مشخص، پژوهش به این پرسش می‌پردازد که تغییرات در سیاست‌های مالی چگونه می‌تواند ترکیب دارایی‌هایی مانند ارزهای خارجی، طلا، اوراق بدهی دولتی و تقاضای پول در ترازنامه بانک مرکزی را تحت تأثیر قرار دهد. با توجه به نقش کلیدی بانک‌های مرکزی در حفظ ثبات مالی و مدیریت ذخایر ارزی، شناخت ارتباط میان سیاست‌های مالی و ساختار سبد دارایی بانک مرکزی، می‌تواند به بهبود سیاست‌گذاری‌های کلان اقتصادی و افزایش کارایی مدیریت دارایی‌های بانک مرکزی کمک کند. روش: در این پژوهش از داده‌های سالانۀ اقتصاد ایران، طی دورۀ ۱۳۵۰ تا ۱۴۰۲ استفاده شده است. برای تحلیل رابطۀ میان سیاست‌های مالی و ترکیب سبد دارایی بانک مرکزی، یک چارچوب مدل کنترل بهینه طراحی شده است که امکان بررسی رفتار بهینه در تخصیص دارایی‌ها را فراهم می‌کند. پارامترهای مدل با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات برآورد شده‌اند و پیاده‌سازی محاسبات در محیط اسپایدر انجام شده است. به‌منظور بررسی میزان حساسیت ترکیب سبد دارایی بانک مرکزی به تغییرات سیاست‌های مالی، تحلیل حساسیت برای سه ابزار اصلی سیاست مالی شامل مخارج دولت، مالیات‌ها و پرداخت‌های انتقالی انجام شده است. در این تحلیل، سناریوهای مختلف سیاست مالی در بازۀ 5/0تا 5/1در نظر گرفته شده است که به‌ترتیب بیانگر سیاست‌های مالی انقباضی شدید تا سیاست‌های مالی انبساطی شدید هستند. یافته‌ها: نتایج پژوهش نشان می‌دهد که سیاست‌های مالی، می‌تواند در تعیین ترکیب سبد دارایی بانک مرکزی نقش شایان توجهی ایفا کند. به نظر می‌رسد سیاست‌های مالی انبساطی موجب شود تا سهم اوراق بدهی دولتی در سبد دارایی بانک مرکزی افزایش و سهم دارایی‌های نقدشونده کاهش یابد. در مقابل، سیاست‌های مالی انقباضی می‌تواند با افزایش سهم ذخایر ارزی و کاهش وابستگی به اوراق بدهی همراه باشد. نتایج تحلیل حساسیت نیز حاکی از آن است که افزایش مخارج دولت، احتمالاً سهم اوراق بدهی و طلا را در سبد دارایی بانک مرکزی افزایش می‌دهد که می‌تواند نشئت‌گرفته از افزایش نیاز دولت به تأمین مالی و تمایل به نگهداری دارایی‌های امن باشد. همچنین کاهش پرداخت‌های انتقالی و اعمال سیاست‌های مالی انقباضی، ممکن است سهم برخی ارزهای خارجی مانند دلار آمریکا و یوآن چین را در ترکیب سبد دارایی کاهش دهد. علاوه‌براین، در شرایط سیاست‌های مالی انبساطی، افزایش تقاضا برای دارایی‌های امن مانند طلا و ارزهای نسبتاً باثباتی نظیر یورو مشاهده می‌شود که می‌تواند نشان‌دهندۀ نوعی تعدیل احتیاطی در ترکیب دارایی‌های بانک مرکزی باشد. نتیجه‌گیری: بر اساس نتایج این پژوهش، به نظر می‌رسد سیاست‌های مالی، از جمله عوامل مؤثر در شکل‌دهی به ساختار سبد دارایی بانک مرکزی است. سیاست‌های مالی انبساطی، احتمالاً موجب افزایش وابستگی به اوراق بدهی دولتی می‌شود، در حالی که سیاست‌های مالی انقباضی می‌تواند با تقویت ذخایر ارزی همراه باشد. از این رو، هماهنگی میان سیاست‌های مالی و پولی، در حفظ ثبات مالی و بهبود مدیریت دارایی‌های بانک مرکزی نقش مهمی ایفا می‌کند. اتخاذ سیاست‌های مالی متوازن و توجه به پیامدهای آن بر ساختار ترازنامه بانک مرکزی، می‌تواند به کنترل رشد نقدینگی، مدیریت ریسک دارایی‌ها و افزایش تنوع‌بخشی در سبد دارایی بانک مرکزی کمک کند.

https://jfr.ut.ac.ir/article_107629_fabcecf15b7a66e7842f59b02e4a2bfe.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Deep Learning-based Modeling for Stock Price Prediction in Iran مدل‌سازی پیش‌‌بینی قیمت سهام در ایران با استفاده از یادگیری عمیق 424 463 107630 10.22059/frj.2025.383898.1007656 FA صالح گل تبار دانشجوی دکتری، گروه اقتصاد، دانشگاه سمنان، سمنان، ایران. اسمعیل ابونوری استاد، گروه اقتصاد، دانشگاه سمنان، سمنان، ایران. علی حبیب نیا استادیار، گروه اقتصاد، دانشگاه ویرجینیا تک، بلکسبورگ، آمریکا. Journal Article 2024 10 16 Objective This study aims to propose an innovative approach for forecasting stock closing prices using supervised deep learning techniques. The research seeks to capture temporal dependencies within stock market data and generate accurate and reliable predictions. By focusing on the Iranian stock market—a developing economy that has received limited attention in prior research—and analyzing 10 stocks over a period exceeding 10 years (2012–2023) using 21 input variables, the study investigates distinctive aspects of stock price prediction. Methods The methodology involves integrating Long Short-Term Memory (LSTM) networks with deep learning techniques. Identifying a research gap in high-dimensional data, the study introduces the use of a Stack Supervised Autoencoder LSTM (SLSAE) to improve prediction accuracy. The study leverages LSTM neural networks to capitalize on their strong capabilities in modeling temporal dependencies. However, when dealing with high-dimensional data, relying on a single method may not be sufficient to achieve precise predictions. Therefore, we incorporate an LSTM Autoencoder (LAE) into the process. A key contribution of this paper is the use of the Supervised Autoencoder LSTM (LSAE), which significantly enhances prediction accuracy compared to previous methods. Furthermore, we utilize the Stack LSAE (SLSAE), which can identify and extract precise and valuable features from the data, ultimately leading to highly accurate predictions. Results To conduct a comprehensive comparison, we utilize five different prediction models: SLSAE, LSAE, LSTM, Artificial Neural Network (ANN), and ARIMA. The results show that the more complex models, particularly SLSAE and LSAE, outperform simpler models like ARIMA and ANN in terms of accuracy. Across all stocks, SLSAE achieved the best results across various metrics. This model provided the lowest RMSE, MSE, and MAE values and the highest R² scores. The superior performance is attributed to the use of a multi-layered supervised architecture, which enables the detection of complex and nonlinear patterns in the time-series data. These features make the model highly effective in capturing and predicting fine details of closing stock prices. Conclusion Predicting stock market prices is a significant challenge due to the inherent nonlinearity in the input data. When a wide range of variables are introduced as inputs, deep learning techniques demonstrate superior performance. To enhance the accuracy of stock market predictions, we utilized a deep learning architecture comprising SAE, LSAE, and a hybrid called SLSAE. The SLSAE method, however, stands out as it can directly learn deep features related to closing prices from raw input data. Unlike existing deep networks, which primarily focus on unsupervised feature learning to extract useful features from raw data, the SLSAE method can directly learn the deep features associated with closing prices. It employs a hierarchical structure, where high-level features related to closing prices are learned through building several SAE models from earlier low-level samples. Each SAE model ensures that the learned features significantly contribute to predicting price data in the output layer. Consequently, features associated with closing prices are gradually learned while irrelevant information is progressively reduced through the hierarchical stacking of SAE models. The results demonstrate that using this approach significantly improves the accuracy of stock price predictions and confirms the efficiency of the proposed method. هدف: این پژوهش با بهره‌گیری از روش‌های یادگیری عمیق نظارت‌شده، رویکردی نوآورانه برای پیش‌بینی قیمت پایانی در بازار سهام ارائه می‌دهد. هدف این پژوهش، درک وابستگی‌های زمانی موجود در داده‌های بازار سهام و ارائۀ پیش‌بینی‌های دقیق و قابل اطمینان است. همچنین با تمرکز بر بازار ایران، به‌عنوان یک کشور در حال توسعه که در مطالعات پیشین به آن کم‌توجهی شده است و بررسی ۱۰ سهم در بازار سهام ایران، طی دورۀ زمانی بیش از ۱۰ سال (از ۱۳۹۱ تا ۱۴۰۲) و درنظر گرفتن ۲۱ متغیر ورودی، این مطالعه ابعاد منحصربه‌فردی را بررسی می‌کند. روش: به‌طور مشخص، روش این مطالعه ادغام شبکۀ حافظۀ طولانی کوتاه‌مدت با یادگیری عمیق است. با شناسایی یک شکاف تحقیقاتی در زمینۀ داده‌های با ابعاد بالا، این مطالعه استفاده از کدکنندۀ خودکار نظارت‌شده شبکۀ حافظۀ طولانی کوتاه‌مدت پشته‌ای را برای بهبود دقت پیش‌بینی معرفی می‌کند. در این مقاله، از شبکۀ عصبی حافظۀ طولانی کوتاه‌مدت بهره برده شده است تا از توانایی‌های برجسته این روش در مدل‌سازی وابستگی‌های زمانی استفاده شود؛ با این حال، هنگام مواجهه با داده‌های با ابعاد بالا، استفاده از یک روش منفرد ممکن است برای دستیابی به پیش‌بینی‌های دقیق کافی نباشد؛ بنابراین، LSTM کدکنندۀ خودکار وارد فرایند شده است. نکتۀ برجستۀ این مقاله، استفاده از کدکنندۀ خودکار نظارت‌شدۀ LSTM (LSAE) است که در مقایسه با روش‌های قبلی، بهبود شایان توجهی در دقت پیش‌بینی‌ها ایجاد می‌کند. در ادامه، از LSAE پشته‌ای بهره برده شده است که قادر است ویژگی‌های دقیق و ارزشمند داده‌ها را شناسایی و استخراج کند و در نهایت به پیش‌بینی‌های بسیار دقیق‌تر منجر شود. یافته‌ها: برای انجام مقایسۀ جامع، از پنج مدل پیش‌بینی مختلف شامل SLSAE، LSAE، LSTM، ANN و ARIMA استفاده شده است. نتایج نشان می‌دهد که مدل‌های پیچیده‌تر و مبتنی بر شبکه‌های عصبی عمیق، به‌ویژه SLSAE و LSAE، نسبت به مدل‌های ساده‌تر مثل ARIMA و ANN دقت بیشتری دارند. در تمام سهام‌ها، SLSAE بهترین نتایج را در معیارهای مختلف به‌دست آورده است. این مدل کمترین مقادیر RMSE، MSE و MAE و همچنین بالاترین مقادیر ۲R را ارائه می‌دهد. دلیل این عملکرد برتر، استفاده از معماری نظارت‌شدۀ چندلایه است که امکان شناسایی الگوهای پیچیده و ناخطی در داده‌های سری زمانی را فراهم می‌کند. این ویژگی‌ها باعث شده است که این مدل در شناسایی و پیش‌بینی جزئیات دقیق قیمت پایانی سهام، بسیار موفق عمل کند. نتیجه‌گیری: پیش‌بینی بازار سهام به‌دلیل ناخطی بودن ذاتی موجود در داده‌های ورودی، چالش مهمی را ایجاد می‌کند. هنگامی که متغیرهای متنوعی به‌عنوان ورودی ارائه می‌شوند، تکنیک‌های یادگیری عمیق عملکرد برتری را نشان می‌دهند. برای افزایش دقت پیش‌بینی بازار سهام، از معماری یادگیری عمیق متشکل از SAE، LSAE و ترکیبی به نام SLSAE استفاده شده است. برخلاف شبکه‌های عمیق موجود که بیشتر بر یادگیری ویژگی‌های نظارت‌نشده برای استخراج ویژگی‌های مفید از داده‌های ورودی خام تمرکز می‌کنند، روش SLSAE قادر است که ویژگی‌های عمیق مرتبط با قیمت پایانی را به‌طور مستقیم از داده‌های ورودی خام یاد بگیرد. این روش ساختار سلسله‌مراتبی‌ای را به‌کار می‌گیرد که در آن، ویژگی‌های مرتبط با قیمت پایانی سطح بالا از طریق ساخت چندین مدل SAE از نمونه‌های سطح پایین قبلی آموخته می‌شود. هر مدل SAE تضمین می‌کند که ویژگی‌های آموخته شده، به‌طور چشمگیری به پیش‌بینی داده‌های قیمت در لایه خروجی کمک می‌کند. در نتیجه، ویژگی‌های مرتبط با قیمت پایانی به‌تدریج آموخته می‌شوند، در حالی که اطلاعات نامربوط به‌تدریج از طریق انباشته شدن سلسله‌مراتبی مدل‌های SAE کاهش می‌یابد. نتایج نشان می‌دهد که استفاده از این روش، به‌طور چشمگیری دقت پیش‌بینی قیمت پایانی سهام را بهبود می‌بخشد و کارآمدی روش پیشنهادی را نشان می‌دهد.

https://jfr.ut.ac.ir/article_107630_201c0844858709136052f18f98f44b42.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Predictability of the Tehran Exchange Divedend and Price Index Using a Combined Machine Learning Approach: Market Efficiency Analysis and Importance of Influential Variables پیش‌‌بینی‌‌پذیری شاخص کل بورس اوراق بهادار تهران با رویکرد یادگیری ماشین ترکیبی: تحلیل کارایی بازار و اهمیت متغیرهای مؤثر 464 493 103114 10.22059/frj.2025.394747.1007738 FA امیرحسین حیدری دلوئی دانشجوی کارشناسی ارشد، گروه الگوریتم‌ها و محاسبات، دانشکدۀ علوم‌ مهندسی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران. مسعود وحدتی کارشناس ارشد، گروه مالی، دانشکده مالی و حسابداری، دانشکدگان مدیریت، دانشگاه تهران، ایران. حسین محبی استادیار، گروه مدیریت صنعتی، دانشکده علوم انسانی، دانشگاه میبد، میبد، ایران. نگین باقرپور استادیار، گروه الگوریتم‌ها و محاسبات، دانشکده علوم مهندسی، دانشگاه تهران، ایران. Journal Article 2025 05 06 Objective This study aims to evaluate the efficiency of the Iranian capital market and examine the capability of hybrid machine learning models in predicting the direction of the Tehran Exchange Dividend and Price Index (TEDPIX). Additionally, the study seeks to assess the importance of influential factors affecting predictability and explainability within machine learning models. Methods To analyze market efficiency at weak and semi-strong levels, data concerning the Tehran Exchange Divedend and Price Index from five years (2019 to 2023) is utilized. The proposed combined model includes an Extreme Gradient Boosting (XGBoost) model that is enhanced through hyperparameter optimization via a Genetic Algorithm (GA). The performance of this combined model is statistically compared against other machine learning algorithms, including XGBoost, Random Forest, Support Vector Machine, and Logistic Regression. Furthermore, to enhance the model's explainability and analyze the importance of input variables in predicting the index direction, the SHAP (Shapley Additive Explanations) method is employed. Results The results indicate that the XGBoost-GA model outperforms other comparative models statistically, achieving an accuracy of 84% in predicting the direction of the Tehran Exchange Divedend and Price Index. A comparison of the results across different levels of market efficiency indicates that, at the semi-strong level, incorporating fundamental variables into the predictive model enhances forecasting accuracy. This finding reflects the influence of fundamental information on predicting the direction of the index and, consequently, suggests the presence of market inefficiency at this level. Additionally, at the weak-form level, the machine learning model based on technical data outperformed the random model, indicating the existence of market inefficiency at this level as well. Moreover, the model's explainability analysis, using SHAP, showed that the impact of variables on predicting the index direction varies based on the type of input data. In the purely technical model, factors related to price behavior and short-term fluctuations, such as the Relative Strength Index (RSI), trading volume, and moving average divergence and convergence, played a key role. In contrast, in the combined model that includes both fundamental and technical data, besides technical variables, factors such as real and legal liquidity influx, gold prices, and company financial indicators such as Return on Assets (RoA) and Return on Equity (RoE) significantly influenced predictions. Conclusion The results of the study demonstrate that the Iranian capital market is inefficient at both weak and semi-strong levels, and the predictability of the Index is achievable using both technical and fundamental data. The analysis of input variable significance indicates that certain technical, fundamental, and macroeconomic indices play a more crucial role in predicting market behavior, which can contribute to more informed investment decisions and a better understanding of machine learning models' behavior in forecasting financial time series. هدف: این پژوهش با هدف سنجش کارایی بازار سرمایۀ ایران و بررسی توانایی مدل‌های یادگیری ماشین ترکیبی، برای پیش‌بینی جهت شاخص کل بورس اوراق بهادار تهران اجرا شده است. همچنین، ارزیابی میزان اهمیت عوامل مؤثر بر پیش‌بینی‌پذیری شاخص و توضیح‌پذیری در مدل‌های یادگیری ماشینی، از دیگر اهداف این مطالعه است. روش: به‌منظور تحلیل کارایی بازار در دو سطح ضعیف و نیمه‌قوی، از داده‌های مربوط به شاخص کل بورس تهران، در بازۀ زمانی پنج‌ساله، از ۱۳۹۸ تا ۱۴۰۳ استفاده شده است. مدل ترکیبی پیشنهادی، شامل مدل گرادیان تقویت شده (XGBoost) است که با بهینه‌سازی هایپرپارامترها، از طریق الگوریتم ژنتیک (GA) بهبود یافته است. عملکرد این مدل ترکیبی با سایر الگوریتم‌های یادگیری ماشین، شامل گرادیان تقویت شده، جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک از لحاظ آماری مقایسه شده است. همچنین، برای افزایش توضیح‌پذیری مدل و تحلیل میزان اهمیت متغیرهای ورودی برای پیش‌بینی جهت شاخص، از روش شاپ استفاده شده است. یافته‌ها: نتایج نشان داد که مدل XGBoost-GA نسبت به سایر مدل‌های مقایسه‌ای، از لحاظ آماری، برای پیش‌بینی جهت شاخص کل بورس تهران با دقت ۸۴درصد، عملکرد بهتری دارد. مقایسه نتایج در سطوح مختلف کارایی بازار نشان داد که در سطح نیمه‌قوی، افزودن متغیرهای بنیادی به مدل پیش‌بینی، موجب بهبود دقت شد که بیانگر تأثیر اطلاعات بنیادی بر پیش‌بینی جهت حرکت شاخص و در نتیجه، ناکارایی بازار در این سطح است. همچنین، در سطح ضعیف، مدل یادگیری ماشین مبتنی بر داده‌های تکنیکال، عملکرد بهتری نسبت به مدل تصادفی داشت که این امر نیز نشانه‌ای از ناکارایی بازار در این سطح محسوب می‌شود. علاوه‌براین، تحلیل توضیح‌پذیری مدل با استفاده از شاپ نشان داد که تأثیر متغیرها در پیش‌بینی جهت شاخص، بسته به نوع داده‌های ورودی، متفاوت است. در مدل فقط تکنیکال، عوامل مرتبط با رفتار قیمتی و نوسان‌های کوتاه‌مدت مانند شاخص قدرت نسبی (RSI)، حجم معاملات و واگرایی و همگرایی میانگین متحرک نقش کلیدی داشتند. در مقابل، در مدل ترکیبی که شامل داده‌های بنیادی و تکنیکال بود، علاوه‌بر متغیرهای تکنیکال، عواملی مانند ورود نقدینگی حقیقی و حقوقی، قیمت طلا و شاخص‌های مالی شرکت‌ها نظیر بازده دارایی‌ها و بازده حقوق صاحبان سهام تأثیر چشمگیری داشتند. نتیجه‌گیری: نتایج پژوهش نشان می‌دهد که بازار سرمایه ایران در هر دو سطح ضعیف و نیمه‌قوی ناکاراست و قابلیت پیش‌بینی‌پذیری شاخص کل با استفاده از داده‌های تکنیکال و بنیادی امکان‌پذیر است. تحلیل اهمیت متغیرهای ورودی نشان می‌دهد که برخی شاخص‌های تکنیکال، بنیادی و کلان اقتصادی نقش مهم‌تری در پیش‌بینی رفتار بازار دارند که این موضوع می‌تواند به تصمیم‌گیری‌های سرمایه‌گذاری آگاهانه‌تر و درک بهتر رفتار مدل‌های یادگیری ماشین در پیش‌بینی سری‌های زمانی مالی کمک کند.

https://jfr.ut.ac.ir/article_103114_dcce6589959b46626d34c15e0b60abd8.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Stable and Cost-Efficient Tracking of the Tehran Stock Exchange Index through Robust Optimization and a Heuristic Algorithm ردیابی پایدار و اقتصادی شاخص بورس تهران با بهره‌‌گیری از بهینه‌‌سازی استوار و الگوریتم ابتکاری 494 526 107553 10.22059/frj.2025.379970.1007626 FA دانیال رمضانی دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه خوارزمی، تهران، ایران. مصطفی ابویی اردکان دانشیار، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه خوارزمی، تهران، ایران. محمد رضا دهقانی احمدآباد استادیار، گروه مدیریت مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران. Journal Article 2024 07 28 Objective The rising popularity of passive management in recent years is largely due to its advantages, such as lower management fees and reduced transaction costs. A key component of passive management is index tracking, which aims to replicate the performance of a specific index using a smaller set of assets. This paper introduces a novel robust linear optimization approach for tracking indices that is not only more reliable than existing models but also exhibits superior performance on out-of-sample data, effectively tracking indices over extended periods with minimal deviation and without requiring frequent rebalancing. The proposed robust model is highly adaptable, allowing decision-makers to account for a wide range of potential future scenarios, including both the most certain outcomes and the worst-case possibilities. The importance of this model lies in its ability to adapt more effectively to market fluctuations and help investors get closer to their return objectives. Methods Given the NP-hard nature of index tracking problems with cardinality constraints, solving them in polynomial time is challenging. To address this computational burden, a novel heuristic approach was designed. This heuristic integrates the exploration capabilities of genetic algorithms with the focused search capabilities of local search techniques and is designed to solve the problem efficiently. Daily data from the Tehran Stock Exchange and OR-library were utilized to validate the proposed model and heuristic. For comparison purposes, a commercial solver was employed to solve both the proposed robust model and the conventional linear model commonly used in the literature. This approach was adopted instead of the developed algorithm because, although the proposed algorithm demonstrates superior performance compared to the commercial solver, it is inherently stochastic in nature. Therefore, to eliminate the influence of random and probabilistic factors on the results, a deterministic and precise commercial solver was utilized. Results The results demonstrate that the proposed heuristic not only converges to optimal solutions for moderately sized problems but also produces portfolios that outperform those generated by commercial solvers in terms of both in-sample and out-of-sample data, all within a shorter time frame. Furthermore, given the structure of the Tehran Stock Exchange, the impact of including or excluding the ten largest stocks by market capitalization in the selected portfolio on the final results of the proposed tracking portfolio has been examined. This analysis indicates that the presence of these stocks in the portfolio can influence the performance of the tracking portfolio. Conclusion This study aimed to develop an effective approach for index tracking by proposing a robust linear mathematical model alongside a novel heuristic algorithm. The performance of the proposed approach was evaluated against a benchmark linear model using five quantitative indicators: correlation, mean absolute deviation (MAD), root mean squared error (RMSE), standard deviation, and beta. The proposed model outperformed the benchmark model across all indicators in the out-of-sample period. In addition to these indicators, the objective function value was used to assess the performance of the proposed heuristic. The algorithm outperformed the CPLEX solver in 77 out of 88 comparisons, 11 indicators under four configurations for the Tehran Stock Exchange and the Hang Seng Index. Furthermore, an alternative tracking portfolio with a novel weighting system was introduced, which effectively reflects the status of the largest industries represented in the Tehran Stock Exchange. The performance of this alternative portfolio was compared with that of the proposed portfolio in terms of return, risk, and tracking error. The tracking error of the proposed portfolio was found to be nearly three times lower than that of the alternative approach. هدف: سرمایه‌گذاری منفعل در سال‌های اخیر، به‌دلیل داشتن هزینه‌های مدیریت و معاملات کمتر، به‌طور فزاینده‌ای در کانون توجه قرار گرفته است. ردیابی شاخص به‌عنوان یکی از انواع این سرمایه‌گذاری‌ها، به بازتولید عملکرد یک شاخص با استفاده از سبدی متشکل از تعداد کمی از سهام می‌پردازد. در این پژوهش، یک مدل ریاضی خطی استوار جدید، برای ردیابی شاخص معرفی شده است که نسبت به مدل‌های مشابه موجود، عملکرد بهتری دارد. این مدل قادر است شاخص را برای مدت طولانی‌تر، با خطای ردیابی کمتر و بدون نیاز به تعدیل سبد ردیابی کند. همچنین، مدل پیشنهادی انعطاف‌پذیری زیادی دارد و به تصمیم‌گیرنده این امکان را می‌دهد که تمامی سناریوهای ممکن، از حالت بدون‌عدم قطعیت تا بدترین حالت ممکن را در نظر بگیرد. اهمیت مدل ارائه شده در این است که می‌تواند به‌طور مؤثرتری با نوسان‌های بازار سازگار شود و به سرمایه‌گذاران کمک کند تا به اهداف خود در زمینه بازدهی نزدیک‌تر شوند. روش: از آنجا که حل مسائل مرتبط با ردیابی شاخص با محدودیت کاردینالیتی در زمان چندجمله‌ای ممکن نیست، این پژوهش به توسعۀ یک الگوریتم ابتکاری جدید مبتنی بر الگوریتم ژنتیک و انشعاب محلی پرداخته است. این الگوریتم ترکیبی از قابلیت‌های اکتشافی الگوریتم ژنتیک و ویژگی‌های جست‎وجوی محلی است و به‌گونه‌ای طراحی شده است که بتواند به‌طور کارآمدتر به حل مسئله بپردازد. در این تحقیق، داده‌های روزانۀ بورس تهران و بازار هنگ‌سنگ از کتابخانه OR-library برای ارزیابی عملکرد مدل ریاضی و الگوریتم پیشنهادی استفاده شده است. برای بررسی عملکرد مدل خطی استوار پیشنهادی در مقایسه با مدل‌های خطی رایج در ادبیات موضوع، از یک حل‌کنندۀ تجاری استفاده شده است. دلیل استفاده از این رویکرد و نه استفاده از الگوریتم توسعه‌یافته، این است که الگوریتم پیشنهادی با وجود برتری نسبت به حل‌کنندۀ تجاری، ماهیت تصادفی دارد و به‌منظور حذف فاکتورهای تصادفی و احتمالاتی که ممکن است بر نتایج تأثیرگذار باشند، از حل‌کنندۀ تجاری دقیق استفاده شده است. یافته‌ها: نتایج به‌دست‌آمده از مقایسۀ الگوریتم پیشنهادی با حل‌کنندۀ تجاری روی مدل ارائه شده، نشان می‌دهد که رویکرد پیشنهادی نسبت به رویکردهای قبلی، عملکرد بهتری داشته و الگوریتم پیشنهادی قادر است جواب‌های بهتری در زمان کمتری بیابد. همچنین، با توجه به ساختار بورس تهران، تأثیر حضور یاعدم حضور ۱۰ سهم بزرگ بازار از نظر ارزش بازار در پرتفوی انتخابی، روی نتایج نهایی سبد ردیاب پیشنهادی بررسی شده است. این بررسی‌ها نشان می‌دهد که وجود این سهام در پرتفوی، می‌تواند بر عملکرد سبد ردیاب تأثیر داشته باشد. نتیجه‌گیری: پژوهش حاضر با ارائه یک مدل ریاضی خطی استوار و الگوریتم ابتکاری جدید، رویکردی نوین و مؤثر برای ردیابی شاخص ارائه کرده است. عملکرد مدل پیشنهادی با ۵ شاخص کمی، مشتمل بر هم‌بستگی، میانگین انحراف مطلق، ریشه میانگین مربعات خطا، انحراف معیار و بتا، با مدل خطی معیار مقایسه شد. مدل پیشنهادی موفق به شکست مدل معیار در تمامی شاخص‌ها در بازۀ خارج از نمونه شده و عملکرد بهتری ثبت کرده است. مقدار تابع هدف برای سنجش عملکرد الگوریتم پیشنهادی به شاخص‌های نام‌برده اضافه شده است. الگوریتم پیشنهادی موفق به شکست حل‌کنندۀ CPLEX در ۷۷ مقایسه از ۸۸ مقایسۀ انجام شده، ۱۱ معیار در ۴ پیکربندی مختلف برای دو بازار بورس تهران و هنگ‌سنگ شده است. همچنین، یک سبد ردیاب جایگزین با سیستم وزن‌دهی نوین معرفی شده است که به‌خوبی توانایی نمایش وضعیت بزرگ‌ترین صنایع حاضر در بورس تهران را دارد. عملکرد این سبد نیز از نظر بازده، ریسک و ریسک ردیابی با سبد پیشنهادی این پژوهش مورد قیاس قرار گرفته شده است. ریسک ردیابی سبد پیشنهادی این پژوهش تقریباً سه برابر از روش جایگزین کمتر است.

https://jfr.ut.ac.ir/article_107553_ee9cf814a49cf6e0c8137d5bd7963175.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Examining the Convergent Model and Signaling Chains of Monetary Illusion in Stock Price Movements: An Investors' Sentiment Nudge Approach بررسی مدل همگرا و زنجیره‌‌های سیگنالی توهم پولی در تکانه‌‌های قیمت سهام با رویکرد تلنگر احساس سرمایه‌‌گذاران 527 557 107631 10.22059/frj.2025.379873.1007625 FA همایون خسروی گلمت آبادی دانشجوی دکتری، گروه حسابداری، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران. علی اصغر طاهرآبادی استادیار، گروه حسابداری، واحد کنگاور (کرمانشاه)، دانشگاه آزاد اسلامی، کنگاور، ایران. عطاالله محمدی ملقرنی استادیار، گروه حسابداری، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران. احمدعلی جدیدیان استادیار، گروه روان‌شناسی، واحد کنگاور (کرمانشاه)، دانشگاه آزاد اسلامی، کنگاور، ایران. Journal Article 2024 07 24 Objective A comprehensive and integrated model of herd behavior can generalize the phenomenon of monetary illusion across convergent signaling channels associated with the movement variable. Given the two competing hypotheses of investors' cognitive and sentiment biases, the main issue is to use the inductive approach of nudge theory, which will provide a convergent model based on two expected and unexpected states in continuous probability functions of consumption and profit and loss prospects. Separating the inner and outer layers of the converging chains, empirical analyses provide further insights into how the signal chains can explain significant differences in the monetary inflation channels of the stock and foreign exchange markets, as well as a unique signal, and can be identified in bimodal convergent functions. The objective of the article is to develop and empirically test a comprehensive herd-behavior model that explains monetary illusion and market dynamics through cognitive and sentiment biases using a nudge-theory framework across stock and foreign exchange markets. Methods To simultaneously present data collection models, bivariate analyses, and factor analyses, the methodology is explained in a meta-composite model based on the inductive approach of the nudge theory. Using the DFT algorithm technique, regression matrices of discrete probability functions according to Hausman's theory (2005) have been developed in the framework of hypotheses. The data collection model is based on the Delphi-fuzzy method and the main theories of money illusion, which were obtained in the Tehran stock exchange market from the beginning of 2016 to the beginning of 2020. The data are related to linear and nonlinear fluctuations of the momentum index, stock market trading volume, individual trading volume, and the foreign exchange market, and have been used for selective coding of zero and one of Strauss and Corbin's (1988) theory. Results The findings indicate a significant and simultaneous relationship between the main and secondary hypotheses of the monetary illusion phenomenon in expected and unexpected situations, which is due to investors' perception of inflation risk in the structural equation model of bivariate analyses. Factor analyses show the one-sided herd behavior of the two-sided signal chains of the currency markets and the unique signals of individuals who will exit the stock market in an unexpected situation. While in the expected situation of individuals, the two-sided convergences will be at the most optimal symmetrical points of the total transactions of individuals and legal entities in the outer and inner layers. Conclusion Nudge theory can serve as a linking framework between herd behavior and monetary illusion. Using a deductive approach, it helps identify the structural factors that shape individuals’ risk perceptions and allows investor sentiment patterns to be expanded and generalized within the framework of Kahneman and Tversky’s (1979) prospect theory, particularly in economies experiencing chronic inflation. Through data collection, structural equation modeling, and factor analysis, this approach integrates optimal responses derived from foundational theories into a meta-synthesis model. It has been applied to distinguish convergent signal chains in the form of bimodal functions, which can identify channels through which monetary inflation signals are tracked in one-way and two-way movements of symmetric and asymmetric behavioral flows. هدف: هدف کلی این پژوهش، ارائه یک مدل جامع و هم‌زمان از درک ریسک رفتارهای توده‌وار است که قادر باشد پدیدۀ توهم پولی را در کانال‌های سیگنالی همگرا و درگیر با متغیر تکانه‌ها تعمیم دهد. با توجه به دو فرضیۀ رقیب در ساختار پدیدۀ توهم پولی که با سوگیری‌های شناختی و احساسی سرمایه‌گذاران مرتبط است، هدف اصلی پژوهش، برای استفاده از رویکرد قیاسی تئوری تلنگر مهم و توجیه‌پذیر می‌شود؛ زیرا این رویکرد الگوی همگرا و معناداری را مبتنی بر دو وضعیت انتظاری و غیرانتظاری در توابع احتمال پیوسته چشم‌اندازهای مصرف و سود و زیان ارائه می‌دهد. در همین راستا، مدل اصلی در دو لایهٌ درونی و بیرونی زنجیره‌های همگرا تفکیک شده است تا امکان تجزیه‌وتحلیل هر یک از زنجیره‌های سیگنالی را در ارتباط با دنبال‌کنندگی کانال‌های تورم پولی بازارهای سهام و ارز ایجاد کند و همچنین، سیگنال منحصربه‌فردی فراهم آورد که تفاوت‌های معنادار این زنجیره‌ها را در توابع همگرای دو وجهی قابل شناسایی کند. روش: روش پژوهش برای دستیابی به اهداف پژوهش، ارائۀ هم‌زمان مدل‌های گردآوری داده‌ها، تحلیل‌های دو وجهی و تحلیل‌های عاملی در یک الگوی فراترکیب و مبتنی بر رویکرد قیاسی تئوری «تلنگر» بوده است که با استفاده از تکنیک الگوریتم توزیع ماتریس‌های برگشتی توابع احتمال گسسته DFT، مطابق با نظریۀ هاسمن (۲۰۰۵) بسط داده شده‌اند. مدل گردآوری داده‌ها، از طریق روش دلفی ـ فازی، مبتنی بر گردآوری نظریه‌های اصلی توهم پولی بوده است که در چارچوب توابع چشم‌اندازهای مصرف و سود و زیانی سرمایه‌گذاران، در بازۀ زمانی ابتدای ۱۳۹۴ تا ابتدای ۱۳۹۹ اخذ شده‌اند. این داده‌ها با نوسان‌های هم‌خط و غیرهم‌خط شاخص تغییرات متغیر تکانه‌های بازار بورس اوراق بهادار تهران، حجم معاملات بازار سهام، حجم معاملات افراد حقیقی و بازار ارز مرتبط است که مبتنی بر کدگذاری انتخابی صفر و یک، در انطباق با نظریه اشتراوس و کوربین (۱۹۸۸) استفاده شده‌اند. یافته‌ها: یافته‌های پژوهش بیانگر ارتباط معنادار و توأمان فرضیه‌های اصلی و فرعی پدیدۀ توهم پولی، در وضعیت‌های انتظاری و غیرانتظاری حاصل از درک ریسک تورمی سرمایه‌گذاران است که مدل معادلات ساختاری تحلیل‌های دوجهی و مرکب از زنجیره‌های سیگنالی بازارهای سهام و ارز و همچنین سیگنال منحصربه‌فرد افراد را در تابع پیوسته و متغیر شاخص تکانه‌های بازار بورس اوراق بهادار تهران یکپارچه می‌کند. یافته‌های تحلیل عاملی نیز بیانگر رفتارهای توده‌وار یک سویۀ زنجیره‌های سیگنالی دووجهی بازارهای ارز و سیگنال منحصربه‌فرد افراد است که در وضعیت غیرانتظاری حاصل از درک ریسک تورم پولی، به ترک بازار سهام اقدام خواهند کرد. این در حالی است که در وضعیت انتظاری افراد، همگرایی‌های تعادل یافته و دو سویۀ حاصل از درک ریسک کانال‌های سیگنالی، در بهینه‌ترین نقاط متقارن از حجم کل معاملات افراد حقیقی و حقوقی در لایه‌های بیرونی و درونی توده‌های رفتاری قرار خواهند گرفت. نتیجه‌گیری: تئوری تلنگر قادر است به‌عنوان حلقۀ اتصال پدیده‌های رفتاری توده‌وار و توهم پولی عمل کند؛ به‌گونه‌ای که استفاده از رویکرد قیاسی این تئوری، می‌تواند عوامل ساختاری درک ریسک افراد را برای بسط و تعمیم الگوهای احساس سرمایه‌گذاران در چارچوب نظریه‌های چشم‌انداز کانمن و تورسکی (۱۹۷۹)، فراهم کند و نیز اخذ پاسخ‌های بهینه مبتنی بر نظریه‌های صاحب‌نظران اصیل را در یک مدل فراترکیب، اعم از گردآوری داده‌ها، معادلات ساختاری و تحلیل‌های عاملی را یکپارچه کند. این رویکرد برای تفکیک زنجیره‌های همگرای سیگنالی، در قالب توابع دووجهی استفاده شده است. این توابع می‌توانند کانال‌های دنبال‌کنندگی سیگنال‌های تورم پولی را در ارتباط با حرکت یک سویه و دو سویۀ جریان‌های متقارن و نامتقارن توده‌های رفتاری تشکیل یافته شناسایی کنند.

https://jfr.ut.ac.ir/article_107631_991a6e3cb53df85b8f7e9b27722eb4c9.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Credit Risk Factor Pricing in the Iranian Capital Market: A Geske Model-Based Approach قیمت‌‌گذاری عامل ریسک اعتباری در بازار سرمایۀ ایران با رویکرد مبتنی بر مدل گسک 558 597 106185 10.22059/frj.2025.393298.1007729 FA مهناز خراسانی دانشجوی دکتری، گروه مالی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. غلامحسین گل ارضی دانشیار، گروه مدیریت بازرگانی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. سید کاظم ابراهیمی دانشیار، گروه حسابداری، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. 0000-0002-7227-6407 سعید فتحی استاد، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. Journal Article 2025 04 12 Objective Excessive reliance on debt financing in a company’s capital structure increases its credit risk and, consequently, the likelihood of bankruptcy. Since shareholders are considered the residual claimants of the company, the financing method and capital structure composition can significantly influence expected returns and the pricing process of securities issued by the firm. Accordingly, this study aims to examine the role of the credit risk factor in asset pricing models and evaluate its explanatory power in explaining stock returns in the Iranian capital market. Methods In this study, to obtain a comprehensive measure of credit risk, the Geske model—an advanced extension of the Merton model—was employed. Accordingly, the probability of default for companies’ total debt was first estimated based on the Geske model using numerical algorithm techniques. After calculating the probability of default, the credit risk factor was defined based on the difference in returns between companies with high and low probabilities of default. Next, the hedging regression method was used to examine the role of the credit risk factor in explaining stock and bond returns. In the next step, the credit risk factor was added to the asset pricing factor models, and by running time series regressions on a large set of test assets, the explanatory power of the extended models with the credit risk factor was evaluated and tested in comparison with conventional asset pricing models. Finally, to examine the robustness and stability of the results and to more accurately assess the predictability of credit risk factor loadings in explaining cross-sectional excess returns, a two-stage Fama-Macbeth test was used. In the first stage of this test, time-varying factor loadings for the credit risk factor were calculated using time series regressions on asset pricing factor models. Then, in the second stage, cross-sectional regression was performed for excess returns relative to the factor loadings estimated in the first stage. Finally, the credit risk factor price was determined as the average of the estimated coefficients from the cross-sectional regression. To achieve this goal, data from companies listed on the Tehran Stock Exchange and the Iranian OTC market between 2004 and 2023, and a diverse set of test assets, including portfolios sorted based on various company characteristics, were used. Results The results of the spanning regression indicate that the credit risk factor contains unique and significant information that cannot be explained by other factors included in asset pricing models. Furthermore, the results of the time-series regression tests and model performance evaluation criteria demonstrate that incorporating the credit risk factor into multifactor asset pricing models enhances their explanatory power in explaining the returns of the test assets. Also, the results of the Fama-Macbeth test show that the time series average of the coefficients related to the credit risk factor is positive and significant, indicating a positive risk premium for this factor. These findings indicate that investors receive excess returns in exchange for accepting higher credit risk, and this factor is positively priced in the Iranian capital market. Conclusion The findings of this study show that adding credit risk factor to asset pricing models significantly increases the power of these models in explaining fluctuations in returns of financial assets and stocks and also increases their forecasting accuracy. Also, the results indicate that credit risk, as a systematic and unavoidable factor that is a function of the company's economic environment, is reflected in stock returns by taking a positive risk premium and increases the expected return of stocks. هدف: استفادۀ بیش از حد از بدهی در ساختار سرمایۀ شرکت‌ها باعث می‌شود تا ریسک اعتباری شرکت‌ها و در نتیجه، احتمال ورشکستگی آن‌ها افزایش یابد. با توجه به اینکه سهام‌داران، مالک باقی‌ماندۀ شرکت به‌حساب می‌آیند، می‌توان گفت که چگونگی تأمین مالی شرکت یا ترکیب ساختار سرمایۀ شرکت، بر بازده مورد انتظار سهام‌داران و فرایند قیمت‌گذاری سهام شرکت‌ها مؤثر است. بر همین اساس، این پژوهش با هدف بررسی نقش عامل ریسک اعتباری در مدل‌های قیمت‌گذاری دارایی‌ها و ارزیابی قدرت توضیح‌دهندگی این عامل در تبیین بازده سهام در بازار سرمایه ایران انجام شده است. روش: در این پژوهش، به‌منظور دستیابی به معیاری جامع برای سنجش ریسک اعتباری، از مدل گسک که نسخه‌ای پیشرفته و توسعه‌یافته از مدل مرتون محسوب می‌شود، بهره گرفته شده است. در این راستا، ابتدا با استفاده از تکنیک‌های الگوریتم‌های عددی، احتمال نکول کل بدهی شرکت‌ها بر اساس مدل گسک محاسبه شد. پس از محاسبه احتمال نکول، عامل ریسک اعتباری، بر مبنای تفاوت بازدهی شرکت‌های دارای احتمال نکول بالا و پایین تعریف شد. در ادامه، به‌منظور بررسی نقش عامل ریسک اعتباری در تبیین بازده سهام و اوراق بهادار، از روش رگرسیون پوششی استفاده شد. در گام بعدی، عامل ریسک اعتباری به مدل‌های عاملی قیمت‌گذاری دارایی‌ها افزوده شد و با اجرای رگرسیون‌های سری زمانی روی مجموعه گسترده‌ای از دارایی‌های آزمون، قدرت توضیح‌دهندگی مدل‌های بسط‌یافته با عامل ریسک اعتباری، در مقایسه با مدل‌های متداول قیمت‌گذاری دارایی‌ها، ارزیابی و آزمون شد. در نهایت، به‌منظور بررسی استحکام و پایداری نتایج و ارزیابی دقیق‌تر قابلیت پیش‌بینی بارهای عاملی ریسک اعتباری در تبیین بازده مازاد مقطعی، از آزمون دومرحله‌ای فاما ـ مکبث بهره گرفته شد. در مرحلۀ نخست این آزمون، با بهره‌گیری از رگرسیون‌های سری زمانی روی مدل‌های عاملی قیمت‌گذاری دارایی‌ها، بارهای عاملی متغیر با زمان برای عامل ریسک اعتباری محاسبه شد. سپس در مرحلۀ دوم، رگرسیون مقطعی برای بازده مازاد نسبت به بارهای عاملی برآوردشده در مرحلۀ نخست اجرا شد و در نهایت، قیمت عامل ریسک اعتباری به‌عنوان میانگین ضرایب برآوردشده از رگرسیون مقطعی به‌دست آمد. برای تحقق این هدف، از داده‌های شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران و فرابورس ایران، در بازۀ زمانی ۱۳۸۳ تا ۱۴۰۲ و مجموعه‌ای متنوع از دارایی‌های آزمون، شامل پرتفوی‌های مرتب شده بر اساس ویژگی‌های مختلف شرکت‌ها، استفاده شد. یافته‌ها: نتایج انجام رگرسیون پوششی نشان می‌دهد که عامل ریسک اعتباری، حاوی اطلاعات منحصربه‌فرد و معناداری است که توسط سایر عوامل مدل‌های عاملی قیمت‌گذاری دارایی‌ها قابل توضیح و تبیین نیست. علاوه‌براین، بر اساس نتایج آزمون‌های رگرسیون سری زمانی و معیارهای ارزیابی عملکرد مدل‌ها، افزودن عامل ریسک اعتباری به مدل‌های چندعاملی قیمت‌گذاری دارایی‌ها، موجب بهبود توان توضیح‌دهندگی این مدل‌ها در تبیین بازده دارایی‌های آزمون می‌شود. همچنین، نتایج آزمون فاما ـ مکبث نشان می‌دهد که میانگین ضرایب بارهای عاملی ریسک اعتباری مثبت و معنادار است که از صرف ریسک مثبت برای این عامل حکایت می‌کند. این یافته‌ها نشان می‌دهد که سرمایه‌گذاران در ازای پذیرش ریسک اعتباری بیشتر، بازده مازاد دریافت می‌کنند و این عامل به‌طور مثبت در بازار سرمایه ایران قیمت‌گذاری می‌شود. نتیجه‌گیری: یافته‌های این پژوهش نشان می‌دهد که افزودن عامل ریسک اعتباری به مدل‌های قیمت‌گذاری دارایی‌ها، به‌طور معناداری باعث افزایش قدرت این مدل‌ها در تبیین نوسان‌های بازده دارایی‌های مالی و سهام و نیز افزایش دقت پیش‌بینی آن‌ها می‌شود. همچنین، نتایج حاکی از آن است که ریسک اعتباری به‌عنوان یک عامل سیستماتیک و اجتناب‌ناپذیر که تابعی از محیط اقتصادی شرکت است، با گرفتن صرف ریسک مثبت در بازده سهام منعکس و باعث افزایش بازده مورد انتظار سهام می‌شود.

https://jfr.ut.ac.ir/article_106185_9134aa6f1f7087fdb45294ad68706626.pdf

انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Explaining the Drivers of Financial Sustainability through the Enhancement of Financial Literacy: An Emphasis on the MICMAC Model تبیینی بر پیشران‌‌های پایداری مالی در بستر ارتقای سواد مالی با تأکید بر مدل میک‌‌مک 598 630 102895 10.22059/frj.2025.386577.1007671 FA امیر حسینی کارشناس ارشد، گروه حسابداری، دانشگاه ارومیه، ارومیه، ایران. Journal Article 2024 12 06 Objective Financial literacy offers numerous benefits for individuals, businesses, society, and the planet in promoting sustainable finance. For individuals, it helps align their personal values and goals with financial decisions, diversifies their portfolios, reduces their environmental footprint, and contributes to positive social change. For businesses, it facilitates access to new funding sources, enhances reputation, improves risk management, and creates long-term value. For society, it strengthens social inclusion, reduces poverty and inequality, and supports human rights and democracy. This study aims to examine the drivers of financial sustainability within the framework of financial literacy enhancement. It argues that to make informed investment decisions about financial products with sustainable characteristics, private investors must possess a high level of financial literacy and sustainable financial literacy. Methods This research is applied in terms of its objective and descriptive-analytical in terms of data collection. Information was gathered through both documentary-library and field methods. Financial literacy components were assessed using eleven dimensions and analyzed with MICMAC and Scenario Wizard software. The model analyzes the interrelationships between variables, enabling prioritization of influential factors and providing practical strategies to strengthen financial sustainability. Key factors and probable scenarios for financial sustainability within the framework of enhanced financial literacy were identified. The study utilized an expert-based sample of 20 participants, selected using the snowball sampling method. Results The findings identified eleven core components that shape managers’ financial literacy, including understanding and analyzing financial statements, regulations related to social security insurance, labor laws, tax regulations, commercial law, stock market investment regulations, banking regulations, check-related laws, anti-money laundering regulations, and import-export regulations. These components play a vital role in financial decision-making, minimizing legal risks, and enhancing organizational performance. Tax regulations, as a framework for calculating, paying, and managing direct and indirect taxes, are influential in structuring financial activities and preventing issues arising from tax non-compliance. Moreover, commercial law, encompassing regulations on company formation and management, commercial contracts, and bankruptcy, serves as an essential legal tool for managing business relationships and activities. These components provide the necessary infrastructure to optimize financial and legal processes, mitigate risks, and ensure organizational compliance with legal requirements. Awareness and mastery of these topics lead to improved overall organizational performance and confidence in managerial decision-making. Conclusion High financial literacy directly correlates with intelligent financial behaviors, such as optimal resource utilization and cost reduction. Societies that have widely implemented financial literacy programs have experienced significant improvements in welfare indices and financial sustainability. Managers must familiarize themselves with the structure and conditions for participating in international markets. Understanding the required conditions and permits, including commercial cards, customs procedures, and regulations related to smuggling, constitutes essential knowledge for managers. Additionally, knowledge of the laws and regulations governing free trade zones and special economic zones is essential for informed managerial decision-making, underscoring the importance of awareness and understanding in this area. هدف: سواد مالی در ترویج تأمین مالی پایدار، مزایای مختلفی برای افراد، مشاغل، جامعه و کره زمین دارد. برای افراد، کمک می‌کند تا ارزش‌ها و اهداف شخصی خود را با انتخاب‌های مالی خود هماهنگ کنند، مجموعه خود را متنوع کنند، ردپای محیطی خود را کاهش دهند و به تغییرات اجتماعی مثبت کمک کنند. برای کسب‌وکارها کمک می‌کند تا به منابع جدید بودجه دسترسی پیدا کنند، شهرت خود را افزایش دهند، مدیریت ریسک خود را بهبود بخشند و ارزش بلندمدت ایجاد کنند. برای جامعه، به تقویت شمول اجتماعی، کاهش فقر و نابرابری و حمایت از حقوق بشر و دموکراسی کمک می‌کند. این نوشتار کوشیده است تا به پیشران‌های پایداری مالی، در بستر ارتقای سواد مالی توجه کند؛ زیرا نگارنده بر این اعتقاد است که برای اتخاذ تصمیم‌های سرمایه‌گذاری آگاهانه در خصوص محصولات مالی که دارای ویژگی‌های پایدار هستند، سرمایه‌گذاران خصوصی باید سطح خوبی از سواد مالی و سواد مالی پایدار داشته باشند. روش: پژوهش حاضر از نظر هدف کاربردی و از نظر گردآوری داده توصیفی ـ تحلیلی است. جمع‌آوری اطلاعات به دو صورت اسنادی ـ کتابخانه‌ای و میدانی صورت گرفته است. در این پژوهش مؤلفه‌های سواد مالی در قالب یازده بُعد با استفاده از نرم‌افزارهای میک‌مک و سناریوویزارد ارزیابی شده است. این مدل با تحلیل اثرهای متقابل متغیرها، امکان اولویت‌بندی عوامل مؤثر و ارائه راه‌کارهای عملی برای تقویت پایداری مالی را فراهم می‌آورد تا عوامل کلیدی و سناریوهای محتمل پایداری مالی، در بستر ارتقای سواد مالی مشخص شود. با توجه به روش مورد استفاده برای تجزیه‌وتحلیل و ارائه راهبردها، نمونه تحقیق خبره محور بوده است که برای این منظور، ۲۰ نفر با استفاده از روش گلولۀ برفی انتخاب شده است. یافته‌ها: یازده مؤلفۀ اصلی برای شکل‌گیری سواد مالی مدیران شناسایی شد که عبارت‌اند از: شناخت صورت‌های مالی، تحلیل صورت‌های مالی، قوانین و مقررات بیمه تأمین اجتماعی، قوانین و مقررات کار، قوانین و مقررات مالیاتی، قوانین و مقررات تجارت، قوانین و مقررات سرمایه‌گذاری در بورس، قوانین و مقررات بانکداری، قوانین و مقررات چک، قوانین و مقررات پول‌شویی، قوانین و مقررات صادرات و واردات. این مؤلفه‌ها در تصمیم‌گیری‌های مالی، کاهش ریسک‌های قانونی و بهبود عملکرد سازمان‌ها نقش مهمی ایفا می‌کنند. مقررات مالیاتی به‌عنوان چارچوبی برای محاسبه، پرداخت و مدیریت مالیات‌های مستقیم و غیرمستقیم، در تنظیم فعالیت‌های مالی و پیشگیری از مشکلات ناشی از تخلف‌های مالیاتی تأثیرگذار است. علاوه‌براین، قانون تجارت که شامل مقررات مربوط به تشکیل و مدیریت شرکت‌ها، تنظیم قراردادهای تجاری و مباحث مرتبط با ورشکستگی است، ابزار حقوقی مهمی برای مدیریت روابط و فعالیت‌های تجاری محسوب می‌شود. این مؤلفه‌ها زیرساخت‌های لازم برای بهینه‌سازی فرایندهای مالی و حقوقی، کاهش ریسک‌ها و تطابق سازمان‌ها با الزامات قانونی را فراهم می‌کنند. آگاهی و تسلط بر این موضوعات، به بهبود عملکرد کلی سازمان‌ها و ایجاد اطمینان در تصمیم‌گیری‌های مدیریتی منجر می‌شود. نتیجه‌گیری: سواد مالی خوب با رفتارهای مالی هوشمندانه، از جمله استفادۀ بهینه از منابع و کاهش هزینه‌های غیرضروری، ارتباط مستقیمی دارد. از سوی دیگر، جوامعی که برنامه‌های سواد مالی را به‌طور گسترده اجرا کرده‌اند، شاهد بهبود چشمگیری در شاخص‌های رفاه و پایداری مالی بوده‌اند. مدیران باید با ساختار و شرایط حضور در بازارهای بین‌المللی آشنایی داشته باشند. آشنایی با شرایط و مجوزهای لازم، اعم از کارت بازرگانی و تشریفات گمرکی و درک مفهوم قاچاق، از اساسی‌ترین دانسته‌های مورد نیاز مدیران در این زمینه است. ضمن آن که قوانین حاکم بر مناطق آزاد تجاری یا مناطق ویژۀ اقتصادی در این مورد نیز می‌تواند موضوعی مهم در تصمیم‌های مدیریتی شرکت‌ها باشد و آگاهی از آن ضروری به نظر می‌رسد.

https://jfr.ut.ac.ir/article_102895_ae1e186a10a35ec6f09683abdaa555aa.pdf