نمایش دانش سرمایه‌‌گذاری برحسب بازده در بازار سهام ایران با بهره‌‌گیری از مدل‌‌های عصبی عمیق در شرایط نااطمینانی محیطی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 کارشناس ارشد، گروه مهندسی مالی، دانشگاه میبد، یزد، ایران.

2 دانشیار، گروه مهندسی صنایع، دانشگاه میبد، یزد، ایران.

3 دانشیار، گروه مهندسی کامپیوتر، دانشگاه میبد، یزد، ایران.

10.22059/frj.2024.370564.1007554

چکیده

هدف: شناخت رفتار بازار سرمایه و سوی‌گیری‌های آن‌ها، پیش‌زمینه‌ای برای تحلیل رفتار بازده در زمان وقوع رخدادهای حاکم بر جامعه است. مسائل سیاسی، اقتصادی و اجتماعی روز دنیا، به‌راحتی می‌توانند پارامترهای چرخۀ اقتصاد را تحت‌تأثیر قرار دهند. بازار سهام نیز به‌عنوان بخش مهمی از اقتصاد، از این امر مستثنا نخواهد بود. دقت زیاد پیش‌بینی و شناخت نوسان‌ها، اطمینان سرمایه‌گذار را افزایش می‌دهد و به تصمیم‌گیری‌های صحیح و به‌موقع برای مدیریت دارایی منجر خواهد شد. شناخت کارآمدترین ابزار برای پیش‌بینی بازده نیز، لازمۀ تحلیل رفتار این بازار است. هدف پژوهش حاضر، خوشه‌بندی شرکت‌های موجود در بازار بورس، برحسب میزان تأثیرپذیری آن‌ها از پیشامدهای دورۀ تحریم با استفاده از روش برتر هوش مصنوعی برای پیش‌بینی است.
روش: داده‌های بازده هفتگی ۲۰۰ شرکت فعال در بازار سهام ایران، اطلاعات مربوط به متغیرهای نوع صنعت، اندازه، نقدینگی و سودآوری شرکت‌های منتخب در بازۀ زمانی ۱۳۹۵ تا ۱۳۹۹ به همراه پیشامدهای سیاسی و اقتصادی و اجتماعی برگزیده، در این پژوهش استفاده شده است. در مرحلۀ نخست، چهار مدل LSTM ، DQN ، RF و مدل SVR، به‌عنوان مدل‌های برتر یادگیری عمیق و یادگیری ماشین، مقایسه شده است و در ادامه، پیش‌بینی بازده سهام براساس مدل برتر صورت می‌پذیرد. در گام دوم، روی سناریوهای حاصل از تأثیرپذیری تغییرات بازده نسبت به هر یک از ورودی‌های نوع صنعت، اندازه، نقدینگی و سودآوری شرکت‌ها تحلیل حساسیت انجام می‌شود و در آخر نیز، به‌منظور تحلیل دستاوردها، به خوشه‌بندی نتایج در سه دسته پیشامدهای اقتصادی، سیاسی ـ اقتصادی و اقتصادی ـ اجتماعی با استفاده از روش خوشه‌بندی تفکیکی پرداخته شده است.
یافته‌ها: پس از مقایسۀ مدل‌های یادگیری عمیق (LSTM، DQN) و یادگیری ماشین (SVR، RF)، مشخص شد که برای پیش‌بینی بازده سهام، مدل LSTM (حافظۀ کوتاه‌مدت طولانی)، نسبت به سایر مدل‌ها برتر است. نتایج حاصل از خوشه‌بندی نیز، طیف وسیعی از تحلیل‌ها را بسته به نیاز، در اختیار سرمایه‌گذاران قرار می‌دهد که می‌تواند هنگام مواجهه با رخدادها، مبنایی برای تحلیل روند بازده قرار گیرد؛ اما به‌طور کل می‌توان گفت که پیشامدهای سیاسی روی بازده سهام شرکت‌ها بیشترین تأثیر را می‌گذارند. پس از آن، پیشامدهای اقتصادی و در آخر پیشامدهای اجتماعی، روی بازده سهام شرکت‌ها کمترین تأثیر را دارند. در راستای ارزیابی معیارها نیز، به‌ترتیب معیار اندازۀ شرکت، نوع صنعت، نقدینگی و در نهایت سودآوری، در آخرین جایگاه رتبه‌بندی عوامل مؤثر در نوسان‌ها قرار گرفتند.
نتیجه‌گیری: بازار سهام ایران تحت‌تأثیر اخبار سیاسی، اقتصادی و اجتماعی و همچنین اقدامات و بیانیه‌های دولتی قرار دارد؛ اما بسته به نوع خبر، میزان تأثیرپذیری آن‌ها متفاوت خواهد بود. تأثیر پیشامدها بر بازده سهام، به‌صورت مستقیم است و صدق این عبارت که طی وقوع پیشامدهای سیاسی، اقتصادی و اجتماعی، بازده شرکت‌های بورسی بسته به نوع صنعت، اندازه، نقدینگی و سودآوری شرکت‌ها دچار نوسان می‌شوند، به تأیید می‌رسد. در این میان، پیشامدهای سیاسی بیشترین تأثیر را بر بازده سهام شرکت‌ها دارند و باید در کانون توجه فعالان بازار سرمایه قرار گیرند.
 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Displaying Investment Knowledge Based on Returns in the Iranian Stock Market Using Deep Neural Models under Environmental Uncertainty

نویسندگان [English]

  • Maryam Moradi 1
  • Najmeh Neshat 2
  • Mohsen Sardari zarchi 3
1 M.Sc., Department of Financial Engineering, Meybod University, Yazd, Iran.
2 Associate Prof., Department of Industrial Engineering, Meybod University, Yazd, Iran.
3 Associate Prof., Department of Computer Engineering, Meybod University, Yazd, Iran.
چکیده [English]

Objective
Knowing the behavior of capital markets and their orientation is a foreground for analyzing the behavior of return during the events governing the society. Current political, economic, and social issues can simply influence the parameters of the economic cycle. The stock market as a significant part of the economy is not an exception. Precisely predicting and recognizing fluctuations increases investors’ confidence and leads to accurate and timely asset management decisions. Also, knowing the most efficient tools for predicting return is vital for analyzing the behavior of the market. The present research aims to cluster current companies in the stock market based on their susceptibility to sanctions using the best method, artificial intelligence, for forecasting stock returns.
 
Methods
This research study utilizes weekly return data from 200 active companies, along with information on variables such as industry type, size, liquidity, and profitability of the selected companies from 2016 to 2021. Additionally, the study incorporates data on key political, economic, and social events during this period. In the first step, four of the best models of deep learning and machine learning including LSTM (Long-Short Term Memory), DQN (Deep Q Network), RF (Random Forest), and SVR (Support Vector Machines) were compared. Next, the prediction about stock return was made by applying the most superior model. In the second step, scenarios were developed based on the susceptibility of return changes to each input variable, including industry type, size, liquidity, and profitability. These scenarios were then analyzed to assess their sensitivity. In the final step, applying partitional clustering, the results were categorized into three clusters: economic, political-economic, and economic-social, and the findings were analyzed afterward.
 
Results
Comparing deep learning (LSTM, DQN) and machine learning models (SVR, RF) revealed that LSTM is the superior model for predicting stock return. Also, the results from clustering provided a broad range of analyses based on the needs of investors. The results could be used as a basis for analyzing changes in stock return rate on facing issues. Generally, political events have the most significant effects on the stock return of companies followed by economic events. Finally, social events are the least effective factors. In terms of criteria, company size, type, liquidity, and profitability were effective factors in fluctuations, respectively.
 
Conclusion
Iran’s stock market is affected by political, economic, and social news as well as government actions and statements; the susceptibility depends on the type of news. The events directly impact stock returns, and it is established that during political, economic, and social events, the stock market return of companies fluctuates based on their type, size, liquidity, and profitability. Political events exert the most significant influence on stock returns and warrant particular attention from capital market participants.

کلیدواژه‌ها [English]

  • Clustering
  • Deep learning
  • Financial investment
  • Modeling
  • market-relative Returns

مراجع

اقبال‌نیا، محمد؛ پویان‌فر، احمد؛ مالکی، ‌ملیحه (1394). مدل‌سازی هم‌حرکتی سهام در بورس اوراق بهادار تهران با استفاده از رویکرد خوشه‌بندی سه مرحله‌ای. چشم‌انداز مدیریت مالی، 11(5)، 133-158.‎
پرمه، زورار (1398). ارزیابی اثرات شیوع بیماری کووید 19 بر بخش صنعت ایران: کاربرد چارچوب ماتریس حسابداری اجتماعی. فصلنامه پژوهش‌های اقتصاد صنعتی، 3(8)، 79-93.
حیدری، مهدی؛ امیری، حمیدرضا (1401). بررسی قدرت مدل‌های مبتنی بر هوش مصنوعی در پیش‌‏بینی روند قیمت سهام بورس اوراق بهادار تهران.‎ تحقیقات مالی، 24(4)، 602-623 .
خلیفه‌سلطانی، سیداحمد؛ رهنما، مریم؛ کیماسی، فرزانه (1398). تأثیر ارتباطات سیاسی بر خطر سقوط قیمت سهام تحت شرایط عدم تقارن اطلاعاتی. دانش حسابداری، 9(4)، 37-69 .
خیل کردی سعادت، رحمان؛ نیک‌پی پسیان، وحید. (1401). بررسی تأثیر تروریسم بر شاخص بازده بازار سهام در کشورهای خاورمیانه. سیاست‌ها و تحقیقات اقتصادی، 1(2)، 28-54.‎
دلاوری، سیدجواد؛ نادری، علی و اوریایی، زهرا (1402). بررسی رابطه بین نااطمینانی سیاسی ناشی از انتخابات ریاست جمهوری و هزینه سرمایه شرکت‌‌ها در بورس اوراق بهادار تهران. مطالعات اقتصاد سیاسی بین‌الملل، 6(1)، 107- 131.‎
رحمان‌پور، ابراهیم؛ عابد، بهاره و الفتی، سمیرا (1401). اثرگذاری تحریم‌‌های تجاری بر شاخص سهام در صنایع مختلف پذیرفته شده در بورس اوراق بهادار. راهبرد مدیریت مالی، 9(3)، 161-176.‎
زارع، هاشم (1400). عدم اطمینان سیاسی و نوسان‌های بازار سهام در ایران: با توجه به تحولات بین‌المللی. توسعه و سرمایه، 6(1)، 123-145.‎
سرچمی، محمد؛ خدامی‌پور، احمد؛ محمدی، مجید؛ زینلی، حدیث (1399). به‌کارگیری مدل‌‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن‌‌ها. مهندسی مالی و مدیریت اوراق بهادار، 11(45)، 147- 176.
سزاوار، محمدرضا؛ خزائی، علیرضا و اسلامیان، مجتبی (1398). بررسی هم‌‏بستگی شرطی میان بازارهای ارز، طلا، مسکن، سهام و نفت در اقتصاد ایران. راهبرد اقتصادی، 8 (29)، 37 – 60.
عبدی، نسیمه؛ مرادزاده فرد، مهدی؛ احمدزاده، حمید؛ خدام، محمود (1400). ارائه مدل ترکیبی بهینه‌سازی سبد سهام براساس پیش‌بینی قیمت با شبکۀ عصبی بازگشتی LSTM به کمک محدودیت‌های کاردینالیتی و روش‌های تصمیم‌گیری چندمعیاره (مطالعه موردی بورس‌اوراق بهادار تهران). چشم‌انداز مدیریت مالی، 11(36)، 119-143.
علیزاده چمازکتی، مسعود؛ فتح‌آبادی، مهدی؛ محمود زاده، محمود و قویدل دوستکوئی، صالح (1403). امکان یا امتناع پیش‌بینی قیمت سهام: شواهدی از صنعت پتروپالایش. تحقیقات مالی، 26(1)، 87-112.
کهل رنجبر اقچه، حسین (1396). بررسی نوسانات قیمت سهام در زمان انتخابات ملی: مطالعه رویدادی درباره انتخابات ریاست جمهوری و مجلس شورای اسلامی ایران. پایان‌نامه کارشناسی ارشد، دانشکده دانشگاه تبریز، دانشکده اقتصاد و مدیریت.
گل ارضی، غلامحسین؛ ابوالفضلی، سید رامین (1403). بررسی اثرهای اهرمی، هم‏‌بستگی شرطی پویا و سرایت‌پذیری تلاطم میان شاخص‌های صنایع بورسی با استفاده از مدل ARMA-DCC-GJR-GARCH. تحقیقات مالی، 26(1)، 54-80.‎
محمدی نژاد پاشاکی، محمدباقر؛ صادقی شریف، سید جلال و اقبال نیا، محمد (1402). بررسی و تحلیل اثرات سرریز بازار سهام در تعامل با بازارهای ارز، سکه طلا، نفت و مسکن: مدل VARMA-BEKK-AGARCH. مهندسی مالی و مدیریت اوراق بهادار، 14(57)، 174- 199.
مرادی، بابک؛ بحری‌ثالث، جمال؛ جبارزاده کنگرلوئی، سعید؛ آشتاب، علی (1401). تبیین و ارائه مدلی برای پیش‌‏بینی نقدشوندگی سهام در بورس اوراق بهادار تهران.‎ تحقیقات مالی، 24(1)، 134- 156.
مرادی شهدادی، ‌خسرو؛ درینی، مریم (1401). تأثیر شرایط نااطمینانی سیاسی بر نوسانات قیمت سهام و سودآوری (شواهدی از بورس اوراق بهادار تهران). چشم‌انداز حسابداری و مدیریت، 65(5)، 21-31.
معلم، محمود؛ پویان، محمدعلی (1397). کشف ناهنجاری با استفاده از کدکننده خودکار مبتنی بر بلوک‌های LSTM. مدل‌‌سازی در مهندسی، 17(56)، 191- 211.
نشاط، نجمه؛ سرداری زارچی، محسن؛ محلوجی، هاشم (1399). کاربرد مدل‌‌های یادگیری عمیق در پیش‌‌بینی سری‌‌های زمانی اقتصادی ـ اجتماعی موردکاوی: سری زمانی اوج بار مصرفی خانگی. مهندسی صنایع و مدیریت، 36(1و2)، 103-111.‎
نظیفی‌ فرد، کیا و متوسلی، علی (1401). تأثیر تحریم‌های بخشی بر بازدهی قیمتی شرکت‌های هدف: شواهدی از بازار بورس اوراق بهادار تهران. فصلنامه برنامه‌ریزی و بودجه، 27(2)، 89-125.‎
نفیسی مقدم، مریم؛ فتاحی، شهرام (1400). بررسی سرایت‌پذیری و تلاطم قیمت نفت بر بازدهی بازار سهام، نرخ ارز و قیمت طلا در ایران: رویکردVAR-DCC-GARCH  چند متغیره، موجک پیوسته و موجک متغیر با زمان. مدل‌سازی اقتصادسنج، 6(3)، 33- 62.
نیکو، مهلا (1397). مقایسه توانایی مدل‌های یادگیری ماشین در پیش‌بینی شاخص قیمت سهام بورس اوراق بهادار تهران. کارشناسی ارشد. دانشگاه ارومیه، دانشکده اقتصاد و مدیریت، گروه حسابداری.
هژبرالساداتی، سید مرتضی؛ پویا، علیرضا (1396). تأثیر مذاکرات هسته‌ای بر صنایع بورسی ایران. مجلس و راهبرد، 24 (90) 183-206.
هوشمند نقابی، زهرا؛ اسلامی مفید آبادی، حسین و آقاسی، محمد (1401). رابطه بازدهی سهام و نوسان‌‏های بازده با نقد شوندگی بازار سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در دوره شیوع بیماری ویروس کرونا. پژوهش‌های حسابداری مالی و حسابرسی، 14(56)، 191-220.‎
ورهرامی، ‌ویدا؛ سرآبادانی، علیرضا؛ نژاد‌قربان، حمید (1398). اثرات روانی کوتاه مدت توافق برجام بر بازدهی سهام شرکت‌های فعال در بازار بورس اوراق بهادار تهران. سیاست‌های راهبردی و کلان، 7، 27-49.
یزدانیان، نرگس؛ حاجی اکبری، علی (1398). بررسی تأثیر نوسانات نرخ ارز بر سطوح چولگی و کشیدگی بازده پرتفوی سهام شرکت‌‌های پذیرفته شده در بورس اوراق بهادار تهران. نشریه چشم‌انداز مدیریت مالی، 9(25)، 121-146.‎
 
References
Abdi, N., Moradzadeh Fard, M., Ahmadzadeh, H. & Khoddam, M. (2021). A Hybrid Model for Portfolio Optimization Based on Stock Price Forecasting with LSTM Recurrent Neural Network using Cardinality Constraints and Multi-Criteria Decision Making Methods (Case study of Tehran Stock Exchange). Financial Management Perspective, 11(36), 119-143. (in Persian)
Albulescu, C. T., Demirer, R., Raheem, I. D. & Tiwari, A. K. (2019).‏Does the US economic policy uncertainty connect financial markets? Evidence from oil and commodity currencies. Energy Economics, 83, 375-388.
Alizadeh Chamazkoti, M., Fathabadi, M., Mahmoodzadeh, M. & Ghavidel Doostkouei, S. (2024).The Possibility or Impossibility of Stock Price Prediction: Evidence from the Petrochemical Industry. Financial Research Journal, 26(1), 87-112. doi: 10.22059/frj.2023.359810.1007467 (in Persian)
Bai, S. & Koong, K. S. (2018).‏Oil prices, stock returns, and exchange rates: Empirical evidence from China and the United States. The North American Journal of Economics and Finance, 44, 12-33.
Banik, S., Sharma, N., Mangla, M., Mohanty, S. N. & Shitharth, S. (2022). LSTM based decision support system for swing trading in stock market. Knowledge-Based Systems, 239, 107994.
Bathla, G. (2020, November). Stock Price prediction using LSTM and SVR. In 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC) (pp. 211-214). IEEE.
Chen, Y., Zhu, S. & He, H. (2021). The influence of investor emotion on the stock market: Evidence from an infectious disease model. Discrete Dynamics in Nature and Society, 2021, 1-12.
Delavari, S. J., Naderi, A. & Oryaie, Z. (2023). Investigating the Relationship Between Political Uncertainty Caused by Presidential Elections and Cost of Capital in Tehran Stock Exchange Companies. International Political Economy Studies, 6(1), 107-131.
(in Persian)
Deng, L. & Yu, D. (2014). Deep learning: methods and applications. Foundations and trends® in signal processing, 7(3–4), 197-387.‏
Fu, R., Zhang, Z., Li, L. (2016). Usin LSTM and GRU neural network methods for traffic flow prediction. 2016 31st Youth Academic Annual Conference of Automation (YAC), pp.324-328.
Golarzi, Gh. & Abolfazli, S. R. (2024). Examining the Leverage Effect, Dynamic Conditional Correlation, and Volatility Spillover Among Selected Indices of the Tehran Stock Exchange: Evidence from the ARMA-DCC-GJR-GARCH Model. Financial Research Journal, 26(1), 54-80. (in Persian)
Heidari, M. & Amiri, H. (2022). Inspecting the Predictive Power of Artificial Intelligence Models in Predicting the Stock Price Trend in Tehran Stock Exchange. Financial Research Journal, 24(4), 602-623. (in Persian)
Hooshmand Naqabi, Z., Eslami Mofid Abadi, H. & Aghasi, M. (2022). The Relationship between Stock Returns and Return Fluctuations with the Liquidity of the Stock Market of Companies Listed on the Tehran Stock Exchange during the Outbreak of the Corona Virus. Financial Accounting and Auditing Research, 14(56), 191-220. (in Persian)
Hozhabrossadati, S.M. & Pouya, A. (2017). The Effect of Nuclear Talks on Industries Operating in Stock Market in Iran. Majlis & Rahbord, 24(90), 183-206. (in Persian)
Iqbalnia, M., Puyanfar, A. & Maliki, M. (2015). Modeling stock co-movement in Tehran Stock Exchange using three-stage clustering approach. Financial management perspective, 11(5), 133- 158. (in Persian)
Khalifeh Soltani, S.A., Rahnama, M. & Keimasi, F. (2019). Impacts of Political Connections on Stock Price Crash Risk under Information Asymmetry Conditions. Journal of accounting knowledge, 9(4), 37-69. (in Persian)
Kheyil Kordi, F., Saadat, R. & Nnikpey Pesyan, V. (2022). Investigating the Impact of Terrorism on the Stock Market Return Index in Middle Eastern Countries. Economic Policies and Research, 1(2), 28-54. (in Persian)
Kohl Ranjbar Aqcheh, H. (2016). Investigating stock price fluctuations during national elections: an event study on the presidential and Iranian parliamentary elections, MA, Tabriz University Faculty, Faculty of Economics and Management. (in Persian)
Ma, R., Anderson, H. D. & Marshall, B. R. (2018).‏ Market volatility, liquidity shocks, and stock returns: Worldwide evidence. Pacific-Basin Finance Journal, 49, 164-199.
Moallem, M. & Pouyan, A. A. (2019). Anomaly Detection using LSTM AutoEncoder. Journal of Modeling in Engineering, 17(56), 191-211. (in Persian)
Mofijur, M., Fattah, I. R., Alam, M. A., Islam, A. S., Ong, H. C., Rahman, S. A., ... & Mahlia, T. M. I. (2021). Impact of COVID-19 on the social, economic, environmental and energy domains: Lessons learnt from a global pandemic. Sustainable production and consumption, 26, 343-359.‏
Mohammadinejad Pashaki, M., Sadeghi Sharid, S. J. & Eqbalnia, M. (2023). Investigating and analyzing the spillover effects of stock market in interaction with currency, gold-coin, crude oil and housing markets: VARMA-BEKK-AGARCH Approach. Financial Engineering and Portfolio Management, 14(57), 174- 199. (in Persian)
Moradi Shahdadi, K. & Darini, M. (2022). The Impact of Political Uncertainty on Stock Price Volatilities and Profitability (Evidence from Tehran Stock Exchange). Journal of Accounting and Management Vision, 65(5), 21-31. (in Persian)
Moradi, B., Bahri Sales, J., Jabbarzadeh Kangarlooi, S. & Ashtab, A. (2022). Explaining and Proposing a Market Liquidity Prediction Model in Tehran Stock Exchange. Financial Research Journal, 24(1), 134-156. (in Persian)
Nafisi Moghadam, M. & Fattahi, Sh. (2021). Examination of Contagion and Oil Price Volatility on Returns of the Stock Market, Exchange Rate and Gold Price in Iran: VAR-DCC-GARCH, Continuous Wavelet, and Time-Varying Wavelet Approach. Journal of Economic Modeling, 6(3), 33-62. (in Persian)
 Nazififard, K. & Motavasseli, A. (2022). The Effect of Sectoral Sanctions on Price Returns of Targeted Firms: Evidence from Tehran Stock Exchange. The journal of planning and budgeting, 27(2), 89-125. (in Persian)
Neshat, N., Sardarizarchi, M. & Mahloohi, H. (2020). application of deep learning models based on fully-connected and recurrent neural networks to residual peak load forecasting. Industrial Engineering & Management Sharif (Sharif: Engineering), 36-1(1/2), 103-111. (in Persian)
Nguyen, A. T. L., Van Nguyen, D., Nguyen, N. H. (2022). The relationship between financial decisions and equity risk. Heliyon, 8(8).
Niko, M. (2018). Comparison of the ability of machine learning models in predicting Tehran Stock Exchange Price Index. Masters. Urmia University, Faculty of Economics and Management, Department of Accounting. (in Persian)
Panggabean, R. & Widyasari, Y. D. L. (2023). A comparison between Super Vector Regression, Random Forest Regressor, LSTM, and GRU in Forecasting Bitcoin Price. International ABEC, 281-287.
Park, R. E. & Burgess, E. W. (2019). Introduction to the Science of Sociology. Good Press.‏
Parmeh, Z. (2019). Evaluation the Impacts of Covid19 Outbreaking on Iran’s Manufacturing Sector: Application of Social Accounting Matrix. Journal of Industrial Economic Researches, 3(8), 85-99. (in Persian)
Rahman, M. L., Amin, A. & Al Mamun, M. A. (2021).The COVID-19 outbreak and stock market reactions: Evidence from Australia. Finance Research Letters, 38, 101832.‏
Rahmanpour, E., Abed, B. & Olfati, S. (2021). The Effect of Trade Sanctions on Stock Indexes in Different Industries Listed in the Stock Exchange. Financial Management Strategy, 9(3), 161-176. (in Persian)
Rosati, P., Deeney, P., Cummins, M., Van der Werff, L. & Lynn, T. (2019). Social media and stock price reaction to data breach announcements: Evidence from US listed companies. Research in International Business and Finance, 47, 458-469.
Sahu, S. K., Mokhade, A. & Bokde, N. D. (2023). An Overview of Machine Learning, Deep Learning, and Reinforcement Learning-Based Techniques in Quantitative Finance: Recent Progress and Challenges. Applied Sciences, 13(3), 1956.
Sarchami, M., khodamipour, A., Mohammadi, M. & Zeinali, H. (2020). Applying machine learning models in creation of share optimum portfolio and their comparison. Financial Engineering and Portfolio Management, 11(45), 147-176. (in Persian)
Sezavar, M., Khazaei, A. & Eslamian, M. (2019). Conditional correlation between foreign exchange markets, gold, housing, stock and oil in the Iranian economy. Economic strategic, 8(29), 37-60. (in Persian)
Soni, R. K., Nandan, T. & Chatnani, N. N. (2023). Dynamic association of economic policy uncertainty with oil, stock and gold: a wavelet-based approach. Journal of Economic Studies, 50(7), 1501-1525.
Tachibana, M. (2018). Relationship between stock and currency markets conditional on the US stock returns: A vine copula approach. J. Multinatl. Financ. Manag. 46, 75-106.
Varahrami, V., Sarabadani, A. & Nejad Ghorban, H. (2020). Short run Psychological Effects of Joint Comprehensive Plan of Action on Market Index Return of Tehran Stock Exchange. Quarterly Journal of the Macro and Strategic Policies, 7(Special Issue), 26-49.
(in Persian)
Wagner, A. F., Zeckhauser, R. J. & Ziegler, A. (2018). Company stock price reactions to the 2016 election shock: Trump, taxes, and trade. Journal of Financial Economics, 130(2), 428-451. ‏
Wang, P., Li, X., Shen, D. & Zhang, W. (2020).How does economic policy uncertainty affect the bitcoin market?. Research in International Business and Finance, 53, 101234.
Yazdanian, N. & Hajiakbari, A. (2019). Investigating the Effect of Volatility in Exchange Rates on the Levels of Skewness and Kurtosis of Stock Portfolio Returns of Listed Companies in Tehran Stock Exchange. Financial Management Perspective, 9(25), 121-146.
(in Persian)
Zare, H. (2021). Political Uncertainty and Stock Market Fluctuations in Iran: With Consideration of International Political Changes. Journal of Development and Capital, 6(1), 123-145. (in Persian)
Zhang, D., Hu, M. & Ji, Q. (2020).Financial markets under the global pandemic of COVID-19. Finance research letters, 36, 101528.
تحقیقات مالی
دوره 27، شماره 3
1404
صفحه 531-565

فایل ها

هم رسانی

ارجاع به این مقاله

آمار