تحقیقات مالی

تحقیقات مالی

مدل‌سازی و پیش‌‌بینی بازده عرضۀ اولیۀ سهام با استفاده از الگوریتم‌‌های یادگیری ماشین تقویت گرادیان

نوع مقاله : مقاله علمی پژوهشی

نویسندگان
فاطمه مالمیر 1
فرشید خیراللهی 2
حسین یاراحمدی 3
فرید صفتی 4
1 دانشجوی دکتری، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران.
2 استادیار، گروه حسابداری، دانشکدۀ اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران.
3 استادیار، گروه مهندسی کامپیوتر، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران.
4 استادیار، گروه حسابداری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران.
10.22059/frj.2025.400625.1007779
چکیده
هدف: این پژوهش با هدف توسعۀ مدلی نوین مبتنی بر الگوریتم تقویت گرادیان و معماری ترانسفورمر برای پیش‌بینی دقیق نسبت‌های ارزش‌گذاری شرکت‌ها در زمان عرضۀ اولیه سهام در بازار ایران انجام شده است. برخلاف رویکردهای سنتی که بر بازده روز اول تمرکز دارند، این پژوهش قیمت‌گذاری نسبی شرکت‌ها را از طریق سه نسبت کلیدی (ارزش بازار به ارزش دفتری، ارزش شرکت به کل دارایی‌ها و ارزش شرکت به فروش) ارزیابی می‌کند. با توجه به پیچیدگی‌های بازار ایران، شامل نوسان‌های شدید اقتصادی، تورم مزمن، تحریم‌های اقتصادی و محدودیت‌های نظارتی، این پژوهش برای سرمایه‌گذاران، پذیره‌نویسان و نهادهای نظارتی، ابزاری کارآمد به‌منظور تصمیم‌گیری آگاهانه‌تر ارائه می‌دهد.
روش: این مطالعه با رویکرد کمّی ـ کاربردی و با استفاده از داده‌های 163 شرکت (42 بورسی و 121 فرابورسی) در بازۀ 1392 تا 1402 انجام شد. این دوره شامل شرایط اقتصادی متنوع از جمله تحریم‌های شدید، نوسان‌های ارزی، رکود و رونق اقتصادی است. متغیرهای مستقل شامل ویژگی‌های مالی شرکت‌ها (اندازه، نسبت بدهی، سودآوری، بازده دارایی‌ها، حاشیۀ سود، نسبت جریان نقدی، اهرم مالی و میانگین موزون هزینۀ سرمایه) و متغیرهای کلان اقتصادی (نرخ تورم، شاخص کل بورس، شاخص تحریم، نرخ ارز و نرخ بهره) بودند. معماری پیشنهادی، ترکیبی از الگوریتم‌های درختی تقویت گرادیان، شبکه‌های حافظۀ طولانی ـ کوتاه‌مدت و سازوکار‌های خودتوجهی است که از طریق جست‌وجوی خودکار معماری بهینه‌سازی شد. پارامترهای بهینه عبارت‌اند از: میزان یادگیری 001/0 و ‌صدوپنجاه درخت تصمیم، چهار گام زمانی و سه لایۀ خودتوجهی. مدل با روش‌های سنتی (رگرسیون خطی) و پیشرفته (الگوریتم‌های تقویت گرادیان استاندارد، جنگل تصادفی و شبکه‌های عصبی بازگشتی) مقایسه و از طریق روش اعتبارسنجی متقابل ده‌تایی و بوت‌استرپ، اعتبارسنجی شد.
یافته‌ها: نتایج پژوهش برتری قاطع مدل پیشنهادی را در پیش‌بینی هر سه نسبت ارزش‌گذاری نشان داد. برای نسبت ارزش بازار به ارزش دفتری، مدل توسعه‌یافته با ضریب تعیین 853/0 و ریشۀ میانگین مربعات خطای 497/0، نسبت به رگرسیون خطی (ضریب تعیین 534/0)، به بهبود 60 درصدی در دقت پیش‌بینی دست یافت. در پیش‌بینی نسبت ارزش شرکت به کل دارایی‌ها، ضریب تعیین 865/0 و کاهش 69 درصدی میانگین مربعات خطا (از 152/0 به 047/0) به‌دست آمد. برای نسبت ارزش شرکت به فروش نیز با ضریب تعیین 846/0، بهبود 67 درصدی در دقت نسبت به روش‌های سنتی مشاهده شد. سایر مدل‌های پیشرفته نیز عملکرد درخور توجهی داشتند؛ اما به سطح مدل پیشنهادی نرسیدند. آزمون‌های اعتبارسنجی متقابل، پایداری بسیار خوب مدل را با انحراف معیار بسیار پایین (در حدود 01/0) تأیید کرد که نشان‌دهندۀ قابلیت تعمیم‌پذیری و اعتماد‌پذیری مدل در شرایط مختلف است. تحلیل اهمیت متغیرها نشان داد که میزان تورم با میانگین اهمیت 19/0، به‌عنوان دومین عامل مهم در تمامی مدل‌ها عمل می‌کند که بیانگر تأثیر عمیق شرایط اقتصادی کلان بر ارزش‌گذاری شرکت‌ها در بازار ایران است. بازده دارایی‌ها با اهمیت 21/0 برای نسبت ارزش بازار به ارزش دفتری، حاشیۀ سود با اهمیت 225/0 برای نسبت ارزش شرکت به فروش و نسبت جریان نقدی به دارایی‌ها با اهمیت 2/0 برای نسبت ارزش شرکت به دارایی‌ها، به‌عنوان مهم‌ترین شاخص‌های عملکرد مالی شناسایی شدند.
نتیجه‌گیری: یافته‌ها بر اهمیت به‌کارگیری تکنیک‌های نوین یادگیری ماشین در پیش‌بینی نسبت‌های ارزش‌گذاری عرضه‌های اولیه تأکید دارد. مدل توسعه‌یافته با کاهش 60 تا 69 درصدی خطای پیش‌بینی، ابزاری پیشرفته برای پذیره‌نویسان، سرمایه‌گذاران و مدیران سرمایه فراهم می‌آورد تا ریسک کم‌ارزش‌گذاری یا بیش‌ارزش‌گذاری را کاهش دهند. شناسایی نقش محوری نرخ تورم نشان‌دهندۀ حساسیت بسیار زیاد ارزش‌گذاری‌ها به شرایط کلان اقتصادی در بازار ایران است. این پژوهش در سه حوزۀ کلیدی مشارکت دارد: معرفی معماری نوین ترکیبی، ارائه چارچوب جامع اعتبارسنجی و شناسایی تفاوت‌های اهمیت متغیرها برای نسبت‌های مختلف ارزش‌گذاری در شرایط اقتصادی ناپایدار.
کلیدواژه‌ها
پیش‌بینی
عرضۀ اولیه سهام
الگوریتم تقویت گرادیان
یادگیری ماشین
بازار سرمایۀ ایران.
موضوعات

عنوان مقاله English

Modeling and Predicting Initial Public Offering Returns Using Gradient Boosting Machine Learning Algorithms

نویسندگان English

Fatemeh Malmir 1
Farshid Kheirollahi 2
Hossein Yarahmadi 3
Farid Sefaty 4
1 Ph.D. Candidate, Department of Accounting, Bo.C., Islamic Azad University, Borujerd, Iran.
2 Assistant Prof., Department of Accounting, Faculty Economic and Accounting, Razi University, Kermanshah, Iran.
3 Assistant Prof., Department of Computer Engineering, Bo.C., Islamic Azad University, Borujerd, Iran,
4 Assistant Prof., Department of Accounting, Bo.C., Islamic Azad University, Borujerd, Iran.
چکیده English

Objective
This research aims to develop a novel model based on the Gradient Boosting algorithm and Transformer architecture for accurately predicting corporate valuation ratios at the time of an Initial Public Offering (IPO) in the Iranian market. Contrary to traditional approaches focusing on first-day returns, this study evaluates the relative pricing of companies through three key ratios: Price-to-Book Value (P/B), Enterprise Value-to-Total Assets (EV/TA), and Enterprise Value-to-Sales (EV/S). Given the complexities of the Iranian market, including severe economic volatility, chronic inflation, economic sanctions, and regulatory restrictions, this research provides an efficient tool for investors, underwriters, and regulatory bodies to make more informed decisions.

Methods
This quantitative applied study analyzes data from 163 companies, including 42 firms listed on the Tehran Stock Exchange and 121 firms traded on the over-the-counter market (Farabourse), covering the period from 2013 to 2023 (1392–1402 in the Iranian calendar). This period encompasses diverse economic conditions, including severe sanctions, currency fluctuations, recession, and economic booms. Independent variables included firm-specific financial features (size, debt ratio, profitability, return on assets, profit margin, cash flow ratio, financial leverage, and weighted average cost of capital) and macroeconomic variables (inflation rate, main stock market index, sanctions index, exchange rate, and interest rate). The proposed architecture is a hybrid of Gradient Boosting Decision Trees, Long Short-Term Memory (LSTM) networks, and self-attention mechanisms, optimized through an Automated Machine Learning (AutoML) architecture search. The optimal model configuration consisted of a learning rate of 0.001, 150 decision trees, four time steps, and three self-attention layers. The proposed model was compared with traditional methods (i.e., linear regression) and advanced approaches, including standard gradient boosting algorithms, random forests, and recurrent neural networks. Model performance was evaluated using ten-fold cross-validation and bootstrapping.

Results
The results demonstrated the decisive superiority of the proposed model in predicting all three valuation ratios. For the Price-to-Book Value ratio, the developed model achieved an R2 of 0.853 and a Root Mean Square Error (RMSE) of 0.497, representing a 60% improvement in prediction accuracy compared to Linear Regression (R2 of 0.534). In predicting the Enterprise Value-to-Total Assets (EV/TA) ratio, the model achieved an R² of 0.865 and reduced the Mean Squared Error (MSE) by 69%, from 0.152 to 0.047. For the Enterprise Value-to-Sales ratio, an R2 of 0.846 was achieved, showing a 67% improvement in accuracy over traditional methods. Other advanced models also performed acceptably but did not reach the level of the proposed model. Cross-validation tests confirmed the model's high stability with a very low standard deviation (around 0.01), indicating its generalizability and reliability under various conditions. Variable importance analysis revealed that the inflation rate acts as the second most important factor across all models, with an average importance of 0.19, indicating the profound impact of macroeconomic conditions on corporate valuation in the Iranian market. Return on Assets (ROA) was identified as the most influential financial performance indicator for the P/B ratio (0.210), Profit Margin for the EV/S ratio (0.225), and Cash Flow-to-Assets Ratio for the EV/TA ratio (0.2).

Conclusion
The findings emphasize the importance of employing novel machine learning techniques in predicting IPO valuation ratios. The developed model, by reducing prediction error by 60% to 69%, provides an advanced tool for underwriters, investors, and fund managers to mitigate the risk of undervaluation or overvaluation. The identification of the pivotal role of the inflation rate highlights the high sensitivity of valuations to macroeconomic conditions in the Iranian market. This research contributes to three key areas: introducing a novel hybrid architecture, providing a comprehensive validation framework, and identifying the differential importance of variables for various valuation ratios under unstable economic conditions.

کلیدواژه‌ها English

Prediction
Initial Public Offering (IPO)
Gradient boosting algorithm
Machine learning
Iranian capital market
منابع
آقایی، مجید (1404). تحلیل تجربی رفتار توده‌وار سرمایه‌گذاران در بازار سهام: شواهدی از شرایط مختلف اقتصادی و اجتماعی در ایران. مدیریت دارایی و تأمین مالی، 13(3)، 29-56.
افشاری راد، الهام؛ علوی، سیدعنایت‌اله و سینایی، سحنعلی (1397). مدلی هوشمند برای پیش‌بینی روند سهام با استفاده از روش‌های تحلیل تکنیکال. تحقیقات مالی، 20(2)، 249- 264.
باطنی، لیلا؛ پورزمانی، زهرا و رهنمای رودپشتی، فریدون (1392). بررسی اثر نقدشوندگی بازار ثانویه بر قیمت عرضه اولیه بورس اوراق بهادار تهران. مدیریت دارایی و تأمین مالی، 1(1)، 63-74.
حسینی، سید حسین؛ ابراهیمی سرو علیا، محمدحسن؛ امیری، میثم و پیمانی فروشانی، مسلم (1402). چارچوب نظارت بر مدیریت ریسک نقدینگی صندوق‌های سرمایه‌گذاری مشترک. مدیریت دارایی و تأمین مالی، 11(1)، 53-76.  
حیدری هراتمه، مصطفی و ابراهیمی، بهنام (1402). بررسی تأثیر عرضه عمومی و اولیه سهام (IPO) بر عملکرد مالی شرکت‌ها. پژوهش‌های نوین در ارزیابی عملکرد، 2(4)، 240-252.  
حیدری، مهدی و 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.  
خاتمی، سیدمحمدرضا؛ زمردیان، غلامرضا؛ فلاح شمس لیالستانی، میرفیض و مینوئی، مهرزاد (1401). بررسی ساختار وابستگی بازار سهام ایران و کشورهای حوزه منطقه منا. اقتصاد مالی، 16(61)، 273-310.
رضاییان، شیوا؛ طالقانی، محمد و شرج شریفی، آزیتا (1403). توسعه مدل جامع جهت پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با رویکرد مدلسازی ساختاری تفسیری. مدیریت دارایی و تأمین مالی، 12(2)، 39-58.
سعیدی اقدم، مهران؛ صادقی، احمد؛ بحیرایی، علیرضا و حاجی‌اصغری، سید یوسف (1401). ارائه مدل پیش‌بینی قیمت سهام با استفاده از الگوریتم‌های یادگیری عمیق و کاربرد آن در قیمت‌گذاری سهام بانک‌های اسلامی. نشریه اقتصاد و بانکداری اسلامی، 11(41)، 117-134.
شجاعی، مرضیه؛ عبدالباقی ‌عطاآبادی، عبدالمجید و شیروانی، علیرضا (1399). بررسی تأثیر نوسانات غیر سیستماتیک بر قیمت‌گذاری نادرست: شواهدی از شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. نشریه پژوهش‌های حسابداری مالی، 12(4)، 79-100.
طاهری هفت آسیایی، رضا و نادری، آمنه (1403). پیش‌بینی سود هر سهم و مدیریت واقعی سود با استفاده از اندازه‌گیری بهینه دارایی‌های عملیاتی. حسابداری و بودجه‌ریزی بخش عمومی، 5(4)، 138-164.
عابدیان، نیلوفر و موسوی، سیدرامین (1403). بانکداری در شرایط تحریم. نشریه علمی رویکردهای پژوهشی نوین مدیریت و حسابداری، 8(30)، 443-459.
عباس حسن، سحر؛ پیری، پرویز و چالاکی، پری (1404). ارائۀ الگوی بهینۀ تصمیم‌گیری سرمایه‌گذاران با به‌کارگیری هوش مصنوعی و با تأکید بر شفافیت گزارشگری مالی. مدیریت دارایی و تأمین مالی، 12(4)، 1- 22.
عباسی، ابراهیم و مارزلو، وحید (1390). بررسی تأثیر سهام شناور آزاد بر شاخص‌های نقدشوندگی در بورس تهران. نشریه پژوهش‌های حسابداری و مالی، 3(3)، 147- 161.
عباسیان، عزت‌اله؛ شهرکی، کاوه؛ فلاح‌پور، سعید و نمکی، علی (1402). رویکردی نوین در پیش‌بینی درماندگی مالی با به‌کارگیری اطلاعات مبتنی‌بر شبکه مالی و روش ترکیبی درخت تصمیم تقویت‌گرادیان. مدیریت دارایی و تأمین مالی، 11(3)، 113-140.  
کامیابی، یحیی و بوربوری، فاطمه (1395). مخاطرات اخلاقی و عدم تقارن اطلاعاتی در قیمت‌گذاری کمتر از حد عرضه‌های اولیه عمومی سهام. حسابداری و منافع اجتماعی، 6(1)، 21-42.
لشگرآراء، سهیلا؛ خدادادی، ولی؛ مظاهری، اسماعیل و آیتی مهر، محمد (1402). سنجش ریسک سقوط قیمت سهام و هم‌سویی آن با حباب‌های قیمتی مبتنی بر ساختار قیمت‌گذاری منطقی سهام. نشریه پژوهش‌های حسابداری مالی، 15(3)، 1-28.
نادری، شیرزاد و اسپوکه، جلال (1395). شناسایی عوامل مؤثر بر عرضه زیر قیمت سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 9(31)، 97-110.
نجفی، سارا؛ بهرامی، رضا و حسینی، نرگس (1403). تحلیل احساسات و تأثیر آن بر نوسانات بازار سهام: بهره‌گیری از تکنیک‌های پردازش زبان طبیعی. حسابداری، امور مالی و هوش محاسباتی، 1(1)، 13-27.
نصیری اقدم، علی؛ جعفری شهرستانی، علی؛ غلامی، الهام و پیروز راهی، زینب (1403). درس‌هایی از خصوصی‌سازی شرکت‌های دولتی در ایران: مطالعه موردی شرکت‌های قطارهای مسافربری، ایران ایرتور، کشت و صنعت هفت تپه و آلومینیوم المهدی. مجلس و راهبرد، 31(118)، 5-45.
نیک‌پی پسیان، وحید؛ رضازاده، علی؛ احمدی‌نژاد، حسین و احمدوند، شکوفه (1402). بررسی رابطۀ علیت بین عرضه اولیۀ سهام و عوامل کلان اقتصادی. مدیریت دارایی و تأمین مالی، 11(2)، 35-52.
هیبتی، فرشاد و مرادی، زهرا (1389). قیمت‌گذاری سهام در عرضه اولیه در بورس اوراق بهادار تهران. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 3(6)، 19-48.
وقفی، سیدحسام؛ صدیقی، جیران؛ پرندین، کاوه و حسینی عقدایی، سمیه (1404). نقش ساختار مالکیت سهام در تعدیل ارتباط هم‌زمانی قیمت سهام و قیمت‌گذاری نادرست. دانش حسابداری و حسابرسی مدیریت، 14(55)، 177-192.
 
References
Abbas Hasan, S., Piri, P. & Chalaki, P. (2025). Designing an optimal decision-making model for investors: Integrating artificial intelligence and financial reporting transparency. Journal of Asset Management and Financing, 12(4), 1-22. https://doi.org/10.22108/amf.2025.143308.1934 (in Persian)
Abbasi, E. & Marezloo, V. (2011). Survey on the Influence of Free Float Stock on Liquidity Indices in Tehran Stock Exchange. Financial Accounting Research, 3(3), 147-161.
(in Persian)
Abbasian, E., Shahraki, K., Fallahpour, S. & Namaki, A. (2023). A novel approach to predicting financial distress by using financial network-based information and the integrated method of gradient boosting decision tree. Journal of Asset Management and Financing, 11(3), 113-140. https://doi.org/10.22108/amf.2023.138909.1818 (in Persian)
Abedian, N. & Mousavi, S. R. (2024). Banking under sanctions. Scientific Journal of New Research Approaches in Management and Accounting, 8(30), 443–459. (in Persian)
Afsharirad, E., Alavi, S. E. & Sinaei, H. (2018). Developing an Intelligent Model to Predict Stock Trend Using the Technical Analysis. Financial Research Journal, 20(2), 249–264. https://doi.org/10.22059/frj.2018.233763.1006452 (in Persian)
Aghaei, M. (2025). An empirical analysis of herding behavior in the stock market: Evidence from various economic and social conditions in Iran. Journal of Asset Management and Financing, 13(3), 29-56. https://doi.org/10.22108/amf.2025.142503.1913 (in Persian)
Alahmadi, M. (2025). A deep learning-based ensemble framework to predict IPOs performance for sustainable economic development. Sustainability, 17(3), 827. https://doi.org/10.3390/su17030827
Aldana, C. M. & Trigos, F. (2025). A transdisciplinary engineering framework for analysing initial public offerings' financial behaviour. International Journal of Agile Systems and Management, 18(1), 112-132.
Baba, B. & Sevil, G. (2020). Predicting IPO initial returns using random forest. Borsa Istanbul Review, 20(1), 13–23. https://doi.org/10.1016/j.bir.2019.08.001
Baker, M. & Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. The Journal of Finance, 61(4), 1645-1680. https://doi.org/10.1111/j.1540-6261.2006.00885.x
Bateni, L., Poorzamani, Z. & Rahnama Rood Poshti, F. (2013). Investigation of impact of after-market liquidity on IPO price in Tehran Stock Exchange. Journal of Asset Management and Financing, 1(1), 63-74. (in Persian)
Benveniste, L. M. & Spindt, P. A. (1989). How investment bankers determine the offer price and allocation of new issues. Journal of Financial Economics, 24(2), 343-361. https://doi.org/10.1016/0304-405X(89)90051-2
Chen, T. & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785-794). https://doi.org/10.1145/2939672.2939785
Chen, Y., Goyal, A., Veeraraghavan, M. & Zolotoy, L. (2020). Terrorist attacks, investor sentiment, and the pricing of initial public offerings. Journal of Corporate Finance, 65, 101780. https://doi.org/10.1016/j.jcorpfin.2020.101780
Daryaei, A. A., Azizi, P. & Fattahi, Y. (2022). Conservatism and initial public offerings (IPOs) underpricing: An audit quality perspective. Iranian Journal of Finance, 6(4), 125-159. https://doi.org/10.30699/ijf.2022.284931.1230
Derrien, F. & Womack, K. (2003). Auctions vs. book-building and the control of underpricing in hot IPO markets. Review of Financial Studies, 16(1), 31-61. https://doi.org/10.1093/rfs/16.1.31
Drooduin, T. (2023). IPO Underpricing and overpricing and long-term firm performance in the Netherlands, United Kingdom, France, Sweden, and Italy: learning from three Dutch IPOs. Central European Review of Economics and Management (CEREM), 7(4), 109-158.
Duan, Y., Schulman, J., Chen, X., Bartlett, P. L., Stiennon, N. & Amodei, D. (2016). Fast reinforcement learning via slow reinforcement learning. arXiv. https://doi.org/10.48550/arXiv.1611.02779
Engelen, P.-J. & van Essen, M. (2010). Underpricing of IPOs: Firm-, issue- and country-specific characteristics. Journal of Banking & Finance, 34(8), 1958-1969. https://doi.org/10.1016/j.jbankfin.2010.01.002
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. https://doi.org/10.2307/2325486
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189-1232. https://doi.org/10.1214/aos/1013203451
Füllbrunn, S., Neugebauer, T. & Nicklisch, A. (2014). Underpricing of initial public offerings in experimental asset markets. NiCE Working Paper 14-107. Radboud University Nijmegen, The Netherlands. https://doi.org/10.1007/s10683-019-09638-7
Gan, L., Wang, H. & Yang, Z. (2020). Machine learning solutions to challenges in finance: An application to the pricing of financial products. Technological Forecasting and Social Change, 153, 119928. https://doi.org/10.1016/j.techfore.2020.119928
Geertsema, P. & Lu, H. (2022). Relative valuation with machine learning. Journal of Accounting Research, 61(1), 329-376. https://doi.org/10.1111/1475-679X.12464
Ghafari, A., Arabzadeh, M., Safari Gerayli, M., Jabbary, H. & Rezaei Pitenoei, Y. (2023). Corporate integrity and information asymmetry: Evidence from Iran. Iranian Journal of Finance, 7(4), 90-119. https://doi.org/10.61186/ijf.2023.369566.1381
Ghallabi, F., Souissi, B., Du, A. M. & Ali, S. (2025). ESG stock markets and clean energy prices prediction: Insights from advanced machine learning. International Review of Financial Analysis, 97(1), 103889. https://doi.org/10.1016/j.irfa.2024.103889
Ghasseminejad, S. & Jahan-Parvar, M. R. (2021). The impact of financial sanctions: The case of Iran. Journal of Policy Modeling, 43(1), Article 10.1016/j.jpolmod.2021.03.001. https://doi.org/10.1016/j.jpolmod.2021.03.001
Gupta, V., & Kumar, E. (2023). H3O-LGBM: hybrid Harris hawk optimization based light gradient boosting machine model for real-time trading. Artificial Intelligence Review, 56(8), 8697-8720.
Heidari Haratemeh, M. & Ebrahimi, B. (2024). Investigating the impact of IPO on the financial performance of companies. Modern Research in Performance Evaluation, 2(4), 240-252. https://doi.org/10.22105/mrpe.2024.451424.1096 (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. https://doi.org/10.22059/frj.2022.320064.1007149
(in Persian)
Heybati, F. & Moradi, Z. (2010). Initial public offering pricing in Tehran Stock Exchange. Financial Knowledge of Securities Analysis, 3(6), 19-48. https://sid.ir/paper/200375/fa
(in Persian)
Heydarian, S., Pahlavani, M. & Mirjalili, S. H. (2025). Financial sanction, exchange rate volatility and macroeconomic variables (Case of Iran). Iranian Journal of Finance, 9(2), 70-106. https://doi.org/10.61186/ijf.2025.462663.1476
Hosseini, S. H., Ebrahimi Sarv Oliya, M. H., Amiri, M. & Peymanifurushani, M. (2023). Liquidity risk management framework of mutual funds. Journal of Asset Management and Financing, 11(1), 53-76. https://doi.org/10.22108/amf.2023.133686.1744
(in Persian)
Huma, Z. & Nishat, A. (2024). Optimizing stock price prediction with LightGBM and engineered features. Pioneer Research Journal of Computing Science, 1(1), 59–67. Retrieved from https://prjcs.com/index.php/prjcs/article/view/17
Ibbotson, R. G. (1975). Price performance of common stock new issues. Journal of Financial Economics, 2(3), 235-272. https://doi.org/10.1016/0304-405X(75)90015-X
Ibbotson, R. G., Sindelar, J. L. & Ritter, J. (1994). The market's problems with the pricing of initial public offerings. Journal of Applied Corporate Finance, 7(1), 66-74. https://doi.org/10.1111/j.1745-6622.1994.tb00395.x
Jamaani, F. & Alidarous, M. (2019). Review of theoretical explanations of IPO underpricing. Journal of Accounting Business and Finance Research, 6(1), 1-18. https://doi.org/10.20448/2002.61.1.18
Kamyabi, Y. & Borbori, F. (2016). Moral hazard and asymmetric information in IPO underpricing. Journal of Accounting and Social Interests, 6(1), 21-42. https://doi.org/10.22051/ijar.2016.236 (in Persian)
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS '17) (pp. 3149-3157). https://doi.org/10.1109/NIPS.2017.24436
Khadivi, H., Bahri Sales, J., Jabbarzadeh Kangarluyi, S. & Zavarirezaei, A. (2022). Investigating the impact of the devaluation of national currency and macroeconomic indicators considering the political effects of sanctions on stock prices. International Journal of Nonlinear Analysis and Applications, 13(2), 1089-1103. https://doi.org/10.22075/ijnaa.2021.23849.2624
Khan, A. A., Chaudhari, O. & Chandra, R. (2024). A review of ensemble learning and data augmentation models for class imbalanced problems: Combination, implementation and evaluation. Expert Systems with Applications, 244, 122778. https://doi.org/10.1016/j.eswa.2023.122778
Khatami, S.M.R., Zomorodian, Gh.R., Fallah Shams Layalestani, M.F. & Minouei, M. (2022). Examining the Interdependence Structure of Iran's Stock Market and MENA Countries. Financial Economics, 16(61), 273-310. 10.30495/fed.2023.698852
Lashgarara, S., Khodadadi, V., Mazaheri, E. & Ayati Mehr, M. (2023). Assessing the risk of falling stock prices and its alignment with price bubbles based on the rational stock pricing structure. Financial Accounting Research, 15(3), 1-28. https://doi.org/10.22108/far.2023.138880.1992 (in Persian)
Lee, S. H., Bach, S. & Baik, Y.-S. (2011). The impact of IPOs on the values of directly competing incumbents. Strategic Entrepreneurship Journal, 5(2), 158-177. https://doi.org/10.1002/sej.112
Li, J. & Li, Z. (2025). Mechanisms of corporate digital transformation on asymmetric capital structure adjustment—the mediating role of information asymmetry and financial stability. Heliyon, 11(3), e41745. https://doi.org/10.1016/j.heliyon.2025.e41745
Li, S. (2023). Estimating stock market prices with histogram-based gradient boosting regressor: A case study on Alphabet Inc. International Journal of Advanced Computer Science and Applications, 15(5), 532-544. https://doi.org/10.14569/IJACSA.2024.0150553
Lin, C. Y. & Marques, J. A. (2024). Stock market prediction using artificial intelligence: A systematic review of systematic reviews. Social Sciences & Humanities Open, 9(1), 100864. https://doi.org/10.1016/j.ssaho.2024.100864
Liu, C., Yan, J., Guo, F. & Guo, M. (2022). Forecasting the market with machine learning algorithms: An application of NMC-BERT-LSTM-DQN-X algorithm in quantitative trading. ACM Transactions on Knowledge Discovery from Data, 16(4), 1–22. https://doi.org/10.1145/3488378
López-Cabarcos, M. Á., Pérez-Pico, A. M., Vázquez Rodríguez, P. & López-Pérez, M. L. (2019). Investor sentiment in the theoretical field of behavioural finance. Economic Research-Ekonomska Istraživanja, 33(3), 1-19. https://doi.org/10.1080/1331677X.2018.1559748
Malmir, F., Kheirollahi, F., Yarahmadi, H. & Sefaty, F. (2025). Application of gradient boosting algorithm in predicting relative pricing of initial public offerings: A case study of the Iranian stock exchange. Business, Marketing, and Finance Open, 2(5), 1-21. https://www.bmfopen.com/index.php/bmfopen/article/view/236
Manosuri, A., Momeni, M. & Kazemi Miyangaskary, M. (2026). Integrating Stock Levels into Demand Forecasting and Discount Optimization for Retail. Industrial Management Journal, 18(2), 183-207.
Naderi, Sh. & Espoukeh, J. (2016). Identify factors affecting on under pricing of initial public offering (IPO) shares of listed companies Tehran Stock Exchange. Financial Knowledge of Securities Analysis, 31, 97-109. https://sid.ir/paper/200252/fa (in Persian)
Najafi, S., Bahrami, R. & Hosseini, N. (2023). Sentiment analysis and its impact on stock market volatility: Leveraging natural language processing techniques. Accounting, Finance and Computational Intelligence, 1(1), 13-27. https://jafci.com/index.php/jafci/article/view/3 (in Persian)
Nakagawa, K. & Yoshida, K. (2022). Time-series gradient boosting tree for stock price prediction. International Journal of Data Mining, Modelling and Management, 14(2), 110-125. https://doi.org/10.1504/IJDMMM.2022.123357
Nasiri Aghdam, A., Jafari Shahrestani, A., Gholami, E. & Pirooz Rahi, Z. (2024). Lessons from Privatization of State-owned Enterprises in Iran A Case Study of Raja Passenger Train Company, Iran Airtour Airlines, Haft Tappeh Sugarcane Agro-industrial Company and Al Mahdi Aluminum Complex. Majlis and Rahbord, 31(118), 5–45. https://doi.org/10.22034/mr.2023.5407.5162 (in Persian)
Nikpey Pesyan, V., Reza Zadeh, A., Ahmadi Nezhad, H. & Ahmad Vand, S. (2023). Investigating the causal relationship between stocks’ initial public offerings and macroeconomic variables. Journal of Asset Management and Financing, 11(2), 35-52. https://doi.org/10.22108/amf.2023.136359.1779 (in Persian)
Quintana, D., Sáez, Y. & Isasi, P. (2017). Random forest prediction of IPO underpricing. Applied Sciences, 7(6), 636. https://doi.org/10.3390/app7060636
Rezaeyan, S., Taleghani, M. & Sherej Sharifi, A. (2024). Development of a comprehensive model to predict stock prices in the stock market with an interpretive structural modeling approach. Journal of Asset Management and Financing, 12(2), 39-58. https://doi.org/10.22108/amf.2024.138983.1821 (in Persian)
Ross, S. A. (1977). The determination of financial structure: The incentive-signalling approach. The Bell Journal of Economics, 8(1), 23-40. https://doi.org/10.2307/3003485
Roy, S. S., Chopra, R., Lee, K. C., Spampinato, C. & Mohammadi-Ivatlood, B. (2020). Random forest, gradient boosted machines and deep neural network for stock price forecasting: A comparative analysis on South Korean companies. International Journal of Ad Hoc and Ubiquitous Computing, 33(1), 62-71. https://doi.org/10.1504/IJAHUC.2020.104715
Saeidi Aghdam, M., Sadeghi, A., Bahiraie, A. & Haji Asghari, S. Y. (2023). Provide a stock price forecasting model using deep learning algorithms and its use in the pricing of Islamic bank stocks. Islamic Economics & Banking, 11(41), 5. http://mieaoi.ir/article-1-964-fa.html (in Persian)
Schmitt, M. (2022). Deep learning vs. gradient boosting: Benchmarking state-of-the-art machine learning algorithms for credit scoring. arXiv. https://doi.org/10.48550/arXiv.2205.10535
Shojaei, M., Abdolbaghi Ataabadi, A. & Shirvani, A. (2021). Investigating the effect of non – systematic fluctuations on mispricing: Evidence of Companies Listed in Tehran Stock Exchange. Journal of Financial Accounting Research, 12(4), 79-100. (in Persian)
Subasi, A. (2020). Machine learning techniques. In Practical Machine Learning for Data Analysis Using Python (pp. 91-202). https://doi.org/10.1016/B978-0-12-821379-7.00003-5
Taheri Haftasiabi, R. & Naderi, A. (2025). Earnings per share prediction and actual earnings management using optimal valuation of operating assets. Public Sector Accounting and Budgeting, 5(4), 138-164. https://doi.org/10.22034/psab.2025.213907 (in Persian)
Vaghfi, S. H., Sedighe, G., Parandin, K. & Hosseini Aghdaei, S. (2025). The role of ownership structure of stock in moderating the relationship between stock price concurrency and mispricing. Journal of Management Accounting and Auditing Knowledge, 14(55), 177-192. https://www.jmaak.ir/article_23622.html (in Persian)
Vaidynathan, D., Kayal, P. & Maiti, M. (2025). A feature engineering based model architecture for modeling initial public offerings. Applied Soft Computing, 174, 113035.
Vasić, A.S. (2020). The Importance of Initial Public Offering for Capital Market Development in Developing Countries. Economic Themes 58(1), 97-115. DOI:10.2478/ethemes-2020-0006
Zareei, A., Falahi, M. A. & Maleksadati, S. S. (2024). The impact of international sanctions on Iran's economy with an emphasis on the role of the National Development Fund: DSGE model approach. The Journal of Economic Policy, 16(31), 35-80. https://doi.org/10.22034/epj.2024.20548.2483
Zhang, J., Cai, K. & Wen, J. (2024). A survey of deep learning applications in cryptocurrency. iScience, 27(1), 108509. https://doi.org/10.1016/j.isci.2023.108509
تحقیقات مالی
دوره 28، شماره 3
1405
صفحه 885-932