بررسی و تحلیل ساختار وابستگی بین بازارهای مالی در زمان رکود و رونق به طور گسترده مورد تأکید نظریه‌پردازان و پژوهشگران حوزه‌های مختلف قرارگرفته است. در این پژوهش‌ها مدل‌های مختلفی برای توضیح همبستگی در بازارهای مالی به وجود آمده‌اند. در این بین توابع کاپولا با توجه به توانایی بالایی که در شناسایی ساختار وابستگی نامتقارن دارد، بیشترین توجه را به خود جلب نموده است. در این پژوهش با استفاده از مدل‌های واریانس ناهمسانی شرطی (GARCH) و رویکرد مارکوف سویچینگ و توابع کاپولا به بررسی ساختار وابستگی در بازارهای مالی 4 کشور ایران، امارات، ترکیه و چین در دوران رونق و رکود در دوره 2011 تا 2017 پرداخته ‌شده است. نتایج تحقیق نشان‌دهنده وجود ساختار وابستگی نامتقارن در رژیم‌های رونق و رکود است، به‌نحوی‌که در دوران رکود ساختار وابستگی بین این بازارها با بازار ایران شدیدتر از دوران رونق است. Manuscript profile

با توجه به اهمیت صندوق‌های قابل معامله و پیشرفت آنها در بازارهای مالی، بررسی و رتبه‌بندی آنها بر اساس رویکردی فراتر از مقایسه بازدهی حائز اهمیت است. همچنین با توجه به اینکه دنباله‌های توزیع پهن در داده‌های مالی اهمیت خاصی در اندازه‌گیری ریسک‌های مالی دارد، در این تحقیق با درنظر گرفتن معیار ریسک و رویکرد ارزش در معرض ریسک بر اساس نظریه ارزش فرین و نسبت شارپ تعدیل شده به رتبه‌بندی صندوق‌های قابل معامله پرداخته شده است. برای بررسی کفایت دقت مدل‌های بکار گرفته شده، آزمون‌های نسبت شکست‌های کوپیک، کریستوفرسن را به کار برده‌ایم. به منظور بررسی این هدف، نمونه آماری شامل صندوق‌های ETF که در دوره شهریورماه 1393 تا شهریورماه 1396 در بازار سرمایه فعالیت داشته درنظر گرفته شد. نتایج بررسی نشان‌دهنده توانایی مناسب مدل‌های ارزش در معرض ریسک بر اساس رویکرد GARCH-EVT جهت ارزیابی ریسک این صندوق‌ها است. Manuscript profile

پیش بینی سریهای زمانی بازارهای مالی مسئله ای چالش برانگیز در حوزه مطالعات تخصصی سری های زمانی محسوب میشود و نظر بسیاری از پژوهشگران را به خود جلب نموده است. این موضوع با توجه به حضور کلان داده‌ها موجب رشد تحولات در زمینه مدل‌های یادگیری ماشین شده است. با توجه به اهمیت این موضوع، در این پژوهش، با بهره‌‌گیری از مقایسه مدل‌های مختلف یادگیری ماشین از قبیل رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به بررسی توانایی مدل های مختلف یادگیری ماشین در پیش‌بینی شاخص کل بورس اوراق بهادار تهران در طی دوره ی 1392 تا 1399 پرداخته شده است. نتایج پیش بینی دوره‌های 1، 3 و 6 روزه برای دوره خارج از نمونه نشان می‌دهد که روش‌ یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه‌مدت (LSTM) در مقایسه با سایر مدل‌های مورد بررسی نتیجه بهتری داشته است. Manuscript profile