هدف این مطالعه، بررسی پیش بینی شوک منفی قیمت سهام مبتنی بر رویکرد فراابتکاری می باشد. در این پژوهش براساس داده های مرتبط با 96 نسبت مالی 140 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 9 ساله بین سال های 97-1389 اقدام به پیش بینی شوک منفی قیمت سهام مبتنی بر رویکرد فراابتکاری نموده ایم. در این تحقیق به منظور استخراج نسبت های مالی بهینه، از الگوریتم های ژنتیک و بهینه‌سازی ازدحام ذرات استفاده شده که در نهایت 8 نسبت مالی اثرگذار برای پیش بینی شوک ها(موقت و دائم) و تعداد آنها در طی یک سال انتخاب شدند. در ادامه مدل پیشنهادی با استفاده از این ویژگی های موثر استخراج شده، توسط ماشین بردار پشتیبان با هسته شعاعی و شبکه عصبی مصنوعی آزمون شده است. نتایج حاکی از آن بود که متغیرهای استخراجی از الگوریتم بهینه‌سازی ازدحام ذرات، به همراه الگوریتم یادگیری ماشین بردار پشتیبان، نتیجه بهتری را برای پیش بینی شوک ها(موقت و دائم) و تعداد آنها دارا هستند. Manuscript profile

In a volatile economic environment, financial decision making is always associated with risk. Bankruptcy, as one of the most important risks, has a significant impact on the interests of the firm's stakeholders, so presenting appropriate bankruptcy forecasting patterns is of the utmost importance. In this study, after reviewing the theoretical literature and selecting the financial ratios used in previous bankruptcy prediction models as the variable input of the initial model, the financial ratios were adjusted based on the price index and then, using the LARS algorithm, the ratios that have the highest ability to differentiate between bankrupt and non-bankrupt firms were identified, and finally, using the SVM and Naive Bayesian algorithms, the final bankruptcy prediction model was developed. For this purpose, the data of 50 companies listed in Tehran Stock Exchange who had experienced bankruptcy for at least one year from 2008 to 2018 under Article 141 of the Commercial Code were used. The results show that the adjusted financial ratios based on the price index in the model presented by SVM algorithm can be a very good predictor for bankruptcy of companies with an accuracy of 99.4%. Manuscript profile

The purpose of this research is to investigate the prediction of corporate social responsibility reporting using financial ratios. To answer the research question, four prediction models of linear regression, K Nearest Neighbor, decision tree, and deep learning were investigated. Also, 61 financial ratios were used according to previous research using data related to listed and non-listed companies of Iran from the years 2012 to 2018. According to the re-sults obtained from the estimation of each of the proposed prediction mod-els, it can be stated that the k-nearest neighbor model has the lowest RMSE value, and in fact, this model predicts the amount of social responsibility with less error than other models. The linear regression model with the high-est RMSE value has a weaker performance than other models. LSTM model and decision tree respectively had the lowest RMSE value after the k-nearest neighbor model. As a result, since the LSTM model requires a large number of test sam-ples for deeper learning, it could not achieve high performance in the evaluated data set. Based on the investigations, it can be stated that the current research does not have a similar example inside or outside of Iran. Manuscript profile

The present research aimed to identify and analyze effective drivers in the future of crypto fintechs using a fuzzy approach. The research was applied in terms of purpose and had a quantitative methodology. The theoretical population consisted of financial experts in fintechs and blockchain technology. Judgmental sampling was performed based on the expert's expertise. A sample size of 10 was studied. Two quantitative techniques, fuzzy Delphi and DEMATEL, were utilized in the study, and the expert and effect assessment questionnaires, which had desired validity and reliability, were used to collect data. The research had three stages; first, 22 drivers were obtained using the literature review and interviews with experts. Second, the drivers were screened by distributing expert assessment questionnaires and the fuzzy Delphi method. Third, 10 drivers were selected for the final analysis due to the suitable deffuzification number. Such drivers were evaluated by distributing effect assessment questionnaires and the fuzzy DEMATEL technique. The drivers of national regulatory policies, the development of national RegTechs, and the development of smart contracts in the financial industry respectively had the highest net effects. Practical suggestions were extracted based on prior drivers and interviews with focus groups. Manuscript profile

چکیدهیکی از موضوعات اثبات شده در علم روانشناسی، تأثیرگذاری احساسات افراد بر فرآیند تصمیم گیری و قضاوت آنان درخصوص رویدادهای آتی است. به گونه ای که هرگاه افراد دارای احساسات مثبت باشند دست به انتخاب های خوش بینانه و هنگامی که دارای احساسات منفی باشند اقدام به انتخاب های بدبینانه می نمایند. لذا گرایش های احساسی سرمایه گذاران بیانگر حاشیه میزان خوش بینی و بدبینی سهامداران نسبت به یک سهم می باشد.هدف از انجام این پژوهش بکارگیری نسبت های مالی جهت پیش بینی گرایش های احساسی سرمایه گذاران است. برای پاسخ به سوالات پژوهش از داده های مربوط به 97 نسبت مالی متعلق به 176 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1385 تا 1397استفاده شده است. به منظور استخراج نسبت های مالی تأثیرگذار از روش الگوریتم تحلیل مؤلفه همسایگی بهره گرفته شده که در نهایت منجر به انتخاب 7 نسبت گشته است. برای سنجش گرایش های احساسی سرمایه گذاران از 4 شاخص قدرت نسبی، خط روان شناسانه، حجم معاملات و نرخ تعدیل گردش سهام بهره گرفته شده که در نهایت به کمک روش تجزیه و تحلیل مولفه های اساسی اقدام به ترکیب این شاخص ها نموده ایم.نتایج حاکی از آن بوده است که نسبت های درصد تغییرات فروش، سود خالص به دارایی و نسبت تغییرات موجودی به تغییرات فروش تاثیر مثبت و معناداری بر احساسات سرمایه گذاران دارد. Manuscript profile

چکیدهبراساس تحقیقات بازار سرمایه، شوک منفی قیمت سهام در هر بازار تابع عوامل محیطی و ویژگی‌های خاص شرکتی بوده و هر بینشی درمورد چگونگی تشریح و پیش‌بینی شوک، می‌تواند بر تصمیمات سرمایه‌گذاران و فعالان حاضر در بورس اثرگذار باشد. در این پژوهش بر اساس داده‌های مرتبط با 140 شرکت‌ها اقدام به پیش‌بینی شوک قیمتی سهام با تأکید بر نسبتهای مالی شده است. به‌منظور انتخاب متغیرهای بهینه از مجموعه 96 متغیر، از دو الگوریتم تکاملی بهینه‌سازی ازدحام ذرات و الگوریتم ژنتیک استفاده‌شده است. پس از به‌کارگیری الگوریتمهای ذکرشده درنهایت 8 متغیر تأثیرگذار بر شوکهای دائم و موقت استخراج گردید که در مدل رگرسیونی باقیمانده مستحکم در تحقیق تأثیر آنها بر متغیر پیشبینی شونده شوک بررسی گردید. نتایج حاصل از RSME مدلهای بررسی‌شده بهترتیب برای شوک دائم (الگوریتم ژنتیک)، شوک دائم (الگوریتم تکاملی بهینه‌سازی ازدحام ذرات)، شوک موقت (الگوریتم ژنتیک) و شوک موقت (الگوریتم تکاملی بهینه‌سازی ازدحام ذرات)، 5.8433، 5.6284، 7.537 و 7.295 میباشد. همان‌طور که مشاهده میشود RSME در شوک دائم براساس الگوریتم ژنتیک، بیشتر از RSME مدل شوک دائم براساس الگوریتم تکاملی بهینه‌سازی ازدحام ذرات میباشد. همچنین در مدل شوک موقت براساس الگوریتم ژنتیک RSME مدل، بیشتر از RSME مدل شوک موقت براساس الگوریتم تکاملی بهینه‌سازی ازدحام ذرات میباشد. بنابراین می‌توان بیان نمود که رگرسیون برآورد شده بر اساس متغیرهای انتخابی از الگوریتم تکاملی بهینه‌سازی ازدحام ذرات دارای RSME پایین‌تر بوده و قدرت پیش‌بینی‌کنندگی بهتری نسبت به متغیرهای انتخابی از الگوریتم ژنتیک دار Manuscript profile

گرایش های احساسی سرمایه گذاران بیانگر حاشیه میزان خوش بینی و بدبینی سهامداران نسبت به یک سهم می باشد. احساسات سرمایه گذاران تحت تاثیر پدیده های روانشناختی، به رفتار افراد جهت می بخشند و در بسیاری از مواقع، موجب انحراف افراد از رفتار عقلایی می شوند. هدف از انجام این پژوهش، بکارگیری روش های فراابتکاری جهت پیش بینی گرایش های احساسی سرمایه گذاران است. در این پژوهش با استفاده از 97 نسبت مالی مربوط به176 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1385 تا1397، اقدام به پیش بینی گرایش های احساسی سرمایه گذاران با استفاده از تکنیک های ماشین بردار پشتیبان (SVM) و درخت تصمیم (DT) شده است. برای سنجش گرایش احساسی سرمایه گذاران از 4 شاخص قدرت نسبی، خط روان شناسانه، حجم معاملات و نرخ تعدیل گردش سهام بهره گرفته شده که در نهایت به کمک روش تجزیه و تحلیل مولفه های اساسی (PCA) اقدام به ترکیب این شاخص ها نموده ایم. جهت مقایسه روش های پیش بینی، از مقادیر میانگین مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) استفاده شده است. نتایج حاصل از تحلیل داده ها بیانگر آن است که خطای پیش بینی روش ماشین بردار پشتیبان در مقایسه با درخت تصمیم کمتر است. Manuscript profile