طی دهه اخیر مطالعات در مورد بررسی عوامل مؤثر بر بازده بازار سهام با پیشرفت‌های اقتصاد مالی در حوزه آمار و ریاضیات به اوج خود رسیده و مدل‌سازی در این زمینه از اهمیت بالایی برخوردار شده است. بر این اساس این پژوهش به دنبال ارائه رویکرد جدیدی از مدلسازی رابطه غیرخطی بین متغیرهای مالی با تأکید بر تأثیر متغیرهای اقتصادی بر بازار سرمایه است. برای تبیین رابطه غیرخطی متغیرهای مورد بررسی با توجه به رابطه بین متغیرها از رویکرد مدل رگرسیون کوانتیل آستانه بیزین با در نظر گرفتن ناهمسانی واریانس شرطی(BQTR-GARCH) استفاده شده است. برای بررسی و مدلسازی این رویکرد از اطلاعات بازده کل سهام بورس اوراق بهادار تهران، قیمت سکه طلا، قیمت نفت و طلای جهانی از ابتدای سال 1390 تا انتهای شهریور 1398 استفاده شده است. نتایج بررسی نشان دهنده تأثیر غیرخطی بازارهای مختلف بر بازهی بازار سهام بوده است. به گونه ای که تأثیر بازدهی بازارهای طلا، سکه و نفت بر بازده بازار سهام در مقادیر بالاتر و پایین‌تر از آستانه متفاوت است. علاوه بر این، رفتار در کوانتیل‎‌های توزیع بازدهی بازار سهام نیز متفاوت است و نشان می‌دهد که بازار سهام تنها در دوران حدی خود (بازار افزایشی و کاهشی) متأثر از بازارهای دیگر است. Manuscript profile

هدف این پژوهش بررسی دو مورد بحث برانگیز درمورد پدیدۀ مومنتوم در بازار بورس اوراق بهادار تهران است. این دو مورد شامل فرضیه ریسک و فرضیه فرو واکنشی می‌باشند. این تحقیق در دو بخش دنبال خواهد شد: بخش اول مومنتوم را با توجه به ریسک توصیف می‌کند و بخش دوم با فرضیه فروواکنشی به توصیف بازده مازاد در پورتفوهای مومنتومی می‌پردازد. فرضیات پژوهش با استفاده از داده‌های ۱۰۰ شرکت مالی و غیر مالی از بازار بورس اوراق بهادار تهران در فاصله سال‌های ۱۳۸۹ تا ۱۳۹۸ مورد بررسی قرار گرفته است. نتایج نشان می‌دهد که سود مومنتومی تعدیل شده از نظر ریسک به صورت آماری معنادار است. به علاوه، نتایج نشان می‌دهد مدل ریسک پنج عاملی قادر به توضیح اثر مومنتوم نیست. از سوی دیگر، نظریه فرو واکنشی قادر به توضیح مومنتوم است. به طور کلی، این یافته‌ها فرضیه بازار کارآمد را به نفع فرضیه فرو واکنشی سرمایه‌گذاران نسبت به اعلام سود رد می‌کند. Manuscript profile

شاخص بورس یکی از عوامل مؤثر در سرمایه گذاری محسوب می شود. زیرا می تواند نشان دهنده وضعیت سلامت و روند تغییرات کلان اقتصادی یک کشور باشد. ویژگیهای متنوعی بر شاخص تأثیر می گذارند. ترکیبهای مختلف این ویژگی ها، یک فضای حالت گسترده ایجاد می کنند. از این رو، فراهم کردن یک مجموعه داده شامل همه این ترکیبها برای آموزش مدل پیش بینی شاخص بورس، غیرعملی است. در این پژوهش تلاش شده است پس از جمع آوری تعداد قابل توجهی از ویژگیهای مؤثر بر شاخص، روشی برای انتخاب ویژگیهای مناسب مدل پیش بینی شاخص بورس با هدف افزایش دقت پیش بینی ارائه شود. بدین منظور، از الگوریتم mRMR به عنوان الگوریتم پایه استفاده شده است. همچنین برای انتخاب مدل مناسب، به مقایسه تعدادی از پرکاربردترین مدلهای هوش مصنوعی در پیش بینی شاخص بورس اقدام شد و با توجه به نتایج حاصل شده، شبکه LSTM برای پیش بینی شاخص بورس انتخاب گردید. نتایج این مطالعه نشان می دهد که با استفاده از شبکه LSTM و روش پیشنهادی در گزینش ویژگیها، می توان با 8 ویژگی انتخابی به دقت بالایی در پیش بینی روزانه شاخص کل بورس اوراق بهادار تهران دست یافت. بطوری که میانگین درصد خطا حدود 2.66 محاسبه شده است. Manuscript profile