ریسک سیستمی به معنای احتمال سقوط ناگهانی یک سیستم مالی می‌باشد که کارایی سیستم مالی را مختل می‌کند و باعث بروز واکنش‌های زنجیره‌ای و افزایش انتظارات بدبینانه در سیستم مالی می‌شود. از این رو، هدف از این مقاله اندازه‌گیری و رتبه‌بندی ریسک سیستمی در شاخص‌های منتخب مالی و غیرمالی بورس اوراق بهادار تهران و بررسی عوامل مؤثر بر این ریسک است. برای دستیابی به این هدف، با بهره‎گیری از مطالعه ون کاونبرگ و همکاران (2019) و به کارگیری معیار دلتای ارزش در معرض خطر شرطی (CoVaR∆)، به کمک مدل همبستگی شرطی پویا (DCC) با استفاده از داده‌های روزانه مربوط به شاخص‌های منتخب صنایع بورسی (اعم از مالی و غیر مالی) طی دوره فروردین 1390 تا پایان مرداد ماه 1399، معیار یاد شده محاسبه شده است. سپس با استفاده از رگرسیون داده‌های پانل، ارتباط آن با عوامل مؤثر شامل ارزش در معرض خطر (VaR)، ریسک سیستماتیک (بتا)، تغییرات نرخ ارز و تغییرات قیمت نفت بررسی می‌شود. نتایج نشان می‌دهد که شاخص‌های غیرمالی بورس اوراق بهادار سهم بیشتری را در بروز ریسک سیستمی نسبت به سایر شاخص‌های مالی دارند. افزون بر این، نتایج مدل داده‌های تابلویی گویای این واقعیت است که معیار ارزش در معرض خطر (VaR) و ریسک سیستماتیک (بتا) در بین متغیرهای درون‌زا تأثیر مثبت و معناداری بر روی ریسک سیستمی شاخص‎ها داشته و همچنین در بین عوامل برون‌زا نرخ ارز تأثیر مثبت و معناداری بر ریسک سیستمی دارد، اما قیمت نفت تأثیر معناداری بر ریسک سیستمی ندارد. پرونده مقاله

هدف: هدف پژوهش حاضر تشکیل پرتفوی بهینه با استفاده از الگوریتم های یادگیری ماشین و نظریه فازی است که بازدهی بهتر از بازده میانگین بازار (شاخص کل بورس اوراق بهادار) داشته باشد.روش‌شناسی پژوهش: در پژوهش حاضر، سهام شرکت های منتخب در مرحله اول با استفاده از دو الگوریتم معرفی شده، کلاس بندی می شوند. در مرحله بعد سهامی که وارد کلاس مثبت شده اند، با کمک الگوریتم جنگل تصادفی، برای روز معاملاتی بعد پیش بینی می شوند. برای هریک از شرکت ها سه پیش‌بینی صورت می گیرد که ورودی های بهینه سازی با روش فازی هستند. بهینه سازی با هدف کمینه‌کردن ریسک با سنجه های ریسک ارزش در معرض خطر و ارزش در معرض خطر شرطی صورت می گیرد. اطلاعات سهم ها پنج‌ساله، به صورت روزانه و بازه زمانی آن از ابتدای سال 1397 تا پایان سال 1401 می باشد.یافته‌ها: در پایان، هرکدام از الگوریتم ها و سنجه ریسک مورداستفاده آن، با بازده واقعی بازار سنجیده و مقایسه گردید. بر اساس نتایج به‌دست‌آمده سنجه ریسک CVAR قابلیت و نتیجه بهتری را نسبت به سنجه ریسک VAR داشته است و الگوریتم ماشین بردار پشتیبان نیز، عملکرد بهتری را در انتخاب سبد سرمایه گذاری رقم زده است.اصالت / ارزش‌افزوده علمی: این پژوهش با یکپارچه‌سازی روش‌های یادگیری ماشین و سنجه‌های ریسک، به شکل یک نمونه سرمایه بهینه می‌شود. اضافه‌کردن سنجه‌های ریسک VaR و CVaR فرآیند تصمیم‌گیری در خصوص کاهش ریسک را تقویت می‌کند. پیش بینی به کمک جنگل تصادفی و استفاده از رویکردی بر پایه نظریه فازی برای تحلیل ریسک و ارزش، پژوهش را به یک چشم‌انداز نوآورانه در تشکیل پرتفوی می‌بخشد. یافته‌ها، به سرمایه‌گذاران و پژوهشگران در جستجوی استراتژی‌های سرمایه‌گذاری بهتر، یافته‌های ارزشمندی ارائه می‌دهد. پرونده مقاله