Knowledge Management Scientific Association مدیریت پویا و تحلیل کسب و کار 3041-8933 5 تابستان 1405 1405 04 01 Predicting the Comprehensive Stress Index of Iran’s Capital Market Using Hybrid Machine Learning Modeling and Exogenous Variables پیش‌بینی شاخص استرس فراگیر بازار سرمایه ایران با استفاده از مدل‌سازی ترکیبی یادگیری ماشین و متغیرهای برون‌زا 1 33 FA الهام باباحیدریان گروه مدیریت مالی ،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ، ایران. فرهاد حنیفی گروه مدیریت مالی ،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ، ایران. میرفیض فلاح شمس گروه مدیریت مالی ،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ، ایران. Journal Article 1404/04/12 Objective: The study aims to develop an efficient predictive model for Iran’s capital market stress index by integrating machine learning algorithms with dynamic econometric modeling. Methodology: Daily time-series data of 20 industrial indices from the Tehran Stock Exchange over a ten-year period (2014–2024) were analyzed. Log returns were calculated, and normality, stationarity, and ARCH effects were tested. Systemic risk was measured using the DCC–MGARCH framework combined with the ∆CoVaR criterion. Three supervised machine learning models—Random Forest, Support Vector Regression, and Artificial Neural Networks—were compared to determine feature importance and extract index weights. The final stress index was constructed using dynamic conditional correlations and normalized risk weights. Findings: Most indices exhibited non-normality but were stationary and heteroskedastic. The Engle–Sheppard test confirmed dynamic conditional correlations. Based on ∆CoVaR, automotive, real estate, paper products, and basic metals demonstrated the highest systemic risk. Random Forest achieved the lowest MAE and RMSE, outperforming other models. The constructed stress index successfully identified high-risk periods and issued early warning signals prior to major market downturns. Granger causality tests revealed a unidirectional causal effect from the free-market exchange rate to the stress index, while gold coin returns showed no significant influence. Conclusion: The hybrid modeling framework—combining DCC–MGARCH with machine learning—provides a reliable, forward-looking tool for monitoring systemic risk and forecasting comprehensive market stress in Iran’s capital market. هدف: هدف پژوهش ارائه مدلی کارآمد برای پیش‌بینی شاخص استرس فراگیر بازار سرمایه ایران با بهره‌گیری از ترکیب یادگیری ماشین و مدل‌های پویا. روش‌شناسی: این مطالعه از داده‌های روزانه ۲۰ شاخص صنعتی بورس اوراق بهادار تهران در دوره ده‌ساله ۱۳۹۳ تا ۱۴۰۳ استفاده کرد. ابتدا بازدهی لگاریتمی محاسبه شد و آزمون‌های نرمالیتی، مانایی و ناهمسانی واریانس اجرا شدند. برای سنجش ریسک سیستمی از مدل DCC–MGARCH و معیار ∆CoVaR استفاده شد. در ادامه سه مدل یادگیری ماشین شامل شبکه عصبی، جنگل تصادفی و رگرسیون بردار پشتیبان برای تعیین اهمیت نسبی صنایع و استخراج وزن‌ها به‌کار رفتند و بهترین مدل انتخاب شد. در نهایت شاخص استرس فراگیر بر اساس ماتریس همبستگی شرطی و وزن‌های استخراج‌شده ساخته شد. یافته‌ها: نتایج نشان داد توزیع اکثر شاخص‌ها نرمال نیست اما تمامی سری‌ها مانا و دارای ناهمسانی واریانس‌اند. آزمون انگل–شپرد وجود همبستگی پویا میان شاخص‌ها و ضرورت استفاده از مدل DCC را تأیید کرد. براساس ∆CoVaR صنایع خودرو، انبوه‌سازی، محصولات کاغذی و فلزات اساسی بیشترین ریسک سیستمی را ایجاد کردند. مدل جنگل تصادفی دقیق‌ترین عملکرد را در پیش‌بینی ریسک بازار داشت. شاخص استرس فراگیر دوره‌های پرتنش بازار را به‌صورت پیش‌نگر شناسایی کرد و سیگنال‌های هشدار پیش از ریزش‌های عمده صادر شد. آزمون گرنجر رابطه علّی یک‌طرفه از بازار ارز آزاد به شاخص استرس را تأیید کرد، در حالی که بازار سکه فاقد اثر معنادار بود. نتیجه‌گیری: مدل‌سازی ترکیبی شامل DCC–MGARCH و یادگیری ماشین ابزاری قابل‌اعتماد و پیش‌نگر برای سنجش ریسک سیستماتیک و پیش‌بینی استرس فراگیر بازار سرمایه ایران محسوب می‌شود و می‌تواند مبنایی برای مدیریت ریسک و سیاست‌گذاری کلان باشد.

https://dmbaj.org/index.php/dmba/article/download/269/257