حسابداری، امور مالی و هوش محاسباتی 3092-7366 4 اردیبهشت 1405 1405 03 01 Designing a Composite Comprehensive Stress Index for the Tehran Stock Exchange Using a Machine Learning Approach طراحی شاخص ترکیبی استرس فراگیر برای بورس اوراق بهادار تهران با رویکرد یادگیری ماشین 1 28 10.61838/jafci.207 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 1404/03/18 <p>This study aimed to design and validate a comprehensive index to monitor systemic risk and market-wide stress in the Tehran Stock Exchange using advanced econometric models and machine learning algorithms. Daily time-series data of selected Tehran Stock Exchange indices from 2014 to 2024 were analyzed. Logarithmic returns were calculated, and the DCC-MGARCH model was applied to estimate the dynamic conditional correlation matrix and systemic risk metrics such as ΔCoVaR. To determine feature importance and optimal weighting of indices, three supervised learning algorithms (support vector regression, artificial neural networks, and random forest) were compared, with random forest selected due to superior predictive accuracy. The composite stress index was then constructed and validated using time stability analysis, stress (shock) testing, and logistic regression forecasting. The results revealed that automobile, real estate, paper products, and metal products sectors carried the highest systemic risk, while computer, coal, and textiles showed the lowest. The comprehensive stress index provided reliable early warning signals during market turbulence and achieved strong predictive performance, with an AUC of 0.801 and an accuracy of 89.9% in logistic regression analysis for shock detection. The developed composite stress index is a robust and dynamic tool for identifying vulnerability points and forecasting systemic crises in the Tehran Stock Exchange. It offers significant practical value for policymakers, market analysts, and regulatory authorities to strengthen market resilience and implement proactive risk management strategies. Incorporating macroeconomic variables and extending the historical dataset could further enhance its accuracy and generalizability.</p> <p>هدف این پژوهش طراحی و اعتبارسنجی شاخصی جامع برای پایش استرس فراگیر و ریسک سیستمی در بورس اوراق بهادار تهران با استفاده از مدل‌های پیشرفته آماری و الگوریتم‌های یادگیری ماشین است. این مطالعه از داده‌های روزانه شاخص‌های منتخب بورس اوراق بهادار تهران طی سال‌های ۱۳۹۳ تا ۱۴۰۳ استفاده کرده است. ابتدا بازدهی لگاریتمی محاسبه شد و با مدل DCC-MGARCH ماتریس همبستگی شرطی و شاخص‌های ریسک سیستمی از جمله ΔCoVaR استخراج گردید. سپس برای تعیین اهمیت و وزن‌دهی شاخص‌ها سه الگوریتم یادگیری ماشین (بردار پشتیبان رگرسیونی، شبکه عصبی و جنگل تصادفی) مقایسه شد و مدل جنگل تصادفی به دلیل دقت بالاتر انتخاب گردید. نهایتاً شاخص ترکیبی استرس فراگیر طراحی و از طریق آزمون‌های پایداری زمانی، تحلیل استرس (شوک) و مدل رگرسیون لجستیک اعتبارسنجی شد. نتایج نشان داد شاخص‌های خودرو، انبوه‌سازی، محصولات کاغذی و محصولات فلزی بیشترین ریسک سیستمی و شاخص‌های رایانه، ذغال‌سنگ و منسوجات کمترین ریسک سیستمی را دارند. شاخص استرس فراگیر توانست سیگنال‌های هشدار زودهنگام در دوره‌های پرتنش بازار ارائه دهد و در آزمون رگرسیون لجستیک با AUC معادل 0.801 و دقت 89.9٪ توانایی خوبی در پیش‌بینی شوک‌های بازار داشت. شاخص استرس فراگیر طراحی‌شده ابزاری کارآمد برای شناسایی نقاط آسیب‌پذیری و پیش‌بینی بحران در بورس تهران است و می‌تواند به تحلیلگران، سیاست‌گذاران و نهادهای نظارتی در مدیریت ریسک‌های سیستمی و افزایش تاب‌آوری بازار کمک کند. توسعه بیشتر این شاخص با لحاظ داده‌های کلان اقتصادی و بازه‌های زمانی طولانی‌تر پیشنهاد می‌شود.</p> https://jafci.com/index.php/jafci/article/download/207/133