حسابداری، امور مالی و هوش محاسباتی 3092-7366 3 بهار 1404 1404 03 01 Predicting the Occurrence of Negative Stock Returns Using Artificial Intelligence Algorithms and Its Relationship with Conservative Reporting in Companies Listed on the Tehran Stock Exchange پیش بینی وقوع بازده منفی سهام با الگوریتم های هوش مصنوعی و ارتباط آن با گزارشگری محافظه کارانه در شرکت های پذیرفته شده در بورس اوراق بهادار تهران 1 19 FA علی دلیلی گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. کیهان آزادی هیر گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. محسن ارچین لیسار گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. Journal Article 1403/12/09 <p>Predicting the occurrence of negative stock returns is a central issue in behavioral finance and risk management, playing a critical role in improving investment decision-making and enhancing capital market efficiency. This study employs advanced artificial intelligence algorithms, including artificial neural networks, support vector machines, decision trees, and AI-based optimization algorithms, to develop models for forecasting negative stock returns. These algorithms, with their ability to learn complex patterns and uncover nonlinear relationships among financial data, demonstrate significantly better performance than traditional methods in the early detection of negative return risks. Financial and reporting data from companies listed on the Tehran Stock Exchange were collected over a five-year period, and variables related to conservative financial reporting were incorporated into the analysis. Statistical analyses and performance evaluations of 101 listed companies during the period 2010 to 2015 indicate that conservative reporting—by emphasizing the early recognition of losses and moderating profit recognition behaviors—has a significant impact on improving the accuracy and generalizability of AI models in predicting the risk of negative returns. The findings suggest that integrating intelligent approaches with conservative reporting measures can enhance the quality of financial information, reduce uncertainty, and increase transparency in investment decisions. This research not only deepens scientific understanding of the relationship between conservative financial reporting and stock return risk but also offers practical applications for financial analysts, managers, and capital market policymakers.</p> <p> </p> <p>پیش‌بینی وقوع بازده منفی سهام از مسائل محوری در حوزه مالی رفتاری و مدیریت ریسک است که نقش کلیدی در بهبود تصمیم‌گیری‌های سرمایه‌گذاری و افزایش کارایی بازار سرمایه ایفا می‌کند. این مطالعه با بهره‌گیری از الگوریتم‌های پیشرفته هوش مصنوعی نظیر شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان، درخت تصمیم و الگوریتم‌های بهینه سازی هوش مصنوعی، مدل‌های پیش‌بینی وقوع بازده منفی سهام را توسعه داده است. این الگوریتم‌ها با قابلیت یادگیری الگوهای پیچیده و استخراج روابط غیرخطی میان داده‌های مالی، عملکرد به‌مراتب بهتری نسبت به روش‌های سنتی در تشخیص زودهنگام ریسک بازده منفی ارائه می‌دهند. داده‌های مالی و گزارشگری شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران طی بازه زمانی پنج ساله جمع‌آوری و تاثیر شاخص‌های مرتبط روی گزارشگری محافظه‌کارانه در تحلیل‌ها گنجانده شده‌اند. تحلیل‌های آماری و ارزیابی عملکرد 101 شرکت پذیرفته شده در بورس اوراق بهادار تهران نشان در سال های 1389 الی 1394  نشان می‌دهد که گزارشگری محافظه‌کارانه با تمرکز بر شناسایی زودهنگام زیان‌ها و تعدیل رفتار شناسایی سود، تاثیر معناداری بر بهبود دقت و قابلیت تعمیم مدل‌های هوش مصنوعی در پیش‌بینی ریسک بازده منفی دارد. یافته‌ها حاکی از آن است که ادغام رویکردهای هوشمند با معیارهای گزارشگری محافظه‌کارانه می‌تواند ضمن ارتقاء کیفیت اطلاعات مالی، زمینه‌ساز کاهش عدم قطعیت و افزایش شفافیت در تصمیمات سرمایه‌گذاری گردد. این تحقیق علاوه بر تعمیق فهم علمی از روابط بین گزارشگری محافظه‌کارانه و ریسک بازده سهام، کاربردهای عملی قابل توجهی برای تحلیلگران مالی، مدیران و سیاست‌گذاران بازار سرمایه به همراه دارد.</p> <p> </p> https://jafci.com/index.php/jafci/article/download/92/64