fa ارایه مدل پیش‌بینی سقوط قیمت سهام در بورس اوراق بهادار تهران با استفاده از الگوریتم‌های فراابتکاری و شبکه عصبی مصنوعی تخصصي Special پژوهشي Research <p><span dir="RTL" lang="FA" style="font-size:12.0pt">سقوط‌های ناگهانی بازار سهام همواره یکی از بزرگ‌ترین چالش‌های سرمایه‌گذاران بوده است</span><span style="font-size:12.0pt">.</span><span dir="RTL" lang="FA" style="font-size:12.0pt"> در این مطالعه با هدف بهبود مدل‌های پیش‌بینی ریزش قیمت در بازار سهام تهران، از ترکیب الگوریتم‌های فراابتکاری و شبکه عصبی مصنوعی استفاده شده است. برای انجام پژوهش، &nbsp;تحقیقات و ادبیات موجود پیرامون عوامل تاثیرگذار بر نوسانات قیمت مورد بررسی جامع قرار گرفته و در مرحله بعد، به دلیل تعدد متغیرها در طی دوره زمانی نسبتا طولانی داده‌های مورد مطالعه و با هدف بهینه‌سازی فرآیند تحلیل، از الگوریتم‌های فراابتکاری استفاده شد. به کمک این الگوریتم‌ها که شامل 10 روش &quot;کلونی مورچگان&quot;، &quot; تپه‌نوردی&quot;، &quot; لاس وگاس&quot;، &quot;نهنگ&quot;، &quot; تبرید شبیه‌سازی‌شده&quot;، &quot;الگوریتم ژنتیک&quot;، &quot;جستجوی ممنوعه&quot;، &quot;حرکت تجمعی ذرات&quot;، &quot;زنبور عسل&quot; و &quot;کرم شب‌تاب&quot; هستند، تعداد متغیرهای موجود کاهش یافت و عوامل با تاثیرگذاری بالا انتخاب شدند. از برآیند الگوریتم‌های فراابتکاری 5 متغیر &quot;بازده حقوق صاحبان سهام&quot;، &quot;نسبت بدهی&quot;، &quot;نسبت جریان نقد سهامداران به درآمد&quot;، &quot;چولگی منفی بازده سهام&quot; و &quot;لگاریتم فروش&quot; انتخاب شدند. توجه به پنج متغیر مذکور برای فعالان اقتصادی و سرمایه‌گذاران از اهمیت بالایی برخوردار است؛ این متغیرها به عنوان شاخص‌های کلیدی در تحلیل وضعیت مالی و عملکرد شرکت‌ها عمل می‌کنند و می‌توانند به شناسایی ریسک‌های بالقوه کمک کنند. داده‌های مورد نیاز از پایگاه‌های اطلاعاتی بورس اوراق بهادار تهران در بازه زمانی 1380 تا 1400 گردآوری شده و شامل اطلاعات مالی شرکت‌های پذیرفته شده در بورس است. نتایج تحقیق نشان می‌دهند فرآیند ارایه شده در پژوهش به طور مطلوبی توانایی پیش‌بینی سقوط قیمت سهام را داراست.</span></p> <p style="text-align:justify"><span style="font-size:11pt">Sudden and severe stock price crashes pose a significant challenge to capital markets. The substantial losses incurred from such events underscore the need for more effective risk forecasting tools. This study aims to enhance the predictive power of risk models for stock price declines in the Tehran Stock Exchange and commenced with a comprehensive literature review to identify key financial factors influencing stock price volatility. Given the high dimensionality of the dataset and the extended time period, metaheuristic algorithms were employed for feature selection. 10 algorithms, namely Ant Colony Optimization, Hill Climbing, Las Vegas, Whale Optimization, Simulated Annealing, Genetic Algorithm, Tabu Search, Particle Swarm Optimization (PSO), Honey Bee (HBA) and Firefly were utilized to reduce dimensionality and enhance model performance. Five variables, namely &quot;Return on Equity,&quot; &quot;Debt Ratio,&quot; &quot;Cash Flow to Income Ratio,&quot; &quot;Negative Skewness of Stock Returns,&quot; and &quot;Logarithm of Sales,&quot; were selected based on the outcomes of metaheuristic algorithms. Attention to these five variables is of great importance for economic actors and investors; these variables serve as key indicators in analyzing the financial status and performance of companies and can assist in identifying potential risks. Subsequently, ANNs were implemented to develop predictive models. The models were trained and evaluated using historical data from the Tehran Stock Exchange spanning from 2001 to 2020. The findings of this research demonstrate that combining metaheuristic algorithms for model reduction and optimization, along with advanced machine learning techniques, yields results that can significantly improve risk management and investment decision-making.</span></p> سقوط قیمت سهام, الگوریتم‌های فراابتکاری, شبکه عصبی مصنوعی, بورس اوراق بهادار Stock Price Crash, Metaheuristic Algorithms, Artificial Neural Networks, Stock Exchange 91 105 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-2108-1&slc_lang=fa&sid=1 R. Raei رضا راعی raei@ut.ac.ir 100319475328460010972 100319475328460010972 No Department of Finance and Insurance, University of Tehran, Tehran, Iran گروه بازارها و نهادهای مالی، دانشکده‌ مدیریت، دانشگاه تهران، تهران، ایران S. Shirkavand سعید شیرکوند shirkavand@ut.ac.ir 100319475328460010973 100319475328460010973 No Department of Financial Management and Insurance, University of Tehran, Tehran, Iran گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران A. Jamali Neyshabour علی جمالی alijamali.ny@gmail.com 100319475328460010974 100319475328460010974 Yes University of Tehran, Tehran, Iran دانشکده مدیریت، دانشگاه تهران، تهران، ایران