ارزیابی کارایی زمانی و پیش‌بینی نوسانات بازده سهام در بورس ایران مبتنی بر مدل هیبریدی DEA–GARCH

نویسندگان

  • نسترن ستاری‌خادم گروه مهندسی مالی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران.
  • محسن رستمی * گروه ریاضی و علوم کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران.

https://doi.org/10.22105/mmaa.v3i2.124

چکیده

هدف: بررسی رابطه بین کارایی شرکت‌ها و نوسانات بازده سهام در بورس تهران با استفاده از مدل هیبریدی تحلیل پوششی داده‌ها-ناهمسانی واریانس شرطی خودرگرسیونی تعمیم‌یافته.

روش‌شناسی پژوهش: پژوهشی کاربردی با رویکرد توصیفی–تحلیلی مبتنی بر داده‌های واقعی بازار سرمایه؛ کارایی شرکت‌ها با DEA پنجره‌ای به‌صورت پویا محاسبه و سپس در مدل GARCH به‌عنوان متغیر برون‌زا برای تحلیل و پیش‌بینی نوسانات وارد شد.

یافته‌ها: نتایج نشان داد شرکت‌های کاراتر دارای نوسانات کمتر و بازده پایدارتر هستند، در‌حالی‌که شرکت‌های ناکارا نوسانات بیشتری دارند. همچنین همبستگی منفی و معنادار بین کارایی و نوسانات بازده (ρ = −0.63) مشاهده شد و عملکرد مدل پیشنهادی نسبت به مدل استاندارد بهبود یافتMAPE=6.7%, RMSE=0.009) ).

اصالت/ارزش افزوده علمی: این پژوهش با ترکیب DEA و GARCH، چارچوبی نوین برای تحلیل هم‌زمان کارایی و ریسک ارایه می‌دهد که دقت پیش‌بینی نوسانات را افزایش داده و می‌تواند در تصمیم‌گیری‌های سرمایه‌گذاری و سیاست‌گذاری مالی کاربرد داشته باشد.

کلمات کلیدی:

تحلیل پوششی داده‌ها، مدل ناهمسانی واریانس شرطی خودرگرسیونی تعمیم‌یافته، بازده سهام، کارایی زمانی، بورس اوراق بهادار تهران، مدل هیبریدی

مراجع

  1. [1] Toong, D., Goh, K. W., & Sim, Y. W. (2023). Estimation of stock market index volatility using the GARCH model: Causality between stock indices. Asian economic and financial review, 13(3), 162–179. https://doi.org/10.55493/5002.v13i3.4738
  2. [2] Pan, H., Tang, Y., & Wang, G. (2024). A stock index futures price prediction approach based on the MULTI-GARCH-LSTM mixed model. Mathematics, 12(11), 1–15. https://doi.org/10.3390/math12111677
  3. [3] Enayatollahi, S., Askarzadeh, G., Khajeh, H., & Abtahi, Y. (2025). An evaluation of macro-fundamental variables and political risk on the fluctuations of returns of the Tehran Stock Exchange. Journal of defense economics and sustainable development, 9(32), 135-154. (In Persian). https://www.magiran.com/paper/2795143
  4. [4] Rostami, Z., Fattahi, S., & Sohaili, K. (2024). Modeling and estimating the return of Tehran Stock Exchange using dynamic models. Journal of financial economics, 17(62), 185-216. (In Persian). https://www.magiran.com/paper/2547423
  5. [5] Akhbari, H., Mohammadzadeh Salteh, H., Baradaran Hassanzadeh, R., & Zeynali, M. (2024). Optimizing risk-based stock return prediction in Tehran Stock Exchange industries: A data envelopment analysis. Financial research journal, 26(2), 347-370. (In Persian). https://doi.org/10.22059/FRJ.2023.339775.1007309
  6. [6] Valizadeh, O., Aghakhani, A., Ghiyasi, M., & Joshani, B. (2024). A hybrid two-stage DEA and deep learning framework for efficiency evaluation of Iranian Stock Exchange companies. Research annals of industrial and systems engineering, 1(4), 226–235. https://doi.org/10.22105/raise.v1i4.62
  7. [7] Babiš, A. (2024). Performance evaluation of a family of GARCH processes based on value at risk forecasts: Data envelopment analysis approach. Computational economics, 66(2), 1379–1411. https://doi.org/10.1007/s10614-024-10743-w
  8. [8] Arashi, M., & Rounaghi, M. M. (2022). Analysis of market efficiency and fractal feature of NASDAQ stock exchange: Time series modeling and forecasting of stock index using ARMA-GARCH model. Future business journal, 8(1), 1–12. https://doi.org/10.1186/s43093-022-00125-9
  9. [9] Naseri, S. M., Shakeri, A., Mohammadi, T., & Salem, A. A. (2025). Modeling exchange rate volatility in Iran using GARCH models: A comparison of symmetric and asymmetric models. Journal of investment knowledge, 14(53), 741-769. (In Persian). https://doi.org/10.30495/jik.0621.23485
  10. [10] Golarzi, G., & Khorasani, M. (2024). Investigating symmetrical and asymmetrical effects of exchange rate and its fluctuations on the return of the pharmaceutical industry stock using linear and nonlinear ARDL models. Iranian journal of economic research, 28(96), 253-300. (In Persian). https://doi.org/10.22054/ijer.2023.71242.1157
  11. [11] Peykani, P., Mohammadi, E., Emrouznejad, A., Pishvaee, M. S., & Rostamy-Malkhalifeh, M. (2019). Fuzzy data envelopment analysis: An adjustable approach. Expert systems with applications, 136, 439–452. https://doi.org/10.1016/j.eswa.2019.06.039
  12. [12] Rahmani, A., Hosseinzadeh Lotfi, F., Rostamy-Malkhalifeh, M., & Allahviranloo, T. (2016). A new method for defuzzification and ranking of fuzzy numbers based on the statistical beta distribution. Advances in fuzzy systems, 2016(1), 6945184. https://doi.org/10.1155/2016/6945184
  13. [13] Khodadadipour, M., Hadi-Vencheh, A., Behzadi, M. H., & Rostamy-malkhalifeh, M. (2021). Undesirable factors in stochastic DEA cross-efficiency evaluation: An application to thermal power plant energy efficiency. Economic analysis and policy, 69, 613–628. https://doi.org/10.1016/j.eap.2021.01.013
  14. [14] Razipour-GhalehJough, S., Hosseinzadeh Lotfi, F., Jahanshahloo, G., Rostamy-malkhalifeh, M., & Sharafi, H. (2020). Finding closest target for bank branches in the presence of weight restrictions using data envelopment analysis. Annals of operations research, 288(2), 755–787. https://doi.org/10.1007/s10479-019-03166-6
  15. [15] Osoolian, M., Nikmaram, A., & Karimi, M. (2025). Predicting index trend using hybrid neural networks with a focus on multi-scale temporal feature extraction in the Tehran Stock Exchange. Financial research journal, 27(1), 85–113. https://doi.org/10.22059/frj.2024.377816.1007611
  16. [16] Zebende, G. F., Santos Dias, R. M. T., & de Aguiar, L. C. (2022). Stock market efficiency: An intraday case of study about the G-20 group. Heliyon, 8(1), e08808. https://doi.org/10.1016/j.heliyon.2022.e08808

دانلود

چاپ شده

2026-09-11

شماره

مقالات آماده انتشار

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

ستاری‌خادم ن. ., & رستمی م. (2026). ارزیابی کارایی زمانی و پیش‌بینی نوسانات بازده سهام در بورس ایران مبتنی بر مدل هیبریدی DEA–GARCH. مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 113-122. https://doi.org/10.22105/mmaa.v3i2.124
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.