دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

بررسی مقایسه‌ای الگوریتم ازدحام ذرات(PSO) و الگوریتم کشتل(KA) در پیش‌بینی ریسک سقوط قیمت سهام

نوع مقاله : مقاله پژوهشی

نویسندگان
ابراهیم ابراهیمی 1
نادر نقشینه 2
مازیار قاسمی 3
محمد حسین فاتحی دابانلو 4
حمید رضا شماخی 5
1 دانشجوی دکتری گروه مهندسی مالی، دانشکده حسابداری و مدیریت، دانشگاه آزاد اسلامی، واحد اسلامشهر، تهران، ایران
2 استادیار، گروه مهندسی مالی، دانشکده حسابداری و مدیریت، دانشگاه آزاد اسلامی، واحد اسلامشهر، تهران، ایران
3 استادیار، گروه حسابداری و مدیریت ، مؤسسه آموزش عالی ادیبان، گرمسار، سمنان، ایران
4 استادیار، گروه توسعه اقتصادی و برنامه ریزی، دانشکده حسابداری و مدیریت، دانشگاه آزاد اسلامی، واحد اسلامشهر، تهران، ایران
5 استادیار، گروه حسابداری، دانشکده حسابداری و مدیریت، دانشگاه آزاد اسلامی، واحد اسلامشهر، تهران، ایران
10.22034/jik.2026.24488
چکیده
ﺑﺎزارهای مالی در دﻫﻪ‌ﻫﺎی اﺧﯿﺮ ﺳﻬﻢ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در رﺷﺪ و ﺗﻮﺳﻌﻪ ﮐﺸﻮرﻫﺎ داﺷﺘﻪ‌اند. با ایجاد مدل‌های پیش‌بینی کارآمد برای ریسک، افراد و سازمان‌ها می‌توانند تصمیمات بهتری در زمینه سرمایه‌گذاری اتخاذ کنند. در این پژوهش، دو الگوریتم ازدحام ذرات (PSO) و کشتل (KA) برای پیش‌بینی ریسک سقوط قیمت سهام به کار رفته و مقایسه عملکرد آن‌ها و رجحان دو الگوریتم نسبت به یکدیگر در شرایط مختلف برآورد شده است. هدف اصلی این مقایسه، ارزیابی دقت، سرعت همگرایی، و توانایی الگوریتم‌ها در حل مدل است.این تحقیق از نوع کاربردی است و با استفاده از رویکرد ترکیبی، شامل تحلیل‌های کمی و تحلیل‌های کیفی انجام شده است. نتایج مقایسه دو الگوریتم نشان داد که هر کدام در شرایط خاص خود عملکرد مطلوبی دارند و بسته به نوع و پیچیدگی مسئله، یکی ممکن است بر دیگری برتری داشته باشد. بنابراین، انتخاب بین این دو الگوریتم باید بر اساس شرایط و ویژگی‌های مسئله موردنظر انجام شود، برای مسائل کوچک یا زمانی که محدودیت زمانی زیادی وجود دارد، PSO گزینه مناسب‌تری است، در حالی که برای مسائل پیچیده‌تر که دقت بهینه‌سازی اهمیت بیشتری دارد، KA می‌تواند عملکرد بهتری داشته باشد.
کلیدواژه‌ها
الگوریتم ازدحام ذرات
الگوریتم کشتل
ریسک سقوط قیمت سهام

عنوان مقاله English

A Comparative Study of the Particle Swarm Optimization (PSO) Algorithm and the Keshtel Algorithm (KA) in Predicting Stock Price Crash Risk

نویسندگان English

Ebrahim Ebrahimi 1
Nader Naghshineh 2
Maziar Ghasemi 3
Mohammad Hossein Fatehi Dabanloo 4
Hamid Reza Shammakhi 5
1 Ph.D. candidate, Financial Engineering Faculty, Accounting and Management Department, Islamic Azad University, Eslamshahr Branch, Tehran, Iran
2 Assistant Professor, Financial Management Faculty, Accounting and Management Department, Islamic Azad University, Eslamshahr Branch, Tehran, Iran
3 Assistant Professor, Department of Accounting and Management, Adiban Institute of Higher Education, Garmsar, Semnan, Iran
4 Assistant Professor, Department of Economic Development and Planning, Faculty of Accounting and Management, Islamic Azad University, Islamshahr Branch, Tehran, Iran
5 Assistant Professor, Department of Accounting, Faculty of Accounting and Management, Islamic Azad University, Islamshahr Branch, Tehran, Iran
چکیده English

Financial markets have played a significant role in the growth and development of countries in recent decades.By creating efficient risk prediction models, individuals and organizations can make better investment decisions. In this study, two algorithms Particle Swarm Optimization (PSO) and the Keshtel Algorithm (KA) are used to predict the risk of stock price crashes. The main goal of this comparison is to evaluate the accuracy, speed, convergence and capability of the algorithms in solving the model. Their performances are compared under various conditions to evaluate their relative advantages. This is an applied research study, conducted using a mixed-methods approach that includes both quantitative and qualitative analyses. The results of the comparison indicate that each algorithm performs well under specific conditions, and depending on the nature and complexity of the problem, one may outperform the other. Therefore, the choice between these two algorithms should be made based on the conditions and characteristics of the problem in question, For smaller problems or situations with strict time constraints, PSO proves to be a more suitable option, while for more complex problems where optimization accuracy is critical, KA tends to deliver better performance.

کلیدواژه‌ها English

Particle Swarm Optimization
Keshtel Algorithm
Stock Price Crash Risk
1.       اسکندری، رامین، و کردستانی، غلامرضا. (۱۴۰۲). ریسک سقوط قیمت سهام: مروری سیستماتیک بر ادبیات. در سومین کنفرانس بین‌المللی و چهارمین کنفرانس ملی یافته‌های نوین در مدیریت، روان‌شناسی و حسابداری. تهران.
2.       چمبریانی، شیما. (۱۴۰۲). مطالعه و مروری بر عدم قطعیت سیاست اقتصادی و ریسک سقوط قیمت سهام. در هجدهمین کنفرانس بین‌المللی مدیریت، اقتصاد و توسعه.
3.       شجاعی، سید حسن، ابراهیمی، مهرزاد و زارع، هاشم. (1404). اثر تبلیغات بازار محصول و ریسک سقوط قیمت سهام در آینده ایران .فصلنامه اقتصاد محاسباتی،2(4)، 1-30.
4.       طاهری،ماندانا، و دهقان، امین منصور. (1404). رابطه بین مسئولیت های اجتماعی شرکت و ریسک سقوط قیمت سهام با تاکید بر نقش تعدیلی سازوکارهای مقرراتی و عدم تقارن اطلاعاتی.مجله دانش حسابداری.                                                          
5.       کرمی، فریبرز. (۱۴۰۲). دیدگاه‌های مدیریتی در زمینه ارتباط تغییرات اقلیمی با ریسک سقوط قیمت سهام. در هشتمین همایش ملی پژوهش‌های نوین در علوم انسانی، اقتصاد و حسابداری ایران. تهران.
6.       کریم زاده, مصطفی و قیاسی خالو, رضا . (1404). بررسی رابطه بین ریسک سقوط قیمت سهام و اهرم عملیاتی در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. تحلیل ها و اندیشه های اقتصادی.1(4)، 35-58.
7.       ملائی‌لاکسار، محدثه. (۱۴۰۲). نقش تعدیل‌گر مالکیت نهادی در رابطه بین قابلیت مقایسه صورت‌های مالی و ریسک سقوط قیمت سهام. در کنفرانس ملی چالش‌ها و راهکارهای نوین در مدیریت، حسابداری و صنعت بیمه. اردبیل.
8.       مولائی، محمداسماعیل، و مرادزاده، مراد. (۱۴۰۲). تاثیر مالکیت مدیریتی بر رابطه میان رقابت در بازار محصول و ریسک سقوط قیمت سهام. در اولین کنفرانس بین‌المللی توانمندی مدیریت، مهندسی صنایع، حسابداری و اقتصاد. بابل.
9.       مومنی یانسری، ابوالفضل. (۱۴۰۲). وضعیت مالی و ریسک سقوط آتی قیمت سهام؛ اهمیت کیفیت کنترل داخلی شرکت‌ها.
10.   معتمدی، سیما، و رحمانی، تیمور. (۱۳۹۷). تاثیر سرمایه‌گذاری مستقیم خارجی بر تشکیل سرمایه، بهره‌وری نیروی کار و رشد اقتصادی در کشورهای در حال توسعه. پژوهش‌های رشد و توسعه اقتصادی، ۸، ۱۱۷–۱۳۲.
11.   شاه‌نظری، اسماعیل، و رضازاده، زیبا. (۱۴۰۲). ارزیابی ارتباط اثربخشی گزارش حسابرس با ریسک سقوط آتی قیمت سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. در ششمین کنفرانس بین‌المللی تحولات نوین در مدیریت، اقتصاد و حسابداری. تهران.
12.   زین‌الدینی، شبنم، کریمی، محمدشریف، و خانزادی، آزاد. (۱۳۹۹). بررسی تاثیر قیمت نفت و نرخ ارز بر شاخص قیمت بازار سهام در ایران. در سومین کنفرانس بین‌المللی ترفندهای مدرن مدیریت، حسابداری، اقتصاد و بانکداری با رویکرد رشد کسب ‌وکارها، تهران.
13.   ژیان‌نصرالهی، مهناز. (۱۴۰۲). مطالعه و شناختی دقیق بر عدم قطعیت سیاست اقتصادی و ریسک سقوط قیمت سهام. در چهاردهمین کنفرانس بین‌المللی مدیریت، تجارت جهانی، اقتصاد، دارایی و علوم اجتماعی.
 
14.  References
 
15.  Abdouli, M., & Hammami, S. (2020). Economic growth, environment, fdi inflows, and financial development in Middle East countries: Fresh evidence from simultaneous equation models. Journal of the Knowledge Economy, 11(2), 479-511.
16.  da Silva, P. P. (2022). Market efficiency and the capacity of stock prices to track a firm's future profitability. Borsa Istanbul Review, 22(3), 452-464.
17.  Erdoğan, S., Yıldırım, D. Ç., & Gedikli, A. (2020). Natural resource abundance, financial development and economic growth: An investigation on Next-11 countries. Resources Policy, 65, 101559.
18.  Hirshleifer, D., Hou, K., Teoh, S.H., Zhang, Y. (2004). Do investors overvalue firms with bloated balance sheets? J. Account. Econ., 38, 297–331.
19.  Htun, H. H., Biehl, M., & Petkov, N. (2023). Survey of feature selection and extraction techniques for stock market prediction. Financial Innovation, 9(1), 26.
20.  Karasan, A., Alp, Ö. S., & Weber, G.-W. (2025). Machine learning approach to stock price crash risk. Annals of Operations Research, 350(3), 1053–1074
21.  Kchouri, B., & Lehnert, T. (2020). Islamic Banking and Economic Growth. In Handbook of Research on Theory and Practice of Global Islamic Finance (pp. 86-114): IGI Global.
22.  Khan, M. A., Kong, D., Xiang, J., & Zhang, J. (2019). Impact of Institutional Quality on Financial Development: Cross-Country Evidence based on Emerging and Growth-Leading Economies. Emerging Markets Finance and Trade, 1-17.
23.  Li, Q., Liu, X., Chen, J., & Wang, H. (2022). Does stock market liberalization reduce stock price synchronicity?—Evidence from the Shanghai-Hong Kong stock connect. International Review of Economics & Finance, 77, 25-38.
24.  Lin, B., & Wu, N. (2023). Climate risk disclosure and stock price crash risk: The case of China. International Review of Economics & Finance, 83, 21-34.
25.  Loughran, T., Ritter, J.R. (1995). The new issues puzzle. J. Financ., 50, 23–51.
26.  Ohlan, R. (2017). The relationship between tourism, financial development and economic growth in India. Future Business Journal, 3(1), 9-22.
27.  Okunlola, O. A., Masade, E. O., Folaranmi Lukman, A., & Ajayi Abiodun, S. (2020). Investigating Causal Relationship between Financial Development Indicators and Economic Growth: Toda and Yamamoto Approach. Iranian Economic Review, 24(1), 225-246.
28.  Saud, S., Chen, S., & Haseeb, A. (2019). Impact of financial development and economic growth on environmental quality: an empirical analysis from Belt and Road Initiative (BRI) countries. Environmental Science and Pollution Research, 26(3), 2253-2269.
29.  Wang, X., Cao, Y., Feng, Z., Lu, M., & Shan, Y. (2023). Local FinTech development and stock price crash risk. Finance Research Letters, 53, 103644.
30.  Yang, F. (2019). The impact of financial development on economic growth in middle-income countries. Journal of International Financial Markets, Institutions and Money, 59, 74-89.
31.  Yang, F., Chen, J., & Liu, Y. (2023). Improved and optimized recurrent neural network based on PSO and its application in stock price prediction. Soft Computing, 27(6), 3461-3476.
32.  Zhang, J., Cui, C., Zheng, C., & Taylor, G. (2025). Artificial intelligence innovation and stock price crash risk. Journal of Financial Research, 48(2), 503–543.
33.  Zhao, Y., & Yang, G. (2023). Deep Learning-based Integrated Framework for stock price movement prediction. Applied Soft Computing, 133, 109921.