Market Risk Prediction Using Recurrent Neural Networks and Investor Behavioral Data

Articles in Press

Document Type : Original Article

Authors
Mohammad Peymanfar 1
Gholamreza Askarzadeh 2
1 PhD Candidate, Department of Financial Engineering, Islamic Azad University, Yazd Branch, Yazd, Iran
2 Department of Financial Engineering, Yazd Branch, Islamic Azad University, Yazd, Iran
10.22034/jik.2026.79166.4917
Abstract
Market risk is one of the key factors in investors' decision-making in the capital market, which is of particular importance in capital-intensive and volatile industries such as the steel industry. The aim of this study is to predict the market risk of steel industry companies on the Tehran Stock Exchange and to examine the role of investors' behavioral components in the dynamics of market risk. The research data includes price, transaction information, and behavioral indicators of four selected steel industry companies during the period 2013-2024. In this study, the performance of conventional econometric models GARCH and HAR RV was compared with deep learning models based on recurrent neural networks, including GRU and behavioral multi-input model, and finally a weighted aggregate model was estimated. The results show that the proposed aggregate model has the lowest prediction error (0.026) and directional accuracy of 74%, which is about 31% better than the GARCH model. Also, behavioral indicators account for nearly 40% of the model's explanatory power, and the behavioral crowding index has been identified as the most important factor aggravating market risk.
Keywords
Market risk
Steel industry
Recurrent neural networks

  1. 1.       احمدی، سعیده. (1400). راهبردهای مقابله با آثار تحریم‌ها بر صنعت فولاد. نشریه امنیت اقتصادی، 9(6)، 4-20.

    2.       امرایی، علی؛ مهری نژاد، صفیه و بیات ترک، امیر (1403). ارزیابی الگوی رقابت‌پذیری در صنعت فولاد با رویکرد انتقال فناوری، نشریه مدیریت صنعتی، 16(53)، 175-191.

    3.       بورس اوراق بهادار تهران) .۱۴۰۲). گزارش عملکرد سالانه صنعت فولاد تهران: مدیریت تحقیقات و توسعه.

    4.       سهرابی، مریم؛ میربرگ کار، سید مظفر؛ چیرانی، ابراهیم و خردیار، سینا .(1401). مدلسازی پیش بینی جهش های شاخص بازار سهام بر اساس رویکرد شبکه عصبی بازگشتی یادگیری عمیق. بورس اوراق بهادار، 15(59): 268-245.

    5.       تسلیم‌پور، علی؛ عسکرزاده، غلامرضا؛ قالمق، کریم و نصیری، هومن. (1405). پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از مدل شبکۀ عصبی نارکس. مدیریت دارایی و تامین مالی، 14(1): 21-48.

    6.       سرچمی؛ محمد، محمدی، مجید و زینلی، ‌حدیث. (1399). به کارگیری مدل‌های یادگیری ماشین در تشکیل پرتفوی بهینه سهام و مقایسه کارایی آن‌ها، مهندسی مالی و مدیریت اوراق بهادار، (11)45: 147-176

    7.       شجاعی نصیر آبادی؛ میلاد، حبیب، پیری و ستوده، رضا. (1403). تجزیه و تحلیل مقایسه ای شبکه عصبی مصنوعی و رگرسیون خطی در پیش‌بینی تداوم روند بیش واکنشی سهام داران. بررسی حسابدار و حسابرسی، (3)31: 50-31.

    8.       حسین‌زاده، زهرا؛ فتحی، زادالله و شفیعی، حسین. (1400). ارائه مدل جامع تصمیم‌گیری مبتنی بر نگرش و رفتار سرمایه‌گذاران با استفاده از معادلات ساختاری، نشریه دانش سرمایه گذاری، 10(40)، 305-330. 

    9.       حسن‌زاده، محمد؛ جمشیدی‌نوید، بابک؛ قنبری، مهرداد و مسعود، جواد. (1397). بررسی عوامل اجتماعی موثر ماندگاری سهام‌داران بر مبنای مدل‌سازی و پیش‌بینی نوسانات بازار سهام با استفاده از مدل‌های خودرگرسیونی ناهمگن (HAR) در بورس اوراق بهادار تهران. ماهنامه جامعه شناسی سیاسی ایران. 1(6): 369-346

    10.   دولو، مریم، و حیدری، تکتم. (1396). پیش بینی شاخص سهام با استفاده از ترکیب شبکه عصبی مصنوعی و مدل‌های فرا ابتکاری جستجوی هارمونی و الگوریتم ژنتیک. اقتصاد مالی (اقتصاد مالی و توسعه)، 11(40)، 1-23.

    1. کاظمیان، مینا؛ افشارکاظمی، محمدعلی؛ فتحی هفشجانی، کیامرث و معتدل، محمدرضا. (1402). ارائه مدل هوشمند تعیین قیمت فولاد با رویکرد ترکیبی نظریه بازی‌ها و الگوریتم‌های یادگیری ماشین، نشریه مدیریت صنعتی، 15(50)، 478-507.
    2. یوسفی طزرجان، مصطفی و صفی صمغ آبادی، اعظم دخت و معماریانی، عزیزاله. ( 1400)، پیش بینی قیمت سهام در بورس اوراق بهادار با استفاده از مدل ترکیبی مبتنی بر شبکه عصبی بازگشتی و سیستم استنتاج عصبی فازی سازگار و سیستم خبره فازی. مهندسی مالی و مدیریت اوراق بهادار، 46: 557-540
    3. Christensen, K., Siggaard, M., & Veliyev, B. (2023). A machine learning approach to volatility forecasting. Journal of Financial Econometrics, 21(5), 1680-1727.‏
    4. Chen, W., Kong, F., Mei, F., Yuan, G., & Li, B. A(2017). novel unsupervised anomaly detection approach for intrusion detection system. In 2017 ieee 3rd international conference on big data security on cloud (bigdatasecurity), IEEE international conference on high performance and smart computing (hpsc), and IEEE international conference on intelligent data and security (ids) (pp. 69-73).
    5. Correia, F., Madureira, A. M., & Bernardino, J. (2022). Deep Neural Networks applied to stock market sentiment analysis. Sensors, 22(12), 4409.
    6. Jing, N., Wu, Z., & Wang, H. (2021). A hybrid model integrating deep learning with investor sentiment analysis for stock price prediction. Expert Systems with Applications, 178, 115019.
    7. Koijen, R. S., & Yogo, M. (2022). The fragility of market risk insurance. The Journal of Finance, 77(2), 815-862.‏
    8. Kim, H. Y., & Won, C. H. (2018). Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models. Expert Systems with Applications, 103, 25-37.
    9. Katsafados, A. G., Nikoloutsopoulos, S., & Leledakis, G. N. (2023). Twitter sentiment and stock market: a COVID-19 analysis. Journal of Economic Studies, 50(8), 1866-1888.
    10. Niu, Z., Wang, C., & Zhang, H. (2023). Forecasting stock market volatility with various geopolitical risks categories: new evidence from machine learning models. International Review of Financial Analysis, 89, 102738.‏
    11. Ncume, V., van Zyl, T. L., & Paskaramoorthy, A. (2022). Volatility forecasting using Deep Learning and sentiment analysis. arXiv preprint arXiv:2210.12464.
    12. Pattanayak, A. M., Swetapadma, A., & Sahoo, B. (2024). Exploring different dynamics of recurrent neural network methods for stock market prediction-a comparative study. Applied Artificial Intelligence, 38(1), 2371706.
    13. Quaedvlieg, R., Bollerslev, T., Li, J., & Patton, A. J. (2020). Realized Semicovariances. Econometrica, 88(4), 1515-1551.
    14. Ren, R., D. D. Wu, and T. Liu. (2018). Forecasting stock market movement direction using sentiment analysis and support vector machine. IEEE Systems Journal, 13 (1):760–70. 
    15. Sigauke, C., Moroke, N., Makatjane, K., & Shoko, C. (2025). A deep learning forecasting of downside risk: application of a combined ESRNN-VAE. Frontiers in Applied Mathematics and Statistics, 11, 1662252.‏
    16. Shiri, F. M., Perumal, T., Mustapha, N., & Mohamed, R. (2023). A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU. arXiv preprint arXiv:2305.17473.
    17. Shaban, W. M., E. Ashraf, and A. E. Slama. (2024). SMP-DL: A novel stock market prediction approach based on deep learning for effective trend forecasting. Neural Computing and Applications, 36 (4):18–73.
    18. Xing, F. Z., Cambria, E., & Zhang, Y. (2019). Sentiment-aware volatility forecasting. Knowledge-Based Systems, 176, 68-76.
    19. Zhao, A., Wang, X., Wu, X., & Mei, X. (2025). Forecasting the volatility index using Real-Time Realized EGARCH-FHS model. Applied Economics, 1-19.
    20. Zou, J., J. Lou, B. Wang, and S. Liu). 2024(. A novel deep reinforcement learning based automated stock trading system using cascaded LSTM networks. Expert Systems with Applications 242:122801.