دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 16 1 2026 04 21 Enhanced Index Tracking via Omega-CVaR Optimization: A Downside Risk Perspective ردیابی بهبودیافته شاخص از طریق بهینه‌سازی Omega-CVaR: با رویکرد کنترل ریسک نامطلوب 9 37 106955 10.48308/jfmp.2026.243653.1578 FA مهدی دهقانی اشکذری گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران 0000-0002-1144-8287 سعید فلاح‌پور گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران 0009-0008-6291-8964 علی نمکی گروه مهندسی مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران 0000-0001-8631-1616 فرهاد رهبر دانشکده اقتصاد، دانشگاه تهران، تهران، ایران Journal Article 2026 02 20 Introduction: This study aims to develop and evaluate a novel portfolio optimization framework for enhanced index tracking. Enhanced index tracking is an intermediate strategy between active and passive portfolio management, in which the goal is to construct a portfolio from the constituents of a benchmark index so as to closely follow the index while achieving returns above the benchmark. The main objective is to jointly pursue “return enhancement” and “strict control of tail risk” in financial markets where returns may exhibit skewness, excess kurtosis, and extreme events. In such environments, relying solely on conventional variance-based risk measures may underestimate downside risks and thereby expose portfolio-weighting decisions to substantial losses. The proposed framework employs the Omega ratio as a distribution-based performance measure and Conditional Value at Risk (CVaR) as a downside risk control metric, with the aim of generating excess returns over the benchmark while enhancing the portfolio’s resilience to severe losses.Methods: The proposed framework is formulated as an Omega–CVaR optimization problem. The objective function maximizes the Omega ratio of the tracking portfolio in order to improve the ratio of returns above a specified threshold to losses below that threshold. Simultaneously, CVaR is imposed as a constraint to control downside risk by limiting the mean of large losses in the tail of the return distribution. Operational constraints include full investment, minimum/maximum weight bounds of 0% and 50% to prevent excessive concentration, and asset selection restricted to the constituents of the benchmark index. The empirical assessment is conducted using 30 rolling time windows; in each iteration, 52 weeks of in-sample data are used for estimation and 12 weeks of out-of-sample data are used for performance evaluation. The study period spans approximately eight years (from late January 2018 to late December 2025), and the results are compared with those of the Tehran Exchange Price Index (TEPIX) and a competing model based on conventional constraints/objectives.Finding: The results indicate that the Omega–CVaR framework delivers a substantial long-term advantage in terms of cumulative returns relative to both the TEPIX and the competing model. The cumulative return of the proposed portfolio is reported at 2,546%, compared with 1,350% for the TEPIX. Analyzing the time path of performance across rolling windows shows that the primary advantage of the model does not necessarily stem from “persistent weekly outperformance,” but rather from two complementary mechanisms. First, the CVaR constraint, by limiting the average losses beyond the confidence level, reduces the depth of drawdowns during bearish phases. Second, maximizing the Omega ratio leads to a weight allocation that increases the share of desirable returns relative to undesirable losses, enabling the portfolio to better exploit the “compounding effect” during recovery periods following downturns. Nonetheless, statistical tests reveal that at weekly horizons, the model’s outperformance relative to the TEPIX and competing models is not consistently and significantly confirmed. This pattern is consistent with the defensive nature of the portfolio, as evidenced by an average beta of about 0.43, indicating lower sensitivity to market fluctuations than the TEPIX.Conclusions: The findings suggest that the Omega–CVaR framework is an effective tool for enhanced index tracking in volatile markets characterized by extreme risks. Although statistically significant short-term outperformance is not observed, effective control of severe losses and reinforcement of the compounding effect can ultimately lead to higher cumulative returns over the long run. This strategy is particularly recommended for investors seeking lower risk and greater stability in their portfolios, especially in markets with non-normal return distributions. هدف: این پژوهش با هدف توسعه و ارزیابی چارچوبی نوین در بهینه‌سازی پرتفوی به‌منظور ردیابی بهبودیافته شاخص است. ردیابی بهبودیافته شاخص راهبردی میان مدیریت فعال و غیرفعال پرتفوی است که در آن هدف تشکیل پرتفویی از سهام موجود در یک شاخص ضمن حفظ حرکت شاخص و در عین حال، کسب بازده‌ای فراتر از بازده شاخص است. درواقع هدف اصلی، تلفیق «کسب بازده» با «کنترل سخت‌گیرانه ریسک دنباله‌ای» در بازارهای مالی است که بازده‌ها می‌توانند چولگی، کشیدگی و رخدادهای حدی داشته باشند. بر این اساس، اتکای صرف به معیارهای متعارف مبتنی بر واریانس ممکن است ریسک‌های نامطلوب را کم‌برآورد کند و درنتیجه تصمیم‌های وزن‌دهی مبتنی بر آن، پرتفوی را در معرض زیان‌های سنگین قرار دهد. چارچوب پیشنهادی با استفاده از نسبت امگا (Omega Ratio) به‌عنوان معیار کارایی مبتنی بر توزیع و ارزش در معرض ریسک شرطی (CVaR) به‌عنوان معیار کنترل ریسک نامطلوب، تلاش می‌کند ضمن کسب بازده مازاد بر شاخص معیار، مقاومت پرتفوی را در برابر زیان‌های شدید افزایش دهد.روش‌: چارچوب پیشنهادی به‌صورت یک مسئله بهینه‌سازی Omega–CVaR تعریف می‌شود. تابع هدف، بیشینه‌سازی نسبت امگا برای پرتفوی ردیاب است تا نسبت بازده‌های بالاتر از سطح آستانه به زیان‌های پایین‌تر از آستانه بهبود یابد. هم‌زمان، ارزش در معرض ریسک شرطی (CVaR) به‌عنوان قید کنترل ریسک نامطلوب اعمال می‌شود تا میانگین زیان‌های بزرگ در ناحیه دنباله توزیع بازده محدود گردد. قیود عملیاتی شامل سرمایه‌گذاری کامل، کران‌های حداقل/حداکثر وزن به‌ترتیب صفر و پنجاه درصد برای جلوگیری از تمرکز و انتخاب دارایی‌ها از میان سهام تشکیل‌دهنده سبد مرجع در نظر گرفته می‌شود. ارزیابی تجربی با ۳۰ پنجره زمانی غلتان انجام می‌گیرد؛ در هر تکرار، ۵۲ هفته داده داخل‌نمونه برای برآورد و ۱۲ هفته داده خارج‌نمونه برای سنجش عملکرد استفاده می‌شود. دوره بررسی حدود هشت سال (از ابتدای بهمن ۱۳۹۶ تا پایان آذر ۱۴۰۴) بوده و نتایج با شاخص قیمتی بورس تهران و مدل رقیب مبتنی بر قیود/اهداف مرسوم مقایسه می‌شود.یافته‌ها: نتایج نشان داد که چارچوب Omega-CVaR در افق بلندمدت، برتری قابل‌ملاحظه‌ای در بازده تجمعی نسبت به شاخص قیمتی بورس تهران و مدل رقیب ایجاد کرده است. بازده تجمعی پرتفوی پیشنهادی ۲,۵۴۶ درصد و بازده تجمعی شاخص قیمتی بورس تهران ۱,۳۵۰ درصد گزارش شد. تحلیل مسیر زمانی عملکرد در پنجره‌های غلتان بیانگر آن بود که مزیت اصلی مدل لزوماً به «برتری هفتگی پایدار» وابسته نیست، بلکه از دو سازوکار مکمل ناشی می‌شود: اول، قید CVaR با محدود کردن میانگین زیان‌های فراتر از سطح اطمینان، عمق افت‌های پرتفوی را در فازهای نزولی کاهش می‌دهد. دوم، بیشینه‌سازی نسبت امگا باعث تخصیص وزن‌ها به گونه‌ای می‌شود که سهم بازده‌های مطلوب نسبت به زیان‌های نامطلوب افزایش یابد و پس از دوره‌های نزولی، پرتفوی امکان بهره‌گیری بهتر از «اثر ترکیب سود» را در دوره‌های بازیابی پیدا کند. با این حال، ارزیابی‌های آماری نشان داد که در افق‌های هفتگی، برتری مدل نسبت به شاخص قیمتی بورس تهران و مدل‌های رقیب به صورت معنادار و یکنواخت تأیید نمی‌شود. این امر با ماهیت تدافعی پرتفوی سازگار است؛ به‌طوری‌که ضریب بتای میانگین حدود ۰٫۴۳ به دست آمده و حساسیت پرتفوی به نوسانات بازار را پایین‌تر از شاخص قیمتی بورس تهران نشان می‌دهد.نتیجه‌گیری: یافته‌ها نشان می‌دهد چارچوب Omega-CVaR ابزاری کارآمد برای ردیابی بهبودیافته شاخص در محیط‌های مالی پرنوسان و دارای ریسک‌های حدی است. هرچند برتری معنادار آماری در کوتاه‌مدت مشاهده نمی‌شود، کنترل مؤثر زیان‌های شدید و تقویت اثر ترکیب سود می‌تواند در نهایت به انباشت بازده تجمعی بالاتر در بلندمدت منجر شود. این راهبرد به سرمایه‌گذارانی که به‌دنبال کاهش ریسک و پایداری بیشتر در پرتفوی خود هستند، به‌ویژه در بازارهای با توزیع بازده نامتعارف، توصیه می‌شود.

https://jfmp.sbu.ac.ir/article_106955_7740e4a727ad04dc4ffed0580be5fcdb.pdf

دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 16 1 2026 04 21 Identifying Behavioral Biases Affecting Fund Performance in Investment Fund Managers شناسایی سویه‌های رفتاری مؤثر بر عملکرد صندوق‌ها در مدیران صندوق‌های سرمایه‌گذاری 38 54 107047 10.48308/jfmp.2026.243618.1577 FA مهدی همراهی خیرالدین دانشجوی دکتری، گروه اقتصاد، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران رویا آل عمران دانشیار، گروه اقتصاد، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران 0000-0001-9796-5340 محمد نصیری استادیار، گروه حسابداری و مدیریت، واحد شبستر، دانشگاه آزاد اسلامی، شبستر، ایران حسین بوداقی خواجه‌نوبر استادیار، گروه بازاریابی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران Journal Article 2026 02 17 Introduction: Behavioral biases of investment fund managers can have significant negative impacts on fund performance, and to reduce these impacts, fund managers can use advanced analytical tools, structured decision-making processes, and training related to financial psychology. Also, investors can choose more efficient and rationally managed funds by being aware of these aspects. These assessments not only help investors in selecting appropriate funds, but also help managers in improving performance and reducing the negative effects of biased behaviors. Identifying behavioral biases of investment fund managers can also help investors in selecting appropriate funds and reducing the risks arising from incorrect decisions. This issue requires more extensive research and the use of new analytical methods, and in this regard, the present study was conducted with the aim of identifying behavioral biases affecting fund performance in investment fund managers. Methods: The present study is of fundamental and exploratory purpose and the data collection stage is of the library-field type with a qualitative method with a content analysis approach. The participants in this study were 20 experts from investment funds who were selected with a purposeful method based on the conditions of expertise. The resources used in the library section included specialized books in the field of finance and behavioral finance, scientific-research articles published in reputable domestic and foreign journals, academic theses and dissertations, official reports and electronic resources and reputable scientific databases. In the field section, the behavioral biases of managers were identified and localized using the Delphi method and the participation of a panel of experts. The content analysis method and the implementation of the Delphi approach were also used to analyze the data. Also, in order to ensure the reliability and stability of coding, multiple coders were used and the level of agreement between them was calculated. Results and discussion: After the initial identification of 80 behavioral trends in the form of 12 main criteria, the collected data were presented to the selected experts of the 80 behavioral trends identified, 54 trends were able to achieve the initial consensus criterion (mean ≥ 3.5). In the second round, the results and average opinions of the first round were given feedback to the experts. They were then asked to evaluate the trends again. At this stage, 68 behavioral trends were able to achieve the consensus criterion and only 12 trends remained outside the consensus range. In the third round, the focus was on final consolidation of consensus and elimination of ambiguous cases. The results showed that at this stage, 72 behavioral biases were agreed upon by experts in the form of 12 final criteria, which include cognitive biases, emotional biases, personality biases, market biases, risk biases, experiential biases, communication biases, time biases, strategic biases, organizational biases, ethical biases and reporting and informational biases. Conclusions: While confirming the prominent role of behavioral factors in the performance of investment funds, the present study highlights the importance of a combined view of managers' decisions; meaning that combining financial engineering tools with behavioral analysis can reduce the gap between actual decisions and optimal decisions. Thus, this study can provide fund managers, investors, regulatory institutions, and financial policymakers with valuable guidance to improve the decision-making process and enhance the performance of investment funds. مقدمه: سویه‌های رفتاری مدیران صندوق‌های سرمایه‌گذاری می‌توانند تأثیرات منفی قابل توجهی بر عملکرد صندوق‌ها داشته باشند و برای کاهش این تأثیرات، مدیران صندوق‌ها می‌توانند از ابزارهای تحلیلی پیشرفته، فرآیندهای تصمیم‌گیری ساختاریافته و آموزش‌های مرتبط با روانشناسی مالی استفاده کنند. همچنین، سرمایه‌گذاران نیز می‌توانند با آگاهی از این سویه‌ها، صندوق‌هایی با مدیریت کارآمدتر و منطقی‌تر را انتخاب کنند. این ارزیابی‌ها نه تنها به سرمایه‌گذاران در انتخاب صندوق‌های مناسب کمک می‌کند، بلکه به مدیران نیز در بهبود عملکرد و کاهش تأثیرات منفی رفتارهای سوگیرانه یاری می‌رساند. شناسایی سویه‌های رفتاری مدیران صندوق‌های سرمایه‌گذاری همچنین می‌تواند به سرمایه‌گذاران در انتخاب صندوق‌های مناسب و کاهش ریسک‌های ناشی از تصمیم‌گیری‌های نادرست کمک کند. این موضوع نیازمند تحقیقات گسترده‌تر و استفاده از روش‌های نوین تحلیلی است که در همین راستا پژوهش حاضر با هدف شناسایی سویه‌های رفتاری مؤثر بر عملکرد صندوق‌ها در مدیران صندوق‌های سرمایه‌گذاری انجام شد. روش‌ها: پژوهش حاضر از نوع هدف بنیادی و اکتشافی است و در مرحله گردآوری داده‌ها از نوع کتابخانه‌ای-میدانی با روش کیفی با رویکرد تحلیل محتوا است. شرکت‌کنندگان در این پژوهش 20 نفر از خبرگان صندوق‌های سرمایه‌گذاری بودند که با روش هدفمند و مبتنی بر شرایط احراز خبرگی انتخاب شدند. منابع مورد استفاده در بخش کتابخانه‌ای شامل کتاب‌های تخصصی در حوزه مالی و مالی رفتاری، مقالات علمی–پژوهشی منتشرشده در مجلات معتبر داخلی و خارجی، پایان‌نامه‌ها و رساله‌های دانشگاهی، گزارش‌های رسمی و منابع الکترونیکی و پایگاه‌های علمی معتبر بود و در بخش میدانی نیز با بهره‌گیری از روش دلفی و مشارکت پانلی از خبرگان، به شناسایی و بومی‌سازی سویه‌های رفتاری مدیران پرداخته شد و برای تجزیه و تحلیل داده‌ها نیز از روش تحلیل محتوا و پیاده‌سازی رویکرد دلفی استفاده شد. همچنین به‌منظور تضمین قابلیت اتکا و ثبات کدگذاری، از چند کدگذار استفاده و میزان توافق بین آن‌ها محاسبه شد. یافته‌ها: پس از شناسایی اولیه ۸۰ سویه رفتاری در قالب ۱۲ معیار اصلی، داده‌های گردآوری‌شده به خبرگان انتخاب‌شده ارائه شد. از میان ۸۰ سویه رفتاری شناسایی‌شده، تعداد ۵۴ سویه توانستند معیار اجماع اولیه (میانگین ≥ 3.5) را کسب کنند. در راند دوم، نتایج و میانگین نظرات راند اول به خبرگان بازخورد داده شد. سپس از آنان خواسته شد بار دیگر به ارزیابی سویه‌ها بپردازند. در این مرحله، تعداد ۶۸ سویه رفتاری توانستند معیار اجماع را کسب کنند و فقط ۱۲ سویه خارج از دامنه اجماع باقی ماندند. در راند سوم، تمرکز بر تثبیت نهایی اجماع و حذف موارد مبهم بود. نتایج نشان داد در این مرحله ۷۲ سویه رفتاری در قالب ۱۲ معیار نهایی مورد توافق خبرگان قرار گرفت که شامل سوگیری‌های شناختی، سوگیری‌های هیجانی، سوگیری‌های شخصیتی، سوگیری‌های بازاری، سوگیری‌های ریسکی، سوگیری‌های تجربی، سوگیری‌های ارتباطی، سوگیری‌های زمانی، سوگیری‌های استراتژیک، سوگیری‌های سازمانی، سوگیری‌های اخلاقی و سوگیری‌های گزارش‌دهی و اطلاعاتی می‌باشد. نتیجه‌گیری: پژوهش حاضر ضمن تأیید نقش پررنگ عوامل رفتاری در عملکرد صندوق‌های سرمایه‌گذاری، اهمیت نگاه ترکیبی به تصمیمات مدیران را برجسته می‌سازد؛ به این معنا که ترکیب ابزارهای مهندسی مالی با تحلیل‌های رفتاری می‌تواند فاصله بین تصمیمات واقعی و تصمیمات بهینه را کاهش دهد. بدین ترتیب، این پژوهش می‌تواند برای مدیران صندوق‌ها، سرمایه‌گذاران، نهادهای ناظر و سیاست‌گذاران مالی، راهنمای ارزشمندی برای بهبود فرآیند تصمیم‌گیری و ارتقای عملکرد صندوق‌های سرمایه‌گذاری فراهم آورد.

https://jfmp.sbu.ac.ir/article_107047_cda263f391285c7e2644c4ee61e8a81c.pdf

دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 16 1 2026 04 21 Robust Portfolio Optimization Based on Conditional Value-at-Risk Using GJR-GARCH and Asymmetric Dependence بهینه سازی پایدار پرتفوی مبتنی بر ارزش در معرض ریسک شرطی با استفاده از GJR-GARCH و توابع کاپولا 55 80 107207 10.48308/jfmp.2026.243687.1580 FA سید رامین ابوالفضلی مهندسی مالیِ،دانکشده اقتصاد و مدیریت،دانشگاه سمنان، سمنان،ایران غلامحسین گل ارضی گروه مدیریت و اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه سمنان، سمنان، ایران. 0000-0002-0677-7422 فرید تندنویس گروه بازارها و نهادهای مالی، دانشکده حسابداری و علوم مالی، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. 0009-0001-0702-6989 Journal Article 2026 02 23 Emerging financial markets are characterized by asymmetric volatility, heavy-tailed return distributions, and nonlinear dependence structures, which pose significant challenges for risk measurement and portfolio optimization. Traditional mean–variance frameworks based on normality assumptions often fail to adequately capture the true nature of financial risk, particularly during periods of market distress and extreme fluctuations. Consequently, portfolio allocation decisions based solely on variance-based measures may underestimate downside risk and lead to suboptimal investment outcomes. This study proposes an empirical framework for portfolio optimization based on Conditional Value-at-Risk (CVaR) and provides a comparative evaluation of standard and robust optimization approaches in the context of the Iranian stock market. The analysis is conducted using daily returns of ten major industry sectors listed on the Tehran Stock Exchange over the period 2015–2025. In the first stage, GJR-GARCH models are employed to capture conditional heteroskedasticity, volatility clustering, and leverage effects and to extract standardized residuals. The empirical results confirm the existence of asymmetric volatility dynamics across most industries, indicating that negative shocks exert a stronger impact on volatility than positive shocks of similar magnitude. Subsequently, Extreme Value Theory (EVT) is applied to model extreme downside risks. The EVT estimates reveal substantial heterogeneity in tail risk across industries, suggesting that exposure to severe losses differs considerably among sectors and highlighting the limitations of conventional risk measures based on normality assumptions. To model nonlinear dependence among industry returns, Archimedean copulas, including Clayton, Frank, and Gumbel specifications, are estimated. The results indicate that dependence structures among industries are not purely linear and that tail dependence plays an important role in the transmission of market risk. Based on the estimated copula structures, joint return scenarios are generated and incorporated into two portfolio optimization frameworks: Mean–CVaR and Robust-CVaR. The optimization results show that the robust framework produces a more balanced allocation of portfolio weights and a higher degree of diversification than the classical Mean–CVaR approach. While the conventional model tends to concentrate portfolio weights in a limited number of sectors, the robust framework reduces sensitivity to estimation errors and parameter uncertainty. In-sample evidence further indicates improvements in risk-adjusted performance under the Robust-CVaR specification. To assess the robustness and generalizability of the findings, an out-of-sample evaluation based on six expanding rolling windows covering the period 2020–2025 is conducted. The results demonstrate that the robust portfolio performs similarly to or better than the classical portfolio in most evaluation periods and consistently achieves higher Sharpe ratios under the Clayton copula specification. Moreover, the rolling-window analysis reveals that copula dependence parameters vary over time, providing empirical evidence of parameter instability and uncertainty in the portfolio construction process. Overall, the findings suggest that integrating GJR-GARCH, Extreme Value Theory, Archimedean copulas, and robust CVaR optimization provides a coherent framework for risk measurement, dependence modeling, and portfolio construction in emerging financial markets. The results also underscore the importance of accounting for asymmetric dependence structures and parameter uncertainty in asset allocation decisions and demonstrate that robust portfolio optimization can improve portfolio stability while mitigating the adverse effects of estimation errors. بازارهای مالی نوظهور به‌دلیل وجود نوسانات نامتقارن، رفتار دنباله‌های سنگین و وابستگی‌های غیرخطی میان دارایی‌ها، با چالش‌های اساسی در سنجش ریسک و تشکیل پرتفوی بهینه مواجه هستند. چارچوب‌های سنتی مبتنی بر میانگین–واریانس و فروض توزیع نرمال، به‌ویژه در شرایط وقوع شوک‌های شدید بازار، قادر به انعکاس دقیق ریسک‌های واقعی نیستند. هدف پژوهش حاضر ارائه یک چارچوب تجربی برای بهینه‌سازی پرتفوی بر مبنای معیار ارزش در معرض ریسک شرطی (CVaR) و مقایسه عملکرد رویکردهای استاندارد و پایدار در بازار سرمایه ایران است. برای این منظور، بازده روزانه ده صنعت منتخب بورس تهران طی دوره زمانی ۱۳۹۴ تا ۱۴۰۴ مورد بررسی قرار گرفت. در مرحله نخست، مدل GJR-GARCH برای استخراج نوسانات شرطی و باقیمانده‌های استانداردشده به کار گرفته شد. نتایج این بخش وجود ناهمسانی واریانس شرطی، خوشه‌بندی نوسان و اثرات نامتقارن شوک‌های مثبت و منفی را در اغلب صنایع تأیید کرد. سپس با استفاده از نظریه مقدار حدی (EVT)، رفتار دنباله‌های افراطی بازده‌ها مدل‌سازی شد. یافته‌های این مرحله نشان داد که شدت ریسک دنباله‌ای در میان صنایع یکسان نبوده و برخی صنایع در معرض زیان‌های حدی شدیدتری قرار دارند. این موضوع ضرورت استفاده از معیارهای ریسک پایین‌دست نظیر CVaR را نسبت به معیارهای مبتنی بر واریانس آشکار می‌سازد. به‌منظور بررسی وابستگی‌های غیرخطی میان صنایع، از کاپولاهای ارشمیدسی کلایتون، فرانک و گامبل استفاده شد. نتایج نشان داد که ساختار وابستگی میان صنایع صرفاً خطی نبوده و وجود وابستگی‌های دنباله‌ای در دوره‌های بحرانی و رونق بازار قابل مشاهده است. بر اساس ساختار وابستگی برآوردشده، سناریوهای مشترک بازده تولید و مسئله بهینه‌سازی پرتفوی در دو چارچوب Mean-CVaR و Robust-CVaR حل شد. نتایج بهینه‌سازی نشان داد که رویکرد پایدار در مقایسه با مدل کلاسیک به توزیع متوازن‌تر اوزان و افزایش تنوع‌بخشی در پرتفوی منجر می‌شود. همچنین نتایج درون‌نمونه‌ای بیانگر بهبود معیارهای عملکرد مبتنی بر ریسک در چارچوب Robust-CVaR بود. به‌منظور ارزیابی قابلیت تعمیم نتایج، از آزمون برون‌نمونه‌ای مبتنی بر شش پنجره غلتان طی سال‌های ۱۳۹۹ تا ۱۴۰۴ استفاده شد. یافته‌ها نشان داد که پرتفوی پایدار در اغلب پنجره‌های آزمون عملکردی برابر یا بهتر از مدل کلاسیک داشته و در ساختار وابستگی کلایتون در تمامی پنجره‌های آزمون نسبت شارپ بالاتری کسب کرده است. افزون بر این، نتایج پنجره‌های غلتان نشان داد که پارامترهای وابستگی در طول زمان ثابت نبوده و تغییرات معناداری را تجربه می‌کنند که بیانگر وجود عدم‌قطعیت پارامتری در فرآیند تشکیل پرتفوی است. به‌طور کلی، نتایج پژوهش نشان می‌دهد که ترکیب مدل GJR-GARCH، نظریه مقدار حدی، کاپولاهای ارشمیدسی و بهینه‌سازی پایدار مبتنی بر CVaR می‌تواند چارچوبی منسجم برای اندازه‌گیری ریسک، مدل‌سازی وابستگی و تشکیل پرتفوی در بازارهای مالی نوظهور فراهم آورد. نتایج همچنین اهمیت در نظر گرفتن وابستگی‌های نامتقارن در فرآیند تخصیص دارایی را نشان می‌دهد. یافته‌ها همچنین مؤید آن است که لحاظ عدم‌قطعیت پارامتری می‌تواند به بهبود پایداری عملکرد پرتفوی و کاهش حساسیت آن نسبت به خطاهای برآوردی منجر شود.

https://jfmp.sbu.ac.ir/article_107207_32805bcee09752157904dae9b7e3379f.pdf

دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 16 1 2026 04 21 Sustainability Disclosure and Corporate Financial Flexibility: Moderating Role of Economic Policy Uncertainty افشای پایداری و انعطاف‌پذیری مالی شرکت: اثر تعدیلی عدم اطمینان سیاست اقتصادی 81 100 107208 10.48308/jfmp.2026.244149.1586 FA علی محمد عبید المسعودی دانشجوی دکتری، گروه حسابداری، دانشکده علوم اقتصادی و اجتماعی، دانشگاه بوعلی سینا، همدان، ایران، 0000-0003-2331-1816 مهدی کاظمی علوم استادیار، گروه حسابداری، دانشکده علوم اقتصادی و اجتماعی، دانشگاه بوعلی‌سینا، همدان، ایران 0009-0000-7252-5189 محسن ختن لو استادیار، گروه حسابداری، دانشکده علوم اقتصادی و اجتماعی، دانشگاه بوعلی سینا، همدان، ایران، 0000-0002-9772-4325 Journal Article 2026 05 03 Abstract Purpose: Corporate sustainability reporting, which involves disclosing the outcomes of environmental, social, and governance (ESG) activities, has become increasingly important over the past two decades. Consequently, studying the causes and financial consequences of corporate sustainability reporting has also grown significantly within the fields of finance and accounting. The disclosure of this information, which is generally non-financial, has influenced corporate characteristics and investor decision-making, thereby becoming an interdisciplinary research area. The aim of this study is to investigate the relationship between sustainability (activities) disclosure and corporate financial flexibility, with an emphasis on the moderating effect of economic policy uncertainty. Methodology: The target statistical population was selected under certain conditions for statistical analysis, consisting of 101 companies over the period from 2013 to 2024 (1392–1403 in the Persian calendar), totaling 1,212 firm-year observations. Multiple regression models were used to test the hypotheses. The models were estimated using a cross-sectional fixed-effects approach as the primary method, and a complementary approach using year- and industry-fixed effects with cluster correction (to mitigate the effects of heteroscedasticity and autocorrelation on the calculation of regression coefficients) was employed as a robustness check. Findings: The results of the statistical analyses of the hypotheses showed that sustainability disclosure (ESG) has a direct and significant relationship with the level of corporate financial flexibility. Furthermore, the findings confirmed the significant moderating effect of economic policy uncertainty on the relationship between sustainability disclosure and financial flexibility, such that economic policy uncertainty weakens the relationship between sustainability disclosure and the level of financial flexibility. The findings from additional tests also support the main results and confirm the robustness of the findings. Conclusion: The findings of this study, while confirming a positive and significant relationship between sustainability disclosure (ESG) and financial flexibility, show that economic policy uncertainty significantly weakens this relationship. This result is of double significance from a theoretical perspective. On the one hand, it supports signaling theory and instrumental stakeholder theory, according to which the disclosure of sustainability information increases a firm's financial resources by reducing information asymmetry and gaining stakeholder trust. On the other hand, the weakening effect of economic policy uncertainty aligns with real options theory, which predicts that under conditions of high uncertainty, firms tend to postpone investments in long-term projects, including sustainability activities, and preserve their liquidity. From a practical perspective, these results warn corporate managers that during periods of high economic uncertainty, relying solely on sustainability disclosure to improve financial flexibility is insufficient, and complementary strategies such as increasing cash reserves and diversifying financing sources must also be pursued. Furthermore, for investors and financial analysts, this finding indicates that under conditions of economic recession or instability, strong ESG performance alone cannot guarantee a firm's financial flexibility, and simultaneous assessment of environmental uncertainty indicators is essential. At the policy level, governments and regulatory bodies should be aware that promoting sustainability disclosure during periods of economic instability, without concurrently reducing policy uncertainty, may not lead to desirable outcomes. Thus, by revealing the weakening role of economic policy uncertainty, this study expands the existing knowledge frontiers in corporate sustainability and opens new avenues for future research on the interaction between macroeconomic risks and firm-level strategies. چکیده هدف: گزارشگری پایداری شرکتی شامل افشای نتایج فعالیت‌های زیست محیطی، اجتماعی و حاکمیتی در طی دو دهه اخیر حائز اهمیت فزاینده‌ای شده است. در نتیجه بررسی علل و پیامدهای مالی گزارشگری پایداری شرکتی در پژوهش‌های مالی و حسابداری نیز رشد قابل توجهی داشته است. افشای این اطلاعات که عموما غیرمالی هستند؛ بر ویژگی‌های شرکتی و تصمیم‌گیری‌های سرمایه‌گذاران اثرگذار بوده است. بر این اساس هدف پژوهش حاضر بررسی رابطه بین افشای (فعالیت‌های) پایداری و میزان انعطاف‌پذیری مالی شرکت با تاکید بر اثر تعدیل‌گری عدم اطمینان سیاست اقتصادی بوده است. روش: جامعه آماری هدف با رعایت برخی شروط برای تجزیه و تحلیل آماری انتخاب شدند که 101 شرکت در بازه زمانی 1392 تا 1403 و در مجموع 1212 مشاهده (سال – شرکت) بودند. برای آزمون فرضیه‌ها نیز از مدل‌های رگرسیونی چندگانه استفاده شده است. مدل‌ها با رویکرد اثرات ثابت مقطعی به عنوان روش اصلی و رویکرد کنترل اثرات ثابت سال‌ها و صنایع با تصحیح خوشه‌ای (جهت کاهش اثرات ناهمسانی واریانس و عدم خودهمبستگی بر محاسبه ضرایب رگرسیونی) به عنوان رویکرد مکمل برازش شد تا استحکام نتایج مورد آزمون واقع شود. یافته‌ها: نتایج تجزیه و تحلیل‌های آماری فرضیه‌ها نشان داد افشای پایداری ارتباط مستقیم و معناداری با میزان انعطاف‌پذیری مالی شرکت دارد. همچنین یافته‌ها موید اثر تعدیلی معنادار عدم اطمینان سیاست اقتصادی در رابطه بین افشای پایداری و میزان انعطاف‌پذیری مالی بود؛ به طوری که عدم اطمینان سیاست اقتصادی رابطه بین افشای پایداری و میزان انعطاف‌پذیری مالی را تضعیف می‌کند. یافته‌های حاصل از آزمون‌های تکمیلی نیز موید نتایج اصلی و استحکام نتایج است. نتیجه‌گیری: یافته‌های این پژوهش ضمن تأیید رابطه مثبت و معنادار بین افشای پایداری و انعطاف‌پذیری مالی، نشان می‌دهد که عدم اطمینان سیاست اقتصادی به طور معناداری این رابطه را تضعیف می‌کند. این نتیجه از نظر تئوریک دارای اهمیت مضاعف است؛ از یک سو، نظریه علامت‌دهی و نظریه ذی‌نفعان ابزاری را تأیید می‌کند که بر اساس آن، افشای اطلاعات پایداری از طریق کاهش عدم تقارن اطلاعاتی و جلب اعتماد ذی‌نفعان، منابع مالی بنگاه را افزایش می‌دهد. از سوی دیگر، یافته تضعیف‌کنندگی عدم اطمینان سیاست اقتصادی، با نظریه اختیار واقعی همسو است که پیش‌بینی می‌کند در شرایط ابهام بالا، بنگاه‌ها تمایل دارند سرمایه‌گذاری در پروژه‌های بلندمدت از جمله فعالیت‌های پایداری را به تعویق انداخته و نقدینگی خود را حفظ کنند. از منظر عملی، این نتایج به مدیران بنگاه‌ها هشدار می‌دهد که در دوره‌های عدم اطمینان اقتصادی بالا، صرفاً اتکا به افشای اطلاعات پایداری برای بهبود انعطاف‌پذیری مالی کافی نیست و باید راهکارهای مکملی نظیر افزایش ذخایر نقدی و تنوع بخشیدن به منابع تأمین مالی را نیز در دستور کار قرار دهند. همچنین برای سرمایه‌گذاران و تحلیلگران مالی، این یافته حاکی از آن است که در شرایط رکود یا بی‌ثباتی اقتصادی، عملکرد خوب ESG نمی‌تواند به تنهایی تضمین کننده انعطاف‌پذیری مالی بنگاه باشد و ارزیابی همزمان شاخص‌های عدم اطمینان محیطی ضروری است. در سطح سیاست‌گذاری نیز، دولت‌ها و نهادهای ناظر باید توجه داشته باشند که ترویج افشای پایداری در شرایط بی‌ثباتی اقتصادی، بدون کاهش همزمان عدم اطمینان سیاستی، نمی‌تواند به نتایج مطلوب منجر شود. به این ترتیب، پژوهش حاضر با آشکارسازی نقش تضعیف کننده عدم اطمینان سیاست اقتصادی، مرزهای دانش موجود در زمینه پایداری شرکتی را گسترش داده و مسیرهای جدیدی را برای پژوهش‌های آتی در زمینه تعامل بین ریسک‌های کلان اقتصادی و راهبردهای سطح بنگاه می‌گشاید.

https://jfmp.sbu.ac.ir/article_107208_f1c83fc204a5b320bc1d9db5693bc754.pdf

دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 16 1 2026 04 21 Dynamic Portfolio Management in Cryptocurrency Markets: A Deep Reinforcement Learning Approach with a Risk-Sensitive Adaptive Agent Framework مدیریت پویای پرتفوی رمز ارزها با استفاده از یادگیری تقویتی عمیق و چارچوب عامل تطبیقی حساس‌به‌ریسک 101 131 107259 10.48308/jfmp.2026.243005.1564 FA سعید ایزی دانشکده حسابداری و مالی 0009-0007-4492-2575 عبدالرسول مستاجران عضو هیات علمی دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران 0009-0001-0916-0110 Journal Article 2025 12 24 Purpose: This study aims to propose and evaluate a dynamic framework for portfolio optimization in cryptocurrency markets that ensures an effective balance between return maximization and risk control under conditions of high volatility. The primary objective is to develop a risk-sensitive adaptive agent that integrates multiple baseline deep reinforcement learning agents with a dynamic switching mechanism to adjust asset weight allocations over time. This adaptive structure enables conservative behavior during highly volatile market regimes and more aggressive positioning during trending periods. The empirical analysis is conducted on a selected set of five major cryptocurrencies—Bitcoin, Ethereum, Solana, Ripple, and Tether—to assess the effectiveness and practical applicability of the proposed framework in real-world market environments. Method: Daily data spanning five years were collected from Yahoo Finance and, after data cleaning, were divided into training and testing sets using a 70%–30% split. The state representation comprised asset prices, trading volumes, and commonly used technical indicators. To capture long-term temporal dependencies, state encoding was implemented using a Transformer-based architecture. Two categories of methods were examined: (1) individual deep reinforcement learning agents—namely PPO, A2C, and DQN—each independently managing the portfolio; and (2) a risk-sensitive adaptive framework that dynamically switches among agents by monitoring short-term performance indicators such as rolling cumulative profit and loss and five-day moving volatility. The reward function incorporated risk-sensitive components, including a logarithmic utility of returns, a volatility penalty, and the Calmar ratio. Performance evaluation was conducted using cumulative return, annualized return, Sharpe ratio, Sortino ratio, Calmar ratio, and maximum drawdown. Findings: On the out-of-sample test dataset, the proposed risk-sensitive adaptive framework consistently outperformed each individual deep reinforcement learning agent. During non-trending market periods, the proposed model achieved higher terminal portfolio value and superior risk-adjusted performance compared to alternative methods. For instance, it recorded a Sharpe ratio of approximately 1.13 and a Sortino ratio of about 1.81. In bullish market regimes, the framework delivered markedly stronger results, achieving a Sharpe ratio of approximately 1.73, a Calmar ratio of around 3.34, and higher annualized returns, such that the final portfolio value during the uptrend was nearly twice that of the best-performing standalone agent. The quantitative results indicate that dynamic switching among aggressive, balanced, and conservative agents enhances the exploitation of favorable market trends while mitigating losses during highly volatile periods. Although a temporary increase in maximum drawdown was observed in certain scenarios, this effect was effectively offset by a reversion mechanism that shifts the agent back toward conservative behavior. Conclusion: Integrating a Transformer architecture for temporal feature extraction with a risk-sensitive adaptive agent framework provides an effective solution for dynamic portfolio management in cryptocurrency markets, particularly when the objective is to simultaneously enhance returns and control downside risk. The findings indicate that employing a dynamic switching mechanism among multiple deep reinforcement learning agents can significantly improve portfolio performance and stability when facing shifting market regimes. Furthermore, statistical significance analysis using the Wilcoxon Signed-Rank Test across ten independent random seeds confirmed that the proposed model significantly outperformed PPO, A2C, and DQN in all major performance metrics (p < 0.01), demonstrating both robustness and reproducibility of the results. هدف : ارائه و ارزیابی چارچوبی پویا برای بهینه‌ سازی پرتفوی در بازار رمزارزها که توازن میان بازده و کنترل ریسک را در شرایط نوسانی زیاد تضمین کند. در این پژوهش هدف اصلی توسعه عامل تطبیقی حساس‌ به‌ ریسک است که با ترکیب چند عامل پایه یادگیری تقویتی عمیق و مکانیزم جابجایی پویا، تخصیص وزن دارایی‌ها را به‌صورت زمان‌ مند تنظیم کرده و رفتار محافظه‌ کارانه در دوره‌های پرنوسان و رفتار تهاجمی در دوره‌های رونددار را برقرار می‌سازد. دامنه تجربی شامل پنج رمزارز منتخب شامل بیت‌کوین، اتریوم، سولانا، ریپل و تتر است تا کارایی چارچوب در محیط‌های واقعی بازار ارزیابی شود. روش : داده‌های روزانه پنج ساله از پایگاه یاهو فایننس گردآوری و پس از پاک‌سازی با تقسیم ۷۰٪ برای آموزش و ۳۰٪ برای آزمون آماده شدند. نمایه حالت شامل قیمت‌ ها، حجم و شاخص‌های تکنیکال رایج بود و نمایش حالت با استفاده از معماری ترنسفورمر برای استخراج وابستگی‌ های بلندمدت زمانی صورت گرفت. دو دسته روش مورد بررسی قرار گرفت: 1- عوامل منفرد یادگیری تقویتی عمیق شامل PPO، A2C و DQN که هر یک مستقل پرتفوی را مدیریت می‌کنند و 2- چارچوب تطبیقی حساس‌به‌ریسک که با پایش معیارهای کوتاه‌مدت مانند سود و زیان تجمعی پنجره‌ای و نوسان متحرک پنج‌ روزه، بین عوامل سوئیچ می کند. تابع پاداش از مؤلفه‌ های حساس‌ به‌ ریسک شامل تابع مطلوبیت لگاریتمی بازده، جریمه برای نوسان و نسبت‌ کالمار تشکیل شد و معیارهای ارزیابی شامل بازده تجمعی، بازده سالیانه‌، نسبت شارپ، نسبت سورتینو، نسبت کالمار و حداکثر افت سرمایه بودند. یافته‌ها : در مجموعه داده‌های آزمایشی، چارچوب تطبیقی حساس‌ به‌ ریسک عملکرد برتری نسبت به هر یک از عوامل منفرد نشان داد. در دوره‌های بدون روند بازار، مدل پیشنهادی ارزش نهایی پرتفو و نسبت‌های تعدیل‌ شده بر ریسک بالاتری نسبت به سایر روش ها ثبت کرد. برای مثال نسبت شارپ ≈ 1.13، نسبت سورتینو ≈ 1.81 است و در دوره‌های صعودی بازار به‌ طور چشمگیری نسبت شارپ ≈ 1.73، نسبت کالمار ≈ 3.34 و بازده سالیانه‌ بالاتری ارائه داد؛ به‌طوری که ارزش نهایی پرتفو در دوره صعودی تقریباً دو برابر بهترین عامل مستقل شد. نتایج کمی نشان دادند که جابجایی پویا بین عوامل تهاجمی، متعادل و محافظه‌کار موجب افزایش بهره‌برداری از روندهای مثبت و کاهش زیان در دوره‌های پرنوسان گردید، هرچند افت حداکثر در برخی سناریوها افزایشی مقطعی نشان داد که با مکانیسم بازگشتی به رفتار محافظه‌کار جبران شد. نتیجه‌گیری : ترکیب معماری ترنسفورمر برای استخراج ویژگی‌های زمانی با چارچوب عامل تطبیقی حساس‌ به‌ ریسک، راهکار مؤثری برای مدیریت پویای پرتفوی در بازار رمزارزها ارائه می‌دهد؛ به‌ویژه زمانی که هدف، افزایش بازده و کنترل ریسک نزولی به طور همزمان است . یافته‌ ها نشان می‌دهد استفاده از مکانیسم سوئیچ پویا میان چند عامل یادگیری تقویتی عمیق می‌تواند کارایی و پایداری پرتفو را در مواجهه با تغییر رژیم‌های بازار به‌ طور معنا‌داری بهبود بخشد. همچنین، نتایج آزمون رتبه علامت ویلکاکسون بر پایه ده اجرای مستقل نشان داد که برتری مدل پیشنهادی نسبت به مدل‌های PPO، A2C و DQN در تمامی شاخص‌های اصلی عملکرد از نظر آماری معنادار است (01/0>P). این یافته بیانگر پایداری، استحکام و قابلیت تکرارپذیری نتایج مدل پیشنهادی بوده و نشان می‌دهد که عملکرد برتر آن صرفاً ناشی از نوسانات تصادفی فرآیند آموزش نیست.

https://jfmp.sbu.ac.ir/article_107259_98ad5fd2c787eb91c5d5ceafbaf1ff51.pdf

دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 16 1 2026 04 21 Analyzing the Dependence Structure among Industries Listed on the Tehran Stock Exchange: Evidence Based on Vine Copulas بررسی ساختار وابستگی میان صنایع فعال در بورس تهران: شواهدی بر پایه کاپیولاهای واین 132 167 107260 10.48308/jfmp.2026.242449.1553 FA الهام فرزانگان استادیار اقتصاد، دانشگاه بوعلی سینا، مجتمع آموزش عالی نهاوند (ویژه دختران)، همدان، ایران. 0000-0002-3725-3189 Journal Article 2025 11 12 Introduction: Understanding the dynamic interdependence among industries within stock market indices is crucial for investment decision-making and the design of economic policies. The Pearson correlation coefficient only captures linear dependence. However, the return distribution of financial variables is not elliptical. Moreover, extreme events occurring in the tails of the distribution during crisis periods can rapidly propagate across financial markets, leading to stronger interdependence, which necessitates the use of more advanced and sophisticated models. It is noteworthy that copula-based models enable the modeling of nonlinear dependencies using flexible choices of marginal distributions. Among the various families of copulas, vine copulas allow for flexible modeling of complex dependence structures by utilizing a wide class of bivariate copulas. The interdependence of individual stock returns is depends on the dependence between different sectors of the stock market. Therefore, it is essential to understand tail dependence across sectors, as each sector often responds differently to economic circumstances. The aim of this study is to reveal the dependence structure of 70 stocks across 10 industries using C-vine, R-vine, and D-vine models. Methods: In this paper, a ARMA-EGARCH (1,1) model with Student-t innovations is employed for the marginal distributions. To define copula data, the cumulative distribution function (CDF) corresponding to the Student-t distribution is employed as a probability integral transform. Next, copula functions are selected using the marginal data, and vine structures are developed. In this paper, parameters are estimated using the sequential estimation (SE) method and the joint maximum likelihood estimation (MLE). Results and discussion: The root nodes or industry representatives in the R-vine trees are as follows: Seshahed represents the real estate development industry; Vaomid serves as the representative of the industrial conglomerates sector, while Desobha represents the chemicals and pharmaceutical products sector; Kegol represents the metal ore extraction industry, while Femeli is considered the representative of the basic metals industry; Automobile and auto parts companies are represented by Khazin, while Beterans serves as the representative of companies active in the machinery and electrical equipment industry. The investment industry, the chemical products industry, and the cement, lime, and plaster industry are represented by Pardis, Sharak, and Ceshomal, respectively. The dependence among industry representatives in the R-vine specification is extracted. Furthermore, Node 1 plays a central role among various firms in the chemicals and pharmaceutical products, basic metals, automotive and auto parts, and investment industries. The results also confirm that R-vine models are preferred over D-vine and C-vine models. Conclusions: According to the results, the first hypothesis—“The dependency structure among industries listed on the Tehran Stock Exchange does not follow a symmetric (normal) pattern and exhibits tail dependence”—is supported. The dependency structure among the ten industry representatives is modeled using various copula families, including the BB8 and survival BB8 copulas. According to the findings, the second hypothesis—“The interconnections among industries listed on the Tehran Stock Exchange possess a multilayered and network-based nature and cannot be reduced to a purely centralized (C-vine) or chain-like (D-vine) structure”—is also supported. The empirical superiority of the R-vine model confirms the hypothesis of networked and multi-source interdependencies within the Tehran Stock Exchange, which is consistent with the structural characteristics of the Iranian economy. In emerging markets such as the Tehran Stock Exchange, dependencies often arise from multiple sources of risk (e.g., exchange rate fluctuations, commodity price shocks, and monetary policy). The economic structure is diversified yet imbalanced, and shocks may propagate simultaneously through multiple transmission channels. R-vine models exhibit superior explanatory power and goodness of fit in modeling inter-industry dependencies compared to C-vine and D-vine structures. In the context of the Tehran Stock Exchange—where dependencies are heterogeneous, shock transmissions occur with varying intensities, and ownership structures follow distinctive patterns—the R-vine framework provides a more flexible and better-fitting representation of inter-industry dependence dynamics. From an economic perspective, the superiority of the R vine model suggests that shock transmission in the Tehran Stock Exchange does not occur through a single pathway or via a dominant industry. Rather, different industries—depending on their positions within the dependency network—play distinct roles in either absorbing or transmitting risk. This finding is consistent with the structure of the Iranian economy, which is simultaneously influenced by factors such as exchange rate movements, global commodity prices, domestic policies, and institutional constraints. Consequently, the co movement of industries in the Tehran Stock Exchange should be understood as the outcome of interactions among multiple sources of risk, rather than merely a response to a single common factor. هدف: درک وابستگی پویای بین صنایع در میان شاخص‌های سهام برای تصمیم‌گیری‌های سرمایه‌گذاری و طراحی سیاست‌های اقتصادی بسیار حیاتی است. ضریب همبستگی پیرسون تنها وابستگی خطی را نشان می‌دهد. بااین‌حال، توزیع بازده متغیرهای مالی بیضوی نیست. بعلاوه اینکه که رویدادهای شدید در دنباله توزیع که در دوران بحران رخ می‌دهند می‌توانند به‌سرعت در میان بازارهای مالی گسترش یابند و منجر به وابستگی متقابل شدیدتر شوند که نیازمند به‌کارگیری مدل‌های پیچیده‌تر و پیشرفته‌تر است. قابل‌توجه است که مدل‌های مبتنی بر کاپیولا امکان مدل‌سازی وابستگی غیرخطی با استفاده از هر توزیع حاشیه‌ای دلخواه را فراهم می‌کنند. در میان خانواده‌های مختلف کاپیولا، درخت‌های واین امکان مدل‌سازی انعطاف‌پذیر وابستگی‌ها با استفاده از طیف وسیعی از کاپیولاهای دومتغیره، را فراهم می‌کنند. وابستگی متقابل بازده‌های سهام فردی اغلب تحت تأثیر وابستگی بین بخش‌های بازار سهام شکل می‌گیرد؛ بنابراین، ضروری است که وابستگی دنباله‌ای در بین بخش‌های مختلف درک شود، زیرا هر بخش اغلب به شرایط اقتصادی به شکل متفاوتی واکنش نشان می‌دهد. هدف این مطالعه، آشکار ساختن ساختار وابستگی 70 سهام در 10 صنعت با استفاده از مدل‌های C-واین، R-واین و D-واین است. روش: در این مقاله از مدل ARMA-EGARCH(1,1) با نوآوری‌های student-t، برای توزیع‌های حاشیه‌ای استفاده می‌شود. برای تعریف داده‌های کاپیولا، تابع توزیع تجمعی (CDF) مربوط به توزیع student-t را به‌عنوان تبدیل انتگرالی احتمال به کار می‌بریم. گام بعدی، شامل انتخاب توابع کاپیولا با استفاده از داده‌های حاشیه‌ای و توسعه ساختارهای واین است. در این مقاله، پارامترها با استفاده از روش برآورد ترتیبی (SE) و حداکثر راستنمایی مشترک (MLE) محاسبه می‌شوند. یافته‌ها: گره‌های ریشه‌ای یا همان نمایندگان صنایع در درخت‌های R-واین استخراج گردیدند. وابستگی میان نمایندگان صنایع در مشخصه R-واین به‌صورت زیر است: شرکت شماره 1 از صنعت انبوه‌سازی املاک و مستغلات، شرکت شماره 8 از صنعت سرمایه‌گذاری‌ها و شرکت شماره 6 از صنعت خودرو و ساخت قطعات به عنوان گره‌های ریشه در شبکه وابستگی شناسایی شده‌اند. گره 1 نقش مرکزی در میان سایر شرکت‌های صنعت مواد و محصولات دارویی، صنعت فلزات اساسی، صنعت خودرو و ساخت قطعات و صنعت سرمایه‌گذاری‌ها دارد. نتایج همچنین تائید می‌کنند که مدل‌های R-واین در مقایسه با مدل‌های C-واین و D-واین ترجیح داده می‌شوند. نتیجه‌گیری: برطبق نتایج، فرضیه اول ”ساختار وابستگی میان صنایع بورس تهران از الگوی متقارن (نرمال) پیروی نمی‌کند و دارای وابستگی دُمی است.“ پذیرفته می‌شود ساختار وابستگی میان 10 نماینده صنایع توسط انواع متنوع خانواده‌های کاپیولا از جمله survival BB8 و BB8، مدل‌سازی شده است. فرضیه دوم ”پیوندهای متقابل میان صنایع بورس تهران ماهیتی چندلایه و شبکه‌ای دارد و نمی‌توان آن را به یک ساختار صرفاً مرکزگرا (C-واین) یا زنجیره‌ای (D-واین) فروکاست.“ نیز پذیرفته می‌شود زیرا یافته‌های تحقیق مبنی بر برتری مدل R-واین، فرضیه پیوندهای متقابل شبکه‌ای و چند منبعی در بورس تهران را تأیید می‌کند که این موضوع با ساختار اقتصادی ایران همخوانی دارد. درواقع، در بازار نوظهور بورس تهران، وابستگی‌ها اغلب ناشی از چندین منبع ریسک (ارز، کالا، سیاست پولی) هستند؛ ساختار اقتصادی متنوع اما نامتوازن است؛ و شوک‌ها می‌توانند از مسیرهای مختلف و به‌صورت هم‌زمان منتقل شوند. مدل‌های R-واین در مقایسه با ساختارهای C-واین و D-واین، قدرت تبیین و برازش بالاتری برای مدل‌سازی وابستگی میان‌صنعتی دارند. در واقع، در بورس تهران که در آن وابستگی‌ها ناهمسان، انتقال شوک‌ها با شدت‌های متفاوت صورت می‌گیرد و از ساختار مالکیتی خاص پیروی می‌کند، مدل R-واین، قدرت تبیین و برازش بالاتری برای مدل‌سازی وابستگی میان‌صنعتی دارند. از منظر اقتصادی، برتری R-vine نشان می‌دهد که انتقال شوک در بورس تهران از یک مسیر واحد یا از طریق یک صنعت غالب انجام نمی‌شود، بلکه صنایع مختلف بسته به جایگاه خود در شبکه وابستگی، نقش‌های متفاوتی در جذب یا انتشار ریسک ایفا می‌کنند. این موضوع با ساختار اقتصاد ایران، که تحت تأثیر هم‌زمان متغیرهایی همچون نرخ ارز، قیمت‌های جهانی کالاها، سیاست‌های داخلی و محدودیت‌های نهادی قرار دارد، همخوانی دارد. بنابراین، رفتار مشترک صنایع در بورس تهران را باید حاصل برهم‌کنش چندین منبع ریسک دانست، نه صرفاً واکنش به یک عامل مشترک.

https://jfmp.sbu.ac.ir/article_107260_2ab467602dce59cb520f594f69ba8c3d.pdf