ارزیابی الگوی قیمت‌گذاری دارایی‌های مالی بر پایه عوامل چندگانه برای پیش‌بینی بازده سهام در بازار سرمایه ایران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مدیریت مالی، واحد شهر قدس، دانشگاه آزاد اسلامی، شهر قدس، ایران

2 استادیار،گروه مدیریت مالی، واحد شهر قدس، دانشگاه آزاد اسلامی، شهر قدس، ایران

3 استادیار،گروه ریاضی، واحد شهر قدس، دانشگاه آزاد اسلامی، شهر قدس، ایران.

4 استادیار،گروه حسابداری، واحد شهر قدس، دانشگاه آزاد اسلامی، شهر قدس، ایران

10.30471/iee.2025.10951.2511

چکیده

چکیده گسترده
مقدمه و اهداف: هدف اصلی این پژوهش، ارزیابی کارایی مدل‌های چندعاملی در پیش‌بینی بازده سهام در بازار سرمایه ایران است. در این راستا، مقاله بر آن است تا نقش عوامل متنوعی همچون اندازه شرکت، نسبت ارزش دفتری به بازار، سودآوری و سیاست‌های سرمایه‌گذاری را در تبیین بازدهی سهام بررسی کرده و با مقایسه این مدل‌ها با الگوهای تک‌عاملی، میزان توانایی آنها در توضیح رفتار بازدهی در شرایط خاص بازار ایران را مشخص کند. در این راستا، پیش‌بینی بازده سهام می‌تواند ابزار تحلیلی دقیق‌تری در اختیار سرمایه‌گذاران، مدیران مالی و سیاست‌گذاران اقتصادی قرار دهد و به بهبود فرایند تصمیم‌گیری کمک نماید. در این میان، مدل‌های قیمت‌گذاری دارایی‌ها به‌عنوان یکی از محورهای اصلی در مطالعات مالی مطرح بوده‌اند و تلاش‌های متعددی برای ارتقای توان توضیح‌دهندگی و پیش‌بینی ‌پذیری آنها صورت گرفته است. نخستین تلاش جدی در این زمینه، مدل تک‌عاملی قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM) بود که با وجود اهمیت تاریخی و کاربردهای گسترده، قادر به توضیح تمامی تغییرات بازده سهام نبود. این محدودیت سبب شد تا پژوهشگران به توسعه مدل‌های چندعاملی روی آورند. در این مدل‌ها، افزون‌بر عامل بازار، عوامل دیگری همچون ویژگی‌های بنیادی شرکت‌ها و شرایط اقتصادی لحاظ می‌شود تا توان پیش‌بینی و قدرت توضیح‌دهندگی افزایش یابد. بازار سرمایه نیز به‌عنوان یکی از ارکان اصلی نظام مالی، با نوسانات شدید مانند ریسک‌های ساختاری و تأثیرپذیری از تحولات کلان اقتصادی روبه‌رو است. در چنین بستری، اتکا به مدل‌های چندعاملی می‌تواند ضمن افزایش دقت در پیش‌بینی بازده سهام، به شناخت عمیق‌تر ریسک‌ها و فرصت‌های سرمایه‌گذاری منجر شود. براساس‌این، از منظر کاربردی نیز ضرورتی انکارناپذیر محسوب می‌شود. بازار سرمایه نیز به‌عنوان یکی از ارکان اصلی نظام مالی، با نوسانات شدید مانند ریسک‌های ساختاری و تأثیرپذیری از تحولات کلان اقتصادی روبه‌رو است. در چنین بستری، اتکا به مدل‌های چندعاملی می‌تواند ضمن افزایش دقت در پیش‌بینی بازده سهام، به شناخت عمیق‌تر ریسک‌ها و فرصت‌های سرمایه‌گذاری منجر شود.
روش: مقاله حاضر، از نظر گردآوری داده‌ها، رویکردی اکتشافی و طرح پژوهش برپایه پایش توصیفی-همبستگی طراحی شده است و از حیث هدف در رده پژوهش‌های بنیادی جای می‌گیرد. داده‌های پژوهش براساس اطلاعات واقعی بازار سهام گردآوری شده و شامل صورت‌های مالی، گزارش‌های حسابرسی و اطلاعات موجود در پایگاه‌های رسمی معاملات بورس اوراق بهادار است. جامعه آماری تحقیق شامل تمامی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران به تعداد حدود ۵۵۰ شرکت است. این جامعه طی یک بازه زمانی ۱۴ ساله از سال ۱۳۸۸ تا ۱۴۰۲ بررسی شده است. به‌منظور افزایش حجم داده‌ها و بهبود دقت تحلیل‌ها، هر سال مالی به دو دوره شش‌ماهه تفکیک شد تا بتوان تغییرات بازده سهام و عوامل اثرگذار بر آن را با جزئیات بیشتری ردیابی نمود. باوجود برخی محدودیت‌ها و ناهماهنگی‌ها در اطلاعات موجود شرکت‌ها، معیارهای مشخصی برای انتخاب نمونه در نظر گرفته شد. درنهایت، با بهره‌گیری از روش حذف سیستماتیک، نمونه‌ای متشکل از ۱۳۰ شرکت انتخاب شد که داده‌های آنها به‌طورکامل و قابل‌اتکا در دسترس بود. برای تجزیه‌وتحلیل داده‌ها، با استفاده از نرم‌افزار تحلیل صورت می‌گیرد که در اینجا نخست، به‌منظور تجزیه‌وتحلیل داده‌های حاصل با استفاده از نرم‌افزار Eviews10 داده‌ها نظم‌بندی شده و برحسب هم‌راستایی با اهداف مورد تفسیر قرار گرفتند.
نتایج: براساس نتایج حاصل از آزمون آمار توصیفی، متغیرهای مختلف مالی، اقتصادی، بازار سهام، راهبری شرکتی و حسابرسی الگوهای متفاوتی از ثبات و نوسان را نشان می‌دهند. بازده سهام نسبتاً پایدار بوده و نوسانات کمتری دارد؛ درحالی‌که ساختار مالی و سطح نقدینگی تغییرپذیری بیشتری را تجربه می‌کنند. در حوزه بازار سهام، ارزش بازار و نقدینگی بیشترین پراکندگی را داشته‌اند که بیان‌کننده ریسک و نوسانات بالای بازار است و در مقابل نرخ رشد بازار از ثبات نسبی برخوردار بوده است. در بخش متغیرهای اقتصادی، تورم بیشترین تغییرپذیری را داشته و به‌عنوان متغیری اثرگذار بر سایر شاخص‌ها عمل می‌کند. همچنین، در حوزه راهبری شرکتی، تعداد اعضای هیئت‌مدیره نوسان بیشتری داشته، اما ساختار مالکیت و مالکیت نهادی ثبات نسبی نشان داده‌اند. ازسوی‌دیگر، متغیرهای مربوط به کیفیت گزارشگری مالی و حسابرسی تغییرات اندکی داشته و این امر بیان‌کننده وجود چهارچوب‌ها و رویه‌های استاندارد در این حوزه است، و نیز به‌دلیل انتخاب مدل داده‌های پنلی، به‌منظور انتخاب الگوی اثرات ثابت در برابر الگوی اثرات تصادفی، آزمون هاسمن انجام می‌شود. نتایج آزمون چاو در هر مدل نشان می‌دهد که مقدار سطح خطای احتمال این آزمون کمتر از 5 درصد است و بنابراین، در این آزمون روش ثابت پذیرفته می‌شود. در تحلیل رگرسیونی، نتایج نشان می‌دهد اکثر متغیرهای مورد مطالعه رابطه‌ای مثبت و معنادار با بازده سهام دارند. متغیرهایی مانند کارایی فرایند حسابرسی با ضریب 8981/0، سطح نقدینگی با ضریب 8978/0، و بازار با ضریب 8122/0، اثرگذاری بالایی داشته و با آماره t بالای ۳ و معناداری کمتر از 005/0اهمیت بالای خود را نشان داده‌اند. همچنین نسبت ریسک مالی و تخصص حسابرس نیز تأثیر معناداری بر بازده سهام داشته‌اند. ضریب تعیین مدل 944/0 بیان‌کننده توان بالای آن در توضیح تغییرات بازده سهام است و ضریب تعیین تعدیل‌شده 984/0 نیز دلالت بر قدرت پیش‌بینی قابل‌قبول مدل دارد.
بحث و نتیجهگیری: براساس نتایج مقاله، مدل‌های چندعاملی قیمت‌گذاری دارایی چهارچوبی کارآمد برای پیش‌بینی بازده سهام در بازار سرمایه ایران فراهم می‌کنند. برخلاف مدل‌های تک‌عاملی همچون CAPM که تنها ریسک بازار را در نظر می‌گیرند، یافته‌ها نشان می‌دهد بازده سهام تحت‌تأثیر مجموعه‌ای از عوامل مالی، بازار، اقتصادی، حاکمیتی و حسابرسی قرار دارد. در بعد مالی، شاخص‌هایی مانند ساختار سرمایه، نقدینگی، سود خالص، نسبت بازده دارایی و نسبت بدهی به دارایی اثر معناداری بر بازده دارند و بیان‌کننده اهمیت سلامت مالی و مدیریت منابع هستند. در حوزه بازار، متغیرهایی همچون بازده بازار، فرصت رشد و نسبت ارزش دفتری به بازار با ضرایب مثبت و معنادار، نقش نیروهای بازار و انتظارات سرمایه‌گذاران را تأیید می‌کنند. از منظر اقتصادی نیز عواملی مانند نرخ تورم، رشد اقتصادی و تغییرات هزینه‌ها اثرگذاری بالایی بر عملکرد سهام داشته و اهمیت شرایط کلان را آشکار می‌کنند. افزون‌براین، ساختار حاکمیت شرکتی شامل استقلال هیئت‌مدیره، ساختار مالکیت و مالکیت نهادی موجب افزایش شفافیت و کاهش ریسک می‌شود. همچنین، کیفیت گزارشگری مالی و استقلال حسابرس با اعتماد سرمایه‌گذاران و بهبود بازده ارتباط مستقیم دارد .به‌طورکلی، بررسی‌ها نشان می‌دهد مدل‌های تعمیم‌یافته چندعاملی توان تبیین بالاتری نسبت به مدل‌های سنتی دارند و با ترکیب متغیرهای متنوع، امکان پیش‌بینی دقیق‌تر رفتار سهام را فراهم می‌کنند. این رویکرد جامع می‌تواند به مدیران، سرمایه‌گذاران و سیاست‌‌گذاران در اتخاذ تصمیم‌های مالی در راستای بازار سهام آگاهانه کمک شایانی نماید.

کلیدواژه‌ها


منابع
آریان‌مند، داریوش، وحدت طاهر، امیراسماعیل، و تافته، فرشته (1403). تأثیر برنامه‌ریزی مالیات شرکت‌ها بر بازده سهام در بازار سرمایه، هشتمین کنفرانس بین‌المللی مدیریت، حسابداری، اقتصاد و بانکداری، 1-23.
https://civilica.com/doc/2148074
بهاالدینی، رضا، و شیبانی تذرجی، عباس (1403). بررسی اثر بازار رقابت محصول و بازده سهام بر مدل قیمت‌گذاری دارایی‌های سرمایه‌ای، پانزدهمین کنفرانس بین‌المللی حسابداری، مدیریت و نوآوری در کسبوکار، تهران، 1-24.
https://civilica.com/doc/2185613
بهمنی، مریم، پورزندی، محمدابراهیم، و مینویی، مهرزاد (1403). پیش‌بینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدل‌های قیمت‌گذاری دارایی و عوامل اقتصادی. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 85(15)، 1- 20.
شیرمردی، سیده‌نرجس،  صامتی، مجید، و شریفی رنانی، حسین (1403). نقش شوک‌های نااطمینانی مالی، مدل پنج عاملی فاما_ فرنچ و مومنتوم در بازار سرمایه و تأثیرات آن بر بازده سهام، پژوهشهای حسابداری مالی و حسابرسی، (16)61، 24-50.
https://doi.org/10.30495/faar.2024.709442
طاهری نیا، مسعود، و تقی ملایی، مصطفی، و عبدی، محمد (1400). تأثیر ناهنجاری‌های بازار سرمایه بر بازده سهام شرکت‌های پذیرفته شده در بازار بورس اوراق بهادار تهران، هفتمین کنفرانس ملی مطالعات مدیریت در علوم انسانی، تهران، 1-18.
https://civilica.com/doc/1475174
فرزین‌فر، علی‌اکبر (1398). ارزیابی بازده و ارزش در معرض خطر (VaR) در دارایی‌های سرمایه‌ای (سهام) مبتنی بر تلفیق الگوی چندعاملی قیمت‌گذاری و تابع جریمه، مهندسی مالی و مدیریت اوراق بهادار، 41(10)، ص69- 89.
قوت دین، محمدسعید (1401). تأثیر عدم اطمینان بازار سرمایه و نوسانات ارتباط با مؤسسات مالی بر بازده سهام در شرکت‌های بورس اوراق بهادار تهران، نخستین کنفرانس ملی تحول‌گرایی در مدیریت، شیراز. 1-13.
https://civilica.com/doc/1525205
کردلوئی، حمیدرضا، میرآبی، وحیدرضا، طاهرپورکلانتری، هادی، رحمتی غفرانی، یلدا، و نقشینه، نادر (1398). فلسفه علم و روش‌شناسی تحقیق. ویرایش اول، تهران: شهرآشوب.
کیامهر، علی، جنانی، محمدحسن، و همت‌فر، محمود (1399). تبیین نقش ناهنجاری‌های بازار سهام در قیمت‌گذاری دارایی‌های سرمایه‌ای. اقتصاد مالی، 14(53)، 212-193.
https://doi/www.sid.ir/paper/387027/fa
محقق، عارفه، بایسته، علی و میرسلیمانی، فاطمه (1403). رابطه بین ریسک سقوط سهام، سرمایه‌گذاران نهادی و بازده سهام شرکت‌های فعال در بازار سرمایه، سیزدهمین کنفرانس بین‌المللی پژوهش‌های نوین حسابداری، مدیریت و علوم انسانی در هزاره سوم، تهران، 1-13.
https://civilica.com/doc/2205531
محمدتبارکاسگری، فوزیه، دهقان، عبدالمجید، و هاشمی فراشا، سیدابوالقاسم (1399). بررسی رابطه بین ویژگی‌های شرکتی و ریسک سیستماتیک در بورس اوراق بهادار تهران با استفاده از مدل سه عاملی فاما و فرنچ. راهبرد مدیریت مالی، 8(29)، 177-196.
https://doi.org/10.22051/jfm.2020.21147.1722
 
مشایخ، شهناز، و اسفندی، خدیجه (1400). ارزیابی و مقایسه کارایی مدل‌های قیمت‌گذاری دارایی‌ها با استفاده از معیارهای متفاوت تشکیل پرتفوی. حسابداری مالی، 7(26)، 81-52.
مشهدی، انیسه، دموری، داریوش، و انصاری سامانی، حبیب (1403). قیمت‌گذاری درماندگی مالی شرکت بر مبنای مدل فاما و فرنچ در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران، 17-126.
https://civilica.com/doc/2017527
نادری‌بنی، رحمت‌الله، عرب‌صالحی، مهدی، و کاظمی، ایرج (1398). آزمون ناهنجاری‌های حسابداری مدل سه عاملی فاما و فرنچ در سطح شرکت با استفاده از رویکرد بیز سلسله مراتبی و شبیه‌سازی مونت‌کارلو زنجیر مارکوفی. پژوهشهای حسابداری مالی، 11(3)، 97-116.
ناهیدی امیرخیز، محمدرضا (1401). تأثیر نامتقارن نوسان نرخ ارز بر بازده سهام در بازار سرمایه ایران. فصلنامه اقتصاد محاسباتی، 1(2)، 1-21.
https://journals.iau.ir/article_692438.html
هادیان، ریحانه، هاشمی، سیدعباس، و صمدی، سعید (1402). ارزیابی تأثیر عامل محدودیت مالی بر توان تبیین بازده سهام توسط مدل‌های سه عاملی فاما و فرنچ، چهار عاملی کارهارت و پنج عاملی فاما و فرنچ. فصلنامه حسابداری مالی 9(34)، 1-34.
https://doi.org/10.52547/jfmp.9.28.117 
 
References
Anuno, F., Madaleno, M., & Vieira, E. (2023). Using the Capital Asset Pricing Model and the Fama–French Three-Factor and Five-Factor Models to Manage Stock and Bond Portfolios: Evidence from Timor-Leste. Journal of Risk and Financial Management, *16*(11), 480. https://doi.org/10.3390/jrfm16110480
Aryān Mand, D., Vaḥdat Tāher, A., & Ṭafteḥ, F. (2024). The impact of corporate tax planning on stock returns in the capital market. In Proceedings of the 8th International Conference on Management, Accounting, Economics and Banking (pp. 1–23). Civilica. https://civilica.com/doc/2148074
Bahā’aldini, R., & Sheybāni Tazarji, A. (2024). Investigating the effect of product market competition and stock returns on capital asset pricing model. In Proceedings of the 15th International Conference on Accounting, Management and Innovation in Business (pp. 1–24). Civilica. https://civilica.com/doc/2185613
Bahmani, M., Purzandi, M. E., & Minuyi, M. (2024). Forecasting stock returns at the firm level: An application of linking asset pricing models and economic factors. Quarterly Journal of Financial Engineering and Securities Management, *15*(85), 1–20.
Candemir, I., & Karahan, C. C. (2024). Testing asset pricing models with individual stocks: An instrumental variables approach. Borsa Istanbul Review. https://doi.org/10.1016/j.bir.2024.05.005
Chen, X., & Gao, N. R. W. (2020). Revisiting Fama–French’s asset pricing model with an MCB volatility risk factor. The Journal of Risk Finance, *21*(3), 233-251. https://doi.org/10.1108/JRF-07-2019-0130
Coale, J. M., & Anistratov, D. Y. (2024). A Variable Eddington Factor Model for Thermal Radiative Transfer with Closure Based on Data-Driven Shape Function. Journal of Computational and Theoretical Transport, *53*(2), 153-172. https://doi.org/10.1080/23324309.2024.2327992
Dai, Z., Li, T., & Yang, M. (2022). Forecasting stock return volatility: the role of shrinkage approaches in a data‐rich environment. Journal of Forecasting, *41*(5), 980-996. https://doi.org/10.1002/for.2841
Fama, E. F., & French, K. R. (2015). International Tests of a Five-Factor Asset Pricing Model. SSRN Electronic Journal. http://dx.doi.org/10.2139/ssrn.2622782
Farzinfar, A. A. (2019). Evaluation of return and value at risk (VaR) in capital assets (stocks) based on the integration of multi-factor pricing model and penalty function. Financial Engineering and Securities Management, *10*(41), 69–89.
Farzinfar, A., Jahāngirniyā, H., Qodrati, H., & Jamkarāni, R. (2019). The integration of multi-factor model of capital asset pricing and penalty function for stock return evaluation. Advances in Mathematical Finance and Applications, *4*(2), 43–60. http://dx.doi.org/10.22034/amfa.2019.584793.1180
Feng, G., He, J., Polson, N. G., & Xu, J. (2024). Deep learning in characteristics-sorted factor models. Journal of Financial and Quantitative Analysis, *59*(7), 3001-3036. http://dx.doi.org/10.2139/ssrn.3243683
Giglio, S., Kelly, B., & Xiu, D. (2022). Factor models, machine learning, and asset pricing. Annual Review of Financial Economics, *14*(1), 337-368. https://doi.org/10.1146/annurev-financial-101521-104735
Hādiān, R., Hāshemi, S. A., & Samadi, S. (2023). Evaluating the effect of financial constraint factor on the explanatory power of stock returns by three-factor Fama and French, four-factor Carhart and five-factor Fama and French models. Financial Accounting Quarterly, *9*(34), 1–34. https://doi.org/10.52547/jfmp.9.28.117
Han, Y., Yang, D., Zhang, C. H., & Chen, R. (2024). CP factor model for dynamic tensors. Journal of the Royal Statistical Society Series B: Statistical Methodology, qkae036. https://doi.org/10.1093/jrsssb/qkae036
Hao, Y., & Dong, F. (2024). Research on Pricing Power of Fama-French Five-factor Model Combined with Trend Factor. International Journal of Multiphysics, *18*(3). https://doi.org/10.2139/ssrn.2622782
He, X., Cong, L. W., Feng, G., & He, J. (2021). Asset pricing with panel trees under global split criteria. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3949463
Kiyāmehr, A., Janāni, M. H., & Hemmatfar, M. (2020). Explaining the role of stock market anomalies in capital asset pricing. Quarterly Journal of Financial Economics, *14*(53), 193–212. https://www.sid.ir/paper/387027/en
Kolm, P. N., & Ritter, G. (2021). Factor investing with black–litterman–bayes: incorporating factor views and priors in portfolio construction. Journal of Portfolio Management, *47*(2), 113-126. https://doi.org/10.3905/jpm.2020.1.196
Kordluyi, H. R., Mir’abi, V. R., Tāherpur Kalantari, H., Raḥmati Ghafrāni, Y., & Naghshineh, N. (2019). Philosophy of science and research methodology (1st ed.). Shahrāshub Publications.
Li, Q., Kamaruddin, N., Yuhaniz, S. S., & Al-Jaifi, H. A. A. (2024). Forecasting stock prices changes using long-short term memory neural network with symbolic genetic programming. Scientific Reports, *14*(1), 422. https://doi.org/10.1038/s41598-023-50783-0
Lin, P., Ma, S., & Fildes, R. (2024). The extra value of online investor sentiment measures on forecasting stock return volatility: A large-scale longitudinal evaluation based on Chinese stock market. Expert Systems with Applications, *238*, 121927. http://dx.doi.org/10.2139/ssrn.4460034
Lopez-Lira, A., & Tang, Y. (2023). Can chatgpt forecast stock price movements? return predictability and large language models. arXiv preprint arXiv:2304.07619. https://doi.org/10.48550/arXiv.2304.07619
Mashāyekh, Sh., & Esfandi, Kh. (2021). Evaluating and comparing the efficiency of asset pricing models using different criteria for portfolio formation. Quarterly Journal of Financial Accounting Research, *7*(26), 52–81. https://www.noormags.ir/view/fa/articlepage/1495920/
Mashhadi, A., Demuri, D., & Anṣāri Samāni, H. (2024). Pricing of financial distress of a company based on the Fama and French model in companies listed on the Tehran Stock Exchange. In Proceedings of the 15th International Conference on Accounting, Management and Innovation in Business (pp. 117–126). Civilica. https://civilica.com/doc/2017527
Moḥammad Tabarkasgari, F., Dehghān, A., & Hāshemi Farāsha, S. A. (2020). Investigating the relationship between corporate characteristics and systematic risk in Tehran Stock Exchange using the Fama and French three-factor model. Financial Management Strategy, *8*(29), 177–196. https://doi.org/10.52547/jfmp.9.28.65
Mohaqqeq, A., Bāyesteh, A., & Mirsoleymāni, F. (2024). The relationship between stock crash risk, institutional investors and stock returns of companies active in the capital market. In Proceedings of the 13th International Conference on New Research in Accounting, Management and Humanities in the Third Millennium. Tehran, Iran: Civilica. (pp. 1–13). https://civilica.com/doc/2205531
Naderi Boni, R., ‘Arabṣalehi, M., & Kāzemi, I. (2019). Testing accounting anomalies of the Fama and French three-factor model at the firm level using the hierarchical Bayes approach and Markov chain Monte Carlo simulation. Quarterly Journal of Financial Accounting Research, *11*(3), 97–116. https://far.ui.ac.ir/article_24142.html
Nāhedi Amirkhiz, M. R. (2022). The asymmetric impact of exchange rate fluctuations on stock returns in the Iranian capital market. Quarterly Journal of Computational Economics, *1*(2), 1–21. https://journals.iau.ir/article_692438.html
Prasad, S. S., Verma, A., & Prasad, S. (2025). Analysing asset pricing models in the Indian stock market: a comprehensive empirical study. Afro-Asian Journal of Finance and Accounting, *15*(1), 1-18. https://doi.org/10.1504/AAJFA.2025.143509
Qiao, G., Bi, Y., Cui, W., & Wang, Y. (2025). Multiple Implied Volatility Indices Predictions Under Garch-Midas Model with Economic Policy Uncertainty Indices. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4925964
Qovāt al-Din, M. S. (2022). The effect of capital market uncertainty and fluctuations in relations with financial institutions on stock returns in Tehran Stock Exchange companies. In Proceedings of the First National Conference on Transformational Management. Shiraz, Iran: Civilica. (pp. 1–13). https://civilica.com/doc/1525205
Rahmi, N., Samsudin, H., & Ahmat, N. (2025). The Dynamic Response of the Green Stock Market to External Economic Policy Uncertainty: The Case of Indonesia. International Journal of Energy Economics and Policy, *15*(2), 360-369. https://doi.org/10.32479/ijeep.18254
Shirmardi, S. N., Sameti, M., & Sharifi Renāni, H. (2024). The role of financial uncertainty shocks, the Fama-French five-factor model and momentum in the capital market and its effects on stock returns. Financial Accounting and Auditing Research, *16*(61), 24–50. https://doi.org/10.30495/faar.2024.709442
Tāheriniyā, M., Taqhimulā’i, M., & ‘Abdi, M. (2021). The effect of capital market anomalies on stock returns of companies listed on the Tehran Stock Exchange. In Proceedings of the Seventh National Conference on Management Studies in the Humanities. Tehran, Iran: Civilica. (pp. 1–18). https://civilica.com/doc/1475174
Wang, C. (2024). Stock return prediction with multiple measures using neural network models. Financial Innovation, *10*(1), 72-86.