نوع مقاله : پژوهشی

نویسندگان

• محمد محسن صدر ¹
• حسین تبیانیان ²

¹ استادیار، دانشکده علوم تربیتی و روانشناسی ، دانشگاه پیام نور، تهران، ایران.

² استادیار گروه حسابداری، دانشگاه پیام‌نور،تهران، ایران

چکیده

چکیده: سیاست پولی به‌عنوان ابزار کلیدی مدیریت اقتصاد کلان، نقش تعیین‌کننده‌ای در ثبات مالی و رشد اقتصادی دارد. بازار سرمایه به‌عنوان کانال مهم انتقال سیاست پولی، بازتابی از انتظارات و واکنش‌های سرمایه‌گذاران به تغییرات نرخ بهره، نقدینگی، تورم و نرخ ارز است. در اقتصادهایی مانند ایران که با تورم مزمن، شوک‌های ارزی و وابستگی بودجه به درآمدهای نفتی مواجهند، واکنش بازار سرمایه به سیاست‌های پولی نامتقارن و غیرخطی است و مدل‌های خطی سنتی قادر به تبیین کامل آن نیستند. این پژوهش با هدف پر کردن این شکاف روش‌شناختی، رویکردی ترکیبی از اقتصادسنجی و هوش مصنوعی ارائه می‌دهد. در این چارچوب، از مدل خودرگرسیون برداری ساختاری (SVAR) برای شناسایی روابط علّی و کوتاه‌مدت بین متغیرهای پولی و شاخص‌های بازار سرمایه استفاده شده و سپس با مدل شبکه عصبی مصنوعی چندلایه (ANN) برای کشف الگوهای غیرخطی ترکیب شده است. داده‌های ماهانه ایران طی دوره 1390 تا 1403 مورد تحلیل قرار گرفت. نتایج نشان داد شوک‌های انبساطی پولی در کوتاه‌مدت رشد شاخص کل بورس را حدود 7/4 درصد افزایش می‌دهند، اما در بلندمدت اثر منفی از طریق کانال تورم دارند. در مقابل، سیاست‌های انقباضی با افزایش نرخ بهره موجب افت 5/3 درصدی شاخص در کوتاه‌مدت می‌شوند، اما در بلندمدت نوسانات را تا 22 درصد کاهش می‌دهند. مدل ترکیبی SVAR- ANN با دقت 91 درصدی (R²=0.91) واکنش بازار را پیش‌بینی کرد. یافته‌ها نشان می‌دهد این رویکرد ترکیبی ابزاری کارآمد برای تحلیل پویایی و پیچیدگی روابط سیاست پولی و بازار سرمایه ایران فراهم می‌سازد.

کلیدواژه‌ها

• سیاست پولی
• بازار سرمایه
• مدل SVAR
• شبکه عصبی مصنوعی
• یادگیری ماشین

موضوعات

• اقتصاد کلان

عنوان مقاله [English]

Asymmetric and Nonlinear Analysis of Capital Market Reactions to Monetary Shocks: A Hybrid Approach Based on Structural Vector Autoregression (SVAR) and Artificial Neural Networks (ANN) in the Tehran Stock Exchange (2011-2024)

نویسندگان [English]

• Mohammad Mohsen sadr ¹
• Hossein Tebyaniyan ²

¹ Assistant Professor, Faculty of Educational Sciences and Psychology, Payam Noor University, Tehran, Iran.

² Assistant Professor, Department of Accounting, Payame Noor University, Tehran, Iran

چکیده [English]

Monetary policy, as a key tool of macroeconomic management, plays a decisive role in financial stability and economic growth. As an important channel for transmitting monetary policy, the capital market reflects investors' expectations and reactions to changes in interest rates, liquidity, inflation, and exchange rates. In economies like Iran that face chronic inflation, currency shocks, and budget dependence on oil revenues, the capital market's response to monetary policies is asymmetric and nonlinear, and traditional linear models are unable to fully explain it. This study aims to fill this methodological gap by offering a combined approach of econometrics and artificial intelligence. In this framework, the structural vector autoregression (SVAR) model is used to identify causal and short-run relationships between monetary variables and capital market indicators, and then it is combined with a multilayer artificial neural network (ANN) model to discover nonlinear patterns. Monthly data for Iran during the period 1390 to 1403 were analyzed. The results showed that monetary expansionary shocks increase the growth of the total stock market index by about 4.7 percent in the short term, but have a negative effect through the inflation channel in the long term. In contrast, contractionary policies by increasing interest rates cause a 3.5 percent drop in the index in the short term, but reduce volatility by 22 percent in the long term. The combined SVAR-ANN model predicted the market reaction with 91 percent accuracy (R²=0.91).

کلیدواژه‌ها [English]

• Monetary policy
• capital market
• SVAR model
• artificial neural network
• machine learning