fa شناسایی دستکاری سهام با استفاده از مدل‌های هوش مصنوعی در بازار سرمایه ایران تخصصي Special پژوهشي Research <span style="line-height:90%"><span lang="FA" style="font-family:&quot;B Zar&quot;">دستکاری سهام از مهم‌ترین چالش‌های بازار سرمایه به‌شمار می‌رود که می‌تواند کارایی بازار و اعتماد سرمایه‌گذاران را تضعیف کند. این پژوهش با هدف شناسایی دستکاری قیمتی در سهام پذیرفته‌شده در بازار سرمایه ایران و با استفاده از مدل‌های هوش مصنوعی انجام شده است. جامعه آماری شامل داده‌های روزانه ۶۹ سهم از ۱۹ صنعت در بازه زمانی ۱۳۹۵ تا ۱۳۹۹ است. با توجه به نبود شفافیت در معرفی سهام دستکاری‌شده در ایران، برای آموزش مدل‌ها، داده‌های مصنوعی از طریق تزریق الگوهای تصادفی به سهام غیرمشکوک و با اتکا به نظر خبرگان تولید شد. متغیرهای مورد بررسی شامل بازده روزانه، حجم معاملات، و میانگین خرید و فروش سرمایه‌گذاران حقیقی و حقوقی است. روش تحقیق از نوع کاربردی-تجربی با رویکرد توصیفی-تحلیلی بوده و تحلیل داده‌ها با استفاده از مدل‌های رگرسیون لجستیک، درخت تصمیم و شبکه عصبی چندلایه انجام شده است. نتایج نشان می‌دهد در دوره‌های دستکاری، بازده و حجم معاملات به‌طور معناداری افزایش می‌یابد و فعالیت معاملاتی سرمایه‌گذاران نیز رشد قابل توجهی دارد. در میان مدل‌ها، درخت تصمیم با دقت ۶۸ درصد (بر اساس معیار </span>F2<span lang="FA" style="font-family:&quot;B Zar&quot;">) بهترین عملکرد را داشته است. همچنین، افزایش حجم معاملات در روز دستکاری و روز قبل، همراه با بازده غیرعادی، مهم‌ترین شاخص‌های شناسایی دستکاری هستند. در نهایت، راهکارهای عملی برای نهاد ناظر ارائه شده است.</span></span> <span style="unicode-bidi:embed">Stock manipulation poses a major challenge in capital markets, threatening efficiency and investor confidence. This study aims to identify price manipulation in stocks listed on the Iranian capital market using artificial intelligence models. The dataset includes daily information for 69 stocks across 19 industries from 2016 to 2020. Due to the lack of transparent identification of manipulated stocks in Iran, synthetic data were generated by injecting random patterns into non-suspicious stocks, supported by expert judgment. Key variables examined include daily returns, trading volume, and the average buy and sell activities of individual and institutional investors. The research adopts an applied, empirical, and descriptive&ndash;analytical approach, utilizing AI models such as logistic regression, decision trees, and multilayer neural networks.</span><br> <span style="unicode-bidi:embed">Findings show that manipulation periods are associated with significant increases in returns, trading volume, and investor activity. Among the models, the decision tree achieved the best performance, with 68% accuracy based on the F2-measure. It also identified the most influential indicators of manipulation, notably increased trading volume on and before the manipulation day, along with abnormal returns. Finally, the study provides practical, step-by-step guidelines to help regulators detect manipulated stocks more effectively.</span> دستکاری سهام, یادگیری عمیق, هوش مصنوعی Stock Manipulation, Deep Learning, Artificial Intelligence (AI) 6 63 http://qjerp.ir/browse.php?a_code=A-10-3465-3&slc_lang=fa&sid=1 Hamed Hamedinia حامد حامدی‌نیا hamedinia.hamed@ut.ac.ir 100319475328460019431 100319475328460019431 Yes Department of Finance, Faculty of Management, University of Tehran گروه مالی، دانشکدگان مدیریت Reza Raei رضا راعی raei@ut.ac.ir 100319475328460019432 100319475328460019432 No Department of Finance, Faculty of Management, University of Tehran گروه مالی، دانشکدگان مدیریت Ali Amirshahi علی امیرشاهی ali.amirshahi.isu.ac@gmail.com 100319475328460019433 100319475328460019433 No Department of Finance and Banking, Faculty of Management and Accounting, Allameh Tabataba’i University گروه مالی و بانکداری، دانشکده مدیریت و حسابداری