مقایسه و تحلیل واکنش بازده آتی سهام به مدل‌های سنجش گشتاورهای ریسک غیرسیستماتیک(پیش بینی مقایسه ایی با شبکه عصبی)
محورهای موضوعی : فصلنامه تحلیل بازار سرمایه
رقیه طالبی
1
(گروه حسابداری، واحد ساوه،دانشگاه آزاد اسلامی، ساوه، ایران)
کلید واژه: بازده آتی سهام, گشتاورهای مرتبه سوم و چهارم ریسک غیرسیستماتیک, مدل قیمت‌گذاری دارایی‌های سرمایه‌ای, مدل سه عاملی فاما و فرنچ, شبکه عصبی.,
چکیده مقاله :
میانگین و واریانس بازده سهام به‌تنهایی برای توصیف توزیع بازده کافی نمی‌باشد. بنا به اعتقاد مارکویتز، توجه به گشتاورهای بالاتر نظیر چولگی و کشیدگی به‌عنوان شاخص ریسک به‌جای واریانس، نتایج دقیق‌تری را به همراه دارد؛ لذا باتوجه‌به تضادهای مطالعاتی بررسی واکنش بازده سهام به مدل‌های سنجش گشتاورهای ریسک غیرسیستماتیک (مدل قیمت‌گذاری دارایی‌های سرمایه‌ای و مدل سه عاملی فاما و فرنچ) قابل‌توجه بود. همچنین با تعیین مدل رگرسیونی برتر، مقایسه قدرت مدل برتر رگرسیونی با مدل شبکه های عصبی صورت گرفت. بدین منظور از بین شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران بر اساس روش حذف سیستماتیک تعداد 152 شرکت به‌عنوان نمونه آماری (در قلمرو زمانی سال‌های بین 1392 تا 1400) انتخاب شد. نتایج نشان داد با افزایش گشتاورهای ریسک غیرسیستماتیک محاسبه شده با مدل قیمت‌گذاری دارایی‌های سرمایه‌ای و مدل سه عاملی فاما و فرنچ، بازده آتی سهام کاهش می‌یابد؛ این نتایج در راستای مفاهیم تئوری کارایی بازار سرمایه قابل‌توجیه است. دیگر نتایج حاکی از آن است که تفاوت ریسک غیرسیستماتیک مورد انتظار محاسبه شده با این دو مدل معنادار است؛ بنابراین قدرت گشتاورهای ریسک غیرسیستماتیک مورد انتظار محاسبه شده با مـدل قیمت‌گذاری دارایی سرمایه ای، کمتر از مـدل سه عاملی فاما و فرنچ است. با مقایسه ضریب تعیین مدل شبکه عصبی و رگرسیون خطی میتوان گفت الگوی مبتنی بر شبکه های عصبی عملکرد بهتری در پیش بینی بازده آتی سهام بر اساس گشتاورهای ریسک غیرسیستماتیک نسبت به رگرسیون خطی دارد.
Abstract The mean and variance of stock returns alone are not sufficient to describe the distribution of returns. , paying attention to higher torques such as skewness and kurtosisas a risk index instead of variance leads to more accurate results. Therefore, due to study contradictions, the study of stock returns reaction to models for measuring non-systematic risk moments was significant. For this purpose, 152 companies were selected( In the realm of time between 2014to 2021 ) as a statistical sample from the companies listed on the Tehran Stock Exchange based on the systematic removal method (CAPM & FF3). Also, by determining the superior regression model, the power of the superior regression model was compared with the neural network model. results showed that by increasing the unsystematic risk torques calculated with the capital asset pricing model and the Fama and French tree-factor model reduce future stock returns; These results can be justified in line with the concepts of capital market efficiency theory.Other results indicate that the difference in expected non-systematic risk calculated with CAPM and FF3 models is significant. Therefore, the strength of the expected non-systematic risk torques calculated by the capital asset pricing model is less than the Fama and French three-factor model. By comparing the neural network model coefficient and linear regression, it can be said that the neural network-based model has a better performance in predicting future stock returns based on non-systematic risk moments than linear regression.