پیش بینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدل های قیمت گذاری دارایی و عوامل اقتصادی
پیش بینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدل های قیمت گذاری دارایی و عوامل اقتصادی
الموضوعات :
مریم بهمنی
1
(
گروه مدیریت صنعتی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی ، تهران ، ایران
)
محمدابراهیم پورزرندی
2
(
گروه مدیریت صنعتی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی ، تهران ، ایران
)
مهرزد مینویی
3
(
گروه مدیریت صنعتی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی ، تهران ، ایران
)
الکلمات المفتاحية: بازدهی سهام, عوامل اقتصادی, مدل های قیمت گذاری دارایی,
ملخص المقالة :
این تحقیق در راستای پیشبینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدلهای قیمت-گذاری دارایی و عوامل اقتصادی، در 130 شرکت منتخب پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1391 تا 1398 به انجام رسیده است. در این تحقیق سعی گردیده است تا با تلفیقی از الگوی چند عامله و الگوی پژوهش، جهت پیش بینی عملکرد آتی الگویی پیشنهاد گردد. نتایج نشان داد که 1) ناهنجاری‌های در بازده سهام مورد ارزیابی قرار گرفت و با توجه به نتایج به دست آمده مبتنی بر آزمون گیبونز، تنها الگوی مبتنی بر الگوی پیشنهادی پژوهش است که بر خلاف الگوهای چند عامله(تک، سه، چهار و پنج عامله) قادر به تبیین ناهنجاری‌های در بازده سهام است. 2) به علت پیچیدگی و در تعارض در روابط بین متغیرهای توضیحی و عملکرد آتی، قدرت تبیین الگوی پیشنهادی پژوهش در پیشبینی ناهنجاری‌های در اقلام تعهدی و هزینه‌های تحقیق و توسعه به ارزش شرکت، ضعیف‌تر از الگوهای چند عاملی بوده که استفاده از الگوی تلفیقی پژوهش(استفاده از سودآوری، بازده مبتنی بر پایینترین و بالاترین قیمت)، الگوی پیشنهادی قدرت تبیین بهتری در این زمینه نشان داده است.
_|1) Ahmadkhani, Massoud, Abdul Rahimian, Mohammad Hossein, Mirjafari Ardakani, Seyed Ahmad, (2018). Investigating the relationship between investment factors and performance and stock returns of companies listed on the Tehran Stock Exchange, Shabak, No. 44, pp. 26-33
2) Azhdari, Fatemeh, Rahnama Roudpashti, Fereydoun, Hamidian, Mohsen, Jafari, Sayedah Mehbobeh, Baghani, Ali, (2018). Selection of stock portfolio for investment and identification of top companies with L limit method and using machine learning method, financial management strategy, published online from July 16, 2018.
3) Chen, Tai-liang, and Feng-yu Chen. 2016. An intelligent pattern recognition model for supporting investment decisions in stock market. Information Sciences 346: 261–74
4) Di Persio, Luca, and Oleksandr Honchar. 2017. Recurrent Neural Networks Approach to the Financial Forecast of Google Assets. International Journal of Mathematics and Computers in simulation 11: 7–13.
5) Ghosh, I., & Chaudhuri, T. D. (2021). FEB-stacking and FEB-DNN models for stock trend prediction: a performance analysis for pre and post covid-19 periods. Decision Making: Applications in Management and Engineering, 4(1), 51-84.
6) Hossain, Mohammad Asiful, Rezaul Karim, Ruppa K. Thulasiram, Neil D. B. Bruce, and Yang Wang. 2021. Hybrid Deep Learning Model for Stock Price Prediction. Paper presented at the 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, November 18–21.
7) Kim, Sang, Hee Soo Lee, Hanjun Ko, Seung Hwan Jeong, Hyun Woo Byun, and Kyong Joo Oh. 2018. Pattern Matching Trading System Based on the Dynamic Time Warping Algorithm. Sustainability 10: 4641.
8) Lev, Dongdong, Shuhan Yuan, Meizi Li, and Yang Xiang. 2019. An Empirical Study of Machine Learning Algorithms for Stock Daily Trading Strategy. Mathematical Problems in Engineering.
9) Olson, D., & Mossman, C. (2003). Neural network forecasts of Canadian stock returns using accounting ratios. International Journal of Forecasting, 19(3) , 453–466.
10) Pai, P.-F., & Lin, C. –S. (2005). A Hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33(6), 497–505.
11) Roy, R., & Shijin, S. (2018). A six-factor asset pricing model. Borsa Istanbul Review, 18(3), 205-217.
12) Seng, Jia-Lang, and Hsiao-Fang Yang. 2021. The association between stock price volatility and financial news—A sentiment analysis approach. Kybernetes 46: 1341–65.
13) Shah, D., Isah, H., & Zulkernine, F. (2021). Stock market analysis: A review and taxonomy of prediction techniques. International Journal of Financial Studies, 7(2), 26.
14) Xu, Yumo, and Shay B. Cohen. 2018. Stock movement prediction from tweets and historical prices. Paper Presented at the 56th Annual Meeting of the Association for Computational Linguistics, Melbourne, Australia, July 15–20.
15) Yang, Bing, Zi-Jia Gong, and Wenqi Yang. 2017. Stock Market Index Prediction Using Deep Neural Network Ensemble. Paper Presented at the 2017 36th Chinese Control Conference (CCC), Dalian, China, July 26–28.
16) Zhang, Jing, Shicheng Cui, Yan Xu, Qianmu Li, and Tao Li. 2018. A novel data-driven stock price trend prediction system. Expert Systems with Applications 97: 60–69.
17) Zorin, A., & Borisov, A. (2002). Modelling Riga Stock Exchange Index using neural networks. http://overcite.lcs.mit.edu/cache/papers/cs/26702/http:zSzzSzdssg. cs.rtu.lvzSzenzSzpublicationszSz.zSz.zSzdownloadzSzpublicationszSz2002zSzZorins-RA-2002.pdf/zorin02modelling.pdf.
|_
پیشبینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدلهای قیمتگذاری دارایی و عوامل اقتصادی
چكيده:
این تحقیق در راستاي پیشبینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدلهای قیمتگذاری دارایی و عوامل اقتصادی، در 130 شرکت منتخب پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1391 تا 1398 به انجام رسيده است. در اين تحقيق سعي گرديده است تا با تلفيقي از الگوي چند عامله و الگوي پژوهش، جهت پيش بيني عملكرد آتي الگويي پيشنهاد گردد. نتایج نشان داد که 1) ناهنجاريهاي در بازده سهام مورد ارزيابي قرار گرفت و با توجه به نتايج به دست آمده مبتني بر آزمون گيبونز، تنها الگوي مبتني بر الگوي پيشنهادي پژوهش است كه بر خلاف الگوهاي چند عامله(تك، سه، چهار و پنج عامله) قادر به تبيين ناهنجاريهاي در بازده سهام است. 2) به علت پيچيدگي و در تعارض در روابط بين متغيرهاي توضيحي و عملكرد آتي، قدرت تبيين الگوي پيشنهادي پژوهش در پيشبيني ناهنجاريهاي در اقلام تعهدي و هزينههاي تحقيق و توسعه به ارزش شركت، ضعيفتر از الگوهاي چند عاملي بوده كه استفاده از الگوي تلفيقي پژوهش(استفاده از سودآوري، بازده مبتني بر پايينترين و بالاترين قيمت)، الگوي پيشنهادي قدرت تبيين بهتري در اين زمينه نشان داده است.
واژههاي كليدي:
بازدهی سهام، مدلهای قیمتگذاری دارایی و عوامل اقتصادی.
1. مقدمه
یکي از دغدغههاي اساسی در پژوهشهاي پيشين كه در زمينه پیشبینی صورت گرفته این است که آیا وجود قدرت پیشبینی معنای اقتصادی گستردهتری دارد؟ روند حركت و تغييرات بازده بازار سهام دریچهای برای رفتار اقتصادی آینده است، زیرا انتظارات سرمایهگذاران از شرایط اقتصادی آینده را نشان میدهد. بنابراین، روند تغييرات جاري بازده سهام منعکسکننده تغییرات آتي جریانات نقدی و ریسک از دید سرمایهگذاران است. زیرا انتظارات آنها از تغييرات در عملکرد اقتصادی آتي است(یانگ و همکاران، 2017). تحقق انتظارات تعريف شده به شرح فوق مستلزم دو عنصر مهمي است که فرض ميشود با توجه به ماهیت الگوي برآوردي در تابع پيشبيني رگرسیوني، بايد آنها را به دست آورد. اولا: ضرایب برآوردي در تخمين مدلهاي پيشبيني باید با هر تفسیر اقتصادی که از آنها ارائه میشود، سازگار باشد. ثانيا: ضرایب برآورد شده در برآورد الگوي پيشبيني، باید بيانگر تغييرات آتي در رفتار اقتصادی باشد(شاه و همکاران، 2021).
اهمیت اساسی موضوع تحت بررسي اين است كه اولا: پيشبينيپذيري بازده يا قيمت سهام در بازار سرمايه ايران و عوامل موثر بر آن، در اين پژوهش مورد بررسي قرار خواهد گرفت. ثانيا: بر مبناي تحليل ضرايب برآوردي در به كارگيري رويكرد اقتصادسنجي و به تعبيري نوع ارتباط بين متغيرهاي پيشبينيكننده و بازده سهام، وجود تفسير اقتصادي در اين برآوردها مورد ارزيابي قرار خواهد گرفت. ثالثا: شواهد حمایتی اضافی برای كاربرد مدلهای قیمتگذاری داراییهاي سرمايهاي، از طريق پیوند دادن روابط پیشبینی با حرکات بعدی در رشد تولید در نظر گرفته شده كه درک ما از ارتباط بین بازارهای مالی و اقتصاد کلان را افزایش میدهد. (سنگ و همکاران، 2021).
اغلب پژوهشهايي که دادههای سطح شرکت را در نظر گرفتهاند به استفاده از دادههاي عملكردي بازارهاي سرمايه مربوط به كشورهاي پيشرفته و توسعهيافته، اختصاص داشته است. در اين زمينه، به عنوان مثال ميتوان به پژوهشهايي چون: ژانگ و همکاران(2018) و سنگ و همکاران(2021) برای انگلستان، الگوي ارزش فعلی و وجود رابطه طولانی مدت بین قیمت سهام و سود سهام و عوامل محرک بازده سهام را مورد بررسي قرار دادهاند.
پژوهش حاضر با تكيه بر پیشبینی بازده سهام در سطح شرکت از يك طرف و شناسايي عوامل خرد موثر بر بازده سهام در سطح شركتها از طريق تحليل حوزه دانش و به كارگیري الگوي تحليل دادههاي كيفي و پالايش عوامل ياد شده با استفاده از الگوريتمهاي پالايش يا رويكردهاي چند معياره از طرف ديگر، به گسترش ادبيات نظري و شواهد تجربي استفاده از الگوهاي قيمتگذاري داراييهاي سرمايهاي در سطح خرد ايران به عنوان مصداقي از بازارهاي سرمايه نوپاي متعلق به كشورهاي در حال توسعه، كمك خواهد كرد.
1-1. مبانی نظری و پیشینه تحقيق
پیشبینیکنندگان قيمت يا بازده سهام در بازار سرمايه بر توسعه رویکردهايي برای پیشبینی يا برآورد موفقیتآمیز ارزش شاخصهاي مختلف در بورس یا قیمت سهام و با هدف دستیابی به قیمتهای مناسب جهت خريد يا فروش سهام با استفاده از استراتژیهای معاملاتی تعریف نشده، متمرکز شدهاند. ایده اصلی برای پیشبینی موفقیتآمیز قيمت يا بازده سهام در بازار سرمايه، دستیابی به بهترین نتایج با استفاده از حداقل دادههای ورودی مورد نیاز و کمترین پيچيدگي در مدل مورد استفاده براي فرمولهكردن رفتار بازار سهام است(پاي و لين 2005).
بدون ترديد، پیشبینی بازده سهام امر دشواري است چرا كه در اين راستا بايد نوسانات بازار ارزيابي شده و مدلهاي بعضا پيچيدهاي در اين راستا به كار گرفته شود. مدلسازی دقیق، در بين عوامل مختلف، از جمله نيازمند مد نظر قراردادن مواردي چون: دورههاي رکود یا رونق اقتصادي در سطح كلان و مقاطع زماني نوسانات زیاد یا کم در بازار سرمايه، ميباشد(زورين و باريسوف 2002).
محور ديگري از بررسي در پژوهشهاي پيشبيني بازده سهام يا شاخص بورس، عوامل موثر، متغيرهاي توضيحي يا متغيرهاي ورودي در مدلهاي پيشبيني است. تعداد متغیرهای ورودی مورد استفاده در هر يك از مدلهاي پيشبيني متفاوت است. بررسي ادبيات تحقيق نشان ميدهد كه به طور کلی، میانگین عوامل موثر كه از بين متغيرهاي خرد يا كلان حسابداري، مالي و اقتصادي به عنوان متغیرهای ورودی يا توضيحي بهره جستهاند، بین چهار تا ده در نوسان است. با این حال، در برخي از پژوهشها نيز فقط از دو عامل ورودی به عنوان متغيرهاي توضيحي استفاده شده است. در مقابل، پژوهشهايي نيز هستند كه از متغيرهاي توضيحي متعددي بهره جستهاند كه به عنوان مثال از اولسون و ماسمن(2003)، ميتوان اشاره كرد كه به ترتيب از 59 و 61 عامل تعيينكننده به عنوان متغیر ورودی يا توضيحي بهره جستهاند.
1-1-1. پیشبینی بازده سهام
بازارهای سهام تحت تأثیر بسیاری از عوامل بسیار مرتبط به هم قرار دارند که عموما در يك دستهبندي كلي مشتمل بر: متغیرهای اقتصادی، سیاسی، روانشناختی و ويژگيهاي خاص سطح شرکت هستند. تحلیل تکنیکی و بنیادی دو رویکرد اصلی برای تحلیل رفتار و وضعيت بازارهای مالی هستند. مباني نظري و شواهد تجربي به دست آمده از پژوهشهاي پيشين نشان ميدهد كه برای دستيابي به سرمایهگذاری در سهام و دستیابی به بازده بالا و در عين حال ریسک کم، سرمایهگذاران از این دو معيار عمده برای ارزيابي گزينهها يا تركيب انتخاب در تصمیمگیریهاي سرمايهگذاري در بازارهای مالی استفاده کردهاند (ژو و همکاران، 2018).
پیشبینی قیمت يا بازده سهام امر مشکلي است و طی سالهای گذشته نظریههای مختلفی در مورد بازارهای سهام مفهوم یافته است. نظريههاي مزبور یا سعی كردهاند كه ماهیت بازارهای سهام را توضیح داده و يا حتي در اين راستا تلاش ميكنند که آیا بازارها را میتوان شکست داد؟ یکی از این نظریههای مشهور و مورد بحث توسط فاما(1970) فرضیه بازار کارآمدي (EMH)است و بیان میکند در هر مقطع از زمان، قیمت بازار هر سهام شامل تمام اطلاعات مربوط به آن سهام است. به عبارت دیگر، سهام تا زمانی که چیزی تغییر نکند، به طور دقیق ارزیابی میشود.
1-1-2. عوامل موثر بر ارزشگذاری یا بازده سهام
بررسی ادبیات تحقیق مربوط به ارزشگذاری داراییهای سرمایهای در زمینه سهام شرکتها نشان میدهد که برخی از پژوهشگران دستهبندی دیگری برای عوامل یا متغیرهای موثر بر ارزش سهام در بازار سرمایه قائل بوده و این متغیرها را در دو دسته مشتمل بر: الف) متغیرهای بنیادی و ب) متغیرهای فنی(تکنیکی)، طبقهبندی نمودهاند.
در مجموع سرمایهگذاران در تصمیمگیریهای سرمایهای كوتاهمدت معمولا از متغیرهای فنی(تكنیكی برای) انتخاب سهام مورد نظر استفاده میكنند در حالی كه سرمایهگذاران در تصمیمگیریهای بلندمدت از متغیرهای بنیادی برای تصمیمگیری بهره میبرند. البته ممكن است این سرمایهگذاران از متغیرهای تكنیكی در كنار متغیری بنیادی استفاده نمایند (احمدخانی و همکاران، 1398).
بر مبنای پژوهش روی و شیجین (2018)، عوامل موثر بر ارزشگذاری داراییهای سهام که در الگوهای مختلف ارزشگذاری داراییهای سرمایهای مورد استفاده قرار گرفته یا در پژوهشهای مختلف به عنوان عوامل موثر بر بازده سهام تلقی گردیدهاند را میتوان در قالب نسبتهای نقدینگی، نسبتهای فعالیت، نسبتهای سرمایه و نسبتهای سودآوری خلاصه نمود.
1-2. پیشینه تحقیق
گوش و چادوری(2021)، وضعیت فعلی تحقیق در بهینهسازی سبد سهام را با محوریت الگوریتمهای تکاملی چند هدفه، مورد تجزیه و تحلیل قرار داده که در آن فقدان بسیاری از محدودیتهای دنياي واقعي و هم چنین ناکارآمدی طرحهای رتبهبندی پارتو در حضور بسیاری از اهداف نشان داده شده است. کیم و همکاران(2018) پیشرفتهای عملی در بهینهسازی پورتفوي میانگین واریانس (MVPO)را مورد بحث قرار داده و به موارد تحقیق جدید مانند روشهای متنوعسازی و بهینهسازی چند دوره اشاره کرد. لو و همکاران(2019) طي يك مطالعه تطبيقي به مقايسه و تحليل انواع مدلهاي بهينهسازي سبد سهام پرداختند. آنها در اين پژوهش مدلهاي برنامهريزي: لكسيوگرافيك، وزنی، چند جملهای، تصادفی و فازی را مورد بررسی قرار داده و به عدم توسعه سیستمهای پشتیبانی تصمیمگیری رایانهای برای دستیابی به یک ابزار مفید در راستاي تسهیل فرایند تصمیمگیری در بهینهسازی سبد سهام يا پورتفوي اشاره کردند.
اژدری و همکاران (1398)، در پژوهشی به انتخاب پرتفوی سهام جهت شناسایی شرکتهای برتر جهت سرمایهگذاری با روش محدودیت ال با استفاده از روش یادگیری ماشین پرداختند. بدین منظور شرکتهایی که بصورت سالانه در سبد بهینه سهام جهت سرمایهگذاری قرارگرفتهاند به عنوان شرکتهای برتر جهت سرمایهگذاری، معرفی شدند. نمونه آماری تحقیق شامل دادههای مالی 251 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سالهای 1391 تا 1396 می‌باشد. نتایج تحقیق نشان میدهد که الگوریتم بهینهسازی ازدحام ذرات به‌صورت سالانه و هم چنین به‌صورت یکجا در دوره مورد بررسی قادر به انتخاب شرکتهای برتر با استفاده از مدل حداقل واریانس MVP با محدودیت l_1-l_∞ است.
2. روششناسی پژوهش
این تحقیق از طرفی مبتنی بر شیوه استنتاج نظری به دنبال یافتن الگویی جدید و بومی متناسب با شرایط بازار سرمایه در ایران جهت پیشبینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدلهای قیمتگذاری دارایی و عوامل اقتصادی(مورد مطالعه: بورس اوراق بهادار ایران) بوده لذا میتوان تحقیق را از این حیث در زمره تحقیقات نظری قلمداد نمود. از طرف دیگر طراحی مدل و به کارگیری آن با هدف کمک به سرمایهگذاران و فعالان در بازار سرمایه در زمینه تصمیمگیریهای بهتر سرمایهای بوده و بر همین اساس تحقیق حاضر را میتوان از لحاظ هدف از جمله تحقیقات کاربردی دانست. جامعه آماری تحقیق حاضر عبارت از شرکتهای منتخب پذیرفته شده در سازمان بورس اوراق بهادار تهران تعريف گرديده كه گستره مورد بررسي آن بر پايه محدوديتها يا شرايط تعريف شده به عنوان مرزهای جامعه آماری به صورت زیر بوده است:
- به لحاظ افزایش قابلیت مقایسه، دوره مالی آنها منتهی به 29 اسفندماه باشد ، در طی دوره مورد بررسی 1391 تا 1398 تغییر سال مالی نداشته باشد ، اطلاعات مالی آن قابل‌دسترس باشد ، جزء شرکتهای زيانده به ويژه شركتهايي كه طي چند سال متوالي زيانده بوده و به نوعي فعاليتهاي سرمايهگذاري در آنها متوقف شده و از جذابيت لازم برخوردار نيست، نباشد ، دادههاي مورد نیاز جهت اندازهگيري متغیرها در راستاي ارزيابي كارآيي مالي يا تعيين سطح بهينه مورد انتظار سرمايهگذاري در دسترس باشد.
با اعمال محدودیتهای فوق اطلاعات مالی 130 شرکت برتر پذیرفته شده در بورس اوراق بهادار تهران مورد بررسی قرار گرفته است.
2-1. مدل پژوهش
با تكيه بر الگوي پيشنهادي چن و همکاران(2016)، انتظار میرود که بین ضریب پیشبینی نسبت رشد سود به رشد قيمت هر سهم با رشد تولید، رابطه منفی وجود داشته باشد. به عنوان مثال، در صورت منفی بودن(كاهش) رشد تولید، شواهد بیشتری از پیشبینی بازده مثبت سهام(رشد بازده سهام) وجود دارد. بنابراين، در راستاي بررسی این مسئله، رابطه شماره 5 و به شرح زير برآورد خواهد گرديد:
رابطه شماره 5:
(5)
که در اين رابطه yt به رشد تولید اشاره داشته و βt مقدار برازش حاصله بر مبناي رابطه شماره 4 است. در عين حال 
به عنوان بردار رشد متغيرهاي توضيحي يا رشد در سنجههاي عملكرد اقتصادي است. میتوان این رگرسیون را برای هر یک از پارامترهای پیشبینی متغیر با زمان تخمین زده و بر مبناي آن توانایی آنها را در پیش بینی رشد تولید آینده بررسی کرده و در عین حال مقادیر اقتصادی معقولی از سنجههاي عملكرد اقتصادي(مقادير مورد انتظار) را نیز به نمایش گذاشت.
2-2. تعریف و اندازهگیری متغیرها
متغير وابسته بازده آتي سهام و متغيرهاي توضيحي عبارت از عوامل موثر بر بازده آتي سهام مورد پيشبيني است كه بر مبناي سنجههاي مختلف عملكرد يا وضعيت اقتصادي شركت مورد بررسي در مقطع t و بر پايه دادههاي عملكردي شركتهاي مورد مطالعه، تعيين میشود. با توجه به برخي از پژوهشهاي قبلي از جمله دی پرسیو و همکاران(2017) و حسین و همکاران(2021)، به عنوان عوامل موثر اوليه به شرح زير خواهد بود.
به طور خاص، این متغيرها شامل: نسبت سود تقسيمي به قیمت هر سهم(DP)، نسبت قیمت به سود هر سهم(PE)، نسبت تعديل شده و چرخشي قيمت به سود هر سهم(CAPE)، نسبت سود تقسيمي(DE)، شاخص رشد بازده سهام(PEG)، بازده بدون ريسك(Fed)، نوسان يا پراکندگی بازده(RD)، دامنه نوسان يا اختلاف بين حداكثر و حداقل بازده(Ma-Mi)، انحراف متوسط يا متوسط قدر مطلق انحرافات از ميانگين(AMD)، دو معیار چولگي پيرسون(Skew NP) و چولگي استاندارد(Skewness) و نهايتا ضريب كشيدگي استاندارد(Kurtosis) به عنوان متغيرهاي توضيحي اوليه است كه همراه با علائم مورد انتظار از رگرسیون پیشبینی کننده بازده سهام آورده شده در رابطه 1 ارائه شده است.
3. یافتههای تحقیق
خلاصه وضعيت يافتههاي توصيفي متغيرهاي پژوهش(پس از پالايش مولفه ها) و جايگزيني دادههاي پرت، به کمک نرمافزار ایویوز 9 در جدول 1 ارائه شده است. در اين جدول توصيف متغيرها بر مبناي مهمترين شاخصهاي آماري مركزي، پراكندگي و نسبي شامل: کمینه، بیشینه، متوسط، انحراف معیار، ضریب چولگی و ضریب کشیدگی، صورت گرفته است:
جدول 1- توصيف متغيرهاي تحقيق(يافتههاي پژوهش)
نماد | میانگین | میانه | بیشینه | کمینه | انحراف معیار | ضریب چولگی | ضریب کشیدگی | |
Return | 265/0 | 050/0 | 559/8 | 907/0- | 895/0 | 355/3 | 201/22 | |
نسبت سود به قيمت | DP | 110/0 | 056/0 | 351/2 | 000/0 | 163/0 | 499/4 | 751/43 |
نسبت قيمت به سود | PE | 605/28 | 352/7 | 075/1440 | 400/1425- | 291/126 | 151/4 | 782/65 |
نسبت تعديلي قيمت به سود | CAPE | 017/26 | 185/8 | 056/1552 | 186/234- | 845/89 | 691/10 | 901/166 |
نسبت رشد سود | PEG | 671/1 | 684/1 | 67/10266 | 225/4320- | 303/493 | 119/9 | 324/203 |
بازده بدون ريسك | Fed | 094/0 | 092/0 | 620/0 | 731/0- | 107/0 | 395/0- | 929/9 |
پراكندگي بازده | RD | 758/0 | 588/0 | 317/4 | 038/0 | 620/0 | 399/2 | 347/11 |
دامنه نوسان بازده | Ma-Mi | 902/0 | 573/0 | 769/8 | 002/0 | 069/1 | 131/3 | 739/17 |
ضريب چولگي پيرسون | Sk NP | 529/0 | 661/0 | 837/1 | 791/1- | 808/0 | 567/0- | 579/2 |
ضريب چولگي استاندارد | As | 699/0 | 851/0 | 999/1 | 999/1- | 045/1 | 601/0- | 442/2 |
ضريب كشيدگي | K | 778/0 | 524/1 | 997/3 | 911/5- | 717/2 | 794/0- | 556/2 |
3-2. روابط بازده(توليد آتي) و عوامل اقتصادي:
طي بخش پيشين آزمونهاي تشخيصي مربوط به پيشفرضهاي كلاسيك و نوع الگوي تحليل دادهها بررسي گرديده و در اين قسمت ارتباط بين عوامل خرد اقتصادي دهگانه با بازده مقطعي سهام بر اساس برآورد الگوي رگرسيون تعميميافته مورد ارزيابي قرار گرفته است. پارامترهاي برآوردي بر مبناي خروجي نرمافزار آماري به صورت جدول شماره 2 محاسبه گرديده است:
جدول شماره 2- روابط بين بازده آتي(توليد) و عوامل خرد اقتصادي(يافتههاي پژوهش)
شرح متغیر | نماد | ضريب | آماره تي | سطح معني دار | ارتباط | ||
Α | 000/0 | 854/4 | 0015/0 | -- | |||
DP | 164/0 | 852/3 | 0041/0 | مستقيم | |||
نسبت قيمت به سود | PE | 013/0 | 954/4 | 0011/0 | مستقيم | ||
نسبت تعديلي قيمت به سود | CAPE | 177/0 | 885/3 | 0039/0 | مستقيم | ||
نسبت رشد سود | PEG | 015/0 | 224/4 | 0025/0 | مستقيم | ||
بازده بدون ريسك | Fed | 006/0 | 968/3 | 0031/0 | مستقيم | ||
RD | 361/0- | 904/3- | 0035/0 | معكوس | |||
دامنه نوسان بازده | Ma-Mi | 136/0- | 721/4- | 0021/0 | معكوس | ||
ضريب چولگي پيرسون | Sk NP | 087/0- | 335/3- | 0076/0 | معكوس | ||
ضريب چولگي استاندارد | As | 021/0- | 221/4- | 0028/0 | معكوس | ||
ضريب كشيدگي | K | 004/0- | 716/3- | 0065/0 | معكوس | ||
اعتبارسنجي | ضريب تعيين تعديل شده 8745/0 | آماره فيشر 8215/12 | معني داري 0011/0 | ||||
(یافتههای تحقیق)
ارزيابي روابط بين عوامل خرد اقتصادي پالايش شده و بازده آتي سهام بر پايه برآوردهاي رگرسيوني(جدول 2) و پيش از آن انجام آزمونهاي تشخيصي نشان داد كه:
آزمونهاي تشخيصي جواز استفاده از رگرسيون تعميميافته با اثرات ثابت را در تعيين ارتباط بين عوامل خرد اقتصادي و توليد يا بازده آتي را نشان داد.
ضرايب تاثير عوامل اقتصادي: پراكندگي بازده، دامنه نوسان بازده، ضريب چولگي پيرسون، ضريب چولگي استاندارد، ضريب كشيدگي به ترتيب: 361/0-، 136/0-، 087/0-، 021/0-، 004/0- به دست آمده است كه نشان ميدهد بين عوامل اقتصادي: پراكندگي بازده، دامنه نوسان بازده، ضريب چولگي پيرسون، ضريب چولگي استاندارد و ضريب كشيدگي با بازده آتي سهام يا توليد ارزش در بازار سرمايه(بازده آتي سهام) ارتباط معكوس وجود داشته است.
آماره تي استيودنت مربوط به عوامل اقتصادي: نسبت سود به قيمت، نسبت قيمت به سود، نسبت تعديلي قيمت به سود، نسبت رشد سود، بازده بدون ريسك، پراكندگي بازده، دامنه نوسان بازده، ضريب چولگي پيرسون، ضريب چولگي استاندارد و ضريب كشيدگي به ترتيب: 854/4، 852/3، 954/4، 885/3، 224/4، 968/3، 904/3-، 721/4-، 335/3-، 221/4- و 716/3- و سطوح معنيدار متناظر با آنها به ترتيب: 0041/0، 0011/0، 0039/0، 0025/0، 0031/0، 0035/0، 0021/0، 0076/0، 0028/0، 0065/0 و كمتر از 5 درصد بوده است. بنابراين در سطح 95 درصد اطمينان معنيداري ارتباط بين عوامل خرد اقتصادي شناسايي و پالايش شده با توليد ارزش در بازار سرمايه(بازده آتي سهام)، مورد پذيرش قرار گرفته است. آماره فيشر 8215/12 و سطح متناظر با آن برابر با 0011/0، كمتر از 5 درصد و به سمت صفر ميل كرده است. لذا معنيداري رابطه برآوردي توليد ارزش در بازار سرمايه(بازده آتي سهام) بر مبناي عوامل خرد اقتصادي در سطح 95 درصد قرار گرفته است.
ضريب تعيين استاندارد شده(پس از حذف عرض از مبدا و برآورد توليد ارزش در بازار سرمايه بر مبناي عوامل خرد اقتصادي) برابر 8745/0 بوده يعني 45/87 درصد از تغييرات بازده آتي سهام بر مبناي عوامل خرد اقتصادي بيان گرديده است. از آن جهت كه ضريب برآوردي به سمت 1 يا 100 درصد ميل كرده، رابطه برآوردي از قدرت توضيحدهندگي نسبتا بالايي برخوردار بوده است.
3-3. اعتبارسنجي الگوي پيشنهادي
در اين قسمت به ارزيابي بازده سبدهاي سرمايهگذاري و عوامل موثر بر آن مبتني بر الگوي پيشنهادي در قياس با الگوهاي چند عامله پرداخته شده است. در اين راستا بازده سهام و دادههای مربوط به قيمت سهام از پرتال سازمان بورس به دست آمده و دادههای عملكردي شركتهاي تحت بررسي از گزارشهاي فصلي يا سالانه آنها گردآوري شده است. در اين پژوهش به پيروي از الگوي فاما و فرنچ(2006) وHXZ (2015)، شرکتهای فعال در صنعت مالی مشتمل بر شركتهاي بيمه اي، بانكها، موسسات مالي، واسطه مالي يا شركتهاي سرمايهگذاري حذف شده است. متغیر اصلی در اين ارزيابي PTH است که بر مبناي نسبت قیمت پایان ماه به بالاترین قیمت روزانه سهام در طی 12 ماه گذشته محاسبه شده است.
در این تحليل چهار مجموعه ارتباط بين متغيرها در تناظر با فرضیههاي تحقيق مورد بررسي قرار گرفته و نشان داده شده كه PTH با سودآوری مورد انتظار یا رشد سرمایهگذاری مورد انتظار یا هر دو رابطه مثبت داشته و در عين حال كارآيي الگوي مورد استفاده در قياس با الگوي تك عامله CAPM و يا الگوهاي چند عامله مورد ارزيابي قرار گرفته است.
3-4. بازده بر اساس الگوي پژوهش
اولين بخش پردازش و تحليل ارتباط بين متغيرها در اين پژوهش به بررسی عملکرد الگوي پيشنهادي پژوهش، با در گرفتن ناهنجاری PTH نسبت به سایر الگوهاي چند عاملي است. در اين بررسي فرض شده است كه الگوي پيشنهادي پژوهش از سایر الگوهاي چند عاملي به طرز كارآمدتري، ناهنجاريهاي در بازده سهام را مد نظر قرار ميدهد. بر اساس دادههاي مربوط به سبدهاي سرمايهگذاري تعريف شده در اين پژوهش ناهنجاريهاي در بازده سهام با استفاده از الگوي پيشنهادي پژوهش و الگوهاي چند عامله برآورد و به شرح جدول 3 خلاصه گرديده است. گفتني است در اين برآورد جهت فراهم آوردن تجانس بين دادهها، سبدهاي سرمايه گذاري بر پايه بازده به دهكهاي 1 تا 10 تقسيم گرديده و به ازاي هر يك از دهكهاي اول تا دهم(يعني D1 تا D10 به صورت جداگانه برآورد رگرسيوني صورت گرفته است:
جدول 3- پيشبيني بازده سهام و ناهنجاريهاي آن(يافتههاي پژوهش)
الف) بازده متوسط وزني(ALL & VW) | |||||||||||||||
P(GRS) | H-L | D10 | D9 | D8 | D7 | D6 | D5 | D4 | D3 | D2 | D1 | مدل | |||
عوامل تعدیل شده بازده (به عنوان مثال مقادیر آلفا) | |||||||||||||||
57/0 | 53/0 (55/2) | 65/0 (05/3) | 63/0 (99/2) | 62/0 (87/2) | 60/0 (68/2) | 59/0 (38/2) | 57/0 (29/2) | 56/0 (18/2) | 48/0 (95/1) | 35/0 (25/1) | 12/0 (09/0) | Ret-rf | |||
30/0 | 58/0 (34/2) | 29/0 (69/2) | 26/0 (28/2) | 21/0 (99/1) | 15/0 (35/1) | 11/0 (25/1) | 02/0 (06/0) | 08/0- (76/0-) | 15/0- (54/1-) | 22/0- (05/2-) | 29/0- (61/2-) | تك عامله | |||
012/0 | 93/0 | 87/0 (29/3) | 49/0 (08/3) | 45/0 (69/2) | 38/0 (58/2) | 29/0 (97/1) | 25/0 (69/1) | 03/0 (15/0) | 11/0- (97/0-) | 20/0- (99/1-) | 27/0- (68/2-) | 38/0- (98/2-) | سه عامله | ||
049/0 | 13/0 | 18/0 (43/2) | 08/0 (64/2) | 10/0 (28/2) | 08/0 (98/1) | 07/0 (26/1) | 05/0 (99/0) | 01/0 (02/0) | 02/0- (55/0-) | 06/0- (85/1-) | 08/0- (02/3-) | 10/0- (33/3-) | كارهارت | ||
002/0 | 58/0 | 88/0 (68/2) | 39/0 (02/2) | 36/0 (89/1) | 33/0 (53/1) | 29/0 (99/0) | 19/0 (87/0) | 06/0 (16/0) | 11/0- (25/1-) | 16/0- (84/1-) | 28/0- (98/1-) | 49/0- (28/2-) | پنج عامله | ||
149/0 | 05/0 | 94/0 (19/2) | 05/0 (28/2) | 06/0 (16/2) | 05/0 (05/2) | 03/0 (96/1) | 07/0 (38/1) | 10/0 (08/1) | 13/0 (83/0) | 08/0 (73/0) | 01/0 (09/0) | 07/0- (38/0-) | الگوي پژوهش | ||
بارهای عاملي الگوی پژوهش | |||||||||||||||
|
| 05/1 (38/2) | 23/0 (19/3) | 21/0 (92/2) | 18/0 (58/2) | 15/0 (25/2) | 13/0 (89/1) | 09/0 (29/1) | 15/0- (02/2-) | 53/0- (35/3-) | 70/0- (69/3-) | 82/0- (68/3-) | ROE | ||
|
| 73/0 (68/0) | 32/0 (76/0) | 29/0 (68/0) | 28/0 (58/0) | 20/0 (46/0) | 09/0 (37/0) | 05/0 (25/0) | 11/0- (35/0-) | 23/0- (43/0-) | 32/0- (50/0-) | 41/0- (58/0-) | I_A | ||
|
| 62/0- (99/0-) | 27/0- (68/0-) | 15/0- (59/0-) | 05/0- (28/0-) | 03/0 (98/1) | 09/0 (15/2) | 11/0 (02/3) | 16/0 (35/2) | 21/0 (96/2) | 28/0 (21/3) | 35/0 (38/3) | ME | ||
|
| 14/1- (85/2-) | 03/0- (96/1-) | 03/0 (05/2) | 18/0 (18/2) | 31/0 (24/2) | 42/0 (56/2) | 60/0 (10/3) | 75/0 (39/3) | 89/0 (01/4) | 02/1 (28/4) | 11/1 (19/5) | MKT | ||
ب) بازده متوسط معمولي(ALL & VW) | |||||||||||||||
P(GRS) | Ave. |α| | H-L | D10 | D9 | D8 | D7 | D6 | D5 | D4 | D3 | D2 | D1 | مدل | ||
عوامل تعدیل شده بازده (به عنوان مثال مقادیر آلفا) | |||||||||||||||
| 41/0 | 68/0 (68/2) | 73/0 (57/3) | 71/0 (23/3) | 67/0 (96/2) | 59/0 (26/2) | 47/0 (99/1) | 34/0 (69/1) | 25/0 (28/1) | 19/0 (99/0) | 13/0 (31/0) | 05/0 (09/0) | Ret-rf | ||
001/0 | 63/0 | 03/1 (38/3) | 27/0 (32/3) | 23/0 (99/2) | 19/0 (86/2) | 16/0 (39/2) | 11/0 (09/2) | 02/0 (99/1) | 02/0- (58/1-) | 11/0- (11/2-) | 26/0- (29/2-) | 36/0- (29/3-) | تك عامله | ||
002/0 | 01/0 | 87/0 (57/3) | 41/0 (16/3) | 37/0 (98/2) | 36/0 (36/2) | 25/0 (99/1) | 19/0 (73/1) | 05/0 (68/0) | 02/0- (54/0-) | 13/0- (8/1-) | 29/0- (96/2-) | 68/0- (73/3-) | سه عامله | ||
013/0 | 11/0 | 30/0 (49/2) | 21/0 (35/2) | 19/0 (16/2) | 18/0 (98/1) | 16/0 (86/1) | 13/0 (43/1) | 11/0 (64/0) | 09/0 (05/1) | 08/0 (76/1) | 07/0 (05/2) | 09/0- (21/3-) | كارهارت | ||
009/0 | 09/0 | 72/0 (68/2) | 40/0 (91/2) | 39/0 (76/2) | 36/0 (89/1) | 31/0 (65/1) | 25/0 (98/0) | 06/0 (28/0) | 08/0- (68/0-) | 16/0- (02/1-) | 28/0- (37/1-) | 32/0- (58/2-) | پنج عامله | ||
381/0 | 30/0- | 05/0 (99/0-) | 02/0 (10/2) | 03/0 (39/1) | 05/0 (78/1) | 08/0 (06/1) | 11/0 (38/1) | 16/0 (66/1) | 20/0 (72/0) | 25/0 (68/0) | 28/0 (95/0) | 32/0 (99/0) | الگوي پژوهش | ||
عوامل موثر در الگوي پژوهش | |||||||||||||||
|
| 16/1 (69/3) | 17/0 (58/3) | 16/0 (32/3) | 11/0 (93/2) | 09/0 (68/2) | 06/0 (53/2) | 05/0 (99/1) | 14/0- (59/3-) | 43/0- (86/3-) | 68/0- (98/3-) | 99/0- (99/4-) | ROE | ||
|
| 69/0 (38/0) | 11/0 (81/0) | 13/0 (42/0) | 16/0 (49/0) | 15/0 (53/0) | 13/0 (76/0) | 11/0 (89/0) | 25/0- (13/1-) | 32/0- (26/1-) | 39/0- (11/2-) | 58/0- (38/2-) | I_A | ||
|
| 15/0 (39/3) | 39/0 (63/4) | 38/0 (69/7) | 46/0 (63/4) | 43/0 (65/5) | 38/0 (39/7) | 41/0 (39/4) | 38/0 (43/4) | 43/0 (38/5) | 48/0 (67/7) | 54/0 (58/5) | ME | ||
|
| 68/0- (13/4-) | 60/0 (22/3) | 61/0 (61/3) | 63/0 (39/4) | 69/0 (45/4) | 82/0 (99/5) | 86/0 (69/5) | 92/0 (76/6) | 99/0 (65/8) | 19/1 (35/9) | 28/1 (28/12) | MKT | ||
سبدهاي جای گزین سهام | |||||||||||||||
)ABM & EWد) بازده وزنی معمولي( | ج) بازده متوسط وزني(ALL & VW) |
| |||||||||||||
دوازده ماهه | یک ماهه | دوازده ماهه | یک ماهه |
| |||||||||||
P(GRS) | |a| | H-L | P(GRS) | |a| | H-L | P(GRS) | |a| | H-L | P(GRS) | |a| | H-L | مدل | |||
000/0 | 65/0 | 53/0 (38/2) |
| 68/0 | 87/0 (05/2) |
| 46/0 | 52/0 (28/2) |
| 48/0 | 62/0 (38/3) | Ret-rf | |||
007/0 | 26/0 | 65/0 (22/3) | 005/0 | 42/0 | 18/1 (48/3) | 008/0 | 25/0 | 85/0 (29/3) | 000/0 | 33/0 | 05/1 (66/3) | تك عامله | |||
004/0 | 18/0 | 96/0 (48/3) | 004/0 | 38/0 | 24/1 (63/5) | 005/0 | 28/0 | 86/0 (58/4) | 002/0 | 28/0 | 11/1 (38/3) | سه عامله | |||
005/0 | 18/0 | 18/0 (95/1) | 000/0 | 28/0 | 33/0 (28/3) | 012/0 | 18/0 | 38/0 (09/3) | 005/0 | 35/0 | 16/0 (25/1) | كارهارت | |||
005/0 | 18/0 | 61/0 (35/3) | 041/0 | 41/0 | 97/0 (38/3) | 005/0 | 28/0 | 87/0 (58/4) | 025/0 | 25/0 | 99/0 (35/3) | پنج عامله | |||
141/0 | 28/0 | 34/0- (68/0-) | 006/0 | 28/0 | 25/0 (68/0) | 116/0 | 11/0 | 14/0 (38/0) | 189/0 | 15/0 | 16/0 (39/0) | الگوی پژوهش | |||
نتايج برآوردهاي رگرسيوني مبتني بر الگوي پژوهش و الگوهاي چند عاملي ارزيابي داراييهاي سرمايهاي به شرح جدول شماره 3، خلاصه شده است.
در قسمت بالاي بخش الف از جدول 3، بازدههای تعدیل شده عاملي(یعنی α) به ازاي هر يك از دهکهای سبد سرمايهگذاري درجهبندی شده مبتني بر بازده تعديل شده سهام(PTH) آورده شده است. بازده مزبور بر مبناي قيمت نهايي سهام در پایان هر ماه تقسیم بر بالاترین قیمت سهام در همان ماه(و تعديل شده بر مبناي سود سهام و سود تقسيم شده) در طي 12 ماه گذشته در پایان هر ماه t، محاسبه گرديده است. سهام با PTH ماه t-1 با استفاده از نقاط سربهسر طبقه بندی شده و PTH کمتر از یک درصد در ماه براي تعيين نقطه سر به سر در سبد سهام مورد استفاده قرار گرفته است.
به ازاي سبدهاي مورد مطالعه در هر دهك طي شش ماه آینده برآورد بازده صورت گرفته(از ماه t + 1 تا ماه t + 6) و بازده ماهانه با ضريب وزني (VW) در هر دهك منظور و متوسطگيري شده است. از این رو، بازده ماهانه در هر يك از دهکهاي اول تا دهم با توجه به متوسط بازدههاي شش سبد يا پورتفويي است كه به ازاي ماههاي اول تا ششم تعريف گرديده است. H-L بازده سبد سرمایهگذاری صفر است که به ازاي اختلاف بين بازده سهام در بالاترین دهک (دهك دهم) و بازده سهام در پایینترین دهک (دهك اول) تعريف ميگردد.
Ave. |α عبارت از متوسط مقدار آلفا در سبدهاي سهام با توجه به بازدههاي تعديل شده است. در اين جدول مقدار P(GRS) نيز بيانگر سطح معنيدار آماره گيبونز را نشان ميدهد. در اين آزمون فرض صفر معنيدار نبودن مقدار آلفا يا خطي نبودن رابطه برآوردي است. به جز صرف ريسك بازار در الگوي تك عاملي كه با نماد “ret – rf” يا بازده اضافي سبد سرمايهگذاري نسبت به بازده بازار تعريف شده از عوامل ديگر الگوهاي چند عاملي نظير: اندازه، فرصتهای رشد، سودآوری و سرمایهگذاری در الگوهاي سه عاملي فاما و فرنچ(1993)، 4 عاملي كارهارت(1997)، 5 عاملي فاما و فرنچ(2015) و الگوي پژوهش بهره گرفته شده است. قسمت پایین بخش الف از جدول شماره 3 بارهای مربوط به عوامل موثر را گزارش میکند که شامل عواملي مشتمل بر: بازده حقوق صاحبان سهام(ROE)، ضریب سرمایهگذاری(I_A)، ضریب بازار(MKT) و ضریب اندازه(ME) تعريف شدهاند. نمادگذاري به پيروي از الگوي لو و همکاران(2019)، صورت پذيرفته است.
بخش ب جدول 3 تجزیه و تحلیلهای موجود در بخش الف را بدون در نظرگرفتن دهكهاي اول تا دهم در دو حالت: همه سبدهاي سرمايهگذاري(ABM) و بازده متوسط وزني(EW) مورد ارزيابي مجدد قرار داده است. در اين تحليل نقاط مهم برای شکلگیری دهکهای بازده تعديل شده(PTH) بر اساس همه سبدهاي سرمايهگذاري و ضريب تاثير هر پورتفوي بر مبناي ارزش آن به ارزش صنعت مدنظر قرار گرفته است.
بخش ج از جدول 3 با نگهداشتن اوراق بهادار به مدت یک ماه تا 12 ماه پس از تشکیل سبدهاي سرمايهگذاري، به انجام مجدد تجزیه و تحلیلهای موجود در بخشهاي الف و ب پرداختهاند. به طوري كه در توصيف نمونه آماري عنان گرديد، بازه تحت بررسي ده ساله منتهي به 29/12/1398 تعريف گرديده آمارههاي تي استيودنت به ازاي هر خانه از جدول و سطح معنيداري آن پس از حذف ناهمسانيها و تغييرات جبري انجام شده جهت حذف خود همبستگيهاي احتمالي در بين دادهها يا باقيماندهها برآورد گرديده است.
نتايج تحقيق در ارزيابي بازده تعديل شده به ازاي هر يك از الگوهاي تك يا چند عامله در قياس با الگوي پژوهش به شرح خلاصه شده در جدول 3 نشان داد كه:
در اين تحليل به گونهاي كه عنوان شد از الگوهاي چند عامله مشتمل بر: يك) مدل تک عاملی، دو) CAPM، سه) مدل سه عاملی فاما و فرنچ(1993) يا (FF3)، چهار) 4 عامله كارهارت(1997)، پتج) الگوي 5 عامله فاما و فرنچ(2015) و شش) الگوي پژوهش يا هو، شو وژانگ(2015)، بوده اند. هو، شو وژانگ(2016)، طي تحقيقي بر پايه تحليل يافتههاي به دست آمده از پژوهش خود نشان داده که الگوي 5 عامله فاما و فرنچ(2015)، نمیتواند بازده و سودآوري سرمایهگذاری را مبتني بر الگوی پژوهش توضیح دهد. بر اين اساس الگوي پژوهش میتوانند ارزش سرمايهگذاري(RMW) و بازده سرمايهگذاري(CMA) را توضیح دهند. پژوهشگران ياد شده نتيجه گرفتهاند كه الگوي 5 عامله نسخهاي حاوي نويز و نابههنجاري از الگوي پژوهش ميباشد.
در اين پژوهش ارزيابي كارآمدي الگوي پژوهش در قياس با الگوهاي چند عامله، مبتني بر سه معيار صورت گرفته است كه عبارت از: يك) دامنه بازده(H-L)، دو) متوسط بازده (Ave. |α|) و سه) سطح معنيداري گيبونز يا P(GRS) ميباشد. معيار اول عبارت از اختلاف بين بازده تعديل شده دهك اول و دهك دهم، دومي متوسط بازده تعديل شده در دهكهاي دهگانه و سومي نيز سطح معنيداري رابطه برآوردي به ازاي عوامل مورد استفاده در الگوي ارزيابي بازده يا معيار گيبونز ميباشد.
رديفهاي اول جدول شماره 3 در بخشهاي الف و ب جدول به صرف ريسك بازار به ازاي هر يك از دهكهاي اول تا دهم، متوسط بازده و اختلاف بين دهكي بازده، اختصاص يافته است. بر مبناي محاسبات انجام شده، سطح معنيداري گيبونز(1989) براي الگوهاي سه عامله، چهار عامله، پنج عامله و الگوي پژوهش بر پايه دهكبندي سبدهاي سرمايهگذاري به ترتيب برابر با 003/0، 012/0، 049/0، 002/0 و نهايتا 149/0 به دست آمده است. اين مقادير نشان ميدهد كه در سطح اطمينان 95 درصد تنها الگوي پژوهش با است كه مبتني بر سطح معنيداري گيبونز بيشتر از 5 درصد واقع شده و در سطح اطمينان 95 درصد به ازاي كليت نمونه(تلفيق سبدهاي سهام) و متوسط بازده سهام در بين دهكهاي دهگانه، فرض صفر رد و فرض مخالف پذيرفته شده است. در حالي كه براي الگوهاي سه عامله فاما و فرنج(1995)، 4 عامله كارهارت(1997) و 5 عاملي فاما و فرنچ(2015)، مقدار سطح معنيداري مزبور كمتر از 5 درصد و فرض صفر پذيرفته ميشود. بر اين اساس ميتوان نتيجه گرفت كه تنها الگوي پژوهش در قياس با ديگر الگوهاي چند عاملي قادر به تبيين نابههنجاريهاي در بازده سهام در سبدهاي سرمايهگذاري است.
آلفاي متوسط براي الگوهاي تك عامله، سه عامله، 4 عامله، 5 عامله و الگوي پژوهش به ترتيب برابر با: 57/0، 30/0، 93/0، 13/0، 58/0 و 05/0 كه كمترين مقدار به ازاي الگوي پژوهش و صرفا به ازاي اين الگو تعريف شده كه باز قابليت بهتر توضيحدهندگي بازده متوسط به ازاي هر سبد سهام در ماههاي مختلف ميباشد.
قسمتهای زیر جدول شماره 3 در بخشهاي الف و بار عاملي(واريانس) عوامل موثر را گزارش میدهند. در هر دو قسمت الف و ب، بارهاي عاملي عامل ROE از دهکهای اول تا دهم افزایش مییابد. علاوه بر این، بارهاي عاملي دهكهاي پايين بسیار منفی کم در عامل ROE مثبت است و بیشترین مقدار بین بارگیری در هر چهار عامل را دارد. این نتیجه، همراه با این واقعیت که عامل ROE بیشترین میانگین بازده را در بین چهار عامل کسب میکند ، همانطور که يافتههاي اين پژوهش منطبق بر نتايج لو و همکاران(2019) نشان داده شده است، نشان میدهد که الگوي پژوهش بازده تعديل شده سهام را عمدتا از طريق عامل ROEتبيين كرده و بر اين اساس فرضيه تحقيق مبني بر قابليت بهتر الگوي پژوهش را نميتوان رد كرد.
بخش ج جدول 3 تجزیه و تحلیلهای موجود در بخشهاي الف و ب را با لحاظ كردن ناهنجاریهاي در بازده تعديل شده سهام با استفاده از دورههای برگزاری جایگزین یک ماه و 12 ماه تکرار میکند. نتایج تحقيق نشان داده است که الگوي پژوهش بهترین الگو برای تبيين نابههنجاریهاي در بازده تعديل شده است. در بین چهار ترکیب سرمايهگذاري(دو مورد دوره برگزاری و دو مورد به ازاي بازدههاي وزني)، الگوي پژوهش در قياس با ديگر الگوها همواره دامنه بين دهكي ناچیزي را ارائه داده در حالي كه در ساير الگوها سطح دامنه بين دهكي قابل توجه است. بر پايه بخشهاي ب، ج و د يعني به ازاي بازده متوسط دهكي، بازده متوسط يك ماهه تا 12 ماهه كل سبدهاي سهام و به ازاي بازده هاي متوسط وزني در بين كل سبدهاي سهام در بازه يك تا دوازده ماهه، به ترتيب سطح معنيداري احتمال گيبونز به ترتيب برابر: 381/0، 116/0 و 141/0 و در همه موارد بيش از 5 درصد سطح آزمون بوده و فرض صفر مبني بر قابليت توضيحدهندگي نابههنجاريهاي در بازده توسط الگوي پژوهش پذيرفته شده است. در حالي كه به ازاي ساير الگوهاي: تك عامله CAPM، سه عمله فاما و فرنج(1995)، 4 عامله كارهارت(1997)، 5 عامله فاما و فرنچ(2015)، در همه موارد سطوح معنيدار ياد شده كمتر از 5 درصد بوده و قابليت توضيحدهندگي نابههنجاريهاي بازده توسط اين الگوها رد شده و در نتيجه در همه وضعيتهاي ارزيابي فقط الگوي پژوهش از قدرت توضيحدهندگي نابههنجاريهاي بازده در قياس با الگوهاي چند عاملي برخوردار بوده است.
4. نتيجهگيري
این تحقیق بر مبنای ادبيات تحقيق و از جمله مطالعات سنگ و همکاران(2021)، در راستاي پیشبینی بازدهی سهام در سطح شرکت: کاربردی از پیوند مدلهای قیمتگذاری دارایی و عوامل اقتصادی، به انجام رسيده است.
قلمرو مكاني تحقيق شركتهاي پذيرفته شده در سازمان بورس تهران بوده كه در بازه زماني 8 ساله منتهي به 29/12/1398 مورد مطالعه قرار گرفتهاند. بر اين اساس 130 شركت انتخاب گرديد. به منظور فراهم آوردن امكان اجراي فرآيند محاسبات رگرسيوني پوياي فاما مك-بث از تركيبهاي 5 شركتي در هر صنعت با وزنهاي يكسان انتخاب و قيمتهاي سهام و تغييرات آن به طور ماهانه و نيز دادههاي عملكردي فصلي و سالانه شركت در زمينه متغيرهاي توضيحي نظير: سودآوري، رشد سرمايهگذاري، اندازه و سن شركت، به ازاي هر شركت گردآوري و مبتني بر آنها به ازاي هر سبد سهام توسط نرم افزار MATLAB پردازش گرديد.
پس از انجام آزمونهاي تشخيصي، نتايج تحقيق مبتني بر برآورد رگرسيوني وزني و معمولي با استفاده از رگرسيون فاما مك-بث(1973)، نشان داد كه ناهنجاريهاي در بازده سهام مورد ارزيابي قرار گرفت و با توجه به نتايج به دست آمده مبتني بر آزمون گيبونز، تنها الگوي مبتني بر الگوي پيشنهادي پژوهش است كه بر خلاف الگوهاي چند عامله(تك، سه، چهار و پنج عامله) قادر به تبيين ناهنجاريهاي در بازده سهام است. به علت پيچيدگي و در تعارض در روابط بين متغيرهاي توضيحي و عملكرد آتي، قدرت تبيين الگوي پيشنهادي پژوهش در پيش بيني ناهنجاريهاي در اقلام تعهدي و هزينههاي تحقيق و توسعه به ارزش شركت، ضعيفتر از الگوهاي چند عاملي بوده كه استفاده از الگوي تلفيقي پژوهش(استفاده از سودآوري، بازده مبتني بر پايينترين و بالاترين قيمت)، الگوي پيشنهادي تحقيق، قدرت تبيين بهتري در اين زمينه نشان داده است. الگوي پژوهش و الگوي تلفيقي در قياس با الگوهاي چند عاملي، قدرت توضيحدهندگي بهتري در زمينه پيش بيني عملكرد آتي در ابعاد سودآوري، رشد سرمايهگذاري و بازده سهام داشته است. بازده تعديل شده سهام به عنوان متغير توضيحي در الگوي پژوهش با بازده آتي سهام و سودآوري آتي شركت ارتباط مثبت داشته ولي با رشد سرمايهگذاري آتي ارتباطي منفي داشته است. بر اين اساس سرمايهگذاران بالقوه و شركتهاي سرمايهگذاري ميتوانند بر پايه تلفيقي از اطلاعات مربوط بازده تعديل شده سهام مبتني بر بالاترين و پايينترين قيمت با سودآوري شركت در گذشته نسبت به پيشبيني عملكرد آتي شركت مبادرت كرده و تصميمگيري بهتري در زمينه سرمايهگذاري داشته باشند.
نتايج تحقيق نشان داد كه عملکرد مدلهای عاملی در پورتفوی سهام در سطوح مختلف قیمت (ابعاد ضریب آلفای بالا، متوسط و پایین) متفاوت بوده و توانايي الگوي مبتني بر عامل Q در قياس با مدلهاي: تك عامله بازار، CAPM، سه عامله فاما و فرنچ(1993)، سه عامله فاما و فرنچ(1995)، چهار عامله كارهارت(1997) و پنج عامله(2015) بهتر است. يافتههاي تحقيق نشان داد كه صرفا الگوي پيشنهادي و و الگوي پنج عامله فاما و فرنچ(2015) قادر به پيشبيني عملكرد آتي در ابعاد سودآوري، بازده و رشد سرمايهگذاري بوده و در عين حال الگوي پيشنهادي در اين زمينه از قدرت توضيحدهندگي بالاتري برخوردار بوده است. بر اين اساس به سرمايهگذاران و شركتهاي سرمايهگذاري توصيه ميشود جهت تصميمگيري عقلايي و چند بعديتر از الگوي تلفيقي پيشنهادي و مدلهاي چندعامله بهره گيرند.
5. منابع و مآخذ:
1) احمدخاني، مسعود، عبدالرحيميان، محمدحسين، ميرجعفري اردكاني، سيداحمد، (1398). بررسی رابطه بین عوامل سرمایهگذاری با عملکرد و بازده سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، شباك، شماره 44، صص 26-33.
2) اژدری، فاطمه، رهنما رودپشتی، فریدون، حمیدیان، محسن، جعفری، سیده محبوبه، باغانی، علی. (1398). انتخاب پرتفوی سهام جهت سرمایه گذاری و شناسایی شرکت های برتر با روش محدودیت ال و با استفاده از روش یادگیری ماشین، راهبرد مدیریت مالی، انتشار آنلاین از 16 تیر 1398.
3) Chen, Tai-liang, and Feng-yu Chen. 2016. An intelligent pattern recognition model for supporting investment decisions in stock market. Information Sciences 346: 261–74
4) Di Persio, Luca, and Oleksandr Honchar. 2017. Recurrent Neural Networks Approach to the Financial Forecast of Google Assets. International Journal of Mathematics and Computers in simulation 11: 7–13.
5) Ghosh, I., & Chaudhuri, T. D. (2021). FEB-stacking and FEB-DNN models for stock trend prediction: a performance analysis for pre and post covid-19 periods. Decision Making: Applications in Management and Engineering, 4(1), 51-84.
6) Hossain, Mohammad Asiful, Rezaul Karim, Ruppa K. Thulasiram, Neil D. B. Bruce, and Yang Wang. 2021. Hybrid Deep Learning Model for Stock Price Prediction. Paper presented at the 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, November 18–21.
7) Kim, Sang, Hee Soo Lee, Hanjun Ko, Seung Hwan Jeong, Hyun Woo Byun, and Kyong Joo Oh. 2018. Pattern Matching Trading System Based on the Dynamic Time Warping Algorithm. Sustainability 10: 4641.
8) Lev, Dongdong, Shuhan Yuan, Meizi Li, and Yang Xiang. 2019. An Empirical Study of Machine Learning Algorithms for Stock Daily Trading Strategy. Mathematical Problems in Engineering.
9) Olson, D., & Mossman, C. (2003). Neural network forecasts of Canadian stock returns using accounting ratios. International Journal of Forecasting, 19(3) , 453–466.
10) Pai, P.-F., & Lin, C. –S. (2005). A Hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33(6), 497–505.
11) Roy, R., & Shijin, S. (2018). A six-factor asset pricing model. Borsa Istanbul Review, 18(3), 205-217.
12) Seng, Jia-Lang, and Hsiao-Fang Yang. 2021. The association between stock price volatility and financial news—A sentiment analysis approach. Kybernetes 46: 1341–65.
13) Shah, D., Isah, H., & Zulkernine, F. (2021). Stock market analysis: A review and taxonomy of prediction techniques. International Journal of Financial Studies, 7(2), 26.
14) Xu, Yumo, and Shay B. Cohen. 2018. Stock movement prediction from tweets and historical prices. Paper Presented at the 56th Annual Meeting of the Association for Computational Linguistics, Melbourne, Australia, July 15–20.
15) Yang, Bing, Zi-Jia Gong, and Wenqi Yang. 2017. Stock Market Index Prediction Using Deep Neural Network Ensemble. Paper Presented at the 2017 36th Chinese Control Conference (CCC), Dalian, China, July 26–28.
16) Zhang, Jing, Shicheng Cui, Yan Xu, Qianmu Li, and Tao Li. 2018. A novel data-driven stock price trend prediction system. Expert Systems with Applications 97: 60–69.
17) Zorin, A., & Borisov, A. (2002). Modelling Riga Stock Exchange Index using neural networks. http://overcite.lcs.mit.edu/cache/papers/cs/26702/http:zSzzSzdssg. cs.rtu.lvzSzenzSzpublicationszSz.zSz.zSzdownloadzSzpublicationszSz2002zSzZorins-RA-2002.pdf/zorin02modelling.pdf.
