Markov switching regime model in order to assess asset pricing and uncertainty in the stock market

Subject Areas : Financial engineering

Maryam Eydizadeh ¹ , Hasan Ghodrati Ghazaani ² , Aliakbar Farzinfar ³ , Hossein Panahian ⁴

1 - Department of Industrial Management, Kashan Branch, Islamic Azad University, Kashan, Iran.
2 - Department of Industrial Management, Kashan Branch, Islamic Azad University, Kashan, Iran.
3 - Department of Accounting, Kashan Branch, Islamic Azad University, Kashan, Iran.
4 - Department of Management and Accounting, Kashan Branch, Islamic Azad University, Kashan, Iran.

Received: 2023-05-23 Accepted : 2023-07-22 Published : 2024-08-17

Keywords: asset pricing, Markov switching regime, uncertainty in the stock market,

Abstract :

The current research has been carried out with the aim of designing the Markov switching regime model in order to evaluate the asset pricing and uncertainty in the stock market in Iran's stock market. In order to estimate the Markov model by systematic elimination method, 130 companies were selected and based on their performance, 1400 were divided into two categories, the top 50 companies and the lowest companies, and based on random processes to determine Markov regimes, investment portfolios were formed and based on the estimation of the Markov regime were estimated. The regression estimation of the relationship between efficiency and effective factors in the companies under investigation, regardless of the categories, showed that there was an inverse relationship between risk, normal and Laplace uncertainty degrees with efficiency, and the only determining factors were market risk and asset efficiency. , return on capital, profit volatility, cash flows, company value, asset liquidity, growth opportunities, asset turnover and company size have a significant relationship with stock returns. Among top companies, lower additional returns are usually associated with lower risk fluctuations and higher degree of uncertainty, and higher share risk spending is associated with higher risk fluctuations and lower degree of uncertainty.

References:

_|1) Amin Eshairi, A. (2021) "Investigation of the relationship between economic policy uncertainty and the risk of falling stock prices", New Research Approaches in Management and Accounting 5 (77).
2) Avgerou, C., Geoff, W., (2017). "Information Technology in Context: Studies from the Perspective of Developing Countries: Studies from the Perspective of Developing Countries". Routledge.
3) Bali, T.G., Zhou, H. (2016). "Risk, uncertainty, and expected returns". J. Financ. Quant. Anal, 51, pp. 707–735
4) Barberis, N., et al. (2015). "X-CAPM: An extrapolative capital asset pricing model". Journal of Financial Economics, 115 (1), pp. 1-24
5) Bernoulli, D. (1738). "Hydrodynamica sive de viribus et motibus fluidorum commentarii". Johannis Reinholdi Dulseckeri.
6) Bolstad, W. M., & Curran, J. M. (2016). "Introduction to Bayesian statistics". John Wiley & Sons
7) Carhart, M. M. (1997). "On persistence in mutual fund performance". The Journal of Finance, 52 (1), pp. 57e82.
8) Chen, B., Liu, X., Zhao, H., & Príncipe, J. C. (2017). "Maximum correntropy Kalman filter". Automatica, 76, pp. 70-77.
9) Driouchi, R.H.Y. So, L. Trigeorgis, T. (2020). "Investor ambiguity, systemic banking risk and economic activity: the case of too-big-to-fail". J. Corp. Financ, 62, pp. 101549, https://doi.org/10.1016/j.jcorpfin.2019.101549
10) Fama, E. F., & French, K. R. (2015). "A five-factor asset pricing model". Journal of Financial Economics, 116 (1), pp. 1e22. https://doi.org/10.1016/j. jfineco.2014.10.010
11) Fama, E. F., & French, K. R. (2013). "A. Five-Factor Asset Pricing Model. "Fama‐Miller Working Paper." Available at SSRN 2287202 (2013).
12) Fama, E.F., & French, K.R. (1992), "The Cross-Section of Expected Returns." Journal of Finance, 47 (2), 427-465.
13) Farhadi, Hamidreza, Nadiri, Mohammad, Saranj, Alireza, and Tehrani, Reza. (2023). Investigating the effect of herd behavior in Iran's economy on the efficiency of asset pricing model. Islamic Economics and Banking, 11 (38), 113-136. SID. https://sid.ir/paper/1040242/fa
14) Gilboa, D., & Schmeidler, I. (1989). "Maxmin expected utility with non-unique prior". J. Math. Econ, 18 (2), pp. 141–153
15) Halim, E., Yohanes, E. R., & Nilanjan, R. (2017). "Costly Information Acquisition, Social Networks and Asset Prices: Experimental Evidence." Washington.
16) Izhakian Y. (2017). "Expected utility with uncertain probabilities theory", J. Math. Econ. 69, pp. 91–103.
17) Jin, G., Liu, H., & Yang, Z. (2020). "Optimal consumption and investment strategies with liquidity risk and lifetime uncertainty for Markov regime-switching jump diffusion models, Eur". J. Oper. Res. 280 (3), pp. 1130–1143
18) Klibanoff, M. Marinacci, S., & Mukerji, P., "A smooth model of decision making under ambiguity". Econometrica, 73 (6), pp. 1849–1892
19) Li, J. (2020). "Preferences for partial information and ambiguity". Theor. Econ. 15 (3), 1059–1094.
20) Lintner, J. (1965). "The valuation of risk assets and selection of risky investments in stock portfolios and capital budgets". Review of Economics and Statistics, 47, pp. 13-37.
21) Maqsood, Hossein, Vakili Fard, Hamidreza, Torabi, Taghi (2019) "Variability testing of factors effective in predicting stock returns using dynamic averaging models", Financial Engineering and Securities Management, 11 (45), pp. 639 -660.
22) Merton, R. C. (1973). "An Intertemporal Capital Assets Pricing Model". Econometrica, 41 (5), pp. 867-87.org/10.1016/j.bir.2017.08.005
23) Nasiri, Koresh, & Askarzadeh, Gholamreza. (2023). Comparative analysis of the efficiency of Black-Scholes pricing model and binomial tree in Tehran Stock Exchange call option transactions. Financial Engineering and Securities Management, 14 (54), 25-42.
24) Rajizadeh, Simin. (1401). Evaluation of VIX volatility index in Iran's capital market and its future pricing effect using the Garou model. Financial Engineering and Securities Management, 13 (52), 60-80.
25) Sabouri, Narges, Karimpour, Enayat (1400) "Investigation of joint effects of economic policy uncertainty and company characteristics on capital structure (case study: companies admitted to the Tehran Stock Exchange)", new research methods in management and accounting , 5 (66).
26) Schmeidler, D. (1989). "Subjective probability and expected utility without additivity". Econometrica, 57 (3), 571–587.
27) Sharpe, W. F. (1964). "Capital asset prices: A theory of market equilibrium under conditions of risk". The journal of finance, 19 (3), pp. 425-442.
28) Shi, Z. (2019). "Time-varying ambiguity, credit spreads, and the levered equity premium". J. Financ. Econ, 134 (3), 617–646.
29) Wang, J., Zhou, M., Guo, X., Qi, L., & Wang, X. (2021). "A Markov regime switching model for asset pricing and ambiguity measurement of stock market". Neurocomputing, 435, pp. 283-294.
30) Wang, T., H. Li, X. Zhou, et al. (2020). "A prospect theory-based three-way decision model". Knowl.-Based Syst, 203, p. 106129, https://doi.org/10.1016/ j.knosys.2020.106129
31) Wang, X., Rong, H., & Zhao, S. (2019). "Optimal investment and benefit payment strategy under loss aversion for target benefit pension plans". Appl. Math. Comput. 346, pp. 205–218.
32) Xu, Yexiao., & Zhao, Yihua. (2023). Beta Reversal and Expected Returns. The University of Texas at Dallas, Vol 37 ،83-114.
|_

Full-Text:



مدل رژيم سوييچينگ ماركوف در راستاي ارزيابي قيمت‌گذاري دارايي و ابهام در بازار سهام

 

چکیده

پژوهش حاضر باهدف طراحي مدل رژيم سوييچينگ ماركوف در راستاي ارزيابي قيمت‌گذاري دارايي و ابهام در بازار سهام ايران به انجام رسيده است. جهت برآورد مدل ماركوف به روش حذفي سيستماتيك 130 شركت انتخاب و بر پايه عملكرد 1400 به دودسته 50 شركت برتر و شركت­هاي نا برتر تقسيم و مبتني بر فرايندهاي تصادفي جهت تعيين رژيم­هاي ماركوف، پورتفوي­هاي سرمايه­گذاري تشکیل‌شده و بر پايه برآورد ماركوف رژيم­هاي صعودي و نزولي تعريف و پارامترهاي ماركوف برآورد گرديدند. برآورد رگرسيوني ارتباط بين بازده و عوامل مؤثر در شركت­هاي تحت بررسي صرف‌نظر از دسته­بندي­ها نشان داد كه بين ريسك، درجات ابهام نرمال و لاپلاس با بازده ارتباط معكوس (تأثیر منفي) وجود داشته و عوامل تعيين­كننده صرف ریسک بازار، بازده دارایی، بازده سرمایه، نوسان سود، جریانات نقدی، ارزش شرکت، نقد شوندگی دارایی­ها، فرصت­های رشد، گردش دارایی و اندازه شرکت، با بازده سهام ارتباط معني­داري داشته­اند. در بين شركت­هاي برتر بازده اضافی (صرف ريسك سهام) کمتر معمولاً با نوسانات ریسک کمتر و درجه ابهام بالاتر همراه بوده و صرف ريسك سهام بالاتر با نوسانات ریسک بالاتر و درجه ابهام کمتر همراه است.

کلیدواژه: رژیم سوییچینگ مارکوف، قیمت­گذاری دارایی، ابهام در بازار سهام.

 

 

1. مقدمه

دیدگاه­های اقتصادی مختلفی در راستاي تخمین و پیش‌بینی قیمت دارایی­هاي سرمايه­اي در بازارهاي پولي و مالي وجود دارد. سيري در ادبيات تحقيق بر پايه تجزیه‌وتحلیل شواهد تجربي به‌دست‌آمده از پژوهش­هاي پيشين نشان مي­دهد كه مطالعات تجربی زیادی در این زمینه وجود دارد که مبادله افراد و سرمایه­گذاران را برای آشکارسازی برون­یابی عملکرد گذشته و چگونگی تأثیر آن بر دیدگاه بازار سرمایه نشان می­دهد (راجی زاده، 1401).

 بسیاری از مطالعات تحقیقاتی نظير هلیم و همکاران (2017)؛ تأثیرات انتظارات برون­یابی در مدل­هاي موجود قيمت­گذاري دارايي­هاي سرمايه­اي را موردبررسی قراردادند. چن و همکاران (2017)؛ شواهدی از واکنش­های بیش‌ازحد ارائه کرد که نشان مي­داد برون­یابی به توصیف حقایق ساده در مورد قابل پیش­بینی بودن قیمت­ها و بازده کل بازار کمک می­کند.

علاوه بر تأثیر ابهام بر عدم تقارن اطلاعاتي، اطلاعات مبهم می‌تواند بر انتظارات عوامل تصميم­گيري تأثیر گذاشته و آن‌ها را از اتخاذ استراتژی‌های تصميم­گيري درزمینه سرمايه­گذاري يا مصرف مربوطه بازدارد. این اثر به‌طور شهودی نمی­تواند با استفاده از رویکردهای بیزین ظاهر شود. درحالی‌که عوامل تصميم­گيري از وابستگی کیفیت اطلاعات آینده و خدمات و اقدامات فعلی جلوگیری می­کنند.

 بررسي ادبيات بر پايه تجزیه‌وتحلیل شواهد تجربي به‌دست‌آمده از برخي از پژوهش­هاي پيشين نظير بالی و ژو (2016)، ابهام را در مورد عدم قطعیت احتمالاتی که در آن احتمالات مرتبط یا مرتبط با موقعیت‌های خاص واضح نیستند یا برای چندین موقعیت تکرار نمی‌شوند، به كار گرفته­اند. به‌عبارت‌دیگر، وضعيت ابهام احتمالات نامطمئن ریسک را شکل می­دهد، به‌طوری‌که احتمالات مرتبط با برخی بینش­های شناخته‌شده باید تعریف و به‌طور منحصربه‌فرد برای به حداقل رساندن ریسک آن‌ها تخصیص داده شود. بنابراین، تفسیر اطلاعات یا سیگنال­های بازار به‌منظور قضاوت در مورد کیفیت اطلاعات، در راستاي تصمیم­گیری­های منسجم و قابل‌اعتماد بسیار مهم است. این امر مخصوصاً در مورد اطلاعاتی که به آن اطلاعات "ملموس" گفته مي­شود، کاملاً صادق است. اطلاعاتي مانند سود و نرخ بهره كه به‌عنوان سیگنال‌های اطلاعاتی مهم و کامل شناخته‌شده و به تحلیل‌های کمی بازار کمک می‌کنند. علاوه بر این، رابطه بین بازده اضافی و واریانس بازده شرطي متأثر از ابهام، بسیار متغیر است.

 

2. مبانی نظری

2-1. قیمت­گذاری دارایی­های سرمایه­ای

در تعریف مدل با تعبیری که در مباحث کمی نظير اقتصادسنجي و مباحث ریاضی عنوان می­شود باید گفت، یک مدل بسته به مورد، بر پايه مجموعه­ای از مفروضات تعريف گرديده و بسط ریاضی مدل از طریق دست­کاری این مفروضات صورت پذيرفته و حتي در برآوردها نيز با دست­كاري و تغيير مفروضات یادشده، مجموعه­ای از پیش‌بینی­ها صورت می­گیرد. در اغلب موارد، مفروضاتی که مدل خاصي بر پايه آن‌ها تبیین می­گردد، آزمون­های هنجاری را پشت سر نمی­گذارند. حتی اگر چنین چیزی درست باشد، نمی­توان تأثیرات عوامل مؤثر بر جریانات نقدی آتی دو مقطع متفاوت زمانی را ثابت فرض کرد. از سوی دیگر، احتمال دارد شیوه‌ای که فرض می­شود بدان صورت باید در دنیای واقعی تحقق يابد، بیش‌ازحد ساده نیست، ازاین‌جهت اشتباهاتی در قیمت­گذاری دارایی­ها مبتني بر مدل­ها در قیاس با واقعیت­های موجود صورت گرفته و بر اين اساس مدل­های قیمت­گذاری دارايي­هاي سرمايه­اي نیاز به پیشرفت دارند (باربریز و نیکلاس، 2015).

مدل­هایی که درزمینه قیمت دارایی­ها ابداع گردیده و به‌کارگیری آن‌ها با روند رو به تزايدي گسترش‌یافته است، چالش­های مثبت و هنجاری را در دیگر بخش­های اقتصاد را نیز موردتوجه قرارداده­اند. به‌طورکلی وقتی مدلی را برای پیش­بینی جريانات آینده در نظر گرفته مي­شود، معمولاً به مفروضاتی که زيربناي پیش­بینی را شكل داده و در پیش­بینی بر آن تکیه می­شود، نيز توجه می­گردد. اگر پس از فرایند ارزیابی بر پايه استفاده از آزمون­های هنجاری، مفروضات بنیانی حقیقت داشته باشند، پیش­بینی­های انجام‌شده بر مبنای آن‌ها نیز باید درست باشد. این راست آزمایی می­تواند از طریق آزمون­های اعتبارسنجي مناسب موردبررسی قرار گیرد. به‌رغم آنچه گفته شد، درواقع قیمت­گذاری دارایی مبتنی بر پیش­بینی جریانات نقدی آتی، بیش از همه‌چیز در محیطی ساده صورت نمی­گیرد (هلیم و همکاران، 2017؛ نصیری و عسکرزاده، 1402).

 بر این اساس می­توان قیمت­گذاری دارایی را در راستای اینکه چنین ادعاهایی نیز در قیمت­گذاری موردتوجه قرار گیرد، واکنش­هایی که رهنمودی برای تصمیم­گیری­های عمومی و خصوصی است را نيز موردتوجه قرارداد. نظریه قیمت­گذاری دارایی­ها برگرفته از یک مفهوم ساده است که: "قیمت امروز دارایی برابر باارزش‌های تنزیل شده جریانات نقدی حاصل از به‌کارگیری آن است". سایر موارد جزئیات است، موارد خاص و مملو از ترفندهایی است که معادله مرکزی را برای یک یا چند برنامه کاربردی مفید می­سازد.

 تمایز این مطالعه در بررسی ادبیات تحقیق در این است که این اولین تلاش برای بررسی ادبیات درزمینه مدل­های قیمت­گذاری دارایی و بررسی شواهد تجربی به‌دست‌آمده از پژوهش­های گذشته در قالب مروری ساختاری بر شواهد تجربی است.

 

2-2. الگوهای قیمت­گذاری بر مبنای پایه نظری

در این تحقیق، نوعی از مدل­های قیمت­گذاری که در چارچوب مباحث مالی نئوکلاسیک طبقه­بندی گرديده­اند، موردبررسی قرارگرفته و شواهد تجربي به‌دست‌آمده از پژوهش­هاي مرتبط يا مشابه پيشين که انجام بررسی تجربی ساختاری را ارزیابی می­کنند، مورد ارزیابی قرارگرفته­اند.

در چارچوب نظریه‌های نئوکلاسیک مالي، الگو (مدل)­های قیمت­گذاری دارایی را می­توان به دودسته: 1) مدل­های قیمت­گذاری مطلق و 2) مدل­هاي نسبی طبقه‌بندی نمود. منظور از مدل­هاي قیمت­گذاری مطلق، الگوهایی هستند که در آن‌ها هر دارایی با تکیه بر قرار گرفتن دارایی در معرض منابع اساسی ریسک اقتصاد کلان، قیمت­گذاری می­شود. مدل­های تعادلی مبتنی بر مصرف و نمونه­های محض ازجمله این الگوها هستند. رویکرد قیمت­گذاری مطلق در متون آموزشی و پژوهشی دانشگاهی مرسوم بوده و آن‌ها را الگوهای قیمت­گذاری متکی بر نظریه اثباتی قیمت­گذاری دارایی تعريف كرده­اند. وجه‌تسمیه اثباتی در مورد اين مدل­ها ازآن‌جهت است که هدف از اين مدل­ها توضیحی اقتصادی درزمینه اين­كه چرا قیمت­ها این مقدار هستند؟ یا در راستای پیش­بینی این­که درصورتی‌که سیاست یا ساختار اقتصادی تغییری پیدا کند، چگونه قیمت­ها تغییر می­کنند؟ مدنظر قرار مي­گيرد (دریوچی و تریگرگیس، 2020).

 در الگوهای قیمت­گذاری نسبی، یک سؤال کم‌اهمیت‌تر پاسخ داده می­شود. در این الگوها هدف پاسخ به این سؤال است که چگونه می­توان بر پایه قیمت­های دیگر دارایی­ها، در مورد قیمت خاصی ارزش­گذاری کرد؟ در این الگوها پرسیده نمی­شود که قیمت دیگر دارایی­ها از کجا آمده­اند؟ علاوه بر این در این الگوها در صورت امکان، اطلاعات اندکی پیرامون عوامل اساسی مؤثر بر ریسک را مورداستفاده قرار می­دهند شیوه قیمت­گذاری بلک-اسکولز¹، نمونه کلاسیکی از این رویکرد بوده و بسط آنالیز داعیه اقتضایی آن، در راستای ارزیابی مسئله ریسک در یک کشور است (لی، 2020).

 

2-3. الگوهای قیمت­گذاری بر مبنای عوامل مؤثر

به‌طورکلی، بررسي ادبيات تحقيق نشان مي­دهد كه پژوهش­هاي انجام‌شده در ارتباط با مدل­های ارزش یا قیمت­گذاری دارایی­هاي سرمايه­اي به الگوی قیمت­گذاری دارایی­های سرمایه­ای (CAPM) مبتنی بر پژوهش شارپ (1964) برمی‌گردد. در اين مدل فرض شده است كه بازده هر پورتفوی مورد ارزيابي صرفاً ناشی از ریسک سیستماتیک معروف به بتا تعریف‌شده است. بر اين اساس، مدل مزبور به الگوی تک عاملی معروف شده كه در آن تک عامل مؤثر بر بازده عبارت از ریسک سیستماتیک تلقی گردیده بود.

پس از مدل تك عاملي مرتون (1973)، مدل­های چندعاملی نظیر سه عاملی فاما و فرنچ (1992)، ابداع گردیده و الگوی تک عاملی را موردانتقاد قراردادند.

 در راستای رفع نارسایی­های الگوهای قبلی، فاما و فرنچ (2013) طي پژوهشي توانستند با افزودن دو عامل سودآوری و سرمایه­گذاری به الگوی سه عاملی یا الگوی قبلی خود، الگوی پنج عاملی را ابداع نمایند. پژوهش­گران مزبور توانستند در قیاس با الگوهای قبلی، توان و قدرت بیشتر توضیح­دهندگی الگوی جدید را نشان داده و برخي از نارسايي­هاي الگوي قبلي را مرتفع سازند. بررسی ادبیات تحقیق بر پايه شواهد تجربي به‌دست‌آمده از پژوهش­هاي پيشين كه درزمینه الگوهای چندعامله قیمت­گذاری سرمایه­ای به انجام رسيده­اند نشان می­دهد که سهم لینتنر (1965) و شارپ (1964)، در تبیین الگوهای قیمت­گذاری دارایی­های سرمایه­ای، توسعه روابط بین ریسک و بازده، بدون تردید قابل‌انکار بوده و به جهت پيشرو بودن انديشمندان یادشده در اين زمينه در قياس با ديگر پژوهش­گران، جايگاه ويژه­اي دارند.

 

3. پیشینه تحقیق

خو و ژائو (2023) در تحقيقي به بررسي شکست مدل قيمت­گذاري دارايي­هاي سرمايه­اي در پيش­بيني بازده مورد انتظار سهام انفرادي با ويژگي بتا و ريسک نوسانات ويژه بالا براساس مدل چندعاملي فاما و فرنچ پرداخته­اند. آن‌ها با تحليل سهام NASDAQ در بازه زماني 1963 تا 2015 به دنبال بررسي بی‌ثباتی بتا در سهام با ويژگي­هاي مذکور بوده و به اين نتيجه رسيدند که بتا در اين سهام داراي بی‌ثباتی است و ميل به بازگشت دارد که اين مطلب بيان­کننده ضعف مدل CAPM در ارزيابي اين نوع از سهام خواهد بود.

وانگ و همکاران (2021) طي پژوهشي رژیم مارکوف را در راستاي قیمت‌گذاری دارایی و اندازه‌گیری ابهام در بازار سهام پرداختند. نتایج تحقيق نشان داد که درجه ابهام در بازار سهام چین به‌طور قابل‌توجهی بالاتر از آن در بازار سهام هنگ‌کنگ بوده و تفاوت‌های قابل‌توجهی بین دو بازار وجود دارد. علاوه بر این، نتایج رگرسیون ارتباط بين ریسک، ابهام و بازده را بررسي كرد.

جین و همکاران (2020) طي پژوهشي به بررسي ابهام، مخاطرات طولانی‌مدت و قیمت دارایی‌ها در یک‌زمان پيوسته پرداختند. در این پژوهش مدل‌های ريسك­هاي بلند‌مدت (LRR)، بر مبناي فرموله بندی بازده و استفاده از مدل‌های LRR، بسط داده شد. در اين پژوهش، مدلي چندهدفه با معيارهاي بازده و ابهام سرمایه­گذار درزمینه عدم قطعیت، فرموله گرديد. تجزیه‌وتحلیل تجربی شواهد تجربي در اين تحقيق نشان داد که با توجه به ابهام در عدم قطعیت، به‌ویژه ابهام زیاد در مورد مخاطرات طولانی‌مدت، مدل‌های LRR می‌تواند به‌طور قابل‌توجهی عملکرد مناسب صرف ريسك سهام و نرخ بدون ریسک را هنگام استفاده از ضریب انحراف نسبت خطر‌پذیری پایین بهبود بخشد.

لی (2020)؛ رفتار شاخص بی‌ثباتی ارزهای رمز پایه و بازارهای سهام در طی همه­گیر شدن کووید 19 را از طریق رویکرد انسجام موجک و مدل خودتنظیم سوئیچینگ مارکوف موردبررسی قراردادند. نتایج نشان­دهنده یک بی‌ثباتی مالی در دوران این بیماری است؛ به‌طوری­که در دوران پاندمی کووید 19، ارزهای رمز پایه و قیمت سهام به‌شدت افت کردند؛ ولی بااین‌وجود، ارزهای رمزنگاری‌شده بلافاصله حرکت‌های بازگشتی از خود نشان دادند، درحالی‌که بازارهای سهام در مرحله افت گرفتار شدند.

شی (2019) طي پژوهشي به بررسی اثرات مشترک عدم قطعیت سیاست اقتصادی و ویژگی‌‌های شرکت بر ساختار سرمایه شرکت‌ها پرداختند. نتایج به‌دست‌آمده از اين تحقيق نشان‌ داد كه عدم قطعیت سیاست اقتصادی و ویژگی‌‌های شرکت به‌صورت مشترک در شکل‌گیری تأمین مالی و بدهی یا ساختار سرمایه شرکت‌ها مؤثر هستند. علاوه بر اين، پژوهش­گران مزبور نشان دادند كه اثرات حاشیه‌ای عدم قطعیت سیاست اقتصادی نمی‌تواند در تأمین مالی و بدهی ثابت بوده و بسیاری از شاخص‌های ویژگی‌‌های شرکتی نیز با تأمین مالی و اهرم مالی رابطه مثبت و منفی متفاوتی داشته و درنهایت عدم قطعیت سیاست اقتصادی با ساختار سرمایه و تأمین مالی بدهی در شركت­هاي تحت بررسي رابطه معکوس داشته است.

صبوری و کریم پور (1400) طي پژوهشي اقدام به تعیین اثرات مشترک عدم قطعیت سیاست اقتصادی و ویژگی‌های شرکت بر ساختار سرمایه شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران پرداختند. با نتایج به‌دست‌آمده مشخص شد که عدم قطعیت سیاست اقتصادی بر اهرم مالی و ساختار سرمایه اثر مستقیم و مثبت داشته اما ویژگی‌های شرکتی بر اهرم مالی و ساختار سرمایه اثری معکوس و منفی دارد. به‌عبارتی‌دیگر، عدم قطعیت سیاست اقتصادی به میزان 79/10 باعث افزایش ساختار سرمایه و ویژگی‌های شرکتی به میزان 20/5 منجر به کاهش آن‌ می‌شود که با پژوهش بالی و ژو (2016) هم­راستا بوده است.

امین عشایری (1400) طي پژوهشي به بررسی تأثیر عدم قطعیت سیاست اقتصادی بر ریسک سقوط قیمت سهام در شرکت‌‌های پذیرفته‌شده در بورس اوراق بهادار تهران بر مبناي داده­هاي عملكردي 1390 تا 1397 پرداختند. تجزیه‌وتحلیل شواهد تجربي به‌دست‌آمده از تحقیق نشان داد كه ریسک سقوط قیمت یک سهام معین با افزایش عدم قطعیت در سیاست اقتصادی افزایش‌ می‌یابد. تأثیر عدم قطعیت در سیاست اقتصادی بر ریسک سقوط قیمت سهام با افزایش در بتای بازده عدم قطعیت سیاست اقتصادی افزایش می‌یابد. نهایتاً تحليل يافته­ها نشان داد كه بین عدم قطعیت سیاست اقتصادی و ریسک سقوط قیمت سهام انباشته در سطح بازار رابطه مثبت و بااهمیتی وجود دارد.

فرهادی و همکاران (1402) به رفتار گله ای در اقتصاد ایران بر معیار کارایی مدل قیمت گذاری دارایی ها می‌پردازد. روش تحقیق مورداستفاده در این پژوهش از نوع تحقیقات همبستگی است که جهت آزمون سؤالات تحقیق از روشی رگرسیونی استفاده‌شده است. جهت سنجش آزمون فرضیات از مدل 4 عاملی کارهارت استفاده‌شده است که عامل توده‌واری به آن اضافه‌شده است. نمونه آماری تحقیق حاضر شامل 115 شرکت فعال در اقتصاد کشور ایران است. بازه زمانی تحقیق به مدت 10 سال است که از سال 1389 تا 1398 موردبررسی قرارگرفته‌شده است. نتایج تحقیق نشان می‌دهد که توده‌واری در درجات مختلف ریسک متفاوت بوده و بیشتر در نواحی پر ریسک بازار رخ می‌دهد و موجب بازگشت بتا در بازار می‌گردد و ناکارایی مدل قیمت گذاری دارایی های سرمایه‌ای را به دنبال دارد. همچنین مشخص گردید که با حذف پرتفوی‌های پر ریسک از نمونه، توده‌واری مشاهده نمی‌گردد و رفتار بتا طبق نظریه مدل قیمت گذاری دارایی های سرمایه‌ای باثبات گردیده و بازگشت بتا رخ نمی‌دهد.

 

4. روش‌شناسی

پژوهش حاضر، بر اساس هدف کاربردی است. جامعه آماری تحقیق حاضر عبارت از شرکت­های پذیرفته‌شده در سازمان بورس اوراق بهادار تهران تعريف گرديده كه گستره موردبررسی آن بر پايه محدوديت­ها يا شرايط تعریف‌شده به‌عنوان مرزهای جامعه آماری به‌صورت زیر بوده است. بعضاً تعريف مرزهاي محدودکننده جامعه آماری شركت­هاي منتخب بورسي به‌صورت فوق را به‌عنوان روش نمونه­گيري قلمداد كرده و از آن بانام‌های "نمونه­گيري حذفي سيستماتيك"، "روش نمونه­گيري هدفمند" يا "غربال­گري منظم" یادکرده‌اند.

-       به لحاظ افزایش قابلیت مقایسه، دوره مالی آن‌ها منتهی به 29 اسفندماه باشد.

-       در طی بازه ده‌ساله منتهي به 29/12/1400 تغییر سال مالی نداشته باشد.

-       اطلاعات مالی آن قابل‌دسترس باشد.

-       جزء شرکت‌های زيان ده به‌ویژه شرکت‌هایی كه طي چند سال متوالي زيان ده بوده و به‌نوعی فعاليت­هاي سرمايه­گذاري در آن‌ها متوقف‌شده و از جذابيت لازم برخوردار نيست، نباشد.

-       داده­هاي موردنیاز جهت اندازه­گيري متغیرها در راستاي ارزيابي کارایی مالي يا تعيين سطح بهينه مورد انتظار سرمايه­گذاري در دسترس باشد.

 با اعمال محدودیت­های فوق، اطلاعات مالی 130 شرکت واجد شرايط پذیرفته‌شده در بورس اوراق بهادار تهران موردبررسی قرارگرفته است. البته با توجه به استفاده از مباني مدل-هاي قيمت­گذاري سرمايه­اي از اين شركت­ها پورتفوي­هاي سه تا 5 تايي از هر صنعت و به‌صورت تصادفي تعريف گرديده است.

 

4-1. مرحله اول

با در نظر گرفتن بازده لگاریتمی روزانه شركت­هاي منتخب پذیرفته‌شده در بورس تهران، از یک مدل تغییر رژیم مارکوف برای صنعت مالي (شركت­هاي فعال در صنعت بيمه، واسطه­هاي مالي، صندوق­هاي مشترك و شركت­هاي سرمايه­گذاري و نهایتاً بانك­ها) و ديگر صنايع (شركت­هاي توليدي، بازرگاني و خدماتي غير­مالي) تعريف گرديده است. علاوه بر اين فرض شده است که بازده هر بازار يا rt از زنجیره مارکوف درجه اول M-state پیروی كرده و در هر بازار متوسط و واریانس بازده متفاوتي وجود دارد. در اين صورت توزيع بازده، احتمالات و ديگر پارامترها به‌صورت روابط 1 تا 3 و به شرح ذيل تعریف‌شده است:

 

روابط 1 تا 3:

 

 

 

 

که در اين رابطه st یک متغیر تغییر رژیم مارکوف باحالت‌های M است و در اين رابطه حالت­هاي ممكن يا شرايط به‌صورت: st ε{1, 2, … , M} و pij احتمال انتقال از وضعيت i در زمان t-1 به حالت j در زمان t است. μst میانگین شرطی وابسته به حالت بازده است. فرض می‌شود μst داراي توزيع نرمال توزیع با مقدار متوسط صفر و واریانس وابسته به حالت r2 است. علاوه بر اين، st ϛ يك اختلال وابسته به حالت است در­حالي­كه به‌صورت  بيان گرديده است. در اين پژوهش از روش فیلتر برنولی (1738) و روش حداکثر احتمال برای تخمین پارامترهای مارکوین: pij، μst و δ2st استفاده‌شده است.

4-2. مرحله دوم

سطوح يا درجات ابهام ماهانه، درجات يا سطوح ریسک ماهانه، احتمال میانگین ماهانه سود و میانگین ماهانه انحراف مطلق نيز به ترتيب و در حالت­های مختلف برآورد گرديده است. در اين راستا از فرايند محاسباتی زير بهره گرفته‌شده است:

1)       قیمت­های پاياني در هر پنج دقیقه در هر دو صنعت مالي و غير­مالي برای محاسبه بازده لگاریتمی پنج‌دقیقه‌ای دو شاخص استفاده می‌شود. با صرف‌نظر كردن از بازدهی بین قیمت­های پایانی و قیمت­های افتتاحیه روز بعد، تأثیر تغییرات قیمت یک‌شبه و تقسیم سود، حذف گرديده است. سپس متوسط ميانگين و انحراف استاندارد بازده روزانه، برای هرروز محاسبه‌شده است.

2)       محدوده بازده روزانه با توجه به ضوابط اركان نظارتي چون سازمان بورس اوراق بهادار مثلاً در فاصله بين بعلاوه و منهاي 5 درصد قيمت نهايي روز قبل در نظر گرفته‌شده و بر پايه آن محدوده بازده اضافي نسبت به بازده بدون ريسك تعريف گرديده و به ازاي آن‌ها احتمال بازده محاسبه‌شده است.

3)       میانگین و واریانس احتمالات را برای هر بازه از دو شاخص به‌طور جداگانه محاسبه‌شده، سپس درجات ابهام ماهانه دو شاخص با استفاده از رابطه شماره 3-7 محاسبه‌شده است.

4)       برای اطمینان از اعتبار نتایج، علاوه بر توزیع نرمال، فرض شده است که بازده‌های روزانه مشمول توزیع غیر نرمال نيز هستند و به‌عنوان‌مثال از توزیع لاپلاس بهره گرفته‌شده است (ليو و يانگ، 2020) و به ازاي هر يك از اين توزیع‌ها دو نوع درجه ابهام را برای دو صنعت تحت بررسي به‌طور جداگانه محاسبه‌شده است.

5)       از رابطه 3 برای محاسبه واریانس ماهانه در راستاي نشان دادن سطح ريسك استفاده گرديده است. در اين راستا، انحراف مطلق روزانه دو شاخص و سپس میانگین انحراف مطلق ماهانه را محاسبه كرده و بر مبناي آن‌ها احتمالات روزانه بازده و سپس میانگین ماهانه احتمال بازده، محاسبه‌شده است.

4-3. مرحله سوم

 در راستاي بررسي رابطه بین ریسک، ابهام و بازده، آزمون­های آماری بر روی درجات ریسک ماهانه، درجات ابهام ماهانه و بازده مازاد ماهانه برای همه نمونه­ها و همه حالت­های هر شاخص به‌طور جداگانه انجام‌شده و علاوه بر این، همبستگی بین آن‌ها برآورد شده بر پايه علامت و مقدار ضريب همبستگي نسبت به نوع و شدت ارتباط بين متغيرهاي یادشده، قضاوت شده است. 

4-5. مرحله چهارم

 از دو آزمون نا پارامتریک مقايسه ميانگين­ها با آماره يو-من وايتني و نيز كورموگروف به ترتيب به جهت مقايسه بين دو صنعت و نرمال بودن توزيع متغيرها، بهره گرفته‌شده است (وانگ و همکاران، 2019). به‌این‌ترتیب بستگي بازده به نوع صنعت و نيز نرمال بودن توزيع متغيرهاي ريسك، بازده و ابهام محاسبه‌شده بر مبناي داده­هاي تاريخي مورد آزمون قرارگرفته­اند. 

4-6. مرحله پنجم

 بر مبناي رابطه شماره 4، رگرسيون را به ازاي هر يك از صنايع جداگانه و كل نمونه آماری با استفاده از روش حداقل مربعات برآورد گرديده است. علاوه بر این، جهت حصول اطمينان از برآوردگر شی (2019) نيز در راستاي مقابله با خودهمبستگی بالقوه و ناهمسانی در عبارت خطای معادله رگرسیون استفاده‌شده است.

رابطه شماره 4:

 

4-7. مرحله ششم

 در راستاي ارزيابي گشتاورهاي مراتب بالاتر توزيع، ازجمله چولگی و کشیدگی و برای آزمایش استحکام نتایج آزمایش تجربی رابطه 4 نيز صورت گرفته است. اين آزمون استحكام بر پايه رابطه رگرسيوني شماره 5 و در راستاي اعتبارسنجي بيشتر نتايج ارزيابي برآورد گرديده است:

 رابطه 5:

 

 

درحالی‌که در اين رابطه δt و kt به ترتيب ضرايب چولگی و کشیدگی بازده پرتفوی بازار در ماه tام هستند. بر اساس اين رابطه رگرسيوني مي­توان ارتباط بين ريسك، ابهام و قيمت­گذاري دارايي­ها بر پايه بازده را بر اساس ضرايب چولگی و کشيدگي استاندارد بازده را به‌عنوان يك آزمون استحكام مورداستفاده قرارداد.

 

5. تجزیه‌وتحلیل داده‌ها و یافته‌ها

در اين بخش از يافته­هاي تحقيق به توصيف نتايج به‌دست‌آمده از بررسي بازده، ريسك و ابهام در بازار سرمايه به تفكيك كل بازار، شرکت‌های برتر و ساير شركت­هاي موردمطالعه در بازار سرمايه تحت مطالعه پرداخته‌شده است. به‌طوری‌که پیش‌ازاین گفته‌شده مبناي محاسبات مبادلات لحظه­اي (با مقاطع زماني 5 دقیقه‌ای) بوده كه بر اساس آن برآوردهاي روزانه و ماهانه محاسبه گرديده است.

 

5-1. برآورد مدل مارکوف

اولين گام درزمینه شبیه‌سازی روند مبادلات سهام در بازه زماني و نمونه تحت مطالعه عبارت از برآورد مقادير بهينه پارامترهاي معیارهای اطلاعاتي است. در اين راستا محاسبات لازم صورت گرفته و طي جدول شماره 1، مقادیر معیار اطلاعاتي آکایيک (AIC²) و معیار اطلاعاتي بیزین (BIC³) را برای انتخاب تعداد بهینه حالت­ها ارائه‌شده است.

جدول 1- برآورد معيارهاي اطلاعاتي مدل ماركوف 

شرح نمونه	معيار اطلاعاتي	نماد	شرح رژيم
			دوحالته (بهينه)	سه‌حالته	چهارحالته	پنج‌حالته
شركت­هاي برتر	آكاييك	AIC	0089/401-	4676/373-	9613/373-	7086/359-
	بيزين	BIC	5098/375-	2190/349-	2136/310-	0871/284-
شركت­هاي نا برتر	آكاييك	AIC	4179/517 -	0822/517-	4562/506-	5314/486-
	بيزين	BIC	2936/498 -	8335/478-	7085/442-	9099/390-

 (منبع: یافته­های پژوهشگر)

 

همان­طور که در جدول شماره 1 نشان داده‌شده است، زمانی که M = 2، مقادیر AIC و BIC دو شاخص در سطح کوچک­ترین مقدار خود در هر دو نمونه (0089/401-، 5098/375-، 4179/517 – و 2936/498 -) شركت­هاي برتر و نا برتر بوده است. معيارهاي اطلاعاتي مدل در رژيم­هاي مختلف نشان می‌دهد اعداد به‌دست‌آمده بيان­گر حالت بهینه در دو بازار سهام (نا برتر و برتر) برابر با دو حالت يا رژيم می‌باشد. طي جدول شماره 1، نتایج به‌دست‌آمده درزمینه برآورد پارامترهاي مدل مارکوف حاوي دو شاخص اطلاعاتي آکایيک (AIC) و معیار اطلاعاتي بیزین (BIC) ارائه‌شده است.

 طي مرحله دوم بري رژيم­هاي دوگانه، پارامترهاي آماری در تخمين مدل ماركوف برآورد گرديده و به شرح جدول شماره 2 خلاصه گرديده است:

جدول 2- برآورد پارامترهاي مدل ماركوف

 (منبع: یافته­های پژوهشگر)

 

برآورد پارامترهاي آماری اساسي در برآورد مدل مبتني بر رويكرد زنجيره ماركوف به شرح جدول شماره 2 نشان مي­دهد كه در شركت­هاي برتر متوسط بازده براي رژيم انتخابي اول 0008/0- با واريانس 0019/0 و براي رژيم انتخابي دوم متوسط بازده 0251/0 با واريانس 0127/0 بوده است. بر اين اساس، رژيم انتخابي دوم بازده بيشتر و ريسك بالاتر را به همراه داشته است. در شركت­هاي نا برتر متوسط بازده براي رژيم انتخابي اول 0061/0- با واريانس 0067/0 و براي رژيم انتخابي دوم متوسط بازده 0121/0 با واريانس 0013/0 بوده است. بر اين اساس، رژيم انتخابي دوم بازده بيشتر و ريسك بالاتر را به همراه داشته است. درمجموع نتایج تحليل نشان می­دهد که رژيم دوم بازده بالا با ریسک بالا و حالت اول بازده پایین با ریسک پایین را مشخص كرده است. بر اين اساس، رژيم انتخابي اول بازار نزولی را نشان داده درحالی‌که رژيم انتخاب دوم بازار گاوی را نشان می­دهد.

 

5-2. برآورد پارامترهاي آماری

طي جدول شماره 3 توصیف یافته‌های آماری مبتني بر برآورد پارامترهاي آماری درجات ريسك ماهانه v2، درجات ابهام ماهانه  و بازده اضافی ماهانه هر دو نمونه شركت­ها نا برتر و برتر را بدون در نظر گرفتن رژيم انتخابي در برآورد مدل مبتني بر رويكرد زنجيره ماركوف، ارائه‌شده است.

 

جدول 3- پارامترهاي آماری توصيف يافته­ها در نمونه­هاي آماری

شرح نمونه	شرح پارامتر ماركوف	نماد	رژيم اول	رژيم دوم
شركت­هاي برتر	ميانگين بازده		0008/0-	0251/0
	واريانس بازده		0019/0	0127/0
	احتمال رژيم اول		95/0	****
	احتمال رژيم دوم		94/0	****
شرکت‌های نا برتر	ميانگين بازده		0061/0-	0121/0
	واريانس بازده		0067/0	0013/0
	احتمال رژيم اول		93/0	****
	احتمال رژيم دوم		95/0	****

 (منبع: یافته­های پژوهشگر)

همان­طور که در جدول شماره 3 نشان داده‌شده است، در مقایسه با شركت­هاي نا برتر بورسي، هم میانگین و هم انحراف استاندارد بازده اضافی شركت­هاي برتر بورسي بیشتر بوده و درعین‌حال میانگین و انحراف استاندارد درجه ابهام آن نيز همان‌طور که در اين جدول نشان داده‌شده است کمتر بوده و مجموعه بهتري را بري تصميم­گيري سرمايه­اي سرمایه‌گذاران فراهم ساخته است.

 طي جدول شماره 4 پارامترهاي آماری مربوط به توصيف يافته­ها در برآورد پارامترهاي زنجيره ماركوف به ازاي رژيم­هاي اول و دوم در نمونه شرکت‌های برتر بورسي و نيز مقاطع زماني ماهانه خلاصه گرديده است:

 

جدول 4- پارامترهاي آماری توصيف یافته‌ها در دو رژيم انتخابي شرکت‌های برتر

شرح نمونه	پارامتر ماركوف	شرح پارامتر آماری
		میانگین	میانه	کمینه	بیشینه	انحراف معیار	چولگی	کشیدگی
شركت­هاي برتر		0094/0	0083/0	2617/0-	2767/0	0866/0	0684/0-	1555/4
		0053/0	0030/0	0002/0	0539/0	0075/0	6807/3	3783/19
		4439/0	3424/0	0758/0	5521/1	3253/0	5842/1	1224/5
		8314/0	6492/0	1393/0	9226/2	6241/0	5728/1	1098/5
شرکت‌های نا برتر		0027/0	0066/0	2279/0-	1689/0	0596/0	3807/0-	3393/4
		0038/0	0020/0	0001/0	0819/0	0071/0	7989/7	4112/81
		9213/0	8496/0	1200/0	6036/4	5632/0	2174/2	4410/13
		7028/1	6240/1	1572/0	5751/6	9409/0	2839/1	9400/6

 (منبع: یافته­های پژوهشگر)

 

بنا بر محاسبات انجام‌شده به ازاي پارامترهاي ابهام و بازده ماهانه، طي نمودار شماره 1 به ازاي بازده و درجات ابهام مربوط به شركت­هاي برتر بورسي در بازه زماني تحت بررسي به ازاي مقاطع ماهانه و شركت­هاي تحت مطالعه با فرض رژيم اول (بازده نزولي يا خرسي) تصوير گرديده است:

 

نمودار 1- بازده اضافي و ابهام در رژيم اول شركت­هاي برتر بورسي (بازده نرولي يا خرسي)

 (منبع: یافته­های پژوهشگر)

مشابهتا بنا بر محاسبات انجام‌شده به ازاي پارامترهاي ابهام و بازده ماهانه، طي نمودار شماره 2 به ازاي بازده و درجات ابهام مربوط به شركت­هاي برتر بورسي در بازه زماني تحت بررسي به ازاي مقاطع ماهانه و شركت­هاي تحت مطالعه با فرض رژيم دوم (بازده صعودي يا گاوي) تصوير گرديده است:

 

نمودار 2- بازده اضافي و ابهام در رژيم دوم شركت­هاي برتر بورسي (بازده صعودي يا گاوي) (منبع: یافته­های پژوهشگر)

علاوه بر اين طي جدول شماره 5 پارامترهاي آماری مربوط به توصيف يافته­ها در برآورد پارامترهاي زنجيره ماركوف به ازاي رژيم­هاي انتخابي اول و دوم در نمونه شركت­هاي نا برتر بورسي و نيز مقاطع زماني ماهانه خلاصه گرديده است:

 

جدول 5- پارامترهاي آماری توصيف يافته­ها در دو رژيم انتخابي شركت­هاي نا برتر

رژيم	شرح پارامتر	میانگین	میانه	کمینه	بیشینه	انحراف معیار	چولگی	کشیدگی
اول  (نزولي، خرسي)		0035/0-	0007/0-	0962/0-	0830/0	0425/0	1724/0-	2676/2
		0025/0	0018/0	0002/0	0121/0	0021/0	7765/1	8677/6
		6232/0	5123/0	1461/0	5521/1	3506/0	0578/1	2924/3
		1856/1	9751/0	3328/0	9226/2	6682/0	0502/1	2762/3
دوم  (صعودي، گاوي)		0233/0	0351/0	2617/0-	2767/0	1156/0	3659/0-	7819/2
		0084/0	0048/0	0009/0	0539/0	0097/0	6173/2	4862/10
		2500/0	2354/0	0758/0	8248/0	1238/0	7061/1	7080/7
		4485/0	4221/0	1393/0	6113/1	2164/0	9599/0	7628/3

 (منبع: یافته­های پژوهشگر)

بنا بر محاسبات انجام‌شده به ازاي پارامترهاي ابهام و بازده ماهانه، طي نمودار 3 به ازاي بازده و درجات ابهام مربوط به شركت­هاي نا برتر بورسي در بازه زماني تحت بررسي به ازاي مقاطع ماهانه و شركت­هاي تحت مطالعه با فرض رژيم اول (بازده نزولي يا خرسي) تصوير گرديده است:

 

نمودار 3- بازده اضافي و ابهام در رژيم اول شركت­هاي نا برتر بورسي (بازده نرولي يا خرسي) (منبع: یافته­های پژوهشگر)

و مشابهتا بنا بر محاسبات انجام‌شده به ازاي پارامترهاي ابهام و بازده ماهانه، طي نمودار شماره 4 به ازاي بازده و درجات ابهام مربوط به شركت­هاي نا برتر بورسي در بازه زماني تحت بررسي به ازاي مقاطع ماهانه و شركت­هاي تحت مطالعه با فرض رژيم دوم (بازده صعودي يا گاوي) تصوير گرديده است:

 

نمودار 4- بازده اضافي و ابهام در رژيم دوم شركت­هاي برتر بورسي (بازده صعودي يا گاوي) (منبع: یافته­های پژوهشگر)

 

همان­طور که در جدول شماره 4 و 5 نشان داده‌شده است، در مقایسه با بازار صعودی، میانگین و انحراف استاندارد بازده مازاد در بازار نزولی (خرسي) در هر دودسته شركت­هاي برتر و نا برتر کمتر بوده، علاوه بر اين میانگین و انحراف معیار درجات خطر نيز کمتر به‌دست‌آمده است. بااین‌حال، نتايج به‌دست‌آمده نشان مي­دهد كه میانگین و انحراف معیار درجات ابهام بالاتر است.

 

6. بحث و نتیجه­گیری

با توجه به تحليل محتواي ادبيات تحقيق و رويكردهاي عنوان‌شده سنجه­اي از اندازه­گيري ابهام مبتني بر داده­هاي واقعي بازار سرمایه ایران تعریف‌شده است. بررسي ادبيات تحقيق بر پايه تحليل يافته­هاي به‌دست‌آمده از پژوهش­هاي پيشين كه در مورد قیمت­گذاری دارایی­هاي سرمایه‌بر اساس "ابهام" صورت گرفته­اند، عمدتاً در ابعاد نظری انجام‌شده است. باسیلی (2001) طي پژوهشي از یک تابع فرعی برای توصیف نگرش سرمایه­گذاران درزمینه ابهام بهره گرفته و درنهایت به ایجاد یک مدل نظری جهت قیمت­گذاری دارایی­هاي سرمایه‌ای استفاده می­کند. بر اساس ایده مدل مطلوبيت مورد انتظار با احتمالات نامشخص ابداعي ایژاکیان (2017)، از داده‌های معاملات واقعی در بازار سهام آمریکا در راستاي اندازه‌گیری تجربی درجه ابهام استفاده‌شده است. در اين پژوهش بر پايه رويكرد تحليل محتوا، سنجه‌ای مبتني بر داده‌هاي تجربي جهت اندازه­گيري ابهام در بازار سرمایه ایران تعریف‌شده است.

عدم قطعیت یکي از ویژگی­هاي اساسی بازارهای مالی و درنتیجه يكي از عوامل مؤثر بر تصميم­گيري­هاي سرمايه­اي است. بر اين اساس، سرمایه­گذاران منطقی عدم قطعیت­های مختلفی را در نظر می­گیرند و دارایی­های مالی را سرمایه­گذاری می­کنند (وانگ، رانگ و ژائو، 2019؛ جين، ليو و يانگ، 2020). پژوهش حاضر باهدف طراحي الگوي رژيم سوييچينگ ماركوف در راستاي ارزيابي قيمت‌گذاري دارايي و ابهام در بازار سهام ايران به انجام رسيد.

نتایج اندازه­گیری ابهام بر پايه الگوي ماركوف و آزمون­هاي ناپارامتريك نشان داد كه درجات ابهام در بين شركت­هاي برتر و نا برتر ازیک‌طرف و بازارهاي صعودي (خرسي) و نزولي (گاوي) به‌طور معني­داري متفاوت است. در بين شركت­هاي برتر بازده اضافی (صرف ريسك سهام) کمتر معمولاً با نوسانات ریسک کمتر و درجه ابهام بالاتر همراه بوده و صرف ريسك سهام بالاتر با نوسانات ریسک بالاتر و درجه ابهام کمتر همراه است. درحالی‌که در شركت­هاي نا برتر، صرف ريسك سهام کمتر معمولاً با درجات ابهام کمتر و نوسانات ریسک بالاتر همراه بوده و صرف ريسك بالاتر با درجات ابهام بالاتر و نوسانات ریسک کمتر همراه بوده است. برآورد رگرسيوني روابط بين ريسك، درجات ابهام نرمال و لاپلاس با صرف ريسك سهام (بازده اضافي) در كل شركت­ها نشان داد كه معادله­اي که ريسك و ابهام و تعامل آن‌ها را به‌طور هم­زمان در نظر می­گیرد، بیشترین برازش را دارد. برآورد رگرسيوني در هر دسته از شركت­هاي برتر و نا برتر نشان داد كه پس از معرفی عوامل ابهام، تأثیرات عامل نوسان ریسک بر بازده اضافی در بازار نزولی به‌طور قابل‌توجهی منفی و در بازار صعودی مثبت است. علاوه بر این، رفتار ابهام گریزی سرمایه­گذاران در شركت­هاي برتر و نا برتر متفاوت بود در شركت­هاي برتر به ازاي احتمال افزایش بیشتر از 51/0 در بازار نزولی و بیشتر از 6/0 در بازار صعودی، سرمایه‌گذاران ابهام گريزند درحالی‌که در بازار نزولی به ازاي احتمال بیشتر از 49/0 و در بازار صعودی به ازاي بیشتر از 63/0 باشد، ابهام گریز بوده است. لذا ابهام در قیمت­گذاری دارایی جدید می­تواند بر صرف ريسك سهام تأثیر بگذارد.

نتایج تحقيق مبتني بر به‌کارگیری الگوي ماركوف در تعيين رژيم­هاي سرمايه­گذاري، برآورد ريسك، ابهام و بازده به ازاي داده­هاي مبادلات سهام نشان داد كه اولاً الگوي برآوردي در تعين رژيم مناسب سرمايه­گذاري موفق بوده و آزمون مقايسه ميانگين­ها معنی‌داری تفاوت بين شركت­هاي برتر و نا برتر و نيز رژيم­هاي انتخابي و نهایتاً تحليل روابط بين ريسك، ابهام و بازده مبتني بر تحليل همبستگي و رگرسيون نشان داد كه اولاً: الگوي ماركوف قدرت تمايز بين رژيم­هاي سرمايه­گذاري را داشته و ثانیاً: الگوي ماركوف قادر به پيش­بيني ريسك و ابهام و بازده بوده و نهایتاً بيشترين توضيح­دهندگي در حالتي است كه علاوه بر لحاظ كردن ريسك و ابهام، تعامل آن‌ها نيز بايد موردتوجه قرارگرفته شود. چراکه به‌موازات افزايش سطح ابهام، ریسک گریزی افراد افزايش می‌یابد و به تعبيري افراد سرمايه­گذار در اين بازارها ابهام گریز بوده و اين ارتباط حتي در صورت لحاظ عدم تقارن و كشيدگي توضيح برقرار است. بر اين اساس به سياست­گذاران بازار سرمايه، تحليل­گران مالي و اركان نظارتي توصيه مي­شود با تكيه بر سنجه­هاي 8 گانه سنجش ابهام مشتمل بر: گردش مالی سهام، حجم معاملات، نوسان گردش مالی، نوسان معاملات، نوسان بازده بازار، نوسان بازده اضافی، نوسان قیمت سهام و نوسان پیش‌بینی، به‌صورت ادواري درجات ابهام به ازي شركت­هاي مورد ارزيابي را برآوردو اولويت­بندي­هاي سرمايه­گذاري را بر مبناي آن‌ها تعيين نمايند. تدوين نيم رخ يا پروفايلي از هر شركت بر مبناي بازده و متناظر با آن ريسك و ابهام، مي­تواند در تصميم­گيري­هاي سرمايه­اي به سرمايه­گذاران حقوقي (صندوق­هاي مشترك و شركت­هاي سرمايه­گذاري) به‌ویژه كمك نمايد. علاوه بر اين سرمايه­گذاران بالقوه مي­توانند بر اساس اين سنجه شركت­هايي را جهت سرمايه­گذاري انتخاب كنند كه سطح ابهام كمتري را در گذشته تجربه كرده باشند. شركت­هاي كه گردش مالی سهام بيشتر، حجم معاملات بيشتر، نوسان گردش مالی كمتر، نوسان معاملات كمتر، نوسان بازده بازار كمتر، نوسان بازده اضافی كمتر، نوسان قیمت سهام كمتر و مبتني بر تحليل­هاي تحليل­گران از نوسان پیش­بینی كمتري، برخوردار باشند. نهایتاً به فعالان بازار سرمايه مي­شود مهم­ترين عوامل تعيين­كننده ريسك، ابهام و بازده مشتمل بر: صرف ریسک بازار، بازده دارایی، بازده سرمایه، نوسان سود، جریانات نقدی، ارزش شرکت، نقد شوندگی دارایی­ها، فرصت­های رشد، گردش دارایی و اندازه شرکت، را در ارزيابي گزينه­هاي سرمايه­گذاري موردتوجه قرار دهند.

 قدردانی

بدینوسیله از ریاست محترم دانشگاه آزاد اسلامی واحد کاشان و همچنین اساتید محترم راهنما و مشاورکه مرا را در انجام این تحقیق یاری کردند، صمیمانه تشکر می‌کنیم.

 

منابع

1)       Amin Eshairi, A. (2021) "Investigation of the relationship between economic policy uncertainty and the risk of falling stock prices", New Research Approaches in Management and Accounting 5 (77).

2)       Avgerou, C., Geoff, W., (2017). "Information Technology in Context: Studies from the Perspective of Developing Countries: Studies from the Perspective of Developing Countries". Routledge. 

3)       Bali, T.G., Zhou, H. (2016). "Risk, uncertainty, and expected returns". J. Financ. Quant. Anal, 51, pp. 707–735

4)       Barberis, N., et al. (2015). "X-CAPM: An extrapolative capital asset pricing model". Journal of Financial Economics, 115 (1), pp. 1-24

5)       Bernoulli, D. (1738). "Hydrodynamica sive de viribus et motibus fluidorum commentarii". Johannis Reinholdi Dulseckeri.

6)       Bolstad, W. M., & Curran, J. M. (2016). "Introduction to Bayesian statistics". John Wiley & Sons

7)       Carhart, M. M. (1997). "On persistence in mutual fund performance". The Journal of Finance, 52 (1), pp. 57e82.

8)       Chen, B., Liu, X., Zhao, H., & Príncipe, J. C. (2017). "Maximum correntropy Kalman filter". Automatica, 76, pp. 70-77.

9)       Driouchi, R.H.Y. So, L. Trigeorgis, T. (2020). "Investor ambiguity, systemic banking risk and economic activity: the case of too-big-to-fail". J. Corp. Financ, 62, pp. 101549, https://doi.org/10.1016/j.jcorpfin.2019.101549

10)       Fama, E. F., & French, K. R. (2015). "A five-factor asset pricing model". Journal of Financial Economics, 116 (1), pp. 1e22. https://doi.org/10.1016/j. jfineco.2014.10.010

11)       Fama, E. F., & French, K. R. (2013). "A. Five-Factor Asset Pricing Model. "Fama‐Miller Working Paper." Available at SSRN 2287202 (2013).

12)       Fama, E.F., & French, K.R. (1992), "The Cross-Section of Expected Returns." Journal of Finance, 47 (2), 427-465.

13)       Farhadi, Hamidreza, Nadiri, Mohammad, Saranj, Alireza, and Tehrani, Reza. (2023). Investigating the effect of herd behavior in Iran's economy on the efficiency of asset pricing model. Islamic Economics and Banking, 11 (38), 113-136. SID. https://sid.ir/paper/1040242/fa

14)       Gilboa, D., & Schmeidler, I. (1989). "Maxmin expected utility with non-unique prior". J. Math. Econ, 18 (2), pp. 141–153

15)       Halim, E., Yohanes, E. R., & Nilanjan, R. (2017). "Costly Information Acquisition, Social Networks and Asset Prices: Experimental Evidence." Washington. 

16)       Izhakian Y. (2017). "Expected utility with uncertain probabilities theory", J. Math. Econ. 69, pp. 91–103.

17)       Jin, G., Liu, H., & Yang, Z. (2020). "Optimal consumption and investment strategies with liquidity risk and lifetime uncertainty for Markov regime-switching jump diffusion models, Eur". J. Oper. Res. 280 (3), pp. 1130–1143

18)       Klibanoff, M. Marinacci, S., & Mukerji, P., "A smooth model of decision making under ambiguity". Econometrica, 73 (6), pp. 1849–1892

19)       Li, J. (2020). "Preferences for partial information and ambiguity". Theor. Econ. 15 (3), 1059–1094.

20)       Lintner, J. (1965). "The valuation of risk assets and selection of risky investments in stock portfolios and capital budgets". Review of Economics and Statistics, 47, pp. 13-37.

21)       Maqsood, Hossein, Vakili Fard, Hamidreza, Torabi, Taghi (2019) "Variability testing of factors effective in predicting stock returns using dynamic averaging models", Financial Engineering and Securities Management, 11 (45), pp. 639 -660.

22)       Merton, R. C. (1973). "An Intertemporal Capital Assets Pricing Model". Econometrica, 41 (5), pp. 867-87.org/10.1016/j.bir.2017.08.005

23)       Nasiri, Koresh, & Askarzadeh, Gholamreza. (2023). Comparative analysis of the efficiency of Black-Scholes pricing model and binomial tree in Tehran Stock Exchange call option transactions. Financial Engineering and Securities Management, 14 (54), 25-42.

24)       Rajizadeh, Simin. (1401). Evaluation of VIX volatility index in Iran's capital market and its future pricing effect using the Garou model. Financial Engineering and Securities Management, 13 (52), 60-80.

25)       Sabouri, Narges, Karimpour, Enayat (1400) "Investigation of joint effects of economic policy uncertainty and company characteristics on capital structure (case study: companies admitted to the Tehran Stock Exchange)", new research methods in management and accounting , 5 (66).

26)       Schmeidler, D. (1989). "Subjective probability and expected utility without additivity". Econometrica, 57 (3), 571–587.

27)       Sharpe, W. F. (1964). "Capital asset prices: A theory of market equilibrium under conditions of risk". The journal of finance, 19 (3), pp. 425-442.

28)       Shi, Z. (2019). "Time-varying ambiguity, credit spreads, and the levered equity premium". J. Financ. Econ, 134 (3), 617–646.

29)       Wang, J., Zhou, M., Guo, X., Qi, L., & Wang, X. (2021). "A Markov regime switching model for asset pricing and ambiguity measurement of stock market". Neurocomputing, 435, pp. 283-294.

30)       Wang, T., H. Li, X. Zhou, et al. (2020). "A prospect theory-based three-way decision model". Knowl.-Based Syst, 203, p. 106129, https://doi.org/10.1016/ j.knosys.2020.106129

31)       Wang, X., Rong, H., & Zhao, S. (2019). "Optimal investment and benefit payment strategy under loss aversion for target benefit pension plans". Appl. Math. Comput. 346, pp. 205–218.

32)       Xu, Yexiao., & Zhao, Yihua. (2023). Beta Reversal and Expected Returns. The University of Texas at Dallas, Vol 37 ،83-114.

 

 

پینوشت‏ها

---

[1]  Black- Scholes

[2]  Akaike Information Criterion

[3]  Bayesian Information Criterion

---