• Home
  • Modeling The Dependency Of Stock Price Carsh With Approach On The Conditional Copula -Garch Function And Its Relationship With The Rational Stock Pricing Structure

Share To

Article Url


Manuscript ID : JDAA-2401-1155 (R1) Visit : 415 Page: 1 - 32

DOI: 10.30495/JDAA.1403.1079813

Article Type: Original Research

Modeling The Dependency Of Stock Price Carsh With Approach On The Conditional Copula -Garch Function And Its Relationship With The Rational Stock Pricing Structure

Subject Areas :

Vali Khodadadi 1 , Soheila Lashgarara 2 , Esmaeil Mazaheri 3 , Mohammad Ayati Mehr 4

1 - Associate Professor, Department of Accounting, Faculty of Economics and Social Sciences , Shahid Chamran University of Ahvaz, Ahvaz, Iran.
2 - Ph.D Student, Department of Accounting, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
3 - Assistant Professor, Department of Accounting, Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
4 - Assistant Professor, Department of Management , Faculty of Economics and Social Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran.

Received: 2024-01-27 Accepted : 2024-07-03 Published : 2024-06-30

Keywords: Stock Price Crash, Price Bubbles, Capital Asset Pricing Model, Copula Function.,

Abstract :

The current research has been done with the aim of modeling the dependence of stock price carsh with emphasis on the conditional Copula-Garch function and its relationship with price bubbles based on the rational stock pricing structure in the Iranian capital market. In order to investigate and analyze the research questions, the data related to 30 companies admitted to the Tehran Stock Exchange for the period of 2010 to 2021 were extracted and used to test the research questions. In this research, first, the variable of price bubbles was estimated and extracted by estimating of the capital assets pricing models.Then, in order to model the correlation structure and stock return fluctuations of the sample companies, the multivariate GARCH model of dynamic conditional correlation approach with copula distribution was used. In the following, using the modeling output, the value at risk was calculated as a criterion for assessing the fall in stock prices. The results of the research showed that there is no significant relationship between stock price falls and bubbles based on the rational stock pricing structure. In other words, in the environmental conditions of our country, the condition of falling stock prices in line with the formed price bubbles is not based on rational stock pricing.

References:


فهرست منابع
1) امینی فرد، عباس، زارع، ابراهیم، و ابراهیمی، مهرزاد، 1399. قیمت‌گذاری دارایی مالی با استفاده از ریسک حباب قیمتی. راهبرد مدیریت مالی، 8 (30)، صص. 201-232.
2) امیری، شادی، همایونی¬فر، مسعود، کریم¬زاده، مصطفی، و فلاحی، محمدعلی، 1394. بررسی همبستگی پویا بین دارایی‌های عمده در ایران با استفاده از روش DCC-GARCH. پژوهش‌های اقتصادی، 2 (15)، صص. 183-201.
3) باباجانی، جعفر، تقوی فرد، محمدتقی، و غزالی، امین، 1397. ارائه چارچوبی جهت سنجش و پیش‌بینی ریسک سیستمی با رویکرد ارزش در معرض خطر شرطی. دانش مالی تحلیل اوراق بهادار، 11 (39)، صص. 15-36.
4) بادآورنهندی، یونس، خجسته، هیوا، و شریف‌زاده، غفور، 1397. نقش تعدیل¬گری ارزش‌گذاری نادرست سهام بر رابطه بین عدم تقارن اطلاعاتی و ساختار سرمایه. پژوهش‌های حسابداری مالی و حسابرسی، 10 (37)، صص. 53-83.
5) شجاعی، مرضیه و عبدالباقی عطاآبادی، عبدالمجید، 1402. تحلیل آناتومیک معاملات نویزی و خطای قیمت گذاری. قضاوت و تصمیم گیری در حسابداری، 2(2)، صص. 43-74.
6) شکورنیا، روژین، دستگیر، محسن، و سروش یار، افسانه، 1402. بررسی تأثیر گرایش های احساسی و رفتار توده‌وار سهامداران بر ریسک سقوط قیمت سهام. پیشرفت¬های مالی و سرمایه‌گذاری، 4 (3)، صص. 131-152.
7) راسخی، سعید، شهراز، میلاد، و میلا علمی، زهرا، 1395. تعیین دوره¬های حباب قیمتی: یک مطالعه موردی برای بازار بورس اوراق بهادار تهران. اقتصاد مقداری، 13 (3)، صص. 25-55.
8) طاهری، ماندانا و نفیسه حدادی، 1401. تأثیر جریان مای نقد آزاد بر ریسک سقوط قیمت سهام با تأکید بر نقش تعدیلی هموارسازی سود در شرکت‌های عضو بورس اوراق بهادار تهران. چشم انداز مدیریت مالی، 12 (40)، صص. 29-48.
9) طباطبایی، سیده زهرا، هاشمی، سیدعباس، و امیری، هادی، 1399. تأثیر افشای ریسک و انواع آن بر ریسک سقوط قیمت سهام. پیشرفت¬های حسابداری، 12 (2)، صص. 133-171.
10) فخاری، حسین و نصیری، مهراب، 1399. تأثیر عملکرد شرکت بر ریسک سقوط آتی قیمت سهام. راهبرد مدیریت مالی، 8 (30)، صص. 62-43.
11) فیل سرائی، مهدی، 1402. کارایی مدیریت، تاخیر در تعدیل قیمت سهام و کارایی اطلاعاتی قیمت سهام. قضاوت و تصمیم گیری در حسابداری، 2(3)، صص. 43-66.
12) محمدی لداری، معصومه و داداشی، ایمان، 1403. مدل های پیش بینی بازده سهام؛ برآورد توزیع بازده کل بازار و نوسانات آن بر پایه توزیع لاپلاس. قضاوت و تصمیم گیری در حسابداری، 3(1)، صص. 51-70.
13) موسوی، میرحسین، راغفر، حسین، و محسنی، منصوره، 1395. برآورد ارزش در معرض خطر سبد سهام با استفاده از روش گارچ کاپولای شرطی. پژوهش‌های اقتصادی ایران، 18 (54)، صص. 119-152.
14) مومنی یانسری، ابوالفضل، 1402. وضعیت مالی و ریسک سقوط آتی قیمت سهام؛ اهمیت کیفیت کنترل داخلی شرکت‌ها. پژوهش‌های حسابداری مالی و حسابرسی، 15 (4)، صص. 157-174.
15) ولی زاده، فرزانه، محمدزاده، امیر، صیقلی، محسن، و ترابیان، محسن، 1401. طراحی مدلی برای پیش‌بینی ریسک سقوط قیمت سهام در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 10 (38)، صص. 161-186.

16) Akinkuotu, O. K., 2013. Comparative Impact of Fiscal and Monetary Shocks on Stock Market Performance in Nigeria, a Post Field Report Presented at the African Economic Research Consortium (AERC). Bi-Annual Conference in Nairobi, Kenya.
17) Andreou, P.C., Antoniou, C., Horton, J. and Louca, C., 2016. Corporate Governance and Firm-Specific Stock Price Crashes. European Financial Management, 22 (5), pp. 916-956. https:/ / doi.org/ 10.1111/ eufm.12084.
18) Avery, C. and Zemsky, P., 1998. Multidimensional Uncertainty and Herd Behavior in Financial Markets. American Economicreview, 88(4), pp.724-748.http:/ / nrs. Harvard. Edu/ urn-3:HUL. Instrepos: 41426687.
19) Barro, R. and Ursua, J., 2017. Stock-Market Crashes and Depressions. Research in Economics, 71(3), pp.384-398. https:/ / doi. org/ 10.1016/ j.rie.2017.04.001.
20) Benmelech, E., Kandel, E. and Veronesi, P., 2010. Stock-Based Compensation and CEOdis Incentives. The Quarterly Journal of Economics, 125(4), pp. 1769–1820.https:/ / doi. org/ 10.1162/ qjec.2010.125.4.1769.
21) Blanchard, O. and Watson, M., 1982. Bubbles, Rational Expectations and Financial Markets, In P. Wachtel. Crises in the Economic and Financial Structure, pp.295–316, LexingtonBooks.http:/ / www.nber.org/ papers/ w0945.
22) Boqiang, L., and Nan, W., 2023. Climate Risk Disclosure and Stock Price Crash Risk: The Case of China. International Review of Economics & Finance,83(C), pp.21–34. https:/ / doi.org/ 10.1016/ j.iref.2022.08.007.
23) Chang, X., Chen, Y. and Zolotoy, L., 2017. Stock liquidity and stock price crash risk. Journal of Financial and Quantitative analysis. 52 (4), pp.1605–1637. DOI:10.1017/S0022109017000473.
24) Chauhan, Y., Kumar, S. and Pathak, R., 2020. Stock Liquidity and Stock Prices Crash-Risk: Evidence from India. The North American Journal of Economics and Finance, 41, pp.70–81.https:/ / doi. org/ 10.1016/ j. najef. 2017.04.003.
25) Chen, J., Hong, H. and Stein, J., 2001. Forecasting crashes: Trading Volume, Past Returns, and Conditional Skewness in Stock Prices. Journal of Financial Economics, 61(3), pp. 345–81.https:/ / doi.org/ 10.1016/ S0304-405X(01)00066-6.
26) Dumitrescu, A. and Zakriya, M., 2021. Stakeholders and the Stock Price Crash Risk: What Matters in Corporate Social Performance?. Journal of Corporate Finance,67(101871), pp. 48. https:/ / doi.org/ 10.1016/ j.jcorpfin.2020.101871.
27) Fang, Y., Yuan, J., Yang, J. J. and Ying, S., 2022. Crash-Based Quantitative Trading Strategies: Perspective of Behavioral Finance. Finance Research Letters, pp. 45, https:/ / doi. org/ 10.1016/ j.frl.2021.102185.
28) Jarrow, R., 2018. An Equilibrium Capital Asset Pricing Model in Markets with Price Jumps and Price Bubbles. Quarterly journal of finance,8(2), pp. 185-200. https:/ / doi.org/ 10.1142/ S2010139218500052.
29) Jin, H., Gong, M., Lin, Y. and Fang, Q., 2016. Political Connections and Stock Price Crash risk: Evidence from China. Economics Letters, 147 (C), pp.90-99. https:/ / doi.org/ 10.1016/ j.econlet.2016.08.024.
30) Habib Hasan, A. and Monzur, M., 2017. Business Stertegy, Overvalued Equities and Stock Price Crash Risk. Research in International Business and Finance, 39 (A), pp. 389-405. http:/ / doi.org/ 10.1016/ j.ribaf. 2016. 09.011.
31) Harper, J., Johnson, G. and Sun, L., 2020. Stock Price Crash Risk and CEO Power: Firm-level analysis. Research in International Business and Finance, 51 (C), http:/ / doi.org/ 10. 1016/ j.ribaf.2019. 101094.
32) Hong, H. and Stein, J., 2003. Differences of Opinion, Short-Sales Constraints, and Marketcrashes. The Review of Financial Studies, 16 (2), pp. 487–525.https:/ / doi. org/ 10.1093/ rfs/ hhg006.
33) Hu, J., Li, S., Taboada, A. G. and Zhang, F., 2020. Corporate Board Reforms Around the World and Stock Price Crash Risk. Journal of Corporate Finance, 62(C), .https:/ / doi. org/ 10.1016/ j.jcorpfin.2020.101557.
34) Hutton, A. P., Marcus, A. J. and Tehranian, H., 2009. Opaque Financial Reports, R2, and Crash Risk. Journal of Financial Economics, 94(1), PP. 67–86. https:/ / doi. org/ 10.1016/ j. jfineco.2008.10.003.
35) Kim, J.B., Wang, Z. and Zhang, L., 2016. CEO Overconfidence and Stock Price Crash Risk. Contemporary Account Research, 33(4), pp. 1720–1749. https:/ / doi.org/ 10.1111/ 1911-3846.12217.
36) Kothari,s.p., shu,s. and wysocki,p.d., 2009. Do Managers with Hold Bad News?. Journal of Accounting Research, 47(1), pp.241-276. https:/ / doi. org/ 10.1111/ j.1475-679X. 2008. 00318.x.
37) Lang,W. and Yiling, Z., 2023. Nonfinancial Indicators in Identifying Stock Price Crash Risk. Finance Research Letters, 52(C), https:/ / doi.org/ 10.1016/ j.frl.2022.103513.
38) Mclean, R. and Pontiff, J., 2015. Does academic research destroy stock return predictability?. Journal of Finance, forthcoming, 71,pp. 5–32. https://dx.doi.org/10.2139/ssrn.2080900.
39) Ni, X. and Zhu, W., 2020. Short-Sales and Stock Price Crash Risk: Evidence from an Emerging Market. Economics Letters, 144 (C), pp. 22–24. https:/ / doi.org/ 10.1016/ j.econlet. 2016.04.029.
40) Ouzan, S., 2020. Loss Aversion and Market Crashes. Economic Modelling. 92(C), pp. 70-86. https:/ / doi.org/ 10.1016/ j.econmod.2020.06.015.
41) Perdomo Strauch, A. A., 2020. Bubbles and Crashes: A Laboratory Experiment. The Journal of Economic Asymmetries, 21(C), pp. 100-134. https:/ / doi.org/ 10.1016/ j. jeca.2019. e00134.
42) Robin, A. and Zhang, H., 2015. Do Industry-Specialist Auditors Influence Stock Price Crash Risk?. Auditing: A Journal of Practice & Theory, 34(3), pp. 47-79.https:/ / doi.org/ 10. 2308/ ajpt-50950.
43) Sheu, H.J. and Chien, L. C., 2012. Systemic Risk in Taiwan Stock Market. Journal of Business Economics and Management, 13(5), pp. 895–914. doi:10.3846/ 16111699.2011.620168.
44) Trapp, M. and Claudio ,W., 2013. Transatlantic Systemic Risk. Journal of Banking & Finance, 37 (11), pp. 4241-4255. 10.1016/ j.jbankfin.2013.07.024.
45) Xing, D.Z., Li, H.F., Li, J.C. and Long, C., 2021. Forecasting Price of Financial Market Crash Via a New Nonlinear Potential GARCH model. Physica A: Statistical Mechanics and Its Applications, 566(C), https:/ / doi. org/ 10.1016/ j. physa.2020.125649.
46) Xu, L., Rao, Y., Cheng, Y. and Wang, J., 2020. Internal Coalition and Stock Price Crash Risk. Journal of Corporate Finance, 64(C). https:/ / doi.org/ 10.1016/ j.jcorpfin.2020.101640.
47) Zhou, W., Zhong, G.Y., Leng, N., Li, J.C. and Xiong, D.P., 2019. Dynamic Behaviors and Measurements of Financial Market Crash rate. Physica A: Statistical Mechanics and Its Applications, 121427. https:/ / doi:10.1016/ j. physa.2019.121427.
Full-Text:


 

مدل‌سازی وابستگی سقوط قیمت سهام با رویکرد تابع کاپولا -گارچ شرطي و ارتباط آن با ساختار قیمت‌گذاری منطقی سهام

 

 

چکیده

 پژوهش حاضر با هدف مدل‌سازی وابستگی سقوط قیمت سهام با تاکید بر تابع کاپولا-گارچ شرطي و ارتباط آن با حباب‌های قیمتی مبتنی بر ساختار قیمت‌گذاری منطقی سهام در بازار سرمایه ‌ایران انجام‌ شده است. به‌منظور بررسی و تحلیل سؤالات پژوهش، داده­های مربوط به 30 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران برای دوره زمانی 1390 تا 1401 استخراج و برای آزمون سؤالات پژوهش مورد استفاده قرار گرفته است. در پژوهش حاضر ابتدا متغیر حباب‌های قیمتی از طریق برآورد مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای برآورد و استخراج گردیده و سپس به‌منظور مدل‌سازی ساختار همبستگی و نوسانات بازده سهام شرکت‌های نمونه از مدل گارچ چندمتغیره رهیافت همبستگی شرطی پویا با توزیع کاپولا استفاده گردیده است. در ادامه با استفاده از خروجی مدل‌سازی صورت گرفته، به محاسبه ارزش در معرض خطر به‌عنوان معیار ارزیابی سقوط قیمت سهام پرداخته شده است. یافته­های پژوهش نشان می دهد که بین سقوط قیمت سهام و حباب­های مبتنی بر ساختار قیمت‌گذاری منطقی سهام رابطه معناداری وجود ندارد. به‌عبارت‌دیگر در شرایط محیطی کشور ما، شرایط سقوط قیمت سهام هم‌راستا با حباب‌های قیمتی شکل‌گرفته مبتنی بر قیمت‌گذاری منطقی سهام نمی‌باشد.

واژه­های کلیدی: سقوط قیمت سهام، حباب‌های قیمتی، مدل قیمت‌گذاری دارایی‌های سرمایه‌ای، تابع کاپولا

 

 

 

 

 

 

 

 

 

 

 

 

 

1-مقدمه

گسترش بازار سرمایه، نقش مهمی در رشد و توسعه اقتصادی و همچنین موقعیت مناسبی به‌منظور تخصیص بهینه منابع و سرمایه‌گذاری فراهم می‌آورد. از مهم‌ترین عوامل برای پیشرفت در این حوزه، ترغیب سرمایه‌گذاران به‌منظور مشارکت در بازار است؛ بنابراین، شفافیت اطلاعاتی و وجود اطلاعات مناسب برای ارزیابی فرصت‌های سرمایه‌گذاری بهینه و توجه به ریسک و بازده سهام گوناگون برای فعالان بازار سرمایه از اهمیت بسزایی برخوردار است. یکی از ریسک‌های موجود در بازار سرمایه، موضوع سقوط قیمت سهام است. ازاین‌رو، بررسی و شناخت عواملی که باعث سقوط قیمت سهام می‌شوند، حائز اهمیت است زیرا نمی‌توان با تنوع‌بخشی پرتفوی سرمایه‌گذاری، چنین ریسکی را کاهش داد (طاهری و حدادی، 1401). پدیده سقوط قیمت سهام یک واکنش زنجیره‌ای، دامنه‌دار و فراگیر به‌صورت دومینوهای متصل‌به‌هم می‌باشد که اساس آن همبستگی بین زیان‌ها به‌واسطه قرار گرفتن در معرض شوک‌های مشترک و همچنین انتشار بحران‌های مرتبط با کاهش ارزش بازار دارایی‌ها و افزایش نگرانی‌های عمومی ایجاد می‌شود (شو و چنگ1، 2012). این پدیده در قالب اثری فراگیر و منفی باعث تعدیل شدید و ناگهانی قیمت سهام شده و در پی آن‌یک تغییر منفی بسیار بزرگ و غیرمعمول در بازده سهام رخ می‌دهد که به‌سرعت کل بازار سرمایه را تحت تأثیر قرار می‌دهد. (طباطبایی و همکاران، 1399). اساساً موضوع سقوط قیمت سهام پدیده‌ای پیچیده، مبهم، چندوجهی و گسترده است که نمی‌توان به‌طور قطعی علل خاصی را به وقوع این رویداد نسبت داد (اوزان2، 2020). مبتنی بر مبانی نظری، ریسک سقوط قیمت سهام تحت تأثیر طیفی از عوامل متعدد درونی و بیرونی نظیر متغیرهای مالی (ولی زاده و همکاران، 1401)، استراتژی‌های تجاری (حبیب حسن و مونزر3،2017)، توانایی مدیریتی (کیم و همکاران4،2016)، عدم تقارن اطلاعاتی (بنملچ5، 2010)، متغیرهای کلان اقتصادی (آکین کوتو6، 2013؛ محبوبی 1402)، ریسک‌های سیاسی (ژین و همکاران7،2016)، تورش­های رفتاری سرمایه­گذاران (ژو و همکاران8، 2020) و ایفای مسئولیت‌های اجتماعی شرکت (دیمیتریس و زکریا9، 2021) واقع می‌شود. بااین‌وجود همان‌طوری که اشاره گردید نمی‌توان با قطعیت پدیده سقوط را به عامل خاصی نسبت داد و این موضوع خود بیانگر پیچیدگی و اهمیت بررسی این پدیده است. در ادبیات حسابداری و مالی، ریسک سقوط قیمت سهام عمدتاً به انباشت و نگهداری اخبار منفی توسط مدیریت و انتشار ناگهانی آن در سطح بازار و ایجاد شوک‌های منفی و شکل‌گیری تغییر در باورها و انتظارات سرمایه‌گذاران درباره ارزش شرکت و درنتیجه کاهش پی‌درپی قیمت‌ها و سقوط قیمت سهام نسبت داده شده است (مومنی یانسری، 1402). با این استدلال، به نظر می‌رسد که ریشه بروز پدیده سقوط قیمت سهام، در شکل‌گیری پدیده حباب قیمتی و قیمت‌گذاری نادرست ناشی از تأثیر عامل یا عوامل زمینه‌ای و ایجادکننده آن می‌باشد. به‌عبارت‌دیگر حبابی شدن قیمت سهام تحت تأثیر قیمت‌گذاری نادرست سهام اتفاق می‌افتد که باعث ایجاد تفاوت بین ارزش ذاتی یک سهم و ارزش برآورد شده آن سهم به‌وسیله سرمایه‌گذاران می‌شود و از آنجائی که درنهایت تمام حباب‌های بازار سهام تخلیه و منفجر خواهند شد، بنابراین متعاقب آن پدیده سقوط قیمت سهام و ریزش ناگهانی قیمت‌ها اتفاق خواهد افتاد (نی و ژو10، 2020). چنین رفتاری در شاخص‌های سهام بسیاری از بازارها قابل‌مشاهده است. بلانچارد و واتسون (1982)، در توضیح چولگی منفی بازده سهام ناشی از سقوط قیمت سهام، مدل حباب تصادفی قیمت سهام را بر اساس نظریه­های بازارهای کارا و انتظارات عقلایی مطرح کردند. بر اساس نظریه­های مالی نوین، ارزش یک سهم با جمع ارزش فعلی جریانات نقدی آتی آن برابر است. همچنین بر اساس فرضیه بازار کارا، قیمت سهام در یک بازار کارا برابر یا در محدوده ارزش ذاتی آن در نوسان است؛ اما در بعضی مواقع بر اثر یک شوک یا یک تکانه نظیر انتشار اطلاعات جدید، قیمت‌ها بدون هیچ توجیه بنیادی و منطق اقتصادی به گونه چشم‌گیری افزایش می­یابند. از این فرآیند در ادبیات مالی تحت عنوان حباب قیمتی یاد می‌شود (ولی زاده و همکاران، 1401)؛ بنابراین حباب‌های قیمتی شکل‌گرفته باعث قیمت‌گذاری نادرست و مانع از ارزش‌گذاری دارایی‌ها مبتنی بر مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای می‌گردد (ژو11، 2019). در این میان، مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای، سهمی اساسی در توضیح دادن و وسعت بخشیدن به مفهوم قیمت دارایی‌ها و همچنین به‌عنوان معیاری برای درک رابطه علت و معلولی بین قیمت دارایی‌ها و رفتار سرمایه‌گذاران بر اساس متغیرهای توضیحی بازار، صنعت و اطلاعات خاص ایفا می‌کنند (امینی فرد و همکاران، 1399). گالبرایت در کتاب معروف خود با عنوان سقوط بزرگ 1929 در اهمیت توجه به ساختار قیمت‌گذاری منطقی سهام استدلال می‌کند که حباب بازار سرمایه در دهه 1920 و متعاقب آن سقوط بزرگ سال 1929 ناشی از فاصله گرفتن از ساختار قیمت‌گذاری منطقی سهام و تمرکز بر عناصر غیرمنطقی، افراطی و شیدایی سرمایه‌گذاران شکل گرفت. با عنایت به اینکه در پژوهش‌های پیشین حباب‌های قیمتی سهام به روش‌های متعددی سنجش و اندازه‌گیری شده است، لکن تاکنون در پژوهش‌های داخلی هیچ پژوهشی به اندازه‌گیری حباب‌های قیمتی از طریق مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای نپرداخته است که از این منظر جنبه نوآوری برای پژوهش اخیر نیز محسوب می‌شود. ضمناً با توجه به اینکه در شرایط سقوط بازار، توزیع عوامل ریسک ازجمله بازده دارایی‌ها، در دنباله‌های پهن توزیع ظاهر می‌گردد، ازاین‌رو در این پژوهش از رویکرد بهینه ارزش در معرض خطر که مبتنی بر سنجش وابستگی دنباله‌های توزیع بازدهی‌ها می‌باشد، به‌منظور سنجش و مدل‌سازی وابستگی سقوط قیمت سهام با استفاده از رهیافت توابع کاپولا- گارچ چند متغیره استفاده شده است. بر این اساس، سؤال اساسی پژوهش حاضر این است که آیا در شرایط محیطی کشور ما بین ریسک سقوط قیمت سهام و حباب‌های قیمتی مبتنی بر ساختار قیمت‌گذاری منطقی سهام هم راستایی وجود دارد یا خیر؟

2- مبنای نظری پژوهش

سقوط قیمت سهام و حباب‌های قیمتی

 سقوط قیمت سهام درواقع، پیامد توده عظیمی از اطلاعات منفی و نامطلوب است که به یک‌باره وارد بازار شده و با بازنگری منفی و ناگهانی درباره انتظارات و تصورات قبلی سرمایه‌گذاران، تصمیمات مرتبط با سرمایه‌گذاری را تغییر داده و به‌تبع آن باعث کاهش قیمت سهام می‌گردد (دهقان منکاآبادی و همکاران، 1400). در پژوهش‌های صورت گرفته، مکانیسم‌های زیر بنایی خطر سقوط قیمت سهام عمدتاً به دو دسته: عدم تجانس در اعتقادات سرمایه‌گذاران در مورد ارزش‌های اساسی شرکت و رفتارهای فرصت‌طلبانه مدیران شرکت محدود شده است (فخاری و نصیری، 1399). به اعتقاد ​هانگ و آستین12 (‏2003)‏، ناهمگونی در باورهای سرمایه‌گذاران، یکی از محرک‌های اساسی سقوط قیمت سهام، قلمداد می‌شود. این رویکرد مبتنی بر این استدلال است که علائق، باورها، اهداف، نگرش‌ها و انتظارات سرمایه‌گذاران متفاوت است. گروهی از آن‌ها خوش‌بین و گروهی دیگر بدبین هستند. عده‌ای ریسک گریز و عده‌ای ریسک‌پذیر هستند. برخی از آن‌ها دچار تورش­های رفتاری و برخی دیگر منطقی هستند. برخی از آن‌ها اهداف کوتاه‌مدت و برخی دیگر اهداف بلندمدت را برای استراتژی سرمایه‌گذاری در شرکت دنبال می‌کنند. ازاین‌رو، ناهمگونی در انتظارات و باورهای سرمایه‌گذاران، منجر به تقویت معاملات اخلال زا و تغییر چشم‌گیر در رفتار بازیگران بازار و متعاقب آن قیمت‌گذاری نادرست خواهد شد. ژو و همکاران (2020)، بیان کردند اگر معاملات اخلال زا در بازار غلبه پیدا کنند، متعاقب آن به‌احتمال‌زیاد بازار سقوط خواهد کرد.​ آوری و زمسکی13 (1998)، نشان دادند که رفتار توده‌وار منجر به قیمت‌گذاری نادرست دارایی‌ها و شکل‌گیری پدیده حباب قیمت‌ها و پیامد آن سقوط قیمت سهام خواهد بود. ازآنجایی‌که قیمت دارایی‌های مالی بر تخصیص منابع در اقتصاد بسیار اثرگذار است، هرگونه اختلال و انحراف گسترده در بازار سرمایه منجر به عدم تخصیص بهینه منابع خواهد گردید (بوکین لین و نان وو14، 2023).

در مورد رفتار فرصت‌طلبانه مدیریت، تحقیقات موجود در ادبیات حسابداری وابسته به استدلال‌های مبتنی بر تئوری نمایندگی برای انگیزه‌های مدیریتی جهت احتکار و پنهان نمودن اخبار بد می‌باشد. مبتنی بر تئوری نمایندگی و اقدامات فرصت‌طلبانه مدیریت در راستای منافع شخصی برای کسب پاداش بالاتر، حسن شهرت بیشتر، حفظ موقعیت شغلی و ...کماکان انگیزه‌های مربوط به تأخیر در انتشار اخبار بد در نزد مدیران وجود دارد. به اعتقاد کوتاری15 (2009)، در شرایط تضاد منافع بین مدیران و سرمایه‌گذاران تا مادامی‌که هزینه عدم افشای اخبار منفی و انباشت آن‌ها در داخل شرکت، کمتر از منافع آن باشد، مدیران انگیزه دارند تا اخبار منفی را در داخل شرکت انباشت کرده و آن‌ها را افشا نکنند. بااین‌وجود، زمانی که مدیریت دیگر نتوانند اخبار منفی اضافی را پنهان کنند، در این صورت توده اخبار منفی انباشته‌شده در قالب شوک‌های منفی به یک‌باره وارد بازار شده و پیامد آن منجر به یک نوسان بزرگ، غیرعادی و منفی در قیمت سهام می‌شود که از آن به‌عنوان پدیده ریسک سقوط قیمت سهام نام برده می‌شود (چنهال و همکاران16، 2020؛ هارپر17، 2020). اساساً انسداد اطلاعات نامطلوب و عدم تقارن اطلاعاتی ناشی از آن همواره باعث قیمت‌گذاری نادرست سهام و بروز پدیده حباب قیمتی می‌گردد. به‌بیان‌دیگر پدیده چولگی منفی بازده سهام ناشی از سقوط قیمت‌ها از مدل قیمت‌گذاری نامناسب دارایی‌ها و شکل‌گیری حباب تصادفی قیمت سهام تبعیت می‌کند (هو و همکاران18، 2020). عموماً عدم تقارن اطلاعات، پدیده‌ای منفی است که باعث ایجاد تفاوت بین ارزش ذاتی سهام و ارزش برآورد شده آن سهام به‌وسیله سرمایه‌گذاران می‌شود و از مجرای قیمت‌گذاری نادرست دارایی‌های سرمایه‌ای و شکل‌گیری حباب قیمتی، موجب تصمیم‌گیری‌های نامناسب اقتصادی توسط سرمایه‌گذاران می‌شود. بر این اساس شرکت‌هایی که بیشتر در معرض عدم تقارن اطلاعاتی هستند، به‌احتمال بیشتری از ارزیابی نادرست صدمه می‌بینند (بادآور نهندی، خجسته و شریف‌زاده، 1397). پردومو استراوچ19 (2020)، نشان داد که عدم تقارن اطلاعات در مورد وجود حباب‌های قیمت دارایی، معامله­گران را وادار به پیگیری تداوم حباب‌ها می‌کند. جارو20 (2018)، یک مدل قیمت‌گذاری دارایی سرمایه‌ای (CAPM) را در بازاری استنتاج می‌کند که در آن قیمت دارایی‌ها می‌تواند نوسانات قیمت و حباب‌های قیمتی را نشان دهد. ​​​​​به‌طورکلی چنانچه مدیریت بتواند با موفقیت جریان اطلاعات منفی را در بازار سهام مسدود کند، توزیع بازده سهام در بازار، به‌واسطه قیمت‌گذاری نادرست و ایجاد حباب قیمتی، نامتقارن می­شود (هاتن و همکاران21، 2009).

مفهوم حباب از اوایل قرن هفدهم وارد ادبیات اقتصادی شده است. از آن زمان تاکنون از نمونه­های متعددی به­عنوان دوران حباب قیمتی یاد شده است. حباب نوعی پیامد حاصل از سرمایه­گذاری محسوب می‌شود که ضعف بعضی از تحلیل­های روانشناسی سرمایه­گذاران را شرح می­دهد (ژو و همکاران22، 2019). این پدیده به­عنوان بخشی از جریان قیمت دارایی محسوب می‌شود که با اصول و عوامل بنیادی که علت تغییرات قیمت دارایی محسوب می­شوند، غیرقابل‌توصیف می‌باشد (‏زینگ و همکاران23، 2021). ازاین‌رو از حباب به‌عنوان پیچیده‌ترین اختلال گریبان گیر بازار سرمایه نام برده می‌شود. اساساً حباب را می‌توان افزایش قیمت دارایی در یک فرآیند مستمر تعریف نمود که مبتنی بر آن، افزایش اولیه قیمت، انتظار افزایش‌های آتی قیمت را به دنبال دارد که منجر به جذب خریداران جدید می‌شود؛ اما معمولاً پس از مدتی، این افزایش قیمت با انتظارات معکوس و درنتیجه کاهش ناگهانی قیمت‌ها همراه است که اغلب زمینه‌ساز سقوط قیمت‌ها و بحران‌های مالی می‌شود (راسخی و همکاران، 1395). تمام حباب‌های بازار سهام درنهایت منفجر می‌شوند، به این معنی که قیمت سهام به‌طور ناگهانی و به‌شدت کاهش می‌یابد (نی و ژو، 2020). چنین رفتاری در شاخص‌های سهام بسیاری از بازارها قابل‌مشاهده است. نگرانی ایجاد حباب در بازار به این مهم برمی‌گردد که باعث قیمت‌گذاری نادرست و فاصله گرفتن ارزش ذاتی دارایی‌ها از ارزش بازاری آن‌ها و عدم تخصیص بهینه منابع می‌گردد (وی و ژانگ، 2023). به‌عبارت‌دیگر حباب قیمتی شکل‌گرفته مانع از ارزش‌گذاری دارایی‌ها مبتنی بر مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای می‌گردد (ژو و همکاران، 2019). بر همین اساس استدلال می‌گردد که تشکیل حباب قیمتی یا قیمت‌گذاری نادرست می‌تواند زمینه‌ساز بروز پدیده سقوط سهام گردد. به‌عبارت‌دیگر، حبابی شدن قیمت سهام، تحت تأثیر قیمت‌گذاری نادرست سهام اتفاق می‌افتد. ازاین‌رو بررسی آثار شوک‌ها پیامدهای مهمی برای نظریه‌های پرتفوی و مدل‌های قیمت‌گذاری دارایی دارد. در این راستا، مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای، سهمی اساسی در توضیح دادن و وسعت بخشیدن به مفهوم قیمت دارایی‌ها و همچنین به‌عنوان معیاری برای درک رابطه علت و معلولی بین قیمت دارایی‌ها و رفتار سرمایه‌گذاران بر اساس متغیرهای توضیحی بازار، صنعت و اطلاعات خاص شرکت دارد. ازاین‌رو در این پژوهش ابتدا به اندازه‌گیری حباب‌های قیمتی از طریق مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای پرداخته می‌شود و در ادامه با روش‌شناسی مناسب به مدل‌سازی وابستگی سقوط قیمت سهام با استفاده از رویکرد تابع کاپولا- گارچ و ارتباط آن با حباب‌های قیمتی مبتنی بر ساختار قیمت‌گذاری منطقی سهام پرداخته می‌شود.

تابع کاپولا

در ادبیات مالی، توابع کاپولا یکی از کاراترین و بهترین روش‌های برآورد ساختار وابستگی خطی و غیرخطی بین دو یا چند متغیر، بدون در نظر گرفتن مشکل توزیع احتمال آن‌ها می‌باشد. در ساده‌ترین حالت از ضریب همبستگی به‌منظور برآورد ساختار وابستگی بین متغیرها مبتنی بر پیش‌فرض‌هایی نظیر نرمال بودن توزیع مشترک داده‌ها و در نظر گرفتن وابستگی خطی بین متغیرها استفاده می‌شود. این در حالی است که مطالعات انجام‌شده بر روی تغییرات بازده دارایی‌های مالی به‌ویژه در شرایطی که بازار پرتلاطم است، نشان می‌دهند که توزیع بازده دارایی‌ها دارای دنباله پهن هستند. همچنین، نقطه اوج توزیع بازده در مقایسه با آنچه توزیع نرمال پیش‌بینی می‌کند، مرتفع و باریک‌تر است. ازاین‌رو،  فرض نرمال بودن تابع توزیع مشترک دارایی‌ها به دلیل در نظر گرفتن روابط خطی بین دارایی‌ها به‌منظور برآورد ساختار وابستگی مبتنی بر ضریب همبستگی موردتردید است (موسوی، راغفر و محسنی، 1392). ضمن اینکه در شرایط سقوط قیمت سهام، علاقه‌مند به بررسی وابستگی موضعی بین متغیرها در دنباله‌های توزیع نیز هستیم که به وابستگی دمی (دنباله‌ای)  معروف هستند. تحت این شرایط، تابع کاپولا با برطرف نمودن نقوص ممکن در رویکردهای دیگر به‌منظور برآورد ساختار وابستگی، به‌عنوان  ابزاری اساسی برای مدل‌سازی توزیع‌های حاشیه‌ای (دنباله‌های پهن)، با جایگزین کردن توزیع‌های دنباله‌ای با توزیع‌های نرمال و بررسی روابط خطی و غیرخطی بین متغیرها، ساختار وابستگی سقوط سهام را با دقت و قابلیت اتکای بالاتری برآورد می‌کند. کاپولاها به دو دسته پارامتریک و نا پارامتریک تقسیم‌بندی می‌شوند. در این پژوهش به‌منظور تخمین برازش کاپولا از کاپولای پارامتریک که از انواع آن می‌توان به کاپولای گاوسی و تی کاپولا و نیز خانواده کاپولای ارشمیدسی که مشتمل بر کاپولاهای کلایتون و گامبل هستند، استفاده شده است. یکی از قضایای معروف در نظریه کاپولا، قضیه اسکالر است که نشان می‌دهد هر تابع توزیع احتمال چند متغیره، می‌تواند یک توزیع حاشیه‌ای و یک ساختار وابستگی داشته باشد. درواقع این قضیه نشان می‌دهد زمانی که متغیرها پیوسته باشند، هر تابع توزیع احتمال چند متغیره می‌تواند با استفاده از یک توزیع حاشیه‌ای یک ساختار وابسته نشان داده شود. در راستای تخمین الگوهای کاپولای چندمتغیره از قضیه اسکالر استفاده می‌شود که به‌صورت رابطه زیر تعریف می‌شود:

(1)                                                                                                             

درواقع  یک تابع توزیع مشترک کاپولا با توزیع حاشیه‌ای  است. در جدول 1 تابع توزیع کاپولاهای مورد اشاره ارائه گردیده است.

جدول1- برخی کاپولاهای معروف به همراه تابع توزیع و مولد آن‌ها

منبع: یافته­های پژوهشگر

گارچ

با گسترش سیستم‌های ارتباطی و وابستگی بیش‌ازپیش بازارها و دارایی‌های مالی به یکدیگر شواهد متعددی بیانگر این است که نوسانات بازده دارایی‌های مالی به دارایی‌ها و بازارهای دیگر سرایت می‌کند. سنجش و اندازه‌گیری مفهوم سرایت‌پذیری، خط پایانی بر پیش‌فرض مفهوم همبستگی ثابت دارایی‌ها و بازارهای مالی ایجاد نمود (باباجانی، تقوی فرد و غزالی، 1397). با پذیرش مفهوم سرایت‌پذیری و تحت شرایط تلاطم بازار،  واریانس شرطی داده‌های سری زمانی در طول زمان متغیر می‌باشد. در این راستا مدل‌های بسط یافته گارچ چند متغیره با استفاده از همبستگی شرطی پویا (DCC-MGARCH) امکان برآورد و مدل‌سازی پارامتری همبستگی‌های متغیر با زمان برای نوسانات بازدهی سری‌های زمانی مالی را فراهم می‌آورند (امیری، همایونی فر، کریم زاده و فلاحی، 1394). مدل اولیه و پایه مدل استاندارد گارچ (GARCH)، فرآیندی است که به‌صورت زیر تعریف می‌شود. فرض شود که  فرآیندی است که می‌تواند به‌صورت زیر ارائه شود:

 (2)                                                                                                                     

 

که در آن  واریانس شرطی،  اطلاعات قابل‌دسترسی در زمان t-1 و N توزیع نرمال شرطی می‌باشند. مدل GARCH (p,q) با توجه به رابطه 2،normal-GARCH (p,q)  به‌صورت زیر در نظر گرفته می‌شود:

(3)

که در آن ضرایب  و   بزرگ‌تر از صفر می‌باشند. حال اگر به‌جای توزیع نرمال شرطی در رابطه 3 از توزیع t استفاده کنیم، رابطه 3، به‌عنوان GARCH t- تلقی می‌گردد که برای داده‌های با توزیع دم‌های پهن و قله‌دار در سری زمانی‌های مالی استفاده می‌شود. درواقع توزیع‌های نرمال و t به‌عنوان توزیع حاشیه‌ای در نظر گرفته می‌شوند. انتخاب توزیع حاشیه‌ای با استفاده از برازش مدل GARCH تحت توزیع نرمال و t توسط معیار اطلاعات آکائیک24 (AIC) موردپذیرش واقع می‌شود که به‌صورت زیر تعریف می‌شود:

    (4)                                                                                                                                 

که در آنk  تعداد پارامترهای برآورد شده و Lهم تابع درستنمایی مدل می‌باشد.

ارزش در معرض خطر

تلاطم‌های بازار سرمایه و تغییرات شدید قیمت سهام، یکی از مهم‌ترین ریسک‌های مطرح برای همه فعالان بازار سرمایه و ارکان آن محسوب می‌شود. ریسک و عدم اطمینان در تصمیم‌گیری‌های مرتبط با سرمایه‌گذاری باعث می‌شود تا سرمایه‌گذاران برای به حداقل رساندن زیان‌های احتمالی طرح‌های سرمایه‌گذاری، همواره به دنبال ابزارهای نوین به‌منظور ارزیابی ریسک باشند. در این راستا، یکی از مهم‌ترین سنجه‌های مطرح برای سنجش و اندازه‌گیری ریسک‌های نامطلوب، رویکرد ارزش در معرض خطر می‌باشد که مبتنی بر سنجش وابستگی دنباله‌های توزیع بازدهی‌ها می‌باشد (تراپ و کلادیو25، 2013). رویکرد ارزش در معرض خطر با تمرکز بر متغیرهای بازار برای افق‌های زمانی کوتاه‌تر و با استفاده از مفهوم تأثیر سرایت، با ارائه‌یک رویکرد بهینه، سقوط قیمت سهام را سنجش و اندازه‌گیری می‌کند. در این پژوهش بعد از مدل‌سازی ساختار همبستگی و نوسانات بازده دارایی‌ها توسط مدل copula DCC-MGARCH، مقادیر ارزش در معرض خطر را از این مدل استخراج می‌کنیم. برای محاسبه‌ی ارزش در معرض از رابطه زیر استفاده می‌گردد:

(5)    

که در آن   و  به ترتیب میانگین و واریانس شرطی به‌دست‌آمده از مدل ‌ COPULA DCC-MGARCHو  معکوس تابع توزیع بازدهی‌ در نقطه   می‌باشد. با بررسی پژوهش‌های داخلی، تاکنون هیچ پژوهشی به بررسی تأثیر حباب قیمتی سهام بر ساختار قیمت‌گذاری و وابستگی آن با ریسک سقوط قیمت سهام نپرداخته است. ازاین‌رو در این پژوهش، برای نخستین بار به بررسی وابستگی سقوط قیمت سهام و ارتباط آن با ساختار قیمت‌گذاری منطقی سهام پرداخته می‌شود. بررسی و تحلیل وابستگی ساختاری ابعاد این موضوع که نتیجه آن ذینفعانی مانند سرمایه‌گذاران، فعالان بازار و نهادهای ناظر را منتفع می‌کند، به‌عنوان یک سؤال تجربی حائز اهمیت است. اهمیت بررسی این موضوع به‌ویژه در شرایط محیطی کشور ما و برای بورس اوراق بهادار جوان و کم‌عمقی که به‌شدت از تکانه‌های اقتصادی و غیراقتصادی تأثیر می‌پذیرد و منجر به فرازوفرودهای فراوانی شده است، دوچندان می‌باشد. به‌نحوی‌که درک روابط بین ساختار قیمت‌گذاری سهام تا حد زیادی در مورد تصمیم‌گیری مرتبط با سرمایه‌گذاری در این دارایی‌ها در شرایط شکل‌گیری حباب قیمتی به‌منظور پرهیز از سرمایه‌گذاری احساسی و تشکیل پرتفوی بهینه جهت به حداقل رساندن ریسک سرمایه‌گذاری کمک به سزایی می‌کند. با توجه به آنچه بیان شد، در راستای دستیابی به اهداف پژوهش و مبتنی بر مبانی نظری ذکرشده، سؤالات‌ پژوهش به شرح ذیل بیان می‌شود:

1- سنجش حباب‌های قیمت سهام براساس مدل­های بسط یافته قیمت‌گذاری دارایی سرمایه­ای چگونه می­باشد؟

2- تا چه میزان مدل‌سازی سقوط قیمت سهام با تأکید بر روش كاپولا - گارچ شرطي قابل‌اتکا می­باشد؟

3- آیا ارتباط معناداری بین سقوط قیمت سهام با حباب‌های قیمتی مبتنی بر ساختار قیمت گذاری منطقی سهام وجود دارد؟

3- روش­شناسی پژوهش

پژوهش حاضر از نوع کمی و در گروه تحقیقات اثباتی است. همچنین از نظر ماهیت، در زمره پژوهش‌های توصیفی – همبستگی قرار می‌گیرد که با استفاده از رویکرد قیاسی اقدام به تدوین مبانی نظری و با رویکرد تفسیری به بیان نتایج پرداخته می‌شود. در این پژوهش ابتدا برای تکمیل مبانی نظری، از روش کتابخانه­ای و مطالعه منابع معتبر استفاده شده است. سپس برای گردآوری داده‌های پژوهش از سایت رسمی شرکت بورس اوراق بهادار تهران و سایت مرکز آمار استفاده شده است. قلمرو زمانی پژوهش، بازه زمانی بین سال‌های ۱۳۹0 تا ۱401 است. جامعه آماری پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران می‌باشد. در ادامه به‌منظور تعیین حجم نمونه پژوهش ابتدا به روش حذف سیستماتیک و اعمال فیلترهای معمول، غربالگری لازم اعمال و سپس از شرکت‌های باقی‌مانده به روش تصادفی ساده 30 شرکت به‌عنوان حجم نمونه انتخاب و شامل شرکت‌هایی است که ویژگی‌های زیر را دارند: ۱- به‌منظور همگن شدن نمونه آماری در سال‌های موردبررسی، شرکت­ها پیش از سال ۱۳۹0 در بورس اوراق بهادار تهران پذیرفته‌شده باشند و طی دوره مدنظر تغییر فعالیت و یا تغییر سال مالی نداده باشند؛ ۲- سال مالی شرکت­ها منتهی به پایان اسفندماه هرسال باشد؛ ۳- اطلاعات مالی آن‌ها برای کل بازه زمانی موردبررسی در دسترس باشد؛ ۴- سهام شرکت‌ها در هریک از سال‌های دوره پژوهش، وقفه معاملاتی بیش از سه ماه نداشته باشد ۵- شرکت‌های نمونه جزء شرکت‌های سرمایه‌گذاری، هلدینگ و واسطه‌گری مالی، بانک‌ها و شرکت‌های بیمه نباشند. در پژوهش حاضر به‌منظور تجزیه‌وتحلیل داده­ها از نرم‌افزار R 4.2.1 استفاده شده است.

در ادامه، روند مراحل انجام پژوهش به شرح ذیل می‌باشد:

     1- ابتدا مدل‌های مختلف قیمت‌گذاری دارایی‌های سرمایه‌ای توسعه‌یافته برآورد و با هم مقایسه می‌گردند و مدل بهینه انتخاب می‌گردد.  

    2- متغیر حباب با استفاده از مدل قیمت‌گذاری منتخب، استخراج می‌گردد.

    3- به‌منظور پیدا کردن توزیع حاشیه‌ای بازدهی سهام شرکت‌های نمونه از مدل GARCH تک متغیره استفاده می‌گردد.

    4- توزیع حاشیه‌ای به‌دست‌آمده را در الگوهای مختلف خانواده کاپولا به کار می‌گیریم و بهترین کاپولایی که بتواند بهترین ساختار وابستگی را بین بازدهی‌ها، نشان دهد انتخاب می‌گردد.

   5- به‌منظور مدل‌سازی ساختار همبستگی و نوسانات بازده سهام از مدل گارچ چند متغیره رهیافت همبستگی شرطی پویا با توزیع کاپولا CAPULA DCC MGARCH استفاده می‌شود.

   6- با استفاده از خروجی مدل CAPULA DCC MGARCH، مقادیر ارزش در معرض خطر محاسبه می‌شوند.

   7- مقادیر ارزش در معرض خطر حاصل از مدل را اعتبار سنجی می‌کنیم.

   8- درنهایت به ارزیابی ارتباط معنی‌داری بین مقادیر متغیر حباب و ارزش در معرض خطر پرداخته می‌شود.

4- یافته‌های پژوهش

4. 1. آمار توصیفی

برای ارائه‌ی یک نمای کلی از خصوصیات مهم متغیرهای موردمطالعه، در جدول2 برخی از آمارهای توصیفی این متغیرها، شامل میانگین، انحراف معیار، حداقل و حداکثر، چولگی و کشیدگی مشاهدات در نگاره ۱ ارائه شده است. کليه متغيرهای مورداستفاده در اين پژوهش در مقياس کمی و مشاهدات به‌صورت سری زمانی بازدهی لگاريتمی روزانه برای 30 شرکت از سال1390 تا پایان سال1401 معادل با 2813 روز کاری پس از شناسایی و تعدیل نقاط دورافتاده با استفاده از روش ارائه شده توسط بودت و همکاران26،  مورد محاسبه قرار گرفته است.

جدول2- آماره‌های توصیفی مربوط به بازدهی روزانه شرکت‌های موردمطالعه

تابع توزیع کاپولا

نام کاپولا

 

کلایتون

 

گامبل

 

گاوسی

 

تی کاپولا

نماد

میانگین

انحراف معیار

میانه

کمینه

بیشینه

چولگی

کشیدگی

شاخص کل

00147/  0

01025/ 0

00054/ 0

02673/ 0-

02776/ 0

17900/ 0

16130/ 1

دامین

00162/ 0

02250/ 0

00063/ 0-

06719/ 0-

06609/ 0

25824/ 0

55690/ 0

کساوه

00173/ 0

02420/ 0

00028/ 0-

07610/ 0-

07737/ 0

13185/ 0

30808/ 0

خبهمن

00146/ 0

02678/ 0

00095/ 0-

08847/ 0-

08700/ 0

15603/ 0

17429/ 0

دالبر

00169/ 0

02395/ 0

00018/ 0-

07226/ 0-

07265/ 0

15734/ 0

62884/ 0

پدرخش

00229/ 0

02814/ 0

00090/ 0

08986/ 0-

09128/ 0

00115/ 0-

31771/ 0

چفیبر

00160/ 0

02905/ 0

00060/ 0

09121/ 0-

09217/ 0

06723/ 0

60797/ 0

فولاد

00173/ 0

02156/ 0

00020/ 0-

06525/ 0-

06395/ 0

26809/ 0

51458/ 0

کفرا

00191/ 0

02513/ 0

00030/ 0

08581/ 0-

08750/ 0

10765/ 0

06541/ 0-

ختوقا

00147/ 0

03047/ 0

00060/ 0-

10516/ 0-

10324/ 0

17777/ 0

06564/ 0-

شگل

00182/ 0

02617/ 0

00086/ 0

08094/ 0-

08204/ 0

09568/ 0

45040/ 0

حفاری

00091/ 0

02734/ 0

00063/ 0-

08926/ 0-

08601/ 0

23146/ 0

27939/ 0

بکام

00123/ 0

02795/ 0

00059/ 0-

09527/ 0-

09344/ 0

21686/ 0

08681/ 0-

چکارن

00193/ 0

02948/ 0

00070/ 0

09810/ 0-

09868/ 0

10781/ 0

16971/ 0

فملی

00152/ 0

02264/ 0

00029/ 0-

06813/ 0-

06668/ 0

23853/ 0

55940/ 0

شنفت

00194/ 0

02454/ 0

00012/ 0-

07366/ 0-

07362/ 0

15330/ 0

65320/ 0

پسهند

00167/ 0

02934/ 0

00025/ 0-

10149/ 0-

10134/ 0

10376/ 0

14704/ 0-

خساپا

00119/ 0

02807/ 0

00030/ 0-

09639/ 0-

09450/ 0

11603/ 0

03228/ 0-

سخزر

00145/ 0

02649/ 0

00016/ 0-

07593/ 0-

07606/ 0

15545/ 0

85398/ 0

ستران

00150/ 0

02681/ 0

00030/ 0-

08779/ 0-

08593/ 0

21866/ 0

14206/ 0

بسویچ

00153/ 0

02664/ 0

00087/ 0

07845/ 0-

08038/ 0

07351/ 0

79804/ 0

پتایر

00147/ 0

02880/ 0

00028/ 0

09411/ 0-

09395/ 0

05940/ 0

26736/ 0

حتاید

00152/ 0

02616/ 0

00020/ 0

08350/ 0-

08292/ 0

13763/ 0

21444/ 0

بترانس

00092/ 0

02633/ 0

00072/ 0-

08830/ 0-

08584/ 0

20865/ 0

11113/ 0

افرا

00168/ 0

03294/ 0

00044/ 0

11206/ 0-

11792/ 0

02228/ 0

00418/ 0

غپینو

00143/ 0

02496/ 0

00083/ 0-

08194/ 0-

08285/ 0

06412/ 0

09555/ 0

رانفور

00095/ 0

01315/ 0

00007/ 0-

03110/ 0-

03110/ 0

17391/ 0

36018/ 1

شیراز

00152/ 0

01897/ 0

00042/ 0-

04823/ 0-

04741/ 0

29369/ 0

16421/ 1

فرآور

00135/ 0

02809/ 0

00057/ 0-

10152/ 0-

10117/ 0

05504/ 0

43486/ 0-

قنیشا

00174/ 0

02728/ 0

00040/ 0

09484/ 0-

09999/ 0

13201/ 0

21316/ 0-

کروی

00119/ 0

02647/ 0

00132/ 0-

09242/ 0-

09004/ 0

10033/ 0

22617/ 0-

منبع: یافته­های پژوهش

با بررسی معيارهای تمرکز (ميانگين و ميانه) ارائه شده در جدول 2 ملاحظه می‌گردد که متوسط بازدهی شرکت پدرخش نسبت به ساير شرکت‌های موردبررسی اندکی بيشتر است (در حدود 0001/ 0 الی 0009/ 0). همچنین ميانگين بـازده روزانـه شـاخص قيمتـی تمـامی شرکت‌های منتخب در بازه زمانی موردنظر، مثبت می‌باشد که بيانگر صعودی بودن روند کلی حاکم بر تمامی شرکت‌های منتخب طی بازه زمانی موردبررسی است. از سوی ديگر با بررسی مقادير انحراف معيار، ملاحظه می‌گردد که دامنه نوسان شرکت افرا از مقدار بیشتری نسبت به شرکت‌های ديگر برخوردار است که به‌نوعی می‌توان انتظار داشت که ارزش در معرض ريسک این شرکت به نسبت ساير شرکت‌ها بیشتر است. دراین‌بین با مثبت بودن چولگی (چوله به راست) شرکت‌ها مي‌توان گفت حجم داده‌ها، بيشتر در سمت چپ متمرکز شده است. این تحلیل با بیشتر بودن میانگین شرکت‌ها نسبت به میانه هم‌خوانی دارد. البته ازآنجایی‌که مقادیر چولگی بین 5/ 0 و 5/ 0- قرار دارند، خیلی نمی‌توان انتظار چوله بودن داشت. ازاین‌رو چولگی تا حدودی حول صفر بوده، درنتیجه توزیع بازدهی‌ها متقارن می‌باشد. از سوی ديگر با توجه به مقدار کشيدگی (کمتر از 3)، ملاحظه می‌گردد که قله توزيع از حالت نرمال پهن‌تر و به‌مراتب دنباله‌های نازک‌تری دارد؛ بنابراين با توجه به مقدار غير صفر چولگی و مقدار کشيدگی، بازدهی‌ها از توزيع نرمال تبعيت نمی‌کنند.

4. 2. پیش‌فرض‌های آماری

بعد از بیان آمار توصیفی و قبل از ورود به تحلیل‌های آماری و مدل‌سازی، ابتدا به بررسی آزمون‌های مربوط به پیش‌فرض‌ها با استفاده از آزمون‌های شاپيرو-ويلک، ريشه واحد ديکی فولر تعمیم‌یافته و اثر آرچ27 به ترتیب به‌منظور بررسی نرماليتی، مانايی و ناهمسانی واريانس در بین داده‌ها، پرداخته شد. با توجه به مقدار آماره و مقدار معنی‌داری به‌دست‌آمده از آزمون دیکی فولر و آزمون اثر گارچ برای هر شرکت (که مقدار معنی‌داری کمتر یا مساوی 05/ 0 است) فرض مانایی و فرض ناهمسانی واریانس در بین داده‌های شرکت‌ها پذیرفته شد. ضمناً مقدار آماره‌ی آزمون شاپیرو-ویلک و مقدار معنی‌داری به‌دست‌آمده برای هر شرکت، بیانگر رد فرض نرمال بودن داده‌های مربوط به هر شرکت بود. ازاین‌رو در اين پژوهش، از توزيع تی استيودنت جهت مدل‌سازی استفاده می‌شود.

4. 3. برآورد مدل‌های قیمت‌گذاری، انتخاب مدل بهینه و استخراج متغیر حباب

الگوی قیمت‌گذاری دارایی‌های سرمایه‌ای یک مدل رگرسیونی قیمت‌گذاری است که معادله استاندارد و پایه آن موسوم به مدل CAPM به شرح رابطه 6 است. در ادامه سایر مدل‌های تعیم یافته قیمت‌گذاری دارایی‌های سرمایه‌گذاری موسوم به مدل قیمت‌گذاری دارایی‌های سرمایه‌ای کاهشی- نامطلوب، مدل قیمت‌گذاری دارایی‌های سرمایه‌ای تعدیلی، مدل قیمت‌گذاری دارایی‌های سرمایه‌ای شرطی و مدل قیمت‌گذاری دارایی‌های سرمایه‌ای مصرفی به ترتیب به شرح روابط 7 تا 10 ارائه شده اند.

                                                           (6)

                                (7)   

                                 (8)   

                                  (9)

                               (10)

در روابط بالا، RF، نرخ بازده بدون ریسک،   نرخ بازده مورد انتظار،  ضریب حساسیت و  به‌عنوان صرف ریسک می‌باشد. تفاوت مدل‌های فوق در نحوه محاسبه و برآورد ضریب بتا و تفسیر آن می‌باشد. پس از برآورد مدل‌های مختلف قیمت‌گذاری دارایی‌های سرمایه‌ای، به‌منظور مقایسه و تعیین اینکه کدام مدل قیمت‌گذاری می‌تواند تبیین‌کننده‌ی بهتری از ارتباط بین ریسک و بازده‌ی مورد انتظار ارائه نماید، ابتدا میزان خطای پیش‌بینی مدل‌های قیمت‌گذاری محاسبه می‌گردد. برای این منظور، خطای قیمت‌گذاری بازده در زمان  را نماد  و به‌صورت زیر تعریف می‌گردد:

      (11)   

یعنی خطای قیمت‌گذاری در زمان ، برابر است با بازده به‌دست‌آمده از مدل منهای بازده واقعی شرکت در زمان . در ادامه، دو معیار مقایسه‌ای28MAE و29 RMSE به‌منظور مقایسه‌ی عدم اطمینان و دقت در مدل‌ها مورداستفاده قرار می‌گیرند و به‌صورت فرمول (3-4) تعریف می‌شوند:

                                                                                            (12)                                                              (13)

که در آن  میانگین خطاهای، خطای قیمت‌گذاری می‌باشد. درواقع RMSE  عدم اطمینان و MAE عدم دقت قیمت‌گذاری را نشان می‌دهند که هر چه کوچک‌تر باشند مدل بهتری خواهد بود. اکنون با توجه به جدول 3، ملاحظه می‌گردد که معیارهایRMSE  و MAE برای مدل CAPM با مقادیر به ترتیب 02406/ 0 و 01750/ 0 کمترین بوده‌اند که نشان از عملکرد مناسب مدلCAPM  دارد. درواقع بازده به‌دست‌آمده از این مدل انطباق بیشتری با بازده واقعی دارد. لذا پس از برآورد تمامی مدل‌ها و استخراج ضرایب بتای آن‌ها برحسب جدول مقایسه ای ذیل مدل مطلوب تعیین می‌گردد.

جدول 3- مقایسه‌ی مدل‌های قیمت‌گذاری

مدل‌های قیمت‌گذاری

معیارهای مقایسه‌ای

MAE

RMSE

CAPM

01750/ 0

02406/ 0

DCAPM

01789/ 0

02446/ 0

ACAPM

03196/ 0

04450/ 0

CCAPM

01881/ 0

02550/ 0

ICAPM

01857/ 0

02512/ 0

منبع: یافته­های پژوهش

در جدول 4 ضریب بتای برآورد شده برای مدل‌های قیمت‌گذاری ارائه شده است. با مشاهد‌ه‌ی مقادیر بتا ملاحظه می گردد که بتا حاصل از مدل CAPM  غالباً مقادیر کمتر از یک را اختیار کرده‌اند که نشان می‌دهد شرکت‌ها از نظر تئوری، نوسانات کمتری نسبت به بازار دارند که درواقع شکل محافظه کارانه‌تری برای سرمایه‌گذار دارد. در مابقی مدل‌ها ضرایب بتا بیش از یک بوده که ریسک سبد حاصل از این مدل‌ها بیشتر است و نسبت به بازار نوسان بیشتری از خود نشان می‌دهند. این مقادیر از بتا در مدل CAPM دور از انتظار نبوده چراکه مطابق جداول 2 و مقادیر حاصل از پیش‌فرض‌های آماری، بازده دارای توزیع متقارن بوده و یک مصالحه‌ای بین ریسک و بازده در بازار وجود دارد که بر نتایج جداول 3 و 4 صحه می‌گذارد. بتـا واحـد اندازه‌گیری ریسک سیستماتیک مربوط به سهام است که درواقع درجه حساسیت تغییرپذیری بازده سهم را نسبت به تغییرپذیری بازده بازار اندازه‌گیری می‌کند.

 

جدول 4- ضریب بتا در مدل‌های قیمت‌گذاری (BETA_CAPM)

نماد

مدل 1

مدل 2

مدل 3

مدل 4

مدل5

دامین

6847/ 0

0064/ 1

4895/ 0

9879/ 0

4602/ 1

کساوه

7171/ 0

0994/ 1

2102/ 0-

4721/ 1

3944/ 1

خبهمن

1847/ 1

5789/ 1

2070/ 1

2797/ 1

8440/ 0

دالبر

6406/ 0

0810/ 1

7440/ 2

7962/ 0

5608/ 1

پدرخش

5275/ 0

0960/ 1

9546/ 8

2005/ 1

8956/ 1

چفیبر

5727/ 0

1731/ 1

0187/ 23

4399/ 2

7459/ 1

فولاد

3004/ 1

4409/ 1

3076/ 1

3958/ 0

7689/ 0

کفرا

0055/ 1

3710/ 1

0585/ 1

8724/ 1

9944/ 0

ختوقا

1409/ 1

6425/ 1

3961/ 1

4445/0-

8764/ 0

شگل

7021/ 0

2354/ 1

2997/ 3

8963/ 1

4241/ 1

حفاری

2077/ 1

5606/ 1

3825/ 1

8489/ 1

8279/ 0

بکام

8458/ 0

3891/ 1

7169/ 0

0003/ 1

1822/ 1

چکارن

8331/ 0

4280/ 1

3258/ 1

5861/ 0

2003/ 1

فملی

2489/ 1

4235/ 1

2623/ 1

3787/ 0

8006/ 0

شنفت

8646/ 0

1807/ 1

7348/ 1

7397/ 0

1565/ 1

پسهند

8938/ 0

4752/ 1

8158/ 1

8898/ 1

1187/ 1

خساپا

1884/ 1

6677/ 1

1754/ 1

4604/ 1

8414/ 0

سخزر

6635/ 0

1017/ 1

0641/ 16-

1886/ 0

5069/ 1

ستران

0328/ 1

4999/ 1

2285/ 1

7668/ 0

9682/ 0

بسویچ

4953/ 0

0413/ 1

0038/ 11

6034/ 0

0187/ 2

پتایر

9754/ 0

4686/ 1

3581/ 1

5645/ 2

0251/ 1

حتاید

9589/ 0

4162/ 1

0523/ 1

7135/ 1

0427/ 1

بترانس

1365/ 1

5362/ 1

2558/ 1

7931/ 0

8798/ 0

افرا

7491/ 0

4011/ 1

0375/ 10

6827/ 1

3348/ 1

غپینو

8739/ 0

2850/ 1

8448/ 0

6494/ 1

1442/ 1

رانفور

5245/ 0

7267/ 0

3736/ 0

4156/ 0

9062/ 1

شیراز

0682/ 1

1553/ 1

9202/ 0

0301/ 1

9361/ 0

فرآور

2123/ 1

6234/ 1

6655/ 1

0848/ 0

8248/ 0

قنیشا

5952/ 0

1916/ 1

5338/ 0

2652/ 1

6801/ 1

کروی

5293/ 1

7492/ 1

6208/ 1

1280/ 0-

6538/ 0

منبع: یافته­های پژوهش

 

 

4. 4. استخراج متغیر حباب30 

فضای حالت متغیر حباب {1و0} است. درواقع عدد 1 به معنای وجود حباب و صفر به معنای عدم وجود حباب است. برای محاسبه متغیر حباب، ابتدا مطابق با رابطه 6، بازده مورد انتظار برای هر شرکت از مدل قیمت‌گذاری منتخب، یعنی مدل  CAPM محاسبه می‌شود. سپس بر اساس رابطه 11، مقادیر بازده مورد انتظار از مقدار واقعی بازدهی کم می‌شود (ها). در ادامه، میانگین خطاهای حاصل، محاسبه‌شده و با خود خطاهای روزانه مقایسه می‌شوند. چنانچه خطاها از میانگین خود بزرگ‌تر باشند ( باشد)، وجود حباب را در آن روز نتیجه می‌دهد یعنی حباب در روز t وجود دارد و عدد 1 برای آن روز منظور و در غیر این صورت صفر قرار می‌گیرد.

4. 5. مدل‌سازی ساختار همبستگی و نوسانات بازده سهام شرکت‌ها

4. 5. 1.  انتخاب توزیع حاشیه‌ای 

در راستای تخمین الگوهای کاپولا، ابتدا جهت استفاده از این الگوها باید توزیع حاشیه‌ای مربوط به بازدهی‌های هر شرکت مشخص شوند. برای این منظور از مدل GARCH تک متغیره استفاده می‌کنیم. مدل‌های GARCH یک ابزار استاندارد در تحقیقات نوسانات هستند که واریانس متغیر زمان را توصیف می‌کند. با توجه به جدول 5، مقدار معیار اطلاعات آکائیک (AIC) مدل t-GARCH برای تمامی شرکت‌ها از مقدار معیار اطلاعات آکائیک مدل normal-GARCH کمتر (منفی‌تر) است؛ بنابراین توزیع حاشیه‌ای مربوط به بازدهی شرکت‌ها، توزیع t خواهد بود. این نتیجه با توجه به جدول آمار توصیفی و آزمون شاپیرو ویلک که فرض نرمال بودن رد شده، قابل‌انتظار بوده است.

جدول 5- انتخاب توزیع حاشیه‌ای

نماد

normal-GARCH

t-GARCH

نماد

normal-GARCH

t-GARCH

نماد

normal-GARCH

t-GARCH

AIC

AIC

AIC

AIC

AIC

AIC

دامین

132/ 5-

326/ 5-

حفاری

427/ 4-

460/ 4-

پتایر

329/ 4-

419/ 4-

کساوه

869/ 4-

124/ 5-

بکام

408/ 4-

423/ 4-

حتاید

637/ 4-

688/ 4-

خبهمن

503/ 4-

521/ 4-

چکارن

265/ 4-

290/ 4-

بترانس

574/ 4-

591/ 4-

دالبر

755/ 4-

819/ 4-

فملی

852/ 4-

881/ 4-

افرا

028/ 4-

033/ 4-

پدرخش

428/ 4-

641/ 4-

شنفت

647/ 4-

673/ 4-

غپینو

850/ 4-

975/ 4-

چفیبر

341/ 4-

569/ 4-

پسهند

253/ 4-

254/ 4-

رانفور

471/ 6-

953/ 6-

فولاد

954/ 4-

974/ 4-

خساپا

390/ 4-

431/ 4-

شیراز

519/ 5-

851/ 5-

کفرا

646/ 4-

671/ 4-

سخزر

642/ 4-

005/ 5-

فرآور

446/ 4-

452/ 4-

ختوقا

208/ 4-

226/ 4-

ستران

524/ 4-

564/ 4-

قنیشا

500/ 4-

530/ 4-

شگل

509/ 4-

549/ 4-

بسویچ

509/ 4-

634/ 4-

کروی

578/ 4-

579/ 4-

  منبع: یافته­های پژوهش

 

 

 

4. 5. 2. مقایسه‌ی توابع کاپولا

پس از انتخاب توزیع‌های حاشیه، نوبت به انتخاب الگوی copula است که بتواند بهترین ساختار وابستگی را بین بازدهی‌ها نشان دهد. با توجه به جدول 6، الگوی t با مقدار پارامتر وابستگی 1873/ 0 کمترین (منفی‌ترین) مقدار معیار اطلاعات آکائیک (AIC) و مقدار معیار اطلاعات شوارتز- بیزین (BIC) را دارا است؛ بنابراین الگوی t-copula بهترین نمایش را از لحاظ ساختار وابستگی دارد. به‌عنوان یک نتیجه می‌توان گفت با توجه به انتخاب t-copula یک وابستگی غیرخطی در بین بازده سری‌های زمانی (متغیرها) وجود دارد که در صدک بالای دم توزیع این اتفاق می‌افتد.

 

 

 

جدول 6- ارزیابی الگوهای مختلف copula

الگوی copula

پارامتر

معیارهای ارزیابی

AIC

BIC

Gaussian

1802/ 0

667/ 10857-

725/ 10851-

t (df=40)

1873/ 0

394/ 11421-

510/ 11409-

Gumbel

117/ 1

3773/ 8014-

4357/ 8008-

Clayton

1368/ 0

4315/ 8251-

4899/ 8245-

منبع: یافته­های پژوهش

 

 4. 5. 3. مدل گارچ چند متغیره رهیافت همبستگی شرطی پویا با توزیع کاپولا (copula DCC-MGARCH) 

در این مرحله از مدل ترکیبی گارچ چند متغیره رهیافت همبستگی شرطی پویا با تابع کاپولا به‌منظور بررسی وجود همبستگی پویا بین بازدهی سهام شرکت‌های نمونه و مدل‌سازی پارامتری همبستگی‌های متغیر با زمان برای مجموعه سهام نمونه استفاده می‌شود. در جدول 7، برازش الگوی copula DCC-MGARCH با توزیع تی استیودنت (t) بر روی داده‌ سری‌های زمانی پژوهش ملاحظه می‌گردد. با توجه به نتایج جدول 7 و ضرایب برآوردی مربوط به مدل DCC-MGARCH ملاحظه می‌گردد که هر دو پارامتر DCC با مقادیر 023261/ 0 برای پارامترa  و 913287/ 0 برای پارامتر b به‌دست‌آمده مثبت و مجموعشان کمتر از یک است که نشان‌دهنده‌ی برقرار بودن شرایط DCC است. از طرفی با توجه به مقدار معنی‌داری (کمتر از 05/ 0) هر دو پارامتر تأیید می‌شوند. میانگین شرطی‌های  نیز همگی معنی‌دار بوده‌اند. در جدول زیر، پارامتر mu، بیانگر میانگین و omega، عرض از مبدأ در معادله واریانس می‌باشد. همچنین پارامترهای alpha1، beta1 و shape به ترتیب بیانگر ضرایب آرچ در معادله واریانس، ضرایب گارچ در معادله واریانس و تخمین درجه آزادی در توزیع شرطی t  می‌باشد.

جدول 7- ضرايب برآوردي copula DCC-MGARCH 

پارامترها

برآورد

انحراف استاندارد

آماره‌ی تی

مقدار معنی‌داری

]دامین[mu

001/ 0-

95/ 1E-07

95/ 5129-

0

[دامین[omega

00/ 2E-16

70/ 7E-07

88/ 2E-10

1

[دامین[alpha1

1

085086/ 0

75277/ 11

0

]دامین[beta1

458982/ 0

036035/ 0

73719/ 12

0

[دامین[shape

109096/ 3

117904/ 0

36965/ 26

0

[کساوه[mu

0015/ 0

51/ 3E-05

7368/ 42

0

[کساوه[omega

22/ 2E-16

79/ 2E-06

97/ 7E-11

1

[کساوه[alpha1

432375/ 0

031668/ 0

6534/ 13

0

]کساوه[beta1

566268/ 0

023686/ 0

90684/ 23

0

[کساوه[shape

294958/ 5

601596/ 0

80152/ 8

0

]خبهمن[mu

0004/ 0

63/ 1E-06

5783/ 245

0

]خبهمن[omega

22/ 2E-1

01/ 5E-07

43/ 4E-10

1

]خبهمن[alpha1

172403/ 0

015527/ 0

10316/ 11

0

]خبهمن[beta1

808409/ 0

019978/ 0

46574/ 40

0

]خبهمن[shape

422183/ 5

595238/ 0

109263/ 9

0

]دالبر[mu

001/ 0

06/ 3E-07

262/ 3273

0

]دالبر[omega

85/ 5E-14

14/ 6E-07

53/ 9E-08

1

]دالبر[alpha1

377694/ 0

020846/ 0

1186/ 18

0

]دالبر[beta1

604935/ 0

027047/ 0

36617/ 22

0

]دالبر[shape

427259/ 4

229283/ 0

30917/ 19

0

]پدرخش[mu

0002/ 0

13/ 2E-08

351/ 9370

0

[پدرخش[omega

22/ 2E-16

23/ 4E-07

25/ 5E-10

1

[پدرخش[alpha1

1

08243/ 0

1315/ 12

0

[پدرخش[beta1

395377/ 0

050054/ 0

89902/ 7

89/ 2E-15

[پدرخش[shape

969159/ 2

074313/ 0

95485/ 39

0

Joint[dcca1]

023261/ 0

008209/ 0

833601/ 2

004603/ 0

[Joint[dccb1

913287/ 0

059199/ 0

42734/ 15

0

Joint[dccg1]

91/ 9E-10

009243/ 0

07/ 1E-07

1

Joint[mshape]

10277/ 40

380675/ 3

86235/ 11

0

منبع: یافته­های پژوهش

از شکل‌های 1 و 2 (به‌طور نمونه)،  همبستگي شرطي پويا دوبه‌دو را براي شرکت‌ها در اختیار داریم.  هر يك از اين نمودارها، همبستگي شرطي در طول زمان را براي يك متغير در مقابل متغير دیگر نشان می‌دهد. از نحوه حركت اين نمودارها مي‌توانيم قضاوتي در خصوص ميزان تغييرات همبستگي شرطی بین متغیرها داشته باشیم. به‌طور مثال حدود تغییرات همبستگی شرطی در شکل 1 بین نماد پدرخش و افرا از 15/ 0- تا 35/ 0 می‌باشد که نشان از یک حرکت نوسانی نسبتاً شدید همبستگی در دوره‌های مختلف زمانی دارد.

img0 

شکل 1- همبستگی شرطی پویا بین نماد پدرخش و افرا

img0 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 2- همبستگی شرطی پویا بین نماد شیراز و فملی

 

 4. 5. 4. استخراج مقادیر ارزش در معرض ریسک                                                                                     

با توجه به اینکه مدل copula DCC-MGARCH با توزیع تی، عملکرد مناسبی نسبت به سایر الگوهای copula داشته است، در این مرحله مقادیر ارزش در معرض خطر را مبتنی بر رابطه شماره 5، از این مدل استخراج و استنباط می‌کنیم. این مقادیر پس از اعتبارسنجی و پس آزمایی جهت ارزیابی و تعیین وجود ارتباط یا عدم ارتباط با متغیر حباب موردبررسی قرار می‌گیرند. مقادیر ارزش در معرض ریسک به‌طور نمونه برای هفت روز ابتدایی در جدول 8، ارائه شده است.

 

جدول 8- مقادیر استخراج‌شده VaR از مدل t-copula DCC-MGARCH

نماد

مقادیر ارزش در معرض ریسک برای هفت روز اول

دامین

0241/ 0-

0168/ 0-

0118/ 0-

0087/ 0-

0065/ 0-

0051/ 0-

0042/ 0-

کساوه

0288/ 0-

0218/ 0-

0183/ 0-

0135/ 0-

0135/ 0-

0111/ 0-

0082/ 0-

خبهمن

0326/ 0-

0351/ 0-

0356/ 0-

0364/ 0-

0406/ 0-

0366/ 0-

0360/ 0-

دالبر

0258/ -0-

0199/ 0-

0433/ 0-

0335/ 0-

0258/ 0-

0199/ 0-

0152/ 0-

پدرخش

0328/ 0-

0205/ 0-

0841/ 0-

0528/ 0-

0331/ 0-

0207/ 0-

0416/ 0-

چفیبر

0385/ 0-

0259/ 0-

0176/ 0-

0121/ 0-

0085/ 0-

0063/ 0-

0049/ 0-

فولاد

0243/ 0-

0210/ 0-

0369/ 0-

0319/ 0-

0275/ 0

0406/ 0-

0452/ 0-

کفرا

0339/ 0-

0240/ 0-

0174/ 0-

0134/ 0-

0449/ 0-

0554/ 0-

0397/ 0-

ختوقا

0358/ 0-

0309/ 0-

0356/ 0-

0307/ 0-

0263/ 0-

0290/ 0-

0334/ -0-

شگل

0307/ 0-

0261/ 0-

0222/ 0-

0343/ 0-

0292/ 0-

0408/ 0-

0347/ 0-

حفاری

0402/ 0-

0329/ 0-

0267/ 0-

0218/ 0-

0701/ 0-

0610/ 0-

0550/ 0-

بکام

0348/ -0-

0309/ 0-

0305/ 0-

0285/ 0-

0263/ 0-

0233/ 0-

0370/ 0-

چکارن

0391/ 0-

1143/ 0-

0681/ 0-

0405/ 0-

0240/ 0-

0142/ 0-

0084/ 0-

فملی

0262/ 0-

0245/ 0-

0271/ 0-

0257/ 0-

0240/ 0-

0257/ --0-

0239/ 0-

شنفت

0315/ 0-

0200/ 0-

0127/ 0-

0080/ 0-

0060/ 0-

0123/ 0-

0078/ 0-

پسهند

0398/ 0-

0361/ 0-

0296/ 0-

0259/ 0-

0266/ 0-

0259/ 0-

0240/ 0-

خساپا

0361/ 0-

0303/ 0-

0253/ 0-

0623/ 0-

0826/ -0-

0836/ 0-

0709/ 0-

سخزر

0292/ 0-

0550/ 0-

0628/ 0-

0579/ 0-

0493/ -0-

0320/ 0-

0382/ 0-

ستران

0322/ 0-

0291/ 0-

0262/ 0-

0237/ 0-

0214/ 0-

0192/ 0-

0387/ 0-

بسویچ

0303/ 0-

0286/ 0-

0262/ 0-

0286/ 0-

0311/ 0-

0318/ -0-

0300/ 0-

پتایر

0363/ 0-

0221/ 0-

0134/ 0-

0081/ 0-

0049/ 0-

0029/ 0-

0017/ 0-

حتاید

0304/ 0-

0113/ 0-

0042/ -0-

0015/ 0-

0005/ 0-

0688/ 0-

0829/ 0-

بترانس

0337/ 0-

0307/ 0-

0428/ 0-

0502/ 0-

0438/ 0-

0482/ 0-

0442/ 0-

افرا

0439/ 0-

0386/ -0-

0340/ 0-

0299/ 0-

0263/ 0-

0231/ 0-

0203/ 0-

غپینو

0322/ 0-

0304/ 0-

0254/ 0-

0212/ 0-

0178/ 0-

0150/ 0-

0464/ 0-

رانفور

0109/ 0-

0199/ 0-

0231/ 0-

0245/ 0-

0252/ 0-

0252/ 0-

0187/ 0-

شیراز

0167/ 0-

0134/ 0-

0106/ 0-

0084/ 0-

0071/ 0-

0056/ 0-

0043/ 0-

فرآور

0381/ 0-

0303/ 0-

0450/ 0-

0460/ 0-

0385/ 0-

0462/ 0-

0424/ 0-

قنیشا

0332/ 0-

0300/ 0-

0272/ 0-

0246/ 0-

0223/ 0-

0246/ -0-

0228/ 0-

کروی

0336/ 0-

0293/ 0-

0402/ 0-

0351/ 0-

0300/ 0-

0258/ 0-

0219/ 0-

منبع: یافته­های پژوهش

 

4. 5. 5. پس آزمایی مدل

بعد از توسعه مدل و قبل از اینکه مورداستفاده قرار گیرد، باید اعتبار آن بررسی شود. یکی از مؤلفه‌های کلیدی اعتبار سنجی مدل، پس آزمایی آن است که شامل به‌کارگیری روش‌های کمی جهت تعیین مطابقت پیش‌بینی‌های مدل با مفروضاتی است که مدل براساس آن بنا شده است. در این پژوهش، به‌منظور پس آزمایی از دو روش آزمون کوپیک و کریستوفرسن استفاده شده است. همان‌طوری که در جدول 9 ملاحظه می‌گردد، مقادیر معنی‌داری برای هر دو آزمون کوپیک و کریستوفرسن بزرگ‌تر از 05/ 0 است، نتایج پس آزمایی الگوهای مختلف نشان داد که الگویcopula DCC-MGARCH  با توزیع تی در برآورد ارزش در معرض ریسک، نتایج قابل قبولی دارد و درست برآورد شده‌اند.

 

جدول 9- نتایج پس آزمایی الگوی copula DCC-MGARCH

نماد

کوپیک

کریستوفرسن

آماره

مقدار معنی‌داری

آماره

مقدار معنی‌داری

دامین

7778/ 2

095577/ 0

88638/ 5

052697/ 0

کساوه

2319/ 3

08116/ 0

518368/ 4

054134/ 0

خبهمن

06035/ 2

90289/0

06053/ 4

50274/0

دالبر

 1605/1

993247/ 0

29455/ 0

863057/ 0

پدرخش

1636/ 1

099834/ 0

88881/ 2

071589/ 0

چفیبر

69161/ 4

05197/ 0

306842/ 1

09529/ 0

فولاد

68014/ 3 

90184/0

09376/ 0

10161/0

کفرا

51103/ 4

050721/ 0

997146/ 4

060241/ 0

ختوقا

060642/ 0

805483/ 0

79401/ 0

672331/ 0

شگل

346339/ 0

556193/ 0

849148/ 0

654048/ 0

حفاری

17389/ 0

676677/ 0

786765/ 0

674771/ 0

بکام

26145/ 2

13263/ 0

72136/ 3

155567/ 0

چکارن

91976/ 1

19186/ 0

33161/ 5

05672/ 0

فملی

76254/ 2

10249/0

0064/ 2

70201/0

شنفت

3267/ 2

10141/0

07377/ 2

70112/0

پسهند

76254/ 2

90209/0

0064/ 5

50213/0

خساپا

068408/ 0

79367/ 0

497411/ 0

779809/ 0

سخزر

55836/ 0

70954/ 0

51684/ 0

68541/ 0

ستران

6295/ 4

05199/ 0

120812/ 5

053028/ 0

بسویچ

796436/ 1

180144/ 0

176969/ 4

123875/ 0

پتایر

796436/ 3

08103/ 0

563871/ 2

0712/ 0

حتاید

962419/ 3

056527/ 0

423504/ 4

109509/ 0

بترانس

16888/ 3

70209/0

72286/ 2

70232/0

افرا

865883/ 2

08786/ 0

593979/ 5

052438/ 0

غپینو

877059/ 1

170669/ 0

666698/ 2

263593/ 0

رانفور

041792/ 1

307405/ 0

822418/ 5

05441/ 0

شیراز

022485/ 2

154985/ 0

415825/ 2

29882/ 0

فرآور

1548/ 3

60253/0

05394/ 4

60245/0

قنیشا

427923/ 1

232104/ 0

0791/ 2

353614/ 0

کروی

68014/ 0

70259/0

12756/ 4

60292/0

                         منبع: یافته­های پژوهش

4. 5. 6. ارزیابی ارتباط بین متغیر حباب و ارزش در معرض خطر

درنهایت به‌منظور ارزیابی و پی بردن به ارتباط بین متغیر حباب و ارزش در معرض خطر، از آزمون‌های آماری بارتلت و من ویتنی استفاده شده است. با توجه به جدول 10، مقادیر معنی‌داری در آزمون بارتلت در سطح 05/ 0 همگی عدم ارتباط معنی‌دار بین حباب و ارزش در معرض ریسک را بیان می‌کنند (مقادیر کمتر از 05/ 0 هستند). در آزمون من ویتنی مقادیر معنی‌داری بزرگ‌تر از 05/ 0 هستند که نشان از عدم وجود تفاوت معنی‌دار بین حباب و ارزش در معرض ریسک است.

 

جدول 10- آزمون‌های معنی‌داری ارتباط حباب با ارزش در معرض ریسک

نماد

روزهای حباب

آزمون بارتلت (برابری واریانس‌ها)

آزمون من ویتنی (برابری میانگین)

آماره کای دو

مقدار معنی‌داری

آماره

مقدار معنی‌داری

دامین

1114

5225/ 4

03/ 0

1105522

09/ 0

کساوه

1200

6872/ 6

01/ 0

1103442

1/ 0

خبهمن

1280

7472/ 4

03/ 0

1024538

4/ 0

دالبر

1249

464/ 5

02/ 0

1030431

3/ 0

پدرخش

1241

4163/ 4

04/ 0

1087372

5/ 0

چفیبر

1251

8722/ 5

02/ 0

1077781

53/ 0

فولاد

1264

7231/ 6

01/ 0

1041179

16/ 0

کفرا

1296

7089/ 4

03/ 0

1054769

2/ 0

ختوقا

1324

4855/ 4

03/ 0

1094592

67/ 0

شگل

1259

2223/ 5

02/ 0

1106222

15/ 0

حفاری

1310

9061/ 3

04/ 0

1056144

36/ 0

بکام

1300

1095/ 4

03/ 0

1117737

07/ 0

چکارن

1248

5975/ 5

02/ 0

1099007

1/ 0

فملی

1391

4145/ 5

02/ 0

1088529

1/ 0

شنفت

1251

3424/ 4

03/ 0

1108734

08/ 0

پسهند

1291

4315/ 6

01/ 0

1068647

75/ 0

خساپا

1259

0328/ 6

02/ 0

1106829

06/ 0

سخزر

1170

0683/ 5

02/ 0

1054389

5/ 0

ستران

1270

9948/ 3

04/ 0

1103329

1/ 0

بسویچ

1245

2030/ 4

03/ 0

1108656

09/ 0

پتایر

1267

4344/ 6

01/ 0

1105611

09/ 0

حتاید

1285

9896/ 4

02/ 0

5/ 1043834

8/ 0

بترانس

1288

9846/ 3

04/ 0

1069671

79/ 0

افرا

1275

3578/ 4

03/ 0

1035824

3/ 0

غپینو

1265

32445/ 4

04/ 0

1103998

1/ 0

رانفور

1134

0324/ 5

02/ 0

1054426

3/ 0

شیراز

1170

6626/ 4

03/ 0

1101485

09/ 0

فرآور

1267

8225/ 6

01/ 0

1102360

09/ 0

قنیشا

1262

6940/ 7

008/ 0

1102772

09/ 0

کروی

1338

2075/ 5

02/ 0

1055479

32/ 0

                          منبع: یافته­های پژوهش

5- بحث و نتیجه گیری

اساساً موضوع سقوط قیمت سهام پدیده‌ای پیچیده، مبهم، چندوجهی و گسترده است که نمی‌توان با قطعیت آن را به عامل خاصی نسبت داد. براساس مبانی نظری، ریسک سقوط قیمت سهام تحت تأثیر طیفی از عوامل متعدد درونی و بیرونی نظیر متغیرهای مالی (ولی زاده و همکاران، 1401)، استراتژی‌های تجاری (حسن حبیب و مونزر، 2017)، توانایی مدیریتی (کیم و همکاران، 2016)، عدم تقارن اطلاعاتی (بنملچ، 2020)، متغیرهای کلان اقتصادی (محبوبی 1402؛ آکین کوتو، 2013)، ارتباطات سیاسی (ژین و همکاران، 2016)، احساسات سرمایه­گذاران (ژو، 2020) و ایفای مسئولیت‌های اجتماعی شرکت (دیمیتریس و زکریا، 2021) واقع می‌شود. بااین‌وجود در ادبیات حسابداری و مالی این پدیده به احتکار و انباشت اخبار منفی توسط مدیریت و انتشار و بروز یک‌باره توده اخبار منفی در قالب شوک‌های منفی به بازار و تغییر در باورهای سرمایه‌گذاران نسبت به ارزش ذاتی سهام و متعاقب آن تعدیل شدید قیمت‌ها و سقوط قیمت سهام نسبت داده شده است. ازآنجایی‌که اساساً انسداد اطلاعات نامطلوب و عدم تقارن اطلاعاتی ناشی از آن باعث ایجاد تفاوت بین ارزش ذاتی سهام و ارزش برآورد شده آن به‌وسیله سرمایه‌گذاران می‌شود و از مجرای قیمت‌گذاری نادرست سهام و شکل‌گیری حباب قیمتی، می‌تواند زمینه بروز تصمیم‌گیری‌های نامناسب اقتصادی توسط سرمایه‌گذاران و عدم تخصیص بهینه منابع در اقتصاد را فراهم آورد، ازاین‌رو بررسی ماهیت وابستگی بین پدیده سقوط قیمت سهام و همسویی آن با حباب‌های قیمتی مبتنی بر ساختار قیمت‌گذاری منطقی سهام به‌واسطه تأثیری که بر تصمیمات مرتبط با سرمایه‌گذاری و درک روابط بین ساختار قیمت‌گذاری در شرایط شکل‌گیری حباب قیمتی و احتمال سقوط قیمت‌ها به‌منظور پرهیز از سرمایه‌گذاری احساسی و تشکیل پرتفوی بهینه جهت به حداقل رساندن ریسک سرمایه‌گذاری ایجاد می‌کند، به‌عنوان یک سؤال تجربی حائز اهمیت است. در این راستا در پژوهش اخیر ابتدا با تخمین مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای، متغیر حباب برآورد و استخراج گردید. سپس با روش‌شناسی مناسب و با توجه به اینکه در شرایط تلاطم بازار و تحت سرایت‌پذیری، توزیع بازده دارایی‌ها در دنباله‌های پهن ظاهر می‌گردند، از رویکرد ترکیبی مدل گارچ چند متغیره با توزیع کاپولا به مدل‌سازی ساختار همبستگی و نوسانات بازده سهام شرکت‌های نمونه به‌منظور برآورد مقادیر ارزش در معرض خطر به‌عنوان سنجه سقوط قیمت سهام پرداخته شد. در ادامه، نتایج دو آزمون معتبر بارتلت و من ویتنی نشان داد که ارتباط معناداری بین حباب‌های قیمتی مبتنی بر ساختار قیمت‌گذاری دارایی‌های سرمایه‌ای با مقادیر ارزش در معرض خطر وجود ندارد. به‌عبارت‌دیگر در کشور ما شرایط سقوط قیمت سهام هم‌راستا با حباب‌های قیمتی شکل‌گرفته مبتنی بر قیمت‌گذاری منطقی سهام نمی‌باشد. این نتایج نشان می­دهد که در شرایط محیطی کشور ما مدل‌های مالی استاندارد که همواره در آن سرمایه‌گذاران غیراحساسی قیمت‌های بازار را وادار به برابر کردن با مطلوبیت مورد انتظار خود می­کنند، نمی‌توانند بینش کاملی نسبت به ناهنجاری‌های قیمت‌گذاری دارایی‌ها در شرایط سقوط و حباب­های قیمتی ارائه دهند. با نتایج پژوهش اخیر مشخص گردید که مدل رفتار سرمایه‌گذاران در شرایط محیطی کشور ما با مدل‌های مالی کلاسیک (‏که احساسات انسانی را مستثنی می‌کند)‏، همخوانی ندارد و بیشتر به الگوهای مالی رفتاری که مبتنی بر تورش­ها رفتاری سرمایه‌گذاران و القاء احساسات و هیجانات که به‌عنوان باورهای نادرست در مورد جریان‌های نقدی و ریسک‌های آینده تعریف می‌شود و به‌طور قابل‌توجهی بر قیمت دارایی‌ها تأثیر می‌گذارد و متعاقب آن باعث خروج بازار از تعادل می‌باشد، نزدیک‌تر می‌باشد. به‌طور مشابه شکورنیا و همکاران (1402)، نشان دادند که سویه­های رفتاری سرمایه‌گذاران به‌ویژه گرایش­های احساسی و رفتار توده‌وار با برهم زدن ثبات و عقلانیت در بازار و ایجاد نوسانات غیرعادی و کاهش کارایی بازار، موجب کاهش عقلانیت تصمیم‌گیری سرمایه‌گذاران گردیده که نتیجه آن منجر به افزایش سقوط قیمت سهام در بازار شده است. به‌عنوان‌مثال در سال 1399 بدون اینکه رویداد اقتصادی خاصی در کشور رخ دهد و درست در اوج شرایط کرونا و تداوم رکود اقتصادی حاکم بر کشور، شاهد هجوم بی‌سابقه سرمایه‌گذاران به بازار سرمایه و اوج شکل‌گیری تصمیم‌گیری‌های مبتنی بر احساسات و رفتار توده‌وار سرمایه‌گذاران بودیم. به‌طور مشابه، در یکی دو سال اخیر و با توجه به شرایط فوق تورمی که در کشور حاکم هست، کماکان شاهد سقوط پی‌درپی قیمت‌ها در بازار سرمایه در هفته­های متوالی بوده‌ایم به‌نحوی‌که برخی از سهام شرکت‌ها بدون هیچ دلیل بنیادی و منطق اقتصادی و درحالی‌که حباب‌های قیمتی کاملاً تخلیه‌شده‌اند، با قیمتی به‌مراتب پایین‌تر از ارزش ذاتی معامله می‌شوند. تجربیات دوران فرازوفرود بازار سرمایه (به‌ویژه تجربه تاریخی سال 1399 و سال‌های بعدازآن) بیانگر تورش­های رفتاری سرمایه‌گذاران و نگرش احساسی جهت ورود و خروج به بازار می‌باشد که متأسفانه در هر دو وضعیت باعث خروج بازار از حالت تعادل شده اند. علاوه بر نتایج تجربی پژوهش اخیر، مجموع شواهد و تجربیات محیطی هم در شرایط سقوط قیمت‌ها و هم در شرایط حبابی شدن قیمت‌ها، بیانگر غالب بودن فضای هیجانی و گرایش و تبعیت بازار سرمایه به حاکم بودن الگوهای مالی رفتاری به‌جای الگوهای قیمت‌گذاری منطقی می‌باشد. درمجموع شواهد اخیر، مفهوم کارایی بازار را نقض کرده و تأثیر تعصبات روانی بر رفتار سرمایه‌گذاران و قیمت دارایی‌ها را به رسمیت شناخته ‌است. ​نتایج این پژوهش همسو با پژوهش فنگ و همکاران (2022) و پردومو استراوچ (2020) می‌باشد. آن‌ها نشان دادند که واکنش قیمت‌های بازار به تغییرات در نرخ تنزیل و فرضیه کارایی بازار هم‌راستا نمی‌باشند.

 

پیشنهادهای پژوهش و محدودیت­ها

 مبتنی بر یافته‌های پژوهش پیشنهاد می‌گردد که ضمن توجه به برخی نظریه‌های رفتاری کلیدی، برای تکمیل مدل‌های مالی موجود و پیش‌بینی بهتر بازده دارایی‌ها در بازار سرمایه، الگوهای قیمت‌گذاری دارایی‌های سرمایه‌ای رفتاری مورد اهتمام ویژه قرار گیرد. به همین خاطر است که در ادبیات مالی رفتاری، پاردایم قیمت‌گذاری دارایی‌های رفتاری درحال‌توسعه است و در آینده و به‌ویژه در شرایطی که نااطمینانی اقتصادی غالب باشد، شاهد جایگزینی مدل‌های قیمت‌گذاری دارایی‌های رفتاری با مدل‌های قیمت‌گذاری دارایی‌های سرمایه ای خواهیم بود. این مدل‌ها با تبیین چگونگی تأثیر احساسات و ترجیحات روانشناسی افراد بر شیوه تصمیم‌گیری آن‌ها شرایط بهتری به‌منظور اتخاذ تصمیمات مرتبط با سرمایه‌گذاری، قیمت‌های بازار و بازده سهام ایجاد می‌کنند و به نظر می‌رسد که با شرایط محیطی کشور ما همخوانی بیشتری داشته باشند. ضمن توجه به مدل‌های رفتاری، به‌طور مشابه پیشنهاد می‌گردد که به‌واسطه عدم برخورداری از دانش پایه بخش گسترده‌ای از سرمایه‌گذاران و همچنین عدم رعایت اصول اولیه سرمایه‌گذاری در بازار پیچیده‌ای مانند بازار سرمایه ایران که بعضاً تحت تأثیر نااطمینانی سیاست‌های کلان اقتصادی و دخالت­های مستقیم دولت واقع می‌شود، کماکان توصیه اساسی به‌منظور صیانت از منافع سرمایه‌گذاران نه به‌عنوان یک گزینه بلکه به‌عنوان یک ضرورت، تشویق و هدایت به سرمایه‌گذاری غیرمستقیم در بازار سرمایه و افزایش فعالیت فعالان آگاه در بازار به‌منظور بهره‌گیری از خدمات مشاوره تخصصی آن‌ها جهت نقطه ورود و خروج مناسب به بازار می‌باشد تا از این طریق آثار هیجانات و تصمیمات احساسی تا حدودی کنترل گردد. بر این اساس به پژوهشگران آتی پیشنهاد می‌گردد که در پژوهش‌های مشابه، مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای رفتاری را جایگزین و مورد آزمون قرار دهند. همچنین به‌منظور سنجش و پیش‌بینی ریسک سقوط قیمت سهام، از ابزارهای جدید مبتنی بر فناوری اطلاعات مانند هوش مصنوعی و رویکرد داده کاوی که از دقت و قدرت تبیین بالاتری برخوردار هستند، استفاده گردد. درنهایت، با عنایت به اینکه دامنه پژوهش مبتنی بر ایجاب روش‌شناسی پژوهش، محدود به بررسی شرکت‌های نمونه می‌باشد، لذا پیشنهاد می‌گردد که در تعمیم نتایج پژوهش به سایر شرکت‌ها احتیاط لازم به عمل آید.

 

فهرست منابع

1)       امینی فرد، عباس، ابراهیم زارع و مهرزاد ابراهیمی، (1399)، "قیمت‌گذاری دارایی مالی با استفاده از ریسک حباب قیمتی"، راهبرد مدیریت مالی، 8 (30)، صص 201-232.

2)       امیری، شادی، مسعود همایونی­فر، مصطفی کریم­زاده و محمدعلی فلاحی، (1394)، "بررسی همبستگی پویا بین دارایی‌های عمده در ایران با استفاده از روش DCC-GARCH"، پژوهش‌های اقتصادی، 2 (15)، صص 183-201.

3)       باباجانی، جعفر، محمدتقی تقوی فرد و امین غزالی، (1397)، "ارائه چارچوبی جهت سنجش و پیش‌بینی ریسک سیستمی با رویکرد ارزش در معرض خطر شرطی"، دانش مالی تحلیل اوراق بهادار، 11 (39)، صص 15-36.

4)       بادآورنهندی، یونس، هیوا خجسته و غفور شریف‌زاده، (1397)، "نقش تعدیل­گری ارزش‌گذاری نادرست سهام بر رابطه بین عدم تقارن اطلاعاتی و ساختار سرمایه"، پژوهش‌های حسابداری مالی و حسابرسی، 10 (37)، صص 53-83.

5)       شکورنیا، روژین، محسن دستگیر و افسانه سروش یار، (1402)، "بررسی تأثیر گرایش مای احساسی و رفتار توده‌وار سهامداران بر ریسک سقوط قیمت سهام"، پیشرفت­های مالی و سرمایه‌گذاری، 4 (3)، صص 131-152.

6)       راسخی، سعید، میلاد شهراز و زهرا میلا علمی، (1395)، "تعیین دوره­های حباب قیمتی: یک مطالعه موردی برای بازار بورس اوراق بهادار تهران"، اقتصاد مقداری، 13 (3)، صص 25-55.

7)       طاهری، ماندانا و نفیسه حدادی، (1401)، "تأثیر جریان مای نقد آزاد بر ریسک سقوط قیمت سهام با تأکید بر نقش تعدیلی هموارسازی سود در شرکت‌های عضو بورس اوراق بهادار تهران"، چشم انداز مدیریت مالی، 12 (40)، صص 29-48.

8)       طباطبایی، سیده زهرا، سیدعباس هاشمی و هادی امیری، (1399)، "تأثیر افشای ریسک و انواع آن بر ریسک سقوط قیمت سهام"، پیشرفت­های حسابداری، 12 (2)، صص 133-171.

9)       فخاری، حسین و مهراب نصیری، (1399)، "تأثیر عملکرد شرکت بر ریسک سقوط آتی قیمت سهام"، راهبرد مدیریت مالی، 8 (30)، صص 43-62.

10)       محبوبی، هادی، مرجان دامن کشیده، هوشنگ مومنی وصالیان و شهریار نصابیان، (1402)، "تأثیر شاخص­های کالن اقتصادی بر نوسانات بازده سهام"، پژوهش‌های حسابداری مالی و حسابرسی، 15 (3)، صص 199-218.

11)       موسوی، میرحسین، حسین راغفر و منصوره محسنی، (1395)، "برآورد ارزش در معرض خطر سبد سهام با استفاده از روش گارچ کاپولای شرطی"، پژوهش‌های اقتصادی ایران، 18 (54)، صص 119-152.

12)       مومنی یانسری، ابوالفضل، (1402)، "وضعیت مالی و ریسک سقوط آتی قیمت سهام؛ اهمیت کیفیت کنترل داخلی شرکت‌ها"، پژوهش‌های حسابداری مالی و حسابرسی، 15 (4)، صص 157-174.

13)       ولی زاده، فرزانه، امیر محمدزاده، محسن صیقلی و محسن ترابیان، (1401)، "طراحی مدلی برای پیش‌بینی ریسک سقوط قیمت سهام در بورس اوراق بهادار تهران"، راهبرد مدیریت مالی، 10 (38)، صص 161-186.

 

14)       Akinkuotu, O. K. (2013), “Comparative Impact of Fiscal and Monetary Shocks on Stock Market Performance in Nigeria, a Post Field Report Presented at the African Economic Research Consortium (AERC)”, Bi-Annual Conference in Nairobi, Kenya.

15)       Andreou, P.C., Antoniou, C., Horton, J. and Louca, C. (2016), “Corporate Governance and Firm-Specific Stock Price Crashes”, European Financial Management, 22 (5), pp. 916-956. https:/ / doi.org/ 10.1111/ eufm.12084.

16)       Avery, C. and Zemsky, P. (1998), “Multidimensional Uncertainty and Herd Behavior in Financial Markets”, American Economicreview, 88(4), pp.724-748.http:/ / nrs. Harvard. Edu/ urn-3:HUL. Instrepos: 41426687.

17)       Barro, R. ang Ursua, J. (2017), “Stock-Market Crashes and Depressions”, Research in Economics, 71(3), pp.384-398. https:/ / doi. org/ 10.1016/ j.rie.2017.04.001.

18)       Benmelech, E., Kandel, E. and Veronesi, P. (2010), “Stock-Based Compensation and CEOdis Incentives”, The Quarterly Journal of Economics, 125(4), pp. 1769–1820.https:/ / doi. org/ 10.1162/ qjec.2010.125.4.1769.

19)       Blanchard, O. and Watson, M. (1982), “Bubbles, Rational Expectations and Financial Markets, In P. Wachtel”, Crises in the Economic and Financial Structure, pp. 295–316, LexingtonBooks.http:/ / www.nber.org/ papers/ w0945.

20)       Boqiang, L., & Nan, W. (2023), “Climate Risk Disclosure and Stock Price Crash Risk: The Case of China”, International Review of Economics & Finance,83(C), pp. 21–34. https:/ / doi.org/ 10.1016/ j.iref.2022.08.007.

21)       Chauhan, Y., Kumar, S. and Pathak, R. (2020), “Stock Liquidity and Stock Prices Crash-Risk: Evidence from India”, The North American Journal of Economics and Finance, 41, pp.70–81.https:/ / doi. org/ 10.1016/ j. najef. 2017.04.003.

22)       Chen, J., Hong, H. and Stein, J. (2001), “Forecasting crashes: Trading Volume, Past Returns, and Conditional Skewness in Stock Prices”, Journal of Financial Economics, 61(3), pp. 345–81.https:/ / doi.org/ 10.1016/ S0304-405X(01)00066-6.

23)       Chen, J., Hong, H. and Stein, J. (2001), “Forecasting Crashes: Trading Volume, Past Returns, and Conditional Skewness in Stock Prices”, Journal of Financial Economics, 61 (3), pp. 345-381.https:/ / doi.org/ 10.1016/ S0304-405X(01)00066-6.

24)       Dumitrescu, A. and Zakriya, M. (2021), “Stakeholders and the Stock Price Crash Risk: What Matters in Corporate Social Performance”?, Journal of Corporate Finance,67(101871), pp. 48. https:/ / doi.org/ 10.1016/ j.jcorpfin.2020.101871.

25)       Fang, Y., Yuan, J., Yang, J. J. and Ying, S. (2022), “Crash-Based Quantitative Trading Strategies: Perspective of Behavioral Finance”, Finance Research Letters, pp. 45, https:/ / doi. org/ 10.1016/ j.frl.2021.102185.

26)       Jarrow, R. (2018), “An Equilibrium Capital Asset Pricing Model in Markets with Price Jumps and Price Bubbles”, Quarterly journal of finance,8(2), pp. 185-200. https:/ / doi.org/  10.1142/ S2010139218500052. 

27)       Jin, H., Gong, M., Lin, Y. and Fang, Q. (2016), “Political Connections and Stock Price Crash risk: Evidence from China”, Economics Letters, 147 (C), pp. 90-99. https:/ / doi.org/   10.1016/ j.econlet.2016.08.024.

28)       Habib Hasan, A. and Monzur, M. (2017), “Business Stertegy, Overvalued Equities and Stock Price Crash Risk”, Research in International Business and Finance, 39 (A), pp. 389-405. http:/ / doi.org/ 10.1016/ j.ribaf. 2016. 09.011.

29)       Harper, J., Johnson, G. and Sun, L. (2020), “Stock Price Crash Risk and CEO Power: Firm-level analysis”, Research in International Business and Finance, 51 (C), http:/ / doi.org/ 10. 1016/ j.ribaf.2019. 101094.

30)       Hong, H. and J. Stein. (2003), “Differences of Opinion, Short-Sales Constraints, and Marketcrashes”, The Review of Financial Studies, 16 (2), pp. 487–525.https:/ / doi. org/ 10.1093/ rfs/ hhg006.

31)       Hu, J., Li, S., Taboada, A. G. and Zhang, F. (2020), “Corporate Board Reforms Around the World and Stock Price Crash Risk”, Journal of Corporate Finance, 62(C), .https:/ / doi. org/ 10.1016/ j.jcorpfin.2020.101557.

32)       Hutton, A. P., Marcus, A. J. and Tehranian, H. (2009), “Opaque Financial Reports, R2, and Crash Risk”, Journal of Financial Economics, 94(1), PP. 67–86. https:/ / doi. org/ 10.1016/ j. jfineco.2008.10.003.

33)       Kim, J.B., Wang, Z. and Zhang, L. (2016), “CEO Overconfidence and Stock Price Crash Risk”, Contemporary Account Research, 33(4), pp. 1720–1749. https:/ / doi.org/ 10.1111/ 1911-3846.12217.

34)       Kothari,s.p., shu,s. and wysocki,p.d. (2009), “Do Managers with Hold Bad News”?, Journal of Accounting Research, 47(1), pp. 241-276. https:/ / doi. org/ 10.1111/ j.1475-679X. 2008. 00318.x.

35)       Lang,W. and Yiling, Z. (2023), “Nonfinancial Indicators in Identifying Stock Price Crash Risk”,  Finance Research Letters, 52(C), https:/ / doi.org/ 10.1016/ j.frl.2022.103513.

36)       Ni, X. and Zhu, W., (2020), “Short-Sales and Stock Price Crash Risk: Evidence from an Emerging Market”, Economics Letters, 144 (C), pp. 22–24. https:/ / doi.org/  10.1016/ j.econlet. 2016.04.029.

37)       Ouzan, S. (2020), “Loss Aversion and Market Crashes”. Economic Modelling. 92(C), pp. 70-86. https:/ / doi.org/ 10.1016/ j.econmod.2020.06.015.

38)       Perdomo Strauch, A. A. (2020), “Bubbles and Crashes: A Laboratory Experiment”, The Journal of Economic Asymmetries, 21(C), pp. 100-134. https:/ / doi.org/  10.1016/ j. jeca.2019. e00134.

39)       Robin, A. and Zhang, H. (2015), “Do Industry-Specialist Auditors Influence Stock Price Crash Risk”?, Auditing: A Journal of Practice & Theory, 34(3), pp. 47-79.https:/ / doi.org/ 10. 2308/ ajpt-50950.

40)       Sheu, H.J and Chien, L. C. (2012), “Systemic Risk in Taiwan Stock Market”, Journal of Business Economics and Management, 13(5), pp. 895–914. doi:10.3846/ 16111699.2011.620168.

41)       Trapp, M. and Claudio ,W. (2013), “Transatlantic Systemic Risk”, Journal of Banking & Finance, 37 (11), pp. 4241-4255. 10.1016/ j.jbankfin.2013.07.024.

42)       Xing, D.Z., Li, H.F., Li, J.C. and Long, C. (2021), “Forecasting Price of Financial Market Crash Via a New Nonlinear Potential GARCH model”, Physica A: Statistical Mechanics and Its Applications, 566(C), https:/ / doi. org/ 10.1016/ j. physa.2020.125649.

43)       Xu, L., Rao, Y., Cheng, Y. and Wang, J. (2020), “Internal Coalition and Stock Price Crash Risk”, Journal of Corporate Finance, 64(C). https:/ / doi.org/ 10.1016/ j.jcorpfin.2020.101640.

44)       Zhou, W., Zhong, G.Y., Leng, N., Li, J.C. and Xiong, D.P. (2019), “Dynamic Behaviors and Measurements of Financial Market Crash rate”, Physica A: Statistical Mechanics and Its Applications, 121427. https:/ / doi:10.1016/ j. physa.2019.121427.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Modeling The Dependency Of Stock Price Carsh With Approach On The Conditional Copula -Garch Function And Its Relationship With The Rational Stock Pricing Structure

 

Abstract

The current research has been done with the aim of modeling the dependence of stock price carsh with emphasis on the conditional Copula-Garch function and its relationship with price bubbles based on the rational stock pricing structure in the Iranian capital market. In order to investigate and analyze the research questions, the data related to 30 companies admitted to the Tehran Stock Exchange for the period of 2010 to 2021 were extracted and used to test the research questions. In this research, first, the variable of price bubbles was estimated and extracted by estimating of the capital assets pricing models.Then, in order to model the correlation structure and stock return fluctuations of the sample companies, the multivariate GARCH model of dynamic conditional correlation approach with copula distribution was used. In the following, using the modeling output, the value at risk was calculated as a criterion for assessing the fall in stock prices. The results of the research showed that there is no significant relationship between stock price falls and bubbles based on the rational stock pricing structure. In other words, in the environmental conditions of our country, the condition of falling stock prices in line with the formed price bubbles is not based on rational stock pricing.

Keywords: Stock Price Crash, Price Bubbles, Capital Asset Pricing Model, Copula Function.

 

[1]  Sheu & Cheng

[2]  Ouzan

[3]  HabibHasan &Monzur

[4]  Kim et al

[5]  Benmelech

[6]  Akinkuotu

[7]   Jin et al

[8]   Xu et al

[9]   Dumitrescu & Zakriya  

[10]  Ni & Zhu

[11]  Zhou

[12]  Hong & Stein

[13]  Avery & Zemsky

[14]  Boqiang  & Nan

[15]  Kothari

[16]  Chauhan et al

[17]  Harper

[18]  Hu et al

[19]  Perdomo Strauch

[20]  Jarrow

[21]  Hutton et al

[22]  Zhou et al

[23]  Xing et al

[24]  Akaike Information Criterion

[25]  Trapp & Claudio

[26]  Boudt et al

[27]  ARCH

[28]  Mean Absolute Error

[29]  Root Mean Square Error

[30]  Bubble


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024

Home| Login| About Us| Contact Us|
[فارسی] [العربية] [fa] [ar]