ارزیابی بازده سهام با بهره گیری از تلفیق الگوی چندعاملی قیمت‌گذاری دارایی‌های سرمایه‌ای و تابع جریمه(پنالتی) در بازار بورس اوراق بهادار تهران و مقایسه ان با الگوی ینج عاملی فاما و فرنچ

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

علی اکبر فرزین فر ¹

1 - استادیار گروه حسابداری، واحد کاشان ، دانشگاه آزاد اسلامی، کاشان، ایران

تاریخ دریافت : 1400/12/07 تاریخ پذیرش : 1401/06/09 تاریخ انتشار : 1401/12/01

کلید واژه: الگوی پنج عاملی فاما و فرنج, قیمت گذاری دارایی سرمایه‌ای, تابع جریمه, الگوی تلفیقی تابع جریمه و چندع, ارزیابی بازده سهام,

چکیده مقاله :

یکی از دغدغه های اصلی سرمایه گذاران، ارزیابی بازده سرمایه گذاری است که با استفاده از الگوهای مختلف مانند الگوی تک عاملی CAPM، سه و پنج عاملی فاما و فرنچ، و شش عاملی روی و شیجین و غیره که به الگوهای چندعاملی معروفند انجام می شود. به رغم استفاده گسترده از الگوهای مزبور، اشکالات اساسی آن ها شامل حساسیت به تغییرات غیرمترقبه، شوک های ناگهانی، تلاطم های شدید حباب قیمتی و غیره است. برای رفع آن ها، الگوی چندعاملی بر پایه استفاده از روش تابع پنالتی (جریمه) برآورد گردیده که به جای استفاده از شیوه میانگین گیری، بر اساس بهینه سازی و اجتناب از تاثیر تغییرات غیرمتعارف و سایر عوامل موثر در بازار سرمایه، عمل می کند. برای ارزیابی بازده سهام می توان از گزینش عوامل موثر و مدل سازی و ارائه الگوی متناسب با شرایط حاکم بر بازار سرمایه ایران استفاده نمود. در این مقاله، با تشکیل سبد (پرتفوی) های سرمایه گذاری و شناسایی عوامل موثر و پالایش آن، دسته بندی و برآورد الگوی تلفیقی تابع جریمه و چندعاملی (P & PCA) بر پایه داده های عملکردی در بازه زمانی انجام شد. نتایج این تحقیق نشان داد که استفاده از الگوریتم شبیه سازی گسترده تابع جریمه به شیوه تخمین(P & PCA) کارایی روش های چندعاملی را در ارزیابی بازده سهام بهبود می بخشد و استفاده از الگوریتم تلفیق تابع جریمه و چند عاملی نسبت به الگوی 5عاملی فاما وفرنچ در دوره زمانی موردبررسی از دقت وقدرت توضیح دهندگی بالاتری در برآورد بازده سهام برخوردار است.

چکیده انگلیسی:

evaluating the return on investment is one of the main concerns of investors, which is conducted using different models including the single-factor model CAPM, three and five factors Fama and French, and six factors Roy and Shijin, etc. known as multifactorial models. In spite of the widespread use of the models, their main disadvantages include sensitivity to unexpected changes, sudden shocks, severe turbulence of price bubble, and so on. To solve the disadvantages, a multi-factor model is estimated based on the use of the penalty function method, instead of using the average method, which would act based on optimization and avoiding the impact of unusual changes and other factors affecting the capital market. It is possible to select effective factors and model to evaluate stock returns and present a model appropriate to the conditions prevailing in the Iranian capital market. In this article, the classification and estimation of the integrated model of penalty and multi-factor (P & PCA) was performed by forming investment portfolios and identifying the effective factors and refining it based on performance data over a period of time. The study results showed that the use of an extensive simulation algorithm for penalty function by estimation method (P & PCA) improves the efficiency of multifactorial methods in evaluating stock returns. The use of the finite and multi-factor combination algorithm has higher accuracy and explanatory power during the review period in estimating stock returns than the 5-factor Fama and French model.

منابع و مأخذ:

• آلاله نرگس، تمیمی محمد، نعمت­پور دزفولی علی محمد، (1392). "تبیین تغییرات بازده در سه مدل FFPM, TFPM, CAPM در بورس اوراق بهادار تهران." 115-128.‎


• ابراهیمی، محمد و سعیدی، علی (1389) تأثیر متغیرهای حسابداری و ویژگی­های شرکت بر قیمت سهام شرکت­های پذیرفته شده در بورس اوراق بهادار تهران، بررسی­های حسابداری و حسابرسی، دوره 17، شماره 62، صص 1تا 16


• اعلمی فر و همکاران (1399) توسعه مدل های قیمت گذاری فاما و فرنچ با استفاده از عامل بنیادی مبتنی بر ویژگی های حسابداری


• عیوض لو و همکاران (1399) مدل قیمت گذاری چند عاملی در بازار سرمایه ایران


• کاشانی­پور، محمد، صالح نژاد، حسن، رضایی، اصعد و یوسفی منش، داود (1392) بررسی تاثیر تغییر میزان حد نوسان قیمت سهام بر بازده سهام و حجم معاملات شرکت­های پذیرفته شده در بورس اوراق بهادار تهران، مجله دانش حسابداری، سال چهارم، ش 12، ص 155 تا 174.


• مروتی شریف­آبادی، علی و گلشن مریم، ۱۳۹۲، پیش­بینی بازده سهام با استفاده از شبکه­های عصبی مصنوعی و رگرسیون چند متغیره (مطالعه موردی: شرکت­های پذیرفته شده در بورس اوراق بهادار تهران)،دومین کنفرانس ملی حسابداری، مدیریت مالی و سرمایه­گذاری، گرگان، انجمن علمی و حرفه ای مدیران و حسابداران گلستان.


• مشایخی، ب و پناهی داوود، 1386، "بررسی رابطه بین بازده سهام و نسبت­های مالی به تفکیک شرکت­های هموار ساز و غیر هموار ساز سود"، تحقیقات مالی، دوره 9، شماره 24.


• مکیان، نظام الدین، موسوی، فاطمه­السادات، (1391) پیش­بینی قیمت سهام شرکت فرآورده­های نفتی پارس با استفاده از شبکه­های عصبی و روش رگرسیونی، مدلسازی اقتصادی، دوره 6، شماره 18، صص 105-121.


• منجمی، امیرحسین، ابزری، مهدی و رعیتی علیرضا (1393)، پیش­بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم­های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی، فصلنامه اقتصاد مقداری، دوره 6،شماره 3، پاییز 1388،صفحات 26 -1.


• مهرآرا، اسداله؛ زهرا عطف و زهرا عسگری، ۱۳۹۱، تکنیک­های داده­کاوی در پیش­بینی قیمت سهام بورس اوراق بهادار،کنفرانس ملی حسابداری، مدیریت مالی و سرمایه گذاری، گرگان، دانشگاه جامع علمی کاربردی استان گلستان.


• Acharya, V.V., Pedersen, L.H. (2005), Asset Pricing with Liquidity Risk. Journal of Financial Economics, 77 (2), 375–410.


• Adler, M., Dumas, B. (1983), International Portfolio Choices and Corporation Finance: A Synthesis. The Journal of Finance, 38(3), 925-984.


• Ando, T., & Bai, J. (2014). Asset pricing with a general multifactor structure. Journal of Financial Econometrics, 13(3), 556-604.


• Bai, J., Ng, S., 2002. Determining the number of factors in approximate factor models. Econometrica 70, 191–221.


• Bai, J., 2009. Panel data models with interactive fixed effects. Econometrica 77, 1229–1279.


• Barberies, N. C. Thaler R.H. (2003). A Survey OF Behavioral Finance, In G.M.


• Bawa, V., Lindenberg, E. (1977), Capital Market Equilibrium in a mean, Lower Partial Moment Framework. Journal of Financial Economics, 5(2), 189-200.


• Benartzi, S., Thaler, R.H. (2001), Naive Diversification Strategies in Defined Contribution Savings Plan. American Economic Review, 91(1), 79-98.


• Black, F. (1972), Capital Market Equilibrium with Restricted Borrowing. Journal of Business, 45(3), 444-54.


• Black, F., Scholes M. (1973), the Pricing of Options and Corporate Liabilities. Journal of Political Economy, 81 (May–June), 637–654.


• Breeden, D. T. (1979), An Intertemporal Asset Pricing Model with Stochastic Consumption and Investment Opportunities. Journal of Financial Economics, 7 (3), 265-96.


• Brock, W. A. (1979), Asset Prices in a Production Economy. Social Science Working Paper 275, California Institute of Technology.


• Campbell, J. Y. (1996). Understanding risk and return. Journal of Political Economy, 104(2), 298e345. https://doi.org/10.1086/262026.


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


• Cheng, X., Liao, Z., Schorfheide, F., 2016. Shrinkage estimation of high-dimensional factor models with structural instabilities. The Review of Economic Studies, forthcoming


• Chiah, M., Chai, D., Zhong, A., & Li, S. (2016). A better model? An empirical investigation of the Fama-French five-factor model in Australia. International Review of Finance, 16(4), 595e638. https://doi.org/10.1111/ 12099.


• Chou, R. Y., Yen, T. J., & Yen, Y. M. (2017). Risk evaluations with robust approximate factor models. Journal of Banking & Finance, 82, 244-264.


• Cochrane, J. H. (1991), Production-Based Asset Pricing and the Link between Stock Returns and Economic Fluctuations. The Journal of Finance, 46(1), 209-37.


• Daniel, K. D., Hirshleifer, D., Subrahmanyam, A. (1998), Investor Psychology and Security Market Under- and Overreactions. Journal of Finance, 53(6), 1839-1885.


• De Bondt, W. F. M., Thaler, R. (1985), Does the Stock Market Overreact? The Journal of Finance, 40(3), 793-805.


• R. R. (1999), Nonlinear Pricing Kernels, Kurtosis Preference, and Evidence from the CrossSection of Equity Returns. Working Paper, University of North Carolina at Chapel Hill.


• Fama, F., French, K.R. (1988), Permanent and Temporary Components of Stock Prices. The Journal of Political Economy, 96(2), 246-273.


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


• Fama, E. F., French, K. R. (1993), Common Risk Factors in the Returns on Stocks and Bonds. Journal of Financial Economics, 33(1), 3-56.


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


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


• Fama, E. F., & French, K. R. (2015b). Incremental variables and the investment opportunity set. Journal of Financial Economics, 117(3), 470e488. https://doi.org/10.1016/j.jfineco.2015.05.001.


• Fang, H., Lai, T. (1997), Co-Kurtosis and Capital Asset Pricing. The Financial Review, 32(2), 293307.


• Francis, B. (2009). Low-Dimensional Geometry: From Euclidean Surfaces to Hyperbolic Knots. AMS Bookstore.


• Harlow, W.V., Rao, R. K. S. (1989), Asset Pricing in a Generalized Mean-Lower Partial Moment Framework: Theory and Evidence. Journal of Financial and Quantitative Analysis, 24(3), 285311.


• Hogan, W., Warren, J. (1974), Toward the Development of an Equilibrium Capital Market Model Based on Semivariance. Journal of Financial and Quantitative Analysis, 9(1), 1-11.


• Jagannathan, R., Wang, Z. (1996), The Conditional CAPM and the Cross-Section of Expected Returns. Journal of Finance, 51(1), 3-53.


• Jegadeesh, N. and Titman, S. (1993). ‘‘Returns to buying winners and selling losers: implications for stock market efficiency’’, Journal of Finance, Vol. 48, pp. 65-91.


• Keller, C., Kunzel, P., Souto, M. (2007), Measuring Sovereign Risk in Turkey: An Application of the Contingent Claims Approach. IMF Working Paper, WP/07/233, International Monetary Fund.


• Kim, D., Kim, T. S., & Min, B. K. (2011). Future labor income growth and the cross-section of equity returns. Journal of Banking & Finance, 35(1), 67e81. https://doi.org/10.1016/j.jbankfin.2010.07.014.


• Kraus, A., Litzenberger, R.H. (1976), Skewness preference and the valuation of risk assets. Journal of Finance, 31(4), 1085-1100.


• Kubota, K., & Takehara, H. (2018). Does the Fama and French five-factor model work well in Japan? International Review of Finance, 18(1), 137e146. https://doi.org/10.1111/irfi.12126.


• Kuehn, L.-A., Simutin, M., & Wang, J. J. (2017). A labor capital asset pricing model. The Journal of Finance, 72(5), 2131e2178. https://doi.org/10. 1111/jofi.12504.


• Khoo, H. (2011). Dynamic Penalty Function Approach for Ramp Metering With Equity Constraints. Journal of King Saud University - Science, 273–279.


• Lin, C. (2013). A Rough Penalty Genetic Algorithm for Constrained Optimization. Information Sciences, 119–137.


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


• Lucas, R. (1978), Asset Prices in an Exchange Economy. Econometrica, 46(6), 1429-1445.


• Markowitz, H. M. (1952), Portfolio Selection. Journal of Finance, 7(1), 77-91.


• Markowitz, Harry. (1959). Portfolio Selection: Efficient Diversification of Investments. Cowles Foundation Monograph No. 16. New York: John Wiley & Sons, Inc


• Mayers, D. (1972), Nonmarketable Assets and Capital Market Equilibrium under Uncertainty. Studies in the Theory of Capital Markets (edited by Michael C. Jensen), 223-48. Praeger Publishers, N.Y. (Cited in Jagannathan, R. and Z. Wang. (1996))


• Mehra, R., Prescott, E.C. (1985), the Equity Premium: A Puzzle. Journal of Monetary Economics, 15(2), 145-161.


• Merton, R. C. (1973), An Intertemporal Capital Assets Pricing Model. Econometrica, 41(5), 867-87.


• Mossin, J. (1966), Equilibrium in a Capital Asset Market. Econometrica, 34(4), 768-83.


• Ng, L. (2009), Tests of the CAPM with Time-Varying Covariances: A Multivariate GARCH Approach. The Journal of Finance, 46(4), 1507-1521.


• Racicot, F.-E., & Rentz, W. F. (2017). Testing FamaeFrench’s new five-factor asset pricing model: Evidence from robust instruments. Applied Economics Letters, 23(6), 1e5. https://doi.org/10.1080/13504851.2015.1080798.


• Ross, S.A. (1976). The arbitrage theory of capital asset pricing, Journal of Economic Theory, Vol. 13, PP 341-360.


• Roy, R., & Shijin, S. (2018). Dissecting anomalies and dynamic human capital: The global evidence. Borsa Istanbul Review, 18(1), 1e32. https://doi. org/10.1016/j.bir.2017.08.005.


• Rubinstein, M. E. (1973), the Fundamental Theorem of Parameter-Preference Security Valuation. Journal of Financial and Quantitative Analysis, 8(1), 61-69.


• Saunders, E. M. (1993), Stock Prices and Wall Street Weather. American Economic Review, 83(5), 1337-1345.


• Sharpe, W.F. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. Journal of Finance, Vol. 19:3, PP 425-442.


• Shiller, R. J. (1998), Human Behavior and the Efficiency of the Financial System. John B. Taylor and Michael Woodford, Editors, Handbook ofMacroeconomics. www.nber.org, no: 6375.


• Shiller, R. J. (2003), From Efficient Market Theory to Behavioral Finance. The Journal of Economic Perspectives, 17(1), 83-104.


• Solnik, B. H. (1974), an Equilibrium Model of the International Capital Market. Journal of Economic Theory, 8(4), 500-24.


• Stock, J.H., Watson, M.W., 2002. Forecasting using principal components from a large number of predictors. Journal of the American Statistical Association 97, 1167–1179.


• Statman, M. (2002), Lottery Players/Stock Traders. Financial Analysts Journal, 58(1), 14-21.


• Tversky, A., Kahneman, D. (1974), Judgement under Uncertainity: Heuristics and Biases. Science, 185(4157), 1124-1131.