طراحی الگوی قیمتگذاری داراییهای مالی برای پیش‌بینی بازده سهام با رویکرد تحلیل تماتیک و معادلات ساختاری
محورهای موضوعی : مهندسی مالی
محمد جواد باقری
1
,
سید فرزاد هاشمی
2
*
,
محسن شاه‌حسینی
3
,
محسن هاشمی‌گهر
4
1 - دانشجوی دکتری، گروه مدیریت مالی، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار،گروه مدیریت مالی، واحد شهرقدس، دانشگاه آزاد اسلامی ،تهران، ایران
3 - استادیار،گروه ریاضی، واحد شهرقدس، دانشگاه آزاد اسلامی ،تهران، ایران
4 - استادیار، گروه حسابداری، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: قیمتگذاری داراییهای مالی, پیش‌بینی بازده سهام, مدلهای کلاسیک مالی,
چکیده مقاله :
پیش‌بینی بازده سهام یکی از چالش‌های اساسی در حوزه مدیریت مالی و سرمایه‌گذاری است و مدل قیمت گذاری دارایی های سرمایه ای رابطه بین ریسک سیستماتیک و بازده مورد انتظار دارایی‌ها، به‌ویژه سهام را توصیف می‌کند و به‌طور گسترده در تمام منابع مالی به‌منظور ارزش‌گذاری اوراق بهادار ریسک‌پذیر و محاسبه بازده مورد انتظار دارایی‌ها با توجه به ریسک آنها استفاده می‌شود. به همين منظور در این پژوهش، با استفاده از روش تحلیل تماتیک، عوامل مؤثر بر قیمتگذاری داراییهای مالی شناسایی و یک الگوی مناسب برای پیش‌بینی بازده سهام ارائه می‌شود. پژوهش حاضر از نظر گردآوری داده‌ها جزء پژوهش‌های با رویکرد اکتشافی، توصیفی و از نظر هدف در زمره پژوهش‌های بنیادی قرار می‌گیرد. جامعه آماری در بخش کیفی شامل خبرگان به تعداد 15 نفر و در بخش کمي شامل 30 نفر از مديران فعال شرکت‌های بورس اوراق بهادار ميباشد، در این پژوهش در بخش کیفی متون علمی، گزارش‌های مالی و داده‌های بورس مورد بررسی قرار گرفته و مفاهیم کلیدی همچون ریسک سیستماتیک، عوامل کلان اقتصادی، احساسات بازار، و مدلهای قیمتگذاری کلاسیک استخراج شده است. سپس، با طبقه‌بندی این عوامل در قالب تم‌های اصلی، یک چارچوب مفهومی برای مدل‌سازی قیمتگذاری دارایی‌ها تدوین شده است و براساس نرم افزارPLS3 به بررسی میزان تاثیرگذاری به بررسی پرداخته اند. نتایج این پژوهش نشان می‌دهد که پیش‌بینی بازده سهام تحت تأثیر عوامل کلیدی شامل بازار سهام، متغیرهای اقتصادی،کیفیت حسابرسی،شاخص‌های مالی و راهبری شرکتی قرار دارد. نوسانات قیمت، نقدشوندگی، نرخ بهره، تورم، مدیریت سود و ساختار مالی شرکت از جمله عواملی هستند که بر ارزش‌گذاری داراییهای مالی و تصمیمات سرمایه‌گذاران تأثیر می‌گذارند. همچنین، شفافیت گزارشگری مالی و حاکمیت شرکتی قوی موجب کاهش ریسک و افزایش اطمینان در بازار سرمایه می‌شود.این پژوهش می‌تواند به سرمایه‌گذاران، مدیران مالی و سیاست‌گذاران اقتصادی در اتخاذ تصمیمات آگاهانه‌تر در بازارهای مالی کمک کند.
Predicting stock returns is one of the fundamental challenges in the field of financial management and investment, and the asset pricing model describes the relationship between systematic risk and expected return on assets, especially stocks, and is widely used in all financial sources to value risky securities and calculate the expected return on assets according to their risk. For this purpose, in this study, using thematic analysis method, the factors affecting the pricing of financial assets are identified and a suitable model for predicting stock returns is presented. The present study is classified as an exploratory, descriptive research in terms of data collection and as a fundamental research in terms of purpose. The statistical population in the qualitative section includes 15 experts and in the quantitative section includes 30 active managers of listed companies. In this qualitative section, scientific literature, financial reports, and stock exchange data were examined and key concepts such as systematic risk, macroeconomic factors, market sentiment, and classical pricing models were extracted. Then, by classifying these factors into main themes, a conceptual framework for asset pricing modeling was developed and the effectiveness was examined based on PLS3 software. The results of this study show that stock return prediction is influenced by key factors including the stock market, economic variables, audit quality, financial ratios, and corporate governance. Price fluctuations, liquidity, interest rates, inflation, earnings management, and the company's financial structure are among the factors that affect the valuation of financial assets and investor decisions. Also, transparency of financial reporting and strong corporate governance reduce risk and increase confidence in the capital market. This research can help investors, financial managers, and economic policymakers make more informed decisions in financial markets.
ابزری، مهدی؛ صمدی، سعید؛ و صفری، علی. (1400). نقش گروه‌هاي مرجع در ترغيب افراد به سرمايه‌گذاري در بورس اوراق بهادار (مطالعه موردي: بورس اوراق بهادار اصفهان). فصلنامه علمی پژوهشی بررسی‌های حسابداری و حسابرسی، دوره 14، شماره 48: 22-3. https://dor.isc.ac/dor/20.1001.1.26458020.1386.14.2.1.4
آقابیگی، مهدی؛ اعتمادی، علی؛ و خدادادی، اختیار، (1402)، بررسی مقایسه ای مدل قیمتگذاری داراییهای سرمایهای، مدل سه عاملی و پنج عاملی فاما و فرنچ با استفاده از روش فاما-مکبث (۱۹۷۳) در بورس تهران، دومین کنفرانس ملی تحولات نوین در مطالعات مالی، اقتصادی و حسابداری، مراغه، ص105-116. https://civilica.com/doc/2116376
شیرمردی، سیده نرجس؛ صامتی، مجید؛ و شریفی¬رنانی حسین. (1402)، نقش شوک‌های نااطمینانی مالی، مدل پنج عاملی فاما_ فرنچ و مومنتوم در بازار سرمایه و تأثیرات آن بر بازده سهام، پژوهش های حسابداری مالی و حسابرسی، دوره 16، شماره 61، صفحه 1-50 . https://doi.org/10.30495/faar.2024.709442
علی‌محمدپور، علی؛ ذبیحی، علی؛ و فغانی‌ماکرانی، خسرو. (1401). تأثیر مدیریت بهره‌وری سرمایه بر مدلهای قیمتگذاری داراییهای سرمایهای با تأکید بر چرخه عمر. فصلنامه علمی پژوهشی مدیریت بهره‌وری، دوره 14، شماره 1: 194-171. https://doi.org/10.30495/qjopm.2020.671975
فتحی، زاد‌اله؛ امیر‌حسینی، زهرا؛ و احمدی‌نیا، حامد. (1401). مروری بر مدلهای قیمتگذاری داراییهای سرمایهای با نگرش بر مدلهای اقتصادی نوین مبتنی بر آن. مجله اقتصادی، دوره 12، شماره 8 و 7 : 46-27. http://ejip.ir/article-1-469-fa.html
فتحی، سعید؛ توکلی، فریده؛ و استاد، ایمان. (1399). فراتحلیلی بر مدل قیمتگذاری داراییهای سرمایهای. فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، دوره 9، شماره 36: 97-83. http://www.jik-ifea.ir/article_16811.html
مشهدی، انیسه؛ دموری، داریوش؛ و انصاری سامانی، حبیب، (1403)، قیمت گذاری درماندگی مالی شرکت بر مبنای مدل فاما و فرنچ در شرکت های پذیرفته شده در بورس اوراق بهادار تهران.ص117-126. https://civilica.com/doc/2017527
نادری‌بنی، رحمت‌الله؛ عرب‌صالحی، مهدی؛ و کاظمی، ایرج. (1398). آزمون ناهنجاری‌های حسابداری مدل سه عاملی فاما و فرنچ در سطح شرکت با استفاده از رویکرد بیز سلسه مراتبی و شبیه‌سازی مونت‌کارلو زنجیر مارکوفی. فصلنامه علمی پژوهشی پژوهش‌های حسابداری مالی، دوره 11، شماره 3: 117-97. https://doi.org/10.22108/far.2019.117062.1465
هادیان، ریجانه؛ هاشمی، سیدعباس؛ و صمدی، سعید. (1402). ارزیابی تأثیر عامل محدودیت مالی بر توان تبیین بازده سهام توسط مدلهای سه عاملی فاما و فرنچ، چهار عاملی کارهارت و پنج عاملی فاما و فرنچ. فصلنامه حسابداری مالی، دوره 9، شماره 34: 34-1. http://qfaj.mobarakeh.iau.ir/article-1-1112-fa.html
يحیی‌زاده‌فر، محمود. و خرمدین، جواد. (1401). نقش عوامل نقدشوندگی و ریسک عدم‌نقدشوندگی بر مازاد بازده سهام در بورس اوراق بهادار تهران. فصلنامه علمی پژوهشی بررسی‌های حسابداری و حسابرسی، دوره 15، شماره 53: 118-101. https://dor.isc.ac/dor/20.1001.1.26458020.1387.15.4.7.1
Adegboye, A., Bello, A., Tahir, M. D., & Abdullahi, S. A. (2022). CAPITAL ASSET PRICING MODEL: REVISITING THE SIZE PREMIUM HYPOTHESIS. Global Journal of Accounting and Economy Research, 4(2), 139-167. http://dx.doi.org/10.47509/GJAER.2023.v04i02.03
Amin, M. S., Ayon, E. H., Ghosh, B. P., Chowdhury, M. S., Bhuiyan, M. S., Jewel, R. M., & Linkon, A. A. (2024). Harmonizing macro-financial factors and Twitter sentiment analysis in forecasting stock market trends. Journal of Computer Science and Technology Studies, 6(1), 58-67. https://doi.org/10.32996/jcsts.2024.6.1.7
Bali, T. G., Chabi-Yo, F., & Murray, S. (2022). A factor model for stock returns based on option prices. Available at SSRN 3487947. https://dx.doi.org/10.2139/ssrn.3487947
Chen, X., & Gao, N. R. W. (2020). Revisiting Fama–French’s asset pricing model with an MCB volatility risk factor. The Journal of Risk Finance, 21(3), 233-251. https://dx.doi.org/10.2139/ssrn.3487947
Clarke, A. (2024). A Review of Fama-French Three-Factor Model in Portfolio Management and Asset Pricing. Business, Marketing, and Finance Open, 1(4), 1-13. https://dx.doi.org/10.2139/ssrn.3487947
Coale, J. M., & Anistratov, D. Y. (2024). A Variable Eddington Factor Model for Thermal Radiative Transfer with Closure Based on Data-Driven Shape Function. Journal of Computational and Theoretical Transport, 53(2), 153-172. https://doi.org/10.1080/23324309.2024.2327992
Dai, Z., Li, T., & Yang, M. (2022). Forecasting stock return volatility: the role of shrinkage approaches in a data‐rich environment. Journal of Forecasting, 41(5), 980-996. https://doi.org/10.1002/for.2841
Dash, S. R. (2016). Does investor sentiment as conditioning information help to explain stock returns behaviour? A test of alternative asset pricing models. Review of Behavioral Finance, 8(2), 174-198. http://dx.doi.org/10.1108/RBF-03-2014-0022
Dezhkam, A., & Manzuri, M. T. (2023). Forecasting stock market for an efficient portfolio by combining XGBoost and Hilbert–Huang transform. Engineering Applications of Artificial Intelligence, 118, 105626. http://dx.doi.org/10.1016/j.engappai.2022.105626
Dhaoui, A., & Bourouis, S. (2022). The Asymmetric Response of Equity Markets to Sentiment Risk: A New Asset Pricing Model. In Financial Market Dynamics after COVID 19: The Contagion Effect of the Pandemic in Finance (pp. 37-55). Cham: Springer International Publishing. http://dx.doi.org/10.1007/978-3-030-98542-4_4
Diane, L., & Brijlal, P. (2024). Forecasting stock market realized volatility using random forest and artificial neural network in South Africa. International Journal of Economics and Financial Issues, 14(2), 5-14. https://doi.org/10.1016/j.engappai.2022.105626
Fabozzi, F. J., Huang, D., Jiang, F., & Wang, J. (2024). What difference do new factor models make in portfolio allocation?. Journal of International Money and Finance, 140, 102997. https://doi.org/10.1016/j.jimonfin.2023.102997
Gao, R., Zhang, X., Zhang, H., Zhao, Q., & Wang, Y. (2022). Forecasting the overnight return direction of stock market index combining global market indices: A multiple-branch deep learning approach. Expert Systems with Applications, 194, 116506. https://doi.org/10.1016/j.eswa.2022.116506
Ji, Y., Liew, A. W. C., & Yang, L. (2021). A novel improved particle swarm optimization with long-short term memory hybrid model for stock indices forecast. Ieee Access, 9, 23660-23671. http://dx.doi.org/10.1109/ACCESS.2021.3056713
Tehrani, R., Souri, A., Zohrabi, A., & Sadeghi Sharif, S. J. (2023). Provide an improved factor pricing model using neural networks and the gray wolf optimization algorithm. Advances in Mathematical Finance and Applications, 8(1), 23-45. https://doi.org/10.22034/amfa.2022.1942547.1641
Wang, Y., & Lera, S. C. (2024). Meta-Learning for Return Prediction in Shifting Market Regimes. Available at SSRN 5022829. https://dx.doi.org/10.2139/ssrn.5022829
Ye, J., Goswami, B., Gu, J., Uddin, A., & Wang, G. (2024). From Factor Models to Deep Learning: Machine Learning in Reshaping Empirical Asset Pricing. arXiv preprint arXiv:2403.06779. https://doi.org/10.48550/arXiv.2403.06779
Yilmaz, F. M., & Yildiztepe, E. (2024). Statistical evaluation of deep learning models for stock return forecasting. Computational Economics, 63(1), 221-244. http://dx.doi.org/10.1007/s10614-022-10338-3
Zhang, T., & Lence, S. H. (2022). Liquidity and asset pricing: Evidence from the Chinese stock markets. The North American Journal of Economics and Finance, 59, 101557. https://doi.org/10.1016/j.najef.2021.101557
Zhao, Y., Lin, S., & Kong, A. (2022). Categorical Factors for Asset Pricing. Available at SSRN 4941835. https://dx.doi.org/10.2139/ssrn.2676709
Zhu, R. (2024). Research on Stock Price Multi-Factor Prediction Model Based on Bayesian Model Averaging. Highlights in Business, Economics and Management, 33, 211-218. http://dx.doi.org/10.54097/s0amgb53