مدل پیش بینی بازده بر پایه گشتاورها و چندک های توزیع بازده سهام

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه حسابداری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 گرو ه حسابداری، واحدرودهن، دانشگا ه آزاد اسلامی، رودهن، ایران.

10.30495/jik.0621.23474

چکیده

در پژوهش حاضر مدل پیش بینی بازده سهام بر پایه گشتاورهای مرتبه بالا و چندک های توزیع بازده ارائه و مورد آزمون قرار گرفته است. برای این منظور چندک های مرتبه 1، 5، 10، 20، 30، 40، 50، 60، 70، 80، 90، 95 و 99 درصد داده های قیمت 30 شرکت برتر بورس اوراق بهادار تهران در سه ماهه چهارم سال 1398 و طی دوره 8 ساله محاسبه گردید. برازش مدل های رگرسیونی به روش گشتاورهای تعمیم یافته و به تفکیک هریک از چندک های مورد مطالعه انجام پذیرفت. به منظور تعیین دقت روش های پیش بینی معیار ضریب تعیین تجربی پیش بینی داده ها و آزمون معناداری آنها استفاده شد و نتایج نشان داد که تمامی مدل های مبتنی بر چندک بازده، قابلیت پیش بینی بازده سهام را دارند و در این میان، چندک 70 درصد داده ها بیشترین توان پیش بینی را داشته است.

کلیدواژه‌ها

عنوان مقاله [English]

Moment-based efficiency prediction model and distribution quartiles of stock efficiency

نویسندگان [English]

  • GholamReza Zeinali 1
  • narges yazdanian 2
1 Accounting Department, Research and Science Branch, Islamic Azad University, Tehran, Iran.
2 Accounting Department, Roodehen Branch, Islamic Azad University, Roodehen, Iran.
چکیده [English]

The model of stock return prediction based on higher order moments and distribution quartiles of returns have been presented and tested in the current research. For this purpose, the quartiles 1, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 95 and 99% were calculated for price data in 30 superior enterprises listed in Tehran Security and Exchange (TSE) within the first quarter in 2019 and during 8-year period. The regression models were fitted using Generalized Moment Method (GMM) for each of studied quartiles separately. To determine precision of prediction methods, the empirical R-squared coefficient and their significance test was used and the findings indicated that all models based on quartiles of returns distribution could predict stock return and among them the quartile 70% had the maximum potential for prediction.

کلیدواژه‌ها [English]

  • Return prediction
  • Return moment
  • Distribution quartile

مراجع

اسدی، غلامحسین؛ کاظمی، کاظم (1397). بررسی رابطه ریسک سقوط قیمت سهام با استفاده از معیار چولگی منفی بازده سهام و سیاست تقسیم سود در شرکت های پذیرفته شده در بورس اوراق بهادار تهران. چشم انداز مدیریت مالی، 8(2 (پیاپی 22) )، 9-28.
بقال پور، سوما (1395). بررسی قابلیت پیش بینی حد بالا و پایین قیمت سهام با استفاده از مدل های سری زمانی مبتنی بر حافظه کوتاه مدت و بلندمدت در بورس اوراق بهادار تهران، کارشناسی ارشد، دانشگاه سمنان، دانشکده مدیریت و حسابداری.
حسینی کاسگری، سیدهادی؛ حسینی یکانی، سیدعلی؛ عابدی، سمانه (1396). گزینش پرتفوی بهینه سهام شرکت های صنایع غذایی در بورس اوراق بهادار تهران با استفاده از روش پیش بینی ترکیبی: کاربرد الگوی میانگین- واریانس- چولگی. اقتصاد کشاورزی (اقتصاد و کشاورزی)، 11(4 )، 81-105.
حقیقت، محمد (1395). بررسی تأثیر گشتاورهای مرتبه بالا بر بازده آتی سهام با استفاده از مدل فاما - مکبث (مورد مطالعه: بورس اوراق بهادار تهران)، کارشناسی ارشد، دانشگاه علامه طباطبائی، دانشکده مدیریت و حسابداری.
رنجبرناوی، رستم؛ حمیدیان، محسن؛ باغانی، علی (1399). مدل بندی و تعیین اولویت های موثر بر معیارهای چولگی منفی بازده سهام و سیگمای حداکثری خطر سقوط قیمت سهام در بورس اوراق بهادار تهران با رویکرد داده های تابلویی. دانش سرمایه گذاری، 9(34 )، 417-438.
فریدونی، ندا (1392). پیش‌بینی نرخ بازده سهام از طریق متغیر حجم معاملات در بورس اوراق بهادار، کارشناسی ارشد، دانشگاه الزهرا (س)، دانشکده علوم اجتماعی و اقتصادی.
مقامی، ریحانه (1395). تحلیل رابطه ریسک ویژه و بازده سهام با رگرسیون چندک، کارشناسی ارشد، دانشگاه الزهرا (س)، دانشکده علوم اجتماعی.
مقیمی کندلوس، پیام (1391). مدل‌های پایدار GARCH و کاربرد آنها در مدلسازی بازده سهام، کارشناسی ارشد، دانشگاه علم و فرهنگ تهران، دانشکده مهندسی.
منصور، سروش (1394). بررسی تاثیر هم‌چولگی و هم‌کشیدگی در توصیف بازده سهام، کارشناسی ارشد، دانشگاه خاتم، دانشکده فنی و مهندسی.
موسوی سراسیا، زهرا (1395). پیش بینی نوسانات شاخص قیمت و بازده با استفاده از مدل‌های گارچ، کارشناسی ارشد، دانشگاه بین‌المللی امام رضا علیه‌السلام، دانشکده ادبیات و علوم انسانی.
یزدانیان، نرگس؛ حاجی اکبری، علی (1398). بررسی تاثیر نوسانات نرخ ارز بر سطوح چولگی و کشیدگی بازده پرتفوی سهام شرکت های پذیرفته شده در بورس اوراق بهادار تهران. چشم انداز مدیریت مالی، 9(1 (پیاپی 25) )، 121-146.
Ang, A., Hodrick, R.J., Xing, Y., Zhang, X., (2006). The Cross-Section of Volatility and Expected Returns, Journal of Finance 61, 259-299.
Barberis, N., Huang, M., (2008). Stocks as Lotteries: The Implications of Probability Weighting for Security Prices, American Economic Review 98, 2066.2100.
Bollerslev, T., Tauchen, G., & Zhou, H. (2009). Expected stock returns and variance risk premia. Review of Financial Studies, 22, 4463–4492.
Boyer, B., Mitton, T., Vorkink, K., (2010). Expected Idiosyncratic Skewness, Review of Financial Studies 23, 169-202.
Brunnermeier, M., Gollier , C., Parker, J., (2007). Optimal Beliefs, Asset Prices and the Reference for Skewed Returns, American Economic Review 97, 159-165.
Cochrane, J. H. (2008). The dog that did not bark: A defense of return predictability. Review of Financial Studies, 21, 1533–1575.
Doryab B., Salehi M., (2018). "Modeling and forecasting abnormal stock returns using the nonlinear Gray Bernoulli model", Journal of Economics, Finance and Administrative Science, Vol. 23 Issue: 44, pp.95-112
Ferreira, M. A., & Santa-Clara, P. (2011). Forecasting stock market returns: The sum of the parts is more than the whole. Journal of Financial Economics, 100, 514–537.
Gebka B., Wohar M. E., (2019). Stock return distribute on and predictability: Evidence from over a century of daily data on the DJIA index, International Review of Economics and Finance 60: 1–25.
Golez, B., & Koudijs, P. (2014). Four centuries of return predictability. NBER working paper 20814. National Bureau of Economic Research, Inc.
Golez, B., & Koudijs, P. (2014). Four centuries of return predictability. NBER working paper 20814. National Bureau of Economic Research, Inc.
Guidolin, M., Hyde, S., McMillan, D., & Ono, S. (2014). Does the macroeconomy predict UK asset returns in a nonlinear fashion? Comprehensive out-of-sample evidence. Oxford Bulletin of Economics & Statistics, 76, 510–535.
Hansen, P. R., & Timmermann, A. (2012). Choice of sample split in out-of-sample forecast evaluation, Economics Working Papers ECO2012/10. European University Institute.
Jordan, S. J., Vivian, A., & Wohar, M. E. (2016). Can commodity returns forecast Canadian sector stock returns? International Review of Economics & Finance, 41, 172–188.
Kambouroudis, D. S., & McMillan, D. G. (2015). Is there an ideal in-sample length for forecasting volatility? Journal of International Financial Markets, Institutions and Money, 37, 114–137.
Kelly, B., & Jiang, H. (2014). Tail risk and asset prices. Review of Financial Studies, 27, 2841–2871.
Kelly, B., (2011). Tail Risk and Asset Prices, Chicago Booth Research Paper No. 11-17.
Kongsilp W., Mateus C., (2017). "Volatility risk and stock return predictability on global financial crises", China Finance Review International, Vol. 7 Issue: 1, pp.33-66
Kraus, A., Litzenberger, R., (1976). Skewness Preference and the Valuation of Risk Assets, Journal of Finance 31, 1085-1100.
Li J., (2021). Research on Market Stock Index Prediction Based on Network Security and Deep Learning, Security and Communication Networks, vol. 2021, Article ID 5522375, 8 pages, 2021. https://doi.org/10.1155/2021/5522375
Marquering, W., & Verbeek, M. (2004). The economic value of predicting stock index returns and volatility. Journal of Financial and Quantitative Analysis, 39, 407–429.
Mitton, T., Vorkink, K., (2007). Equilibrium Underdiversi.cation and the Preference for Skewness, Review of Financial Studies 20, 1255-1288.
Oueslati A., Hammami Y., (2018). "Forecasting stock returns in Saudi Arabia and Malaysia", Review of Accounting and Finance, Vol. 17 Issue: 2, pp.259-279
Pan W. T. (2010) "Performing stock price prediction use of hybrid model", Chinese Management Studies, Vol. 4 Issue: 1, pp.77-86
Rapach, D. E., & Zhou, G. (2013). Forecasting stock returns. In G. Elliott, & A. Timmermann (Eds.), Handbook of economic forecasting, 2A pp. 328–383(Amsterdam): Elsevier.
Rehman, Z., Vilkov, G. (2010). Risk-Neutral Skewness: Return Predictability and Its Sources, Working Paper, BlackRock and Goethe University.
Shen J., Shafiq M.O. (2020). Short-term stock market price trend prediction using a comprehensive deep learning system. J Big Data 7, 66 (2020). https://doi.org/10.1186/s40537-020-00333-6
Simlai P., (2014). "Firm characteristics, distress risk and average stock returns", Accounting Research Journal, Vol. 27 Issue: 2, pp.101-123
Tariq Aziz, V., Ansari A., (2017). "Value-at-risk and stock returns: evidence from India", International Journal of Emerging Markets, Vol. 12 Issue: 2, pp.384-399,
Turner, J. A. (2015). Casting doubt on the predictability of stock returns in real time: Bayesian model averaging using realistic priors. Review of Finance, 19, 785–821.
Welch, I., & Goyal, A. (2008). A comprehensive look at the empirical performance of equity premium prediction. Review of Financial Studies, 21, 1455–1508.
Xing, Y., Zhang, X., Zhao, R. (2010). What Does Individual Option Volatility Smirks Tell Us about Future Equity Returns?, Journal of Financial and Quantitative Analysis 45, 641-662.
Zhang, Y., (2006). Individual Skewness and the Cross-Section of Average Stock Returns, Working Paper.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار