بررسی تطبیقی ترکیب مومنتوم دوگانه قیمت و بنیادی در شرکت هایی با سطوح متفاوت بنیادی برای استراتژی برندگان و بازندگان بازار سرمایه
Publish place: Journal of Financial Accounting Research، Vol: 14، Issue: 1
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 128
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FAR-14-1_004
تاریخ نمایه سازی: 13 دی 1401
Abstract:
رویکردهای پیش بینی قیمت سهام، یکی از مباحث حائز اهمیت نزد سرمایه گذاران است. مومنتوم قیمت نشان می دهد عملکرد گذشته قیمت سهام، عملکرد آتی را برای دوره های آتی ۳ تا ۱۲ ماه پیش بینی می کند؛ ولی مومنتوم بنیادی یک رویکرد نوین است که دوجانبه گراست و به صورت دوطرفه مومنتوم قیمت و مومنتوم بنیادی را تحلیل می کند؛ بنابراین، ادبیات مالی را به کنکاش وا می دارد که آیا اثر استراتژی مومنتوم را تقویت و تشدید می کند. بر اساس این، پژوهش حاضر به بررسی تطبیقی ترکیب مومنتوم دوگانه قیمت و بنیادی در شرکت هایی با سطوح متفاوت بنیادی برای استراتژی برندگان و بازندگان بازار سرمایه پرداخته است. مطالعه حاضر از نوع کاربردی با رویکرد همبستگی است. جامعه آماری شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. داده ها از ۲۱۰ شرکت برای دوره زمانی ۱۳۸۶ تا ۱۳۹۸ جمع آوری و به روش داده های ترکیبی، مقطعی و سری زمانی در قالب رگرسیون فاما و مکبث تحلیل شدند. نتایج نشان دادند اثر مومنتوم دوگانه قیمت و بنیادی به عنوان یک استراتژی دوگانه، نسبت به مومنتوم قیمت برای بازندگان نسبت به برندگان قوی تر است و بازار سرمایه را تقویت می کند. به عنوان توصیه سیاسی، ترکیب مومنتوم دوگانه قیمت و بنیادی می تواند بین محرکان بازده های گذشته تمایز ایجاد کند.
Keywords:
Authors
صدیقه مظاهری
دانشجوی دکتری حسابداری ،گروه حسابداری ،واحد نجف آباد،دانشگاه آزاداسلامی ،نجف آباد،ایران
خدیجه ابراهیمی کهریز سنگی
استادیارحسابداری،گروه حسابداری، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
آرزو آقایی چادگانی
استادیارحسابداری،گروه حسابداری، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :