مقایسه قدرت توضیح دهندگی مدل های خطی در پیش بینی بازده مورد انتظار سهام

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 54

This Paper With 38 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JAA-13-2_001

تاریخ نمایه سازی: 24 بهمن 1402

Abstract:

یکی از مباحث چالش برانگیز در حوزه مالی و حسابداری ایجاد تعادل بین بازده و ریسک می باشد. بنابراین، شناسایی روندهای حرکتی بازده سهام جهت پیش بینی آن در آینده برای بازار حائز اهمیت است. اگرچه تمرکز بیش تر پژوهش ها در زمینه تغییرات بازده سهام مبتنی بر بکارگیری مدل های خطی بوده است اما شواهد اندکی در رابطه با این موضوع وجود دارد که نوسان بازدهی سهام ممکن است از الگوهای غیرخطی نیز پیروی نماید. به همین جهت، در این راستا، اطلاعات مربوط به ۱۰۲ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های ۱۳۸۸ تا ۱۳۹۸ مورد تجزیه و تحلیل قرار گرفته است. نتایج مربوط به برآورد مدل های غیرخطی نشان داد که مدل های خود توضیحی آستانه ای نسبت به مدل های انتقال هموار لجستیک از ضرایب بالاتر برخودار هستند. همچنین با استفاده از آزمون همسانی مقایسه میانگین ها، نتایج بیانگر این بوده است که مدل غیرخطی خود توضیحی آستانه ای مبتنی بر حجم معاملات (TARVOL) کم ترین خطای استاندارد میانگین را داشته است که این نتیجه بیانگر دقت بیش تر این مدل در تبیین بازده سهام می باشد. نتایج آزمون مدل کارهارت نشان می دهد که ضریب متغیر عامل بازار ۱.۲ و از لحاظ آماری معنادار است. به بیان دیگر به ازای یک واحد تغییر در عامل بازار، بازده اضافی سهام به میزان ۱.۲ در جهت مستقیم تغییر می یابد. بنابراین، هر چه میانگین بازده بازار نسبت به بازده بدون ریسک به عنوان معیار عامل بازار بیش تر باشد، بازده اضافی سهام نیز افزایش می یابد.

Authors

عباس ادهم

PhD Student in Accounting, Department of Accounting, Faculty of Accounting and Management, Allameh Tabatabai University, Tehran, Iran

محمد مرفوع

Assistant Professor, Department of Accounting, Faculty of Accounting and Management, Allameh Tabatabai University, Tehran, Iran

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 :