مقایسه عملکرد روش فضای حالت با روش حداقل مربعات معمولی OLS در برازش مدل سه عاملی فاما و فرنچ برای پیش‌بینی بازده، در بورس اوراق بهادار تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مدیریت مالی، دانشکده اقتصاد و مدیریت، دانشگاه سمنان، سمنان، ایران

چکیده

پیش‏بینی بازده سهام یکی از موضوع‌های مهم و قابل بحث در ادبیات مالی و سرمایه‏گذاری به‌حساب می‏آید. مدل سه عاملی فاما و فرنچ به عنوان شاخص‌ترین مدل در پیش بینی بازده سهام علیرغم برخورداری از نقاط قوت زیاد بر اساس فرض ثابت بودن ضرایب بتا بنا نهاده شده است، که چنین فرضی به صورت مطلق در هر شرایطی ممکن است برقرار نباشد. در این پژوهش سعی شده است تا مدل مذکور با دو فرض ثابت بودن یا متغیر بودن ضرایب به طور جداگانه برازش و سپس دقت هر یک آنها مقایسه شود. برای این منظور از مدل فضای حالت و حداقل مربعات معمولی (OLS) برای برازش مدل به ترتیب با فرض متغیر بودن و ثابت بودن ضرایب استفاده شده است. این پژوهش بر روی شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران و برای یک دوره‏‏ زمانی 72 ماهه (مهر 1385 الی شهریور 1391) صورت گرفته است. با انجام این پژوهش مشخص گردید که مدل فضای حالت در مقایسه با مدل حداقل مربعات خطی از عملکرد بهتری در پیش‏بینی بازده اوراق بهادار برخوردار است‏، که این می‏تواند به معنای ثابت نبودن ضرایب بتای مدل سه عاملی در بورس اوراق بهادار تهران باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparing Accuracy of State Space Model and Ordinary Least Squares (OLS) in Predicting Stock Return by Fama and French Three-Factor Model in Tehran Stock Exchange

نویسندگان [English]

  • Gholamhossein Golarzi
  • Ashkan Chehrenegar
Department of Financial Management, Faculty of Economics and Management, Semnan, Semnan, Iran
چکیده [English]

Predicting stock returns is one of the major issues to be discussed in the financial literature, and investment. Researchers have proposed various methods for predicting stock returns, that the most famous of them are the Capital Asset Pricing Model by Sharpe and Lintner, arbitrage pricing model by ross and three factors model by Fama and French. F& F three-factor model as the most significant factor models in recent years great attention has been. Despite having many strengths of this model is based on the assumption of constant beta coefficient is founded, However, this assumption does not hold absolute in any circumstances. In this study, we tried to model with constant or variable coefficients fitted separately and then compare the accuracy each of them. For this purpose, the state space model and ordinary least squares (OLS) models were fit assuming constant and variable coefficients are used. This research will be done on listed companies in Tehran Stock Exchange for a period of 72 months (October 1385 to September1391). The results show that, compared to state-space model of a linear least squares model for predicting stock returns has a better performance, this means that Beta coefficients in three-factor is on the Tehran Stock Exchange are not constant .

کلیدواژه‌ها [English]

  • Fama and French three-factor
  • Tehran Stock Exchange
  • State Space Model
  • Kalman filter
  • Fama and French three
  • factor
[1]   رحمانیانی، نرگس. (1389). تخمین مدل قیمت‌گذاری دارایی سرمایه‌ای (CAPM) با استفاده از فیلتر کالمن، پایان‌نامه کارشناسی ارشد، دانشگاه رازی.
[2]     فروغی، داریوش؛‌امیری، هادی؛شیخی، ‌هادی. (1392).تأثیر کیفیت اقلام تعهدی بر صرف ریسک سهام شرکت‏های پذیرفته شده بورس اوراق بهادار تهران،پژوهش‏های حسابداری مالی، 15: 13-27.
[3]   کیمیاگری، محمدعلی؛اسلامی‌بیدگلی، غلامرضا؛اسکندری، مهدی. (1386). بررسی رابطه بین ریسک و بازده دربورس اوراق بهادار تهران بر اساس مدل سه عاملی فاما و فرنچ،تحقیقات مالی، 25: 61-81.
[4]   مجتهد زاده، ویدا؛ رباط میلی، مژگان. (1386) مقایسه عملکرد قیمت گذاری دارایی‏های سرمایه‏ای (CAPM) با مدل سه عاملی فاما و فرنچ در پیش‌بینی بازده مورد انتظار در بورس اوراق بهادار تهران، پایان‌نامه کارشناسی ارشد، دانشگاه الزهرا، دانشکده‏ علوم اجتماعی و اقتصادی.
[5]   مجتهدزاده، ویدا؛ طارمی، مریم. (1385)آزمون مدل سه عاملی فاما و فرنچ در بورس اوراق بهادار تهران برای پیش‌بینی بازده سهام،پیام مدیریت، 17 و 18: 109- 132.
[6]   Adrian, Tobias, and Francesco Franzoni. (2005).Learning about Beta: Time-varying Factor Loadings, Expected Returns, and the Conditional CAPM, working paper, Federal Reserve Bank.
[7]   Campbell, J., and T. Vuolteenaho.(2004).Bad Beta, Good Beta, American Economic Review,. 94, 49-75.
[8]   Chunsheng,Z and Chang,Q,. (2005). A State-Space Model of Short- and Long-Horizon Stock Returns,The Journal of Financial Research,.4, 523-544.
[9]   Das, Somnath, Carolyn B. Levine, and K. Sivaramakrishnan,.(2010). Earnings Predictability and Bias in Analysts' Earnings Forecasts,The Accounting Review,. 2, 277-294.
[10]            Fama, E.F., French, K.R,. (1993). Common risk factors in the returns on stocks and bonds Journal of Financial Economics,. 33, 3-56.
[11]            Harvey, C. (1989). Time-Varying Conditional Covariances in Tests of Asset Pricing Models, Journal of Financial Economics,.24, 289-317.
[12]            Hwang, S. and M. Salmon,. (2004). Market Stress and Herding,Journal of Empirical Finance,.11, 585 - 616
[13]            Jiho Han,. (2006). me-variant CAPM: Learning about Factor Loading April,working paper.
[14]            Jostova, Gergana, and Alex Philipov,.(2005). Bayesian Analysis of Stochastic Betas,Journal of Financial and Quantitative Analysis,.4,747-778.
[15]            Lakonishok, Josef, Andrei Shleifer, and Robert W. Vishny,.(1994). Contrarian Investment, Extrapolation, and Risk,Journal of Finance.49, 1541-1578.
[16]            Martin, L,. (1990). Derivation of a Leading Index for the United States Using Kalman Filters,The Review of Economics and Statistics,. 4, 657-663.
[17]            Mergner, S. and Bulla, J.(2008). Time-varying Beta Risk of Pan-European IndustryPortfolios: A Comparison of Alternative Modeling Techniques,European Journal of Finance, 14, pp. 771-802.
[18]            Moonis, S.A. and Shah, A., (2003). Testing for Time-variation in Beta in India. Journal of Emerging Market Finance,. 2, 163-180.
[19]            Nieto Belén, Susan Orbe and AinhoaZarraga. (2014). Time-Varying Market Beta: Does the estimation methodology matter? Working paper.
[20]            Tsay, R, (2005). Analysis of Financial Time Series, Wiley, Second edition.
[21]            Theoret,R, Raciot,F, (2009). “Modeling Hedge Fund Returns Using the Kalman Filter: an Errors in Variable Perspective,Cahier de RechechE,.6, 855-877.