بررسی تأثیر چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام در بورس اوراق بهادار تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد، گروه اقتصاد، دانشکدۀ اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، ایران

2 دانشیار گروه علوم اقتصادی دانشکده اقتصاد و علوم اجتماعی دانشگاه شهید چمران اهواز، ایران

3 استادیار، گروه اقتصاد، دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، ایران

4 کارشناس ارشد، گروه اقتصاد، دانشکدۀ اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، ایران

10.22108/amf.2020.118715.1454

چکیده

هدف: یکی از معیارهای اساسی تصمیم‏گیری برای خرید و فروش اوراق بهادار در بورس اوراق بهادار، بازده سهام است؛ به‏ همین دلیل بررسی عوامل مؤثر بر بازده سهام ضروری است. تکانه‏های فناوری سرمایه‏ای و چرخه‏های تجاری از عوامل تأثیرگذار بر بازده سهام هستند؛ از این رو هدف این مقاله بررسی تأثیر چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام در بورس اوراق بهادار تهران است.
روش: نمونۀ آماری بررسی‏شده، تمامی شرکت‏های پذیرفته‏شده در بورس اوراق‏ بهادار تهران طی دورۀ زمانی 1370 تا 1397 است. داده‏ها با استفاده از مدل خودرگرسیون با وقفه‏های گسترده، تجزیه و تحلیل و روابط کوتاه‏مدت و بلندمدت بین متغیرهای موجود برآورد شده است.
نتایج: براساس نتایج این پژوهش چرخه‏های تجاری، تکانه‏های فناوری سرمایه‏ای و نرخ بهره در بلندمدت، اثر مثبت و معناداری بر بازده سهام دارند.
.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigating the Effect of Business Cycles and Investment-Specific Technology Shocks on Stock Returns in the Tehran Stock Exchange

نویسندگان [English]

  • Mansour Zarra Nezhad 1
  • Masud Khodapanah 2
  • Ebrahim Anvari 3
  • Nesa Goodarzizadeh 4
1 Department of Economic, Faculty of Economics, Shahid Chamran University, Ahvaz, Iran
2 Department of Economic, Faculty of Economics, Shahid Chamran University, Ahvaz, Iran
3 Department of Economic, Faculty of Economics, Shahid Chamran University, Ahvaz, Iran
4 Department of Economics, Faculty of Economics, Shahid Chamran University, ahvaz, iran
چکیده [English]

Objective: Beyond a shadow of a doubt, the stock return is of great importance and one of the most influential criteria while making decisions in capital markets. For this reason, investigating the determinant factors of stock returns is important. Since the investment-specific technology shocks and business cycles are considered as factors that affect stock returns, the purpose of this study is to investigate the effect of business cycles and investment-specific technology shocks on stock returns in the Tehran Stock Exchange.
Method: The statistical sample of this study is the companies listed on the Tehran Stock Exchange during the period from 1991 to 2018. The data are analyzed, using an autoregressive distributed lag model. Additionally, the short-run and long-run relationships between variables have been estimated in this study.
Results: The results of the study reveal that business cycles, investment-specific technology shocks, and interest rates have significant positive effects on stock returns.

کلیدواژه‌ها [English]

  • Stock Returns
  • Business Cycles
  • Investment-Specific Technology Shocks
  • Autoregressive Distributed Lag Model

مقدمه.

ازنظر اقتصادی، بازارهای مالی از دو بخش بازار پول و بازار سرمایه تشکیل می‏شوند. بازار پول، بازار مبادلۀ منابع کوتاه‏مدت با حداکثر سررسید یک دورۀ مالی (معمولاً به‏طور معمول یک سال) است و بازار سرمایه مختص به منابع بلند‏مدت است و امکان مبادلۀ منابع را میان دارندگان مازاد منابع و متقاضیان منابع فراهم می‏کند. هرکشور برای رسیدن به رشد و توسعۀ اقتصادی به سرمایه‏گذاری‏های کلان نیازمند است؛ بنابراین وجود بازار سرمایه‏ای کارآمد لازمۀ تأمین مالی بلندمدت طرح‏های اساسی هر کشور است. در ایران رکن اصلی بازار سرمایه، بورس اوراق بهادار است. بورس اوراق بهادار با تجهیز منابع مالی به فرصت‏های کارای سرمایه‏گذاری، علاوه‏بر آنکه از فشار تقاضا می‏کاهد، توانایی‏های تولید و عرضه اقتصاد را به‏نحو مناسبی شکوفا می‏کند. برآیند این دو حرکت زمینه‏ساز فضای مطلوب برای سرمایه‏گذاری و رشد اقتصادی است (یانگ[1]، 2019؛ نوسر و کوگلر[2]، 1998). یکی از معیارهای مهم در تصمیم‏گیری برای خرید و فروش اوراق بهادار در بورس اوراق بهادار، بازده سهام است. بازده سهام به‏تنهایی دارای محتوای اطلاعاتی است و بسیاری از سرمایه‏گذاران در تجزیه و تحلیل مالی و پیش‏بینی از آن استفاده می‏کنند )هندریکسون و ون‏بردا[3]، 1992؛ عسکرنژاد نوری، 1397). فعالیت‏های سازمان بورس اوراق بهادار زمینه را برای تشویق مردم به سرمایه‏گذاری در سهام شرکت‏ها و جذب نقدینگی و هدایت آن در چرخۀ اقتصادی فراهم می‏کند. امروزه به‏دلیل گسترش فعالیت‏های اقتصادی، توسعۀ بازارهای مالی و سرمایه‏گذاری برای رسیدن به بازده مطلوب اهمیت فراوانی دارد (مک‏میلان[4]، 2019؛ حیدری، محمدزاده و رفاح‏کهریز، 1397). برای تصمیم‏گیری درست و به‏موقع و کسب سود مورد انتظار، دسترسی به اطلاعات درست و به‏موقع و تجزیه و تحلیل دقیق بسیار مهم است. ازجمله اطلاعات مالی مورد انتظار، اطلاعات مربوط به بازده سهام است؛ به همین دلیل بررسی عوامل مؤثر بر بازده سهام ضروری است. بازده سهام تحت‏تأثیر چرخه‏های تجاری[5] و تکانه‏های فناوری سرمایه‏ای[6] است (پرابهیش و ویدیا[7]، 2018).

چرخه‏های تجاری[8] نوعی نوسان‏های باقاعده و منظم در فعالیت‏های کلان اقتصادی کشور است و اغلب به‏وسیلۀ بنگاه‏های تجاری سازماندهی می‏شود. چرخه‏های تجاری ازطریق سودآوری مورد انتظار سرمایه‏گذاری، بر بازده سهام تأثیر می‏گذارد؛ مثلاً رونق اقتصادی ممکن است منجر به افزایش تقاضای کل و افزایش تقاضا برای سرمایه‏گذاری شود. این امر به نوبۀ خود بر قیمت سرمایه، نرخ سودآوری مورد انتظار و بازده سهام تأثیر می‏گذارد. براساس مطالعات انجام‏شده دربارۀ چرخه‏های تجاری و بازده سهام، چرخه‏های تجاری بر بازده سهام تأثیر می‏گذارد (بالورز، کوسیمانو و مک‏دونالد [9]، 1990؛ کمپل و دیبولد[10]، 2009). تکانه‏های فناوری سرمایه‏ای[11] عاملی کلیدی برای رشد اقتصادی است و از پیشرفت‏های فناوری در تولید کالاهای سرمایه‏ای جدید نشأت می‏گیرد (دوگان[12]، 2019؛ کوگان و پاپانیکولائو[13]، 2014). نوآوری فناوری عاملی کلیدی و اصلی برای رشد اقتصادی است. پیشرفت‏های فناوری قدرت تغییر فضای بازار را دارند. اثر نوآوری‏های فناوری بر همۀ شرکت‏ها یکسان نیست؛ برخی از شرکت‏ها از این نوآوری نفع می‏برند و بعضی دیگر سهم بازار خویش را از دست می‏دهند؛ بنابراین تکانه‏های فناوری سرمایه‏ای و بازده سهام به هم مرتبط هستند. ارتباط بین تکانه‏های فناوری سرمایه‏ای و بازده سهام حاکی از تأثیر تکانه‏های فناوری سرمایه‏ای ازطریق پژوهش و توسعه، ثبت اختراعات، تغییرات در بهره‏وری عوامل و قیمت سهام، بر بازده سهام است (بلدندل، گریفیت و رینن [14] ، 1999؛ کوکبوم و گریلیچس[15]، 1988)؛ همین‏طور تکانه‏های فناوری سرمایه‏ای خود موجب تغییر در روند چرخه‏های تجاری می‏شود؛ به این صورت که پیشرفت‏های تکنولوژی و فناوری، تجهیزات سرمایه‏ای جدید را ارزان‏تر و تقاضای سرمایه‏گذاری و نوسان‏های تولید را افزایش می‏دهد (گرینوود، هرکویتس و کرسل[16] ، 1997-2000)؛ بنابراین با پیشرفت در فناوری، سرمایه‏گذاری در بخش کالای سرمایه‏ای، تولید کالای سرمایه‏ای، رونق اقتصادی و بازده سهام افزایش می‏یابد.

جنبۀ نوآوری این پژوهش که بر اهمیت آن می‏افزاید این است که باوجود تأثیر چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام، تاکنون تأثیر هم‏زمان این دو متغیر، در یک مدل، بر بازده سهام در بورس اوراق بهادار تهران بررسی نشده است. در سطح مطالعات جهانی، برخی مطالعات تأثیر هم‏زمان چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام را بررسی کرده است (پرابهیش و ویدیا، 2018). این پژوهش طی دورۀ زمانی 1370 تا 1397 به روش اقتصادسنجی داده‏های سری زمانی و مدل اقتصادسنجی خودرگرسیون با وقفه‏های گسترده[17] انجام شده است. در بخش دوم این مقاله مبانی نظری تأثیر چرخه‏های تجاری بر بازده سهام، تأثیر تکانه‏های فناوری سرمایه‏ای بر بازده سهام و پیشینۀ پژوهش‏های مرتبط با آنها و همین‏طور مبانی نظری استفاده‏از بازده اضافی سهام بیان شده است. بخش سوم روش اقتصادسنجی پژوهش را بررسی می‏کند. در بخش چهارم یافته‏های پژوهش ارائه می‏شود. نتیجه‏گیری و پیشنهادها در بخش پایانی آمده است.

 

مبانی نظری.

اعتقاد بر این است که بازده سهام را برخی از متغیرهای کلان اقتصادی تعیین می‏کنند (رنگوید[18]، 2006؛ کمپل و شیلر[19]، 1988). مطالعات نظری برای تبیین ماهیت تغییرات و نوسان‏های بازار سهام و عوامل تعیین‏کنندۀ شاخص‏های قیمتی بازار سهام منجر به ارائۀ الگو‏های قیمت‏گذاری شده است. این الگوها نحوۀ اثرگذاری عوامل مختلف بر قیمت سهام و کانال‏های این تأثیرگذاری را بررسی می‏کنند. اهمیت قیمت‏گذاری دارایی‏های مالی باعث پیدایش نظریه‏ها و الگو‏های گوناگون در نیم‏قرن اخیر شده است (مارکویتز[20]، 1952؛ شارپ[21]، 1964؛ راس[22]، 1976)؛ همین‏طور در اتخاذ تصمیم سرمایه‏گذاری در بازار سهام نخستین و مهم‏ترین عامل فراروی سرمایه‏گذاران، شاخص قیمت سهام است؛ از این رو آگاهی از عوامل مؤثر بر قیمت سهام اهمیت فراوانی دارد. گان[23] (2006) عوامل مؤثر بر قیمت سهام را به‏صورت زیر طبقه‏بندی می‏کند:

عوامل درونی: آن دسته از عوامل مؤثر بر قیمت سهام که در ارتباط با تصمیمات شرکت است. این عوامل شامل عایدی هر سهم[24] (EPS)، سود تقسیمی هر سهم[25] (DPS)، نسبت قیمت بر درآمد ( P/E)، افزایش سرمایۀ تجزیۀ سهام و عوامل درون‏شرکتی دیگر است.

عوامل بیرونی: عواملی که در خارج از اختیارات مدیریت بنگاه است و به‏نحوی بر فعالیت آن تأثیر می‏گذارد. این عوامل آن دسته از وقایع، حوادث و تصمیماتی است که در خارج از بنگاه رخ می‏دهد، بر قیمت سهام اثرگذار است و به دو دستۀ عوامل سیاسی و عوامل اقتصادی تقسیم می‏شود. عوامل سیاسی، عواملی نظیر جنگ، صلح، قطع رابطۀ سیاسی و اقتصادی با دیگر کشورها، تغییر ارکان سیاسی و روی کار آمدن احزاب سیاسی رقیب است و همۀ این عوامل بر قیمت سهام تأثیر به‏سزایی دارد و عوامل اقتصادی مانند رکود و رونق اقتصادی (ادوار تجاری) نیز، بازار سهام را به‏شدت متأثر می‏کند.

چرخه‏های تجاری شامل رونق و رکود اقتصادی است. در وضعیت رونق اقتصادی تقاضا برای سرمایه‏گذاری در بازار سهام افزایش می‏یابد و درنتیجه قیمت سهام بالا می‏رود. در شرایط رکود اقتصادی بازار سرمایه نیز دچار رکود می‏شود و در این شرایط سرمایه‏گذاری در دارایی‏های مالی با درآمد ثابت، ‏به سرمایه‏گذاری در بازار سهام ترجیح داده می‏شود و درنتیجه قیمت سهام پایین می‏آید. رونق اقتصادی منجر به افزایش تولید و تقاضای کل، کاهش نرخ بهره و افزایش تقاضای سرمایه‏گذاری می‏شود. از آنجا که سهام حاکی از حق مالکیت در شرکت است، افزایش در سرمایه‏گذاری، تقاضا برای سهام را افزایش می‏دهد و نشان‏دهندۀ پیش‏بینی مردم دربارۀ سودآوری آتی بنگاه است (منکیو[26]، 1387). در ادبیات اقتصادی، تداوم در سود از رشد بازده سهام نشأت می‏گیرد (کری، جی و وردی[27]، 2008). بازده سهام مهم‏ترین منبع اطلاعاتی دربارۀ ارزیابی توانایی سودآوری و جریان‏های نقدی آتی است و اغلب از آن برای اندازه‏گیری سودآوری استفاده می‏شود (داتا، اسکندر- داتا و سینق[28]، 2013). وقتی مردم نسبت به وضیت آتی شرکت خوش‏بین باشند، سودآوری مورد انتظار، تقاضا برای سهام و درنتیجه قیمت و بازده آن افزایش می‏یابد. در شرایط رکودی، کاهش تولید و تقاضای کل ازطرفی تقاضا برای سرمایه‏گذاری را کاهش و ازطرفی دیگر نرخ بهره را افزایش می‏دهد. کاهش در سرمایه‏گذاری، تقاضا برای سهام را کاهش می‏دهد. وقتی مردم به وضعیت آتی شرکت بدبین باشند، سود‏آوری مورد انتظار، تقاضا برای سهام، قیمت و بازده سهام کاهش می‏یابد؛ همین‏طور با توجه به گسترش ارتباطات مالی بین کشورها، تأثیر چرخه‏های تجاری جهانی بر قیمت سهام بازارهای بورس ملی کاملاً محسوس است (منکیو، 1387). با توجه به مطالب یاد‏شده، براساس مبانی نظری چرخه‏های تجاری نقش تعیین‏کننده‏ای در بازار سهام دارند.

به نمونه‏ای از مطالعات که تأثیر چرخه‏های تجاری بر بازده سهام را بررسی کرده است، به اختصار اشاره می‏شود. بکیروس، شهزاد، آرولا- هرناندز و یور‏ رحمان[29] (2018) نشان دادند بازده سهام و نوسان‏های مربوط به آن با چرخۀ تجاری ارتباط معناداری دارد و حساسیت بازده سهام دربرابر چرخۀ تجاری تنها برای مقادیر شدید مشاهده‏شدنی است. این امر حاکی ‏از اهمیت مدل‏سازی غیرخطی و نوع رفتار درهنگام تحلیل روابط میان بازده سهام و چرخۀ تجاری است. ایکسنگیس[30] (2017) نیز نشان داد متغیر چرخۀ کسب‏وکار در عدم اطمینان، تغییرات بازده دارایی را توضیح می‏دهد. براساس آزمون سبد، نوسان‏های نااطمینانی با پایداری در محدودۀ 32 تا 128 ماه، منجر به کاهش قیمت در حدود 2 درصد در سال می‏شود و صرف ریسک مربوطه مثبت است. چویدهلی، پاپادیمیتریو و شابی[31] (2016) و نیتسچکا[32] (2013) نشان دادند بین دو متغیر بازده سهام و چرخۀ تجاری رابطۀ معناداری وجود دارد. افضلی (1396) نشان داد سطح نگه‏داشت وجه نقد بر بازده سهام، طی دورۀ مطالعه‏شده، دارای تأثیر مثبت و معناداری است و با وارد‏کردن متغیر تعدیل‏گر چرخۀ تجاری ارتباط بین سطح نگه‏داشت وجه نقد و بازده سهام همچنان مثبت باقی مانده است؛ اما فاقد معناداری آماری است. بروجنی (1393) نشان داد ارتباط معناداری بین متغیر وابستۀ نرخ بازده و سه متغیر مستقل چرخۀ تجاری، نرخ تورم و نرخ بهره وجود دارد؛ این در حالی است که بین نرخ بازده و چرخۀ تجاری و بین نرخ بازده و نرخ تورم، رابطۀ علیتی دوطرفه و بین نرخ بازده و نرخ بهره رابطۀ علیتی یک‏طرفه وجود دارد.

پیشرفت در فناوری عاملی کلیدی و اصلی برای رشد اقتصادی است. افزایش شدید قیمت سهام در دهۀ 1990 به‏طور گسترده به رشد روز‏افزون بهره‏وری در اقتصاد جدید نسبت داده شده است (گرینوود و جوانوویز[33]، 1999؛ هال[34]، 2001). این امر باعث شد ارتباط نوآوری‏های فناوری و قیمت سهام در قالب مدل انتظارات عقلایی تبیین و تحلیل و روی تأثیر پیشرفت‏های فناوری بر قیمت سهام تأکید شود (مادسن و داویس[35]، 2006). برخی نیز تأثیر انقلاب فناوری اطلاعات و ارتباطات را از کانال رشد بهره‏وری بر بازده سهام در قالب الگوی رشد گوردون، مدل‏سازی کرده‏اند (کندی، پالم، پیگات و تیریبلپ[36]، 1998). در ارائۀ این نظریه‏ها، به پیشرفت‏های فناوری که موجب تحرک جدی سرمایه‏گذاری و تولید کالاهای سرمایه‏ای می‏شود، بیشتر توجه و از این پیشرفت‏ها به تکانه‏های فناوری سرمایه‏ای تعبیر شد. این تکانه‏ها از کانال پژوهش و توسعه، ثبت اختراعات و تغییرات در بهره‏وری بر بازده سهام تأثیر می‏گذارد (گومز، کوگان و یوگو[37] ، 2009؛ گریلیچس[38]، 1988). تکانه‏های فناوری سرمایه‏ای به‏صورت افزایش تولید کالاهای سرمایه‏ای نسبت به تولید کالاهای مصرفی تجلی می‏کند و ازطریق افزایش سرمایه‏گذاری در بخش کالاهای سرمایه‏ای، بر بازده سهام تأثیر می‏گذارد (پاپانیکولائو[39]، 2011). بنگاه اقتصادی دراثر تکانه‏های فناوری سرمایه‏ای در تولید کالاهای سرمایه‏ای، ارزش سهام خود را افزایش می‏دهد (لی[40]، 2013). با توجه به مطالب یادشده، براساس مبانی نظری تکانه‏های فناوری سرمایه‏ای نقش تعیین‏کننده‏ای بر بازده سهام دارد.

به نمونه‏ای از مطالعات که تأثیر تکانه‏های فناوری سرمایه‏ای بر بازده سهام را بررسی کرده است، به اختصار اشاره می‏شود. گارلاپی و سونگ[41] (2016) نشان دادند تکانه‏های فناوری سرمایه‏ای بازده سهام را در داده‏های مقطعی توضیح نمی‏دهد؛ اما نتایج بررسی داده‏های سری زمانی نشان داد تکانه‏های فناوری سرمایه‏ای قدرت توضیح تغییرات بازده سهام را دارد. کوگان و پاپانیکولائو (2013) نشان دادند ویژگی‏های شرکت با نسبت فرصت‏های رشد به ارزش شرکت همبستگی دارد و تکانه‏های فناوری سرمایه‏ای موجب تفاوت در بازده سهام شرکت‏ها می‏شود. مادسن و داویس (2006) نشان دادند نوآوری‏های فناوری ازطریق پژوهش و توسعه و رشد بهره‏وری بر قیمت سهام و درنتیجه بازده سهام تأثیر می‏گذارد. بلدندل، گریفیت و رینن[42] (1999) نشان دادند افزایش رقابت در بازار محصولات باعث تحریک فعالیت‏های نوآورانه می‏شود و نوآوری‏های فناوری و اختراعات بر سهم بازار اثر مثبت و معناداری دارد. شرکت‏هایی که سهم بازار بیشتری دارند تأثیر نوآوری‏های فناوری بر ارزش بازار بالاتری دارند.

گفتنی است که دربارۀ تأثیر تکانه‏های فناوری سرمایه‏ای بر بازده سهام در ایران، مطالعه‏ای یافت نشد. طبق شواهد، در پژوهش‏هایی که تا‏کنون انجام شده است، تأثیر تکانه‏های فناوری سرمایه‏ای بر بازده سهام در بورس تهران و همین‏طور تأثیر هم‏زمان چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام در بورس تهران بررسی نشده است و تنها یک مطالعه تأثیر هم‏زمان چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام را بررسی کرده است. پرابهیش و ویدیا (2018) نشان دادند چرخه‏های تجاری بر بازده سهام تأثیر مثبت دارد؛ اما اثر تکانه‏های فناوری سرمایه‏ای بر بازده سهام نسبتاً ضعیف است.

در ادامه، به‏طور کوتاه مبانی نظری استفاده از بازده اضافی سهام در جایگاه یکی از شاخص‏های اندازه‏گیری بازده سهام در بورس اوراق بهادار، بیان می‏شود.

سرمایه‏گذاران درهنگام تصمیمات مالی، به مبحث ریسک، قیمت آتی سهام و درنتیجه بازده سهام به‏شکل کاملاً متفاوت از نظریه‏های مالی سنتی توجه می‏کنند. سرمایه‏گذاران همواره به‏صورت عقلایی عمل نمی‏کنند و تحت ویژگی‏های روان‏شناختی خود، تصمیمات غیر‏عقلایی می‏گیرند؛ به همین دلیل رفتار آنها در انتخاب سبد سهام با هم متفاوت است؛ در این حالت بازده سهام از بازده متوسط بیشتر و سبب ایجاد بازده اضافی سهام می‏شود (دوکاس و لی[43]، 2009)؛ از این‏ رو گروهی از پژوهشگران مالی با پذیرش پدیده‏های رفتاری و روان‏شناختی، نظریۀ مالی جدیدی را با نام نظریۀ مالی رفتاری بنا کردند و نقطۀ عطف جدیدی در زمینه‏های پژوهش‏های مالی به وجود آوردند. نظریۀ مالی رفتاری[44] ترکیبی از اقتصاد کلاسیک و مالی با روان‏شناسی و علوم تصمیم‏گیری است و به‏دنبال توضیح و تشریح پدیده‏های غیر‏عادی مشاهده‏شده در حوزۀ مالی است (فولر[45]، 2000). در نظریۀ مالی رفتاری ویژگی‏های قیمت دارایی‏ها در جایگاه انحراف از ارزش ذاتی تفسیر می‏شوند و بیان می‏شود علت این انحرافات وجود سرمایه‏گذاران غیر‏عقلایی در اقتصاد است؛ در حالی که در نظریۀ مالی سنتی، عقلانیت کامل سرمایه‏گذاران و تصمیم‏گیری برمبنای بیشینه‏سازی مطلوبیت مورد انتظار دو فرض اساسی است. براساس این نظریه به‏دلیل حاکمیت عقلانیت کامل، قیمت اوراق بهادار برابر با ارزش ذاتی و بازار کارا است. در بازاری کارا هیچ‏کدام از استراتژی‏های سرمایه‏گذاری بازده اضافی بر بازده تعدیل‏شده با ریسک ایجاد نمی‏کند (فاما[46]، 1970)؛ بنابراین از آنجا که در واقعیت، بازار به‏صورت عقلایی عمل نمی‏کند و ناکارا است، نظریۀ مالی سنتی نقض می‏شود و نظریۀ مالی رفتاری استفاده می‏شود که در شرایط غیرعقلایی و ناکارا پدیده‏های مالی را توصیف می‏کند. شاخص اصلی در نظریۀ مالی رفتاری، بازده اضافی است؛ به همین دلیل از میان شاخص‏های متعدد در بورس اوراق بهادار، از شاخص بازده اضافی سهام که در این مقاله موضوعیت دارد، در نقش متغیر وابسته استفاده می‏شود.

با توجه به مبانی نظری و پیشینۀ مطرح‏شده، فرضیه‏های پژوهش به شرح زیر است:

فرضیۀ اول: چرخه‏های تجاری ایران بر بازده سهام در بورس اوراق بهادار تهران تأثیر مثبت دارد.

فرضیۀ دوم: تکانه های فناوری سرمایه‏ای بر بازده سهام در بورس اوراق بهادار تهران تأثیر مثبت دارد.

فرضیۀ سوم: چرخه‏های تجاری جهانی بر بازده سهام در بورس اوراق بهادار تهران تأثیر مثبت دارد.

 

روش پژوهش.

برای بررسی اثر چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام در بورس تهران از روش اقتصادسنجی داده‏های سری زمانی، مدل اقتصادسنجی خودرگرسیون با وقفه‏های گسترده و نرم‏افزار ایویوز 10 استفاده شده است. برای بررسی اثر چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام، دو مدل به‏صورت جداگانه تصریح و تخمین زده می‏شود. مدل اول شامل متغیرهای تکانه‏های فناوری سرمایه‏ای، چرخه‏های تجاری ایران، نرخ بهره و بازده اضافی سهام است. در مدل دوم چرخه‏های جهانی به متغیرهای مدل اول اضافه می‏شود.

(1)

Ri,t= α+ βISTSt-1+ ρ IBCt-1+ µ Control+ εi,t

(2)

Ri,t= α+ βISTSt-1+ ρ IBCt-1+ Ф +µ Control+ εi,t

 

در مدل فوق Ri,t نشانگر بازده اضافی سهام  در دورۀ  است و از داده‏های سپرده‏های سرمایه‏گذاری بلندمدت محاسبه شده‏است. ISTS تکانه‏های فناوری سرمایه‏ای است و به‏صورت نسبت قیمت کالای سرمایه‏ای به کالای مصرفی اندازه‏گیری می‏شود (گرینوود، هرکویتز و کروسل، 1997). فرمول محاسبۀ این شاخص به‏صورت  است و درآن PI شاخص ضمنی سرمایه‏گذاری و PC شاخص ضمنی مصرف است (ماندلمن، رابانال، روبیو- رامیرز و ویلان[47]، 2011). شاخص ضمنی مصرف از نسبت مصرف نهایی خصوصی (در قیمت جاری) به هزینۀ مصرف نهایی خصوصی (در قیمت ثابت) به‏ دست می‏آید. شاخص ضمنی سرمایه‏گذاری از نسبت تشکیل سرمایۀ ناخالص ثابت (در قیمت جاری) به تشکیل سرمایۀ ناخالص ثابت (در قیمت ثابت) محاسبه می‏شود.  IBCنشانگر چرخه‏های تجاری ایران است و با استفاده از فیلتر آﻣﺎری ﻫﻮدرﻳﻚ - ﭘﺮﺳﻜﺎت[48] به دست می‏آید. Control بردار متغیرهای کنترلی است که در مدل اول، نرخ بهرۀ داخلی ایران و در مدل دوم نرخ بهرۀ داخلی ایران و چرخه‏های تجاری امریکا (GC) در نقش نمایندۀ چرخه‏های تجاری جهانی را شامل می‏شود[49] (کز، لاکاتوس، اهنسرگ و استوچر[50]، 2017). نرخ بهرۀ داخلی ایران از شاخص نرخ بهرۀ بازار غیرمتشکل پولی و چرخه‏های تجاری امریکا با فیلتر آﻣﺎری ﻫﻮدرﻳﻚ - ﭘﺮﺳﻜﺎت اندازه‏گیری می‏شود. تمامی داده‏های لازم برای این مطالعه از سایت بانک مرکزی ایران و سایت بانک جهانی گردآوری شده است.

قبل از برآورد مدل، خواص ریشۀ واحد متغیرها با آزمون استاندارد ریشۀ واحد دیکی فولر تعمیم‏یافته[51] بررسی شده‏ است. روش تجزیه و تحلیل داده‏ها، روش خودرگرسیون با وقفه‏های گسترده و رهیافت آزمون کرانه‏ها[52] است. روش خودرگرسیون با وقفه‏های گسترده روشی به لحاظ آماری معنادار برای تعیین روابط هم‏انباشتگی در نمونه‏های کوچک است (پسران و شین[53]، 1999) و برخلاف سایر تکنیک‏های هم‏انباشتگی که نیازمند هم‏انباشته از یک مرتبه‏بودن همۀ توضیح‏دهنده‏ها هستند، این آزمون نسبت به جمعی‏بودن متغیرها از درجۀ I(0)[54] و I(1)[55] یا ترکیبی از این دو کاربرد دارد. این روش، به دلیل دوری از مشکلاتی همچون خودهمبستگی و درون‏زایی، نااریب و کارا است )سیدیکی[56]، 2000). شکل کلی مدل خودرگرسیون با وقفه‏های گسترده به‏صورت زیر است:

(3)

 

 

 

 

 

بیانگر برداری از متغیرهای توضیحی اثرگذار بر متغیر وابستۀ  است. α جزء ثابت، L عملکرد وقفه (مانند: ) و  برداری (L-s) از متغیرهای قطعی نظیر عبارت عرض از مبدأ، روندهای زمانی یا متغیرهای برون‏زا با وقفه‏های ثابت است.

یکی از مسائل مهم در به‏ کار بردن مدل خودرگرسیون با وقفه‏های گسترده، انتخاب مرتبۀ تابع توزیع وقفه است. پسران و اسمیت[57] (1998) معتقدند استفاده از معیار شوارتز - بیزین[58] در قیاس با سایر معیارهای تصریح مدل، ارجح‏تر است؛ زیرا این روش در تصریح مدل‏ها، طریقۀ صرفه‏جویی را در پیش می‏گیرد. تخمین مدل خودرگرسیون با وقفه‏های گسترده شامل دو مرحله است. مرحلۀ اول تخمین روابط بلند‏‏مدت است. در مرحلۀ اول، برای پی‏بردن به وجود رابطۀ بلندمدت میان متغیرهای استفاده‏شده، روش آزمون F، متغیر اضافی را به‏وسیلۀ مدل‏سازی معادلۀ بلندمدت، در جایگاه یک مدل خودرگرسیون برداری از مرتبۀ P به‏صورت زیر استفاده می‏کند:

(4)

 

 

 

 برداری (K+1) از عرض از مبدأها و  برداری (K+1) از ضرایب روند است.

آمارۀ F، آزمون این مسئله است که همۀ وقفه‏های سطح متغیرها برابر صفر هستند؛ به‏ عبارت دیگر در این آزمون فرضیۀ صفر و مقابل آن به‏شکل زیر است:

(5)

 

 

 

 ضریب فزاینده بلند‏مدت است.

دو مقدار بحرانی وقتی متغیرهای مستقل ( )  هستند، شرایط آزمون هم‏جمعی را فراهم می‏کند. کرانۀ پایین برای رگرسورهای  I(0)و کرانۀ بالا برای رگرسورهایI(1)  در نظر گرفته شده است. اگر آمارۀ F محاسبه‏شده از کرانۀ بالای مقدار بحرانی بیشتر باشد، فرضیۀ صفر یعنی وجود‏نداشتن رابطۀ بلند‏مدت رد می‏شود. اگر آمارۀ F محاسبه‏شده از کرانۀ بالای مقدار بحرانی کمتر باشد، فرضیۀ صفر یا وجود‏نداشتن رابطۀ بلند‏مدت رد نمی‏شود. درنهایت اگر آمارۀ F بین کرانۀ بالا و پایین مقادیر بحرانی باشد، نتیجه غیر‏قطعی خواهد بود. مرحلۀ دوم، تخمین ضرایب بلندمدت و کوتاه‏مدت است. ضرایب بلندمدت به‏شکل زیر محاسبه می‏شوند:

(6)

 

 تخمین‏های برای کلیۀ ترکیبات ممکن مقادیر  را در معادلۀ (3) برای مدل ARDL  انتخابی معرفی می‏کند. مدل تصحیح خطا مرتبط با با نوشتن معادلۀ (3) برحسب سطوح وقفه داده شده و تفاضل مرتبۀ اول متغیرهای ،  و  به ‏دست می‏آید:

(7)

 

 

مدل تصحیح خطا  به‏صورت رابطۀ پویای کوتاه‏مدت تعریف می‏شود:

(8)

 

 

 بیانگر عملکرد وقفه، بعدی از متغیرهای حرکت و  بردار جزء خطای تصادفی با میانگین صفر و واریانس کواریانس ثابت است. ،  و  ضرایب مرتبط‏ با پویایی‏های کوتاه‏مدت با همگرایی به‏سمت تعادل را نشان می‏دهند.

 

یافته‏ها

نتایج آزمون ریشۀ واحد دیکی - فولر تعمیم‏یافته نشان می‏دهد به‏جز نرخ بهرۀ داخلی ایران که با یک‏بار تفاضل‏گیری، ایستا می‏شود، بقیۀ متغیرها در سطح ایستا هستند؛ بنابراین متغیرها ترکیبی از مرتبۀ جمعی صفر و یک ( I(0)و I(1) ) هستند.

آزمون کرانه‏ها، معناداری کلی رگرسیون را در بلندمدت نشان می‏دهد. به‏هنگام محاسبۀ آمارةF  برای تعداد مشاهدات بالا (1000=n) از مقادیر بحرانی که پسران، شین و اسمیت[59] (2001) ارائه داده‏اند، برای داده‏های بین 30 تا 80 از مقادیر بحرانی که نارایان[60] (2005) و کاتیرچی اغلو[61] (2009) ارائه داده‏اند و برای تعداد مشاهدات کمتر از 30 از آمارۀt  ارائه‏شده توسط پسران و همکاران (2001) استفاده می‏شود. بر این اساس، از آنجا که در این پژوهش تعداد مشاهدات در مدل اول 22=n و در مدل دوم 21=n، کمتر از 30 بوده است، از آمارۀt  ارائه‏شده توسط پسران و همکاران (2001) استفاده شده است. نتایج این آزمون برای دو مدل بررسی شد. طبق نتایج، قدرمطلق آمارۀ t محاسبه‏شده از قدرمطلق حد بالای ارزش بحرانی ارائه‏شده توسط پسران و همکاران (2001) در سطح 5 درصد بیشتر است. از آنجایی که اگر قدرمطلق آمارۀ t محاسبه‏شده بیشتر از قدرمطلق حد بالای ارزش بحرانی به دست آید، وجود رابطۀ بلند‏مدت تأیید می‏شود، فرضیۀ صفر مبتنی‏بر وجود‏نداشتن رابطۀ بلندمدت با اطمینان 95 درصد پذیرفته نمی‏شود. این نشان می‏دهد رابطۀ هم‏جمعی یا بلندمدت میان متغیرهای مدل وجود دارد.

پس از اطمینان از وجود رابطۀ بلندمدت، ضرایب و روابط بلندمدت تفسیر می‏شود. نتایج تخمین حاصل از برآورد رابطۀ بلندمدت در دو مدل، در جدول 1و 2 آمده است.

براساس نتایج جدول 1، در مدل اول اثر متغیر چرخه‏های تجاری ایران (IBC) بر بازده اضافی سهام در بلندمدت مثبت و ازنظر آماری در سطح خطای 10 درصد، معنادار است. نسبت تغییرات بازده اضافی سهام به چرخه‏های تجاری ایران 010/0 است؛ یعنی با افزایش یک واحدی چرخه‏های تجاری ایران، بازده اضافی سهام به‏طور میانگین 010/0 درصد افزایش می‏یابد. درواقع، بازده اضافی سهام در دوران رونق اقتصادی افزایش و در دوران رکود اقتصادی کاهش می‏یابد؛ زیرا در دورۀ رونق اقتصادی، افزایش در تولید و تقاضای کل ازطرفی تقاضا برای سرمایه‏گذاری را افزایش و ازطرفی دیگر نرخ بهره را کاهش می‏دهد. افزایش در سرمایه‏گذاری، تقاضا برای سهام را افزایش می‏دهد و وقتی مردم به وضعیت آتی شرکت خوشبین باشند، سودآوری مورد انتظار، تقاضا برای سهام، قیمت آن و درنتیجه بازده سهام افزایش می‏یابد. این نتیجه، با نتایج پژوهش پرابهیش و ویدیا (2018)، جانسون[62] (1999) و بالورز، کوسیمانو و مک‏دونالد (1990) که نشان‏دهندۀ تأثیر مثبت چرخه‏های تجاری بر بازده سهام است، مطابقت دارد.

اثر متغیر تکانه‏های فناوری سرمایه‏ای (IST) بر بازده اضافی سهام در بلندمدت مثبت و ازنظر آماری معنادار است. کشش بازده اضافی سهام به تکانه‏های فناوری سرمایه‏ای 020/0 است؛ یعنی با افزایش یک درصدی تکانه‏های فناوری سرمایه‏ای، بازده اضافی سهام به‏طور میانگین 020/0 درصد افزایش می‏یابد. درواقع، بازده اضافی سهام هنگام تکانه‏های فناوری مثبت سرمایه‏ای افزایش و هنگام تکانه‏های فناوری منفی سرمایه‏ای کاهش می‏یابد؛ زیرا تکانه‏های فناوری سرمایه‏ای به‏صورت افزایش تولید کالاهای سرمایه‏ای نسبت به تولید کالاهای مصرفی تجلی می‏کند و ازطریق افزایش سرمایه‏گذاری در بخش کالاهای سرمایه‏ای بر بازده سهام تأثیر می‏گذارد. این نتیجه، با نتایج پژوهش کوگان و پاپانیکولائو (2014) و پاپانیکولائو (2011) مطابقت دارد و نشان‏دهندۀ تأثیر مثبت تکانه‏های فناوری سرمایه‏ای بر بازده سهام است.

براساس جدول 2، در مدل دوم اثر متغیرهای چرخۀ تجاری ایران بر بازده اضافی سهام در بلندمدت نیز مثبت و ازنظر آماری معنادار است. نسبت تغییرات بازده اضافی سهام به چرخۀ تجاری ایران 008/0 است؛ یعنی با افزایش یک واحدی چرخۀ تجاری ایران، بازده اضافی سهام به‏طور میانگین 008/0 درصد افزایش می‏یابد. اثر متغیر تکانه‏های فناوری سرمایه‏ای بر بازده اضافی سهام در بلندمدت مثبت و ازنظر آماری معنادار است. کشش بازده اضافی سهام به تکانه‏های فناوری سرمایه‏ای 019/0 است؛ یعنی با افزایش یک درصدی تکانه‏های فناوری سرمایه‏ای، بازده اضافی سهام به‏طور میانگین 019/0 درصد افزایش می‏یابد. اثر متغیر نرخ بهرۀ ایران بر بازده اضافی سهام در بلندمدت نیز مثبت و ازنظر آماری معنادار است. کشش بازده اضافی سهام به نرخ بهرۀ ایران 87/1 است؛ یعنی با افزایش یک درصدی نرخ بهرۀ ایران، بازده اضافی سهام به‏طور میانگین 87/1 درصد افزایش می‏یابد. اثر تغییر چرخه‏های تجاری جهانی (GC) بر بازده اضافی سهام در بلند‏مدت مثبت و ازنظر آماری معنادار است. نسبت تغییرات بازده اضافی سهام به چرخه‏های تجاری جهانی 014/0 است؛ یعنی با افزایش یک واحدی چرخه‏های تجاری جهانی، بازده اضافی سهام 014/0 درصد افزایش می‏یابد. درواقع بازده اضافی سهام در دوران رونق اقتصادی جهان افزایش و در دوران رکود اقتصادی جهان کاهش می‏یابد. این نتیجه، با نتایج پژوهش نیتسچکا (2014)، کوپر و پریستلی (2012) و گو[63] (2006) مطابقت دارد و نشان‏دهندۀ تأثیر مثبت چرخه‏های تجاری جهانی بر بازده سهام است.

در ادامه برای بررسی اینکه تعدیل عدم تعادل‏های کوتاه‏مدت به‏سمت تعادل بلندمدت به چه صورت انجام می‏شود، از مدل تصحیح خطا استفاده شده است. نتایج حاصل از تخمین مدل تصحیح خطا در جدول 3 و 4 ارائه شده است.

ضریب جملۀ تصحیح خطا در مدل اول، 929/0- و در مدل دوم 703/0- به‏ دست آمده است. این مقادیر برای دو مدل بررسی‏شده به‏ ترتیب بدین معنا است که در هر دوره 9/92 و 3/70 درصد از عدم تعادل در بازده اضافی سهام تعدیل یافته و به‏سمت روند بلندمدت خود نزدیک شده است.

به‏منظور حصول اطمینان از اعتبار نتایج، آزمون‏های معتبر واریانس ناهمسانی، نرمالیتی، خودهمبستگی و تصریح فرم تبعی مدل برای بررسی فرض‏های کلاسیک و نیز به‏منظور بررسی پایداری مدل‏ها، آزمون‏های مجموع تجمعی باقیمانده‏های تکراری[64] و مجموع تجمعی مربعات باقیمانده‏های تکراری[65] در مدل‏های ARDL(3, 3, 3, 0) و ARDL(5, 3, 3, 3, 3) بررسی شدند. نتایج آزمون‏های تشخیصی و ثبات پارامترها به‏ ترتیب در جدول 5 و 6 و نمودارهای 1 تا 4 ارائه شده است.

از آنجایی که در مدل اول احتمال مربوط به تمامی آزمون‏ها از 5 درصد بزرگتر نیست، مدل برآوردی، فرض‏های کلاسیک را نقض می‏کند و از آنجایی که در مدل دوم احتمال مربوط‏ به تمامی آزمون‏ها بزرگتر از 5 درصد است، فرضیۀ صفر این آزمون‏ها مبتنی‏بر وجود‏نداشتن خودهمبستگی، وجود‏ نرمالیتی، وجود‏نداشتن ناهمسانی واریانس و تورش‏نداشتن تصریح رد نمی‏شود و مدل برآوردی فرض‏های کلاسیک را تأیید می‏کند. ضرایب برآوردی در مدل اول از مرز 5 درصد عبور کرده است و نشان از بی‏ثباتی ضرایب دارد؛ در حالی‏ که ضرایب برآوردی در مدل دوم باثباتند و بر صحت نتایج الگوی برآوردشده دلالت می‏کند؛ بنابراین براساس نتایج آزمون‏های تشخیصی، مدل دوم نسبت به مدل اول ارجح‏تر است و تنها مدل دوم مطمئن و استنباط‏شدنی است.


 

جدول (1) نتایج تخمین حاصل ‏از برآورد رابطۀ بلندمدت ARDL(3, 3, 3, 0)

احتمال

آمارۀ t

انحراف معیار

ضریب

متغیر

0752/0

964895/1

005502/0

010812/0

IBC

0409/0

316173/2

009060/0

020985/0

IST

000/0

93128/22

058413/0

339481/1

Interest Rate

 

جدول (2) نتایج تخمین حاصل ‏از برآورد رابطۀ بلندمدت ARDL(5, 3, 3, 3, 3)

احتمال

آمارۀ t

انحراف معیار

ضریب

متغیر

0176/0

431237/7

001140/0

008470/0

IBC

0213/0

739044/6

002831/0

019076/0

IST

0115/0

236658/9

203285/0

877669/1

Interest Rate

0094/0

24431/10

001462/0

014977/0

GC

 

جدول (3) نتایج برآورد مدل تصحیح خطا برای مدل اول

احتمال

آمارۀ t

انحراف معیار

ضریب

متغیر

5315/0

646044/0

186002/0

120166/0

D(Exess Returns(-1))

0092/0

149884/3

173585/0

546772/0

D(Exess Returns(-2))

1038/0

773458/1

004956/0

008789/0

D(IBC)

3991/0

877271/0-

004122/0

003616/0-

D(IBC(-1))

0069/0

311523/3

004251/0

014077/0

D(IBC(-2))

3423/0

992451/0

002789/0

002768/0

D(IST)

0011/0

393969/4-

003527/0

015498/0-

D(IST(-1))

1364/0

606685/1-

003697/0

005940/0-

D(IST(-2))

0001/0

807320/5-

159992/0

929125/0-

CointEq(-1)

 

 

 

 

 

جدول (4) نتایج برآورد مدل تصحیح خطا برای مدل دوم

احتمال

آمارۀ t

انحراف معیار

ضریب

متغیر

0619/0

831492/3

019470/0

074599/0

D(Exess Returns(-1))

0023/0

73127/20

017340/0

359474/0

D(Exess Returns(-2))

0010/0

99043/30-

016720/0

518168/0-

D(Exess Returns(-3))

0008/0

44061/34-

130980/0

511015/4-

D(Exess Returns(-4))

0016/0

78051/24-

000569/0

014110/0-

D(IBC)

0012/0

85850/28-

000812/0

023434/0-

D(IBC(-1))

0237/0

377158/6

000699/0

004457/0

D(IBC(-2))

0021/0

69239/21-

000568/0

012322/0-

D(IST)

0010/0

97961/30-

000633/0

019621/0-

D(IST(-1))

0034/0

17837/17-

000727/0

012485/0-

D(IST(-2))

0128/0

745080/8-

157874/0

380622/1-

D(Interest Rate)

0021/0

84988/21-

240121/0

246606/5-

D(Interest Rate (-1))

0897/0

110914/3-

199209/0

619724/0-

D(Interest Rate (-2))

0011/0

62650/30

000135/0

004148/0

D(GC)

0008/0

67970/34-

000139/0

004829/0-

D(GC(-1))

0007/0

70407/37-

000308/0

011611/0-

D(GC(-2))

0006/0

19755/41-

017069/0

703188/0-

CointEq(-1)

           

 

جدول (5) نتایج حاصل ‏از آماره‏های تشخیص مدل اول

فرض‏های کلاسیک

آزمون LM

آزمون F

آماره

احتمال

آماره

احتمال

خودهمبستگی

796/0

671/0

161/0

853/0

نرمالیتی

041/0

979/0

-

-

واریانس ناهمسانی

374/15

221/0

680/1

209/0

تصریح مدل

-

-

588/7

034/0

 

جدول (6) نتایج حاصل‏ از آماره‏های تشخیص مدل دوم

فرض‏های کلاسیک

آزمون LM

آزمون F

آماره

احتمال

آماره

احتمال

خودهمبستگی

793/18

000/0

467/4

281/0

نرمالیتی

104/5

077/0

-

-

واریانس ناهمسانی

609/19

546/0

275/0

929/0

تصریح مدل

-

-

017/13

172/0

 

 

نمودار(1) آزمون CUSTUM مدل اول

 

نمودار(2) آزمون CUSTUMQ مدل اول

 

نمودار(3) آزمون  CUSTUMمدل دوم

 

نمودار(4) آزمون  CUSTUMQمدل دوم


 


نتایج و پیشنهادها.

بازده سهام خود به‏تنهایی دارای محتوای اطلاعاتی است و بیشتر سرمایه‏گذاران بالفعل و بالقوه در تجزیه و تحلیل مالی و پیش‏بینی از آن استفاده می‏کنند؛ بنابراین شناسایی عوامل مؤثر بر بازده سهام در بورس اوراق بهادار اهمیت ویژه‏ای دارد. انتظار می‏رود چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای تأثیر شایان توجهی بر بازده سهام بورس اوراق بهادار داشته باشند. در این مطالعه بازده سهام تمامی شرکت‏های پذیرفته‏شده در بورس اوراق بهادار تهران طی دورۀ زمانی 1370 تا 1397 بررسی شد و تأثیر چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام با استفاده از روش اقتصادسنجی داده‏های سری زمانی و مدل اقتصادسنجی خودرگرسیون با وقفه‏های گسترده برآورد و آزمون شد. نتایج پژوهش نشان داد در مدل اول چرخه‏های تجاری ایران با ضریب 010/0، تکانه‏های فناوری سرمایه‏ای با ضریب 020/0 و نرخ بهرۀ ایران با ضریب 33/1 در بلندمدت اثر مثبت بر بازده اضافی سهام دارند و در مدل دوم چرخه‏های تجاری ایران با ضریب 008/0، تکانه‏های فناوری سرمایه‏ای با ضریب 019/0، نرخ بهرۀ ایران با ضریب 87/1 و چرخۀ تجاری جهانی با ضریب 014/0 در بلندمدت بر بازده اضافی سهام تأثیر می‏گذارند. ضرایب جملات تصحیح خطای به دست آمده در هر دو مدل به‏ ترتیب نشان می‏دهد، در هر دوره 9/92 و 3/70 درصد از عدم تعادل در بازده سهام تعدیل و به‏ روند بلندمدت خود نزدیک شده است. در‏نهایت نتایج آزمون‏های تشخیصی در مدل دوم بر صحت نتایج مدل برآورد‏شده دلالت دارد؛ در حالی‏که این نتایج در مدل اول نشان‏دهندۀ اطمینان‏نداشتن به پارامترها و مدل برآورد شده است؛ از این رو در این پژوهش، مدل دوم قابلیت استفاده و استنباط دارد. در پژوهش حاضر به‏ لحاظ نظری استدلال شد که چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای بر بازده سهام تأثیر مثبت دارند و با توجه به نتایج حاصل‏ از تجزیه و تحلیل مربوط به سه فرضیه گفته می‏شود چرخه‏های تجاری ایران، تکانه‏های فناوری سرمایه‏ای و چرخه‏های تجاری جهانی بر بازده سهام در بلندمدت تأثیر مثبت و معناداری دارند؛ به‏عبارتی نتایج پژوهش با مبانی نظری مطابقت دارد. نتایج فرضیۀ اول ازمنظر تأثیر چرخه‏های تجاری ایران بر بازده سهام منطبق‏ با نتایج بکیروس، شهزاد، آرولا- هرناندز و یور‏رحمان (2018)، پرابهیش و ویدیا (2018)، ایکسنگیس (2017)، چویدهلی، پاپادیمیتریو و شابی (2016)،کمپل و دیبولد (2009)، جانسون (1999)، بالورز، کوسیمانو و مک‏دونالد (1990)، افضلی (1396) و بروجنی (1393) است. نتایج فرضیۀ دوم ازمنظر تأثیر تکانه‏های فناوری سرمایه‏ای بر بازده سهام منطبق ‏با نتایج گارلاپی و سونگ (2016)، کوگان و پاپانیکولائو (2013)، مادسن و داویس (2006)، بلدندل، گریفیت و رینن (1999) وکوکبوم و گریلیچس (1988) است. نتایج فرضیۀ سوم ازمنظر تأثیر چرخه‏های تجاری جهانی بر بازده سهام منطبق‏ با نتایج نیتسچکا (2013)،کوپر و پریستلی (2012) و گو (2006) است. به‏عبارتی، نتایج پژوهش با مطالعات انجام‏شده در یک راستا است.

با توجه به نتایج به دست آمده، به مدیران مالی بنگاه‏ها، تصمیم‏گیران عالی مالی و اقتصادی کشور و دست‏اندرکاران بورس توصیه می‏شود تا پیش‏بینی روند آتی چرخه‏های تجاری و تکانه‏های فناوری سرمایه‏ای را در تحلیل‏ها مد‏نظر قرار‏ دهند. این عامل به افزایش بازده و سودآوری سرمایه‏گذاران منجر خواهد شد؛ به‏علاوه برای وجود محیط تصمیم‏گیری شفاف و باکیفیت توصیه می‏شود تا ازطریق نظارت بیشتر بر کیفیت و شفافیت اطلاعات مالی شرکت‏های فعال در بورس اوراق بهادار، آنها را به ارائۀ اطلاعاتی باکیفیت و شفاف ملزم کند و برای جلب اعتماد سرمایه‏گذاران، الزاماتی را برای افشای اطلاعات لازم در زمینۀ محدودیت‏های تأمین مالی از سوی شرکت‏ها قرار دهد.

این پژوهش نیز مانند بسیاری از پژوهش‏ها، محدودیت‏هایی به این شرح دارد: شفاف‏نبودن ارائۀ اطلاعات مالی شرکت‏های فعال در بورس اوراق بهادار و محدودیت دسترسی به اطلاعات مالی شرکت‏ها و داده‏های بورسی که موجب تعمیم‏نا‏پذیری نتایج پژوهش برای سایر شرکت‏ها می‏شود.

 



[1]. Yang

[2]. Neusser and Kugler

[3]. Hendriksen and Van Breda

[4]. McMillan

[5]. Business Cycles

[6]. Investment-Specific Technology Shocks (IST)

[7]. Prabheesh and Vidya

[8] . منظور از تکانه‌های فناوری سرمایه‌ای، پیشرفت‌ها و نوآوری‌های فناوری است که ازطریق ایجاد سهام سرمایه‌ای جدید موجب تحرک سرمایه‌گذاری در تولید کالاهای سرمایه‌ای می‌شود.

[9]. Balvers

[10]. Campbell and Diebold

 .[11] منظور از چرخه‌های تجاری نوسان‌هایی است که با نام دوره‌های رونق و رکود تعریف می‌شود.

[12]. Dogan

[13]. Kogan and Papanikolaou

[14] .Blundell, Griffith and Reenen

[15]. Cockburn and Griliches

[16]. Greenwood, Hercowitz and Krusell

[17]. Autoregressive Distributed Lag Model (ARDL)

[18]. Rangvid

[19]. Campbell and Shiller

[20]. Markowitz

[21]. Sharpe

[22]. Ross

[23]. Gan

[24]. Earnaning Per Share

[25]. Dividennds Per Shere

[26]. Mankiw

[27]. Core, Guay & Verdi

[28]. Datta, Iskandar-Datta & Singh

[29]. Bekiros, Shahzad, Arreola-Hernandez & Ur Rehman

[30]. Xyngis

[31]. Choudhry, Papadimitriou & Shabi

[32]. Nitschka

[33]. Greenwood & Jovanovic

[34]. Hall

[35]. Madsen & Davis

[36]. Kennedy, Palerm, Pigott & Terrible

[37]. Gomes, Kogan & Yogo

[38]. Griliches

[39]. Papanikolaou

[40]. Li

[41]. Garlappi & Song

[42]. Blundell, Griffith & Reenen

[43]. Doukas & Li

[44]. Behavioral finance

[45]. Fuller

[46]. Fama

[47]. Mandelman, Rabanal, Rubio-Ramirez & Vilan

1. Hodrick & Perscott (HP)

2.کشور امریکا برای اقتصاد جهانی مهم و اثرگذار و چرخۀ‌تجاری امریکا و جهان بر هم منطبق است. ضریب همبستگی میان چرخه‌های تجاری امریکا و چرخه‌های تجاری جهانی حدود 80 درصد است و نشان از همبستگی معنی‌دار میان این دو دارد؛ از این ‌رو در این پژوهش از چرخه‌های تجاری امریکا در جایگاه نمایندۀ چرخه‌های تجاری جهانی استفاده شده است. نتایج آزمون همبستگی چرخه‌های تجاری جهانی و امریکا در پیوست (1) آمده است.

[50]. Kose, Lakatos, Ohnsorge & Stocke

[51]. Augmented Dickey-Fuller (ADF)

[52]. Bound Test

[53]. Pesaran & Shin

[54]. Integrated of degree zero

[55]. Integrated of degree one

[56]. Siddiki

[57]. Pesaran & Smith

[58]. Schwarz Bayesian information criterion (SBC)

[59]. Pesaran, Shin & Smith

[60]. Narayan

[61]. Katircioglu

[62]. Johnson

[63]. Guo

[64]. CUSUM

[65]. CUSUMQ

افضلی، م. (1396). تأثیر چرخۀ تجاری بر رابطۀ بین نگه‏داشت وجه نقد و بازده سهام در شرکت‏های پذیرفته‏شده در بورس اوراق بهادار تهران، (پایان‏نامۀ کارشناسی ارشد)، دانشکدۀ علوم اقتصادی و اداری، دانشگاه مازندران.
بروجنی، م. (1393). بازده سهام و تغییرات چرخۀ تجاری در ایران، (پایان‏نامۀ کارشناسی ارشد)، دانشکدۀ ریاضی و کامپیوتر، دانشگاه شیخ بهایی.
حیدری، ح.، محمدزاده، ی.، و رفاح‏کهریز، آ. (1397). بررسی تأثیر نرخ ارز بر بازده سهام صنعت دارو در بورس اوراق بهادار تهران با استفاده از رهیافت مارکف سوئیچینگ. فصلنامۀ علمی - پژوهشی مدیریت دارایی و تأمین مالی، 6(2)، 56-35. https://dx.doi.org/10.22108/amf.2017.21420.
عسگرنژاد نوری، ب. (1397). عوامل مؤثر در بازده سهام شرکت‏های پذیرفته‏شده در بورس اوراق بهادار تهران: رویکرد فراتحلیل. فصلنامه علمی - پژوهشی مدیریت دارایی و تأمین مالی، 6(1)، 35-5. https://dx.doi.org/10.22108/amf.2017.21193.
منکیو گریگوری، ان. (1389). مبانی علم اقتصاد (چاپ سوم). ترجمۀ حمیدرضا ارباب. تهران: غزال.
 
References
Afzali, M. (2017). The Impact of the Business Cycle on the Relationship between Cash Holdings and Stock Returns on Listed Companies of Tehran Stock Exchange Market. Master thesis, Faculty of Economics and Administrative sciences Mazandaran University. (In Persian)
Asgarnezhad Nouri, B. (2017). Factors affecting stock return of firms listed in Tehran Stock Exchange: Meta-analysis approach. Asset Management and Financing. 6(1): 25-50. https://dx.doi.org/10.22108/amf.2017.21193. (In Persian)
Balvers, R. J., Cosimano, T. F., & McDonald, B. (1990). Predicting stock returns in an efficient market. Journal of Finance. 45(4): 1109–1128. https://doi.org/10.1111/j.1540-6261.1990.tb02429.x.
Bekiros, S., Shahzad, J. H., Arreola-Hernandezc, J., & Ur Rehmand, M. (2018). Directional predictability and time-varying spillovers between stock markets and economic cycles. Economic Modelling. 69: 301- 312. DOI: 10.1016/j.econmod.2017.10.003.
Blundell, R., Griffith, R., & Reenen, J. V. (1999). Market share, market value and innovation in a panel of British manufacturing firms. The Review of Economic Studies. 6(3): 529–554. DOI:10.1111/1467-937X.00097.
Borojeni, M. (2015). Stock Returns and Changes in The Business Cycle in Iran. M.S thesis, School of Mathematics and Computer Sciences, Sheikhbahai University. (In Persian)
Campbell, J., & Shiller, R. J. (1988). Cointegration and tests of present value models. Journal ofPolitical Economics. 9(5): 1062–1088. http://dx.doi.org/10.1086/261502.
Campbell, S. D., & Diebold, F. X. (2009). Stock returns and expected business conditions: Half century of direct evidence. Journal of Business and Economic Statistics. 27(2): 266–278. https://doi.org/10.1198/jbes.2009.0025.
Choudhry, T., Papadimitriou, F. I., & Shabi, S. (2016). Stock market volatility and business cycle: Evidence from linear and nonlinear causality tests. Journal of Banking & Finance. 66: 89-101. DOI: 10.1016/j.jbankfin.2016.02.005.
Cockburn, I., & Griliches, Z. (1988). Industry effects and appropriability measures in the stock market’s valuation of R&D and patents. American Economic Review. 78(2): 419-23.
Cooper, I., & Priestley, P. (2012).The world business cycle and expected returns. Review of Finance. 17(3): 1029–1064. https://doi.org/10.1093/rof/rfs014.
Core, J., Guay, W., & Verdi, D. (2008). Is accruals quality a priced risk factor? Journal of Accountingand Economics. 46(1): 2-22. http://dx.doi.org/10.1016/j.jacceco.2007.08.001.
Datta, S., Iskandar-Datta, M., & Singh, V. (2013). Product market power, industry structure, and corporate earnings management. Journal of Banking and Finance. 37(8): 3273-328. DOI: 10.1016/j.jbankfin.2013.03.012.
Dogan, A. (2019). Investment specific technology shocks and emerging market business cycle dynamics. Review of Economic Dynamics. 34: 202- 220. https://doi.org/10.1016/j.red.2019.03.012.
Doukas, J., & Li, M. (2009). Asymmetric asset price reaction to news and arbitrage risk. Review of Behavioral Finance. 1(1-2): 23-43. https://doi.org/10.1108/19405979200900002.
Fama, E., (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance. 25(2): 383-417. DOI: 10.2307/2325486.
Fuller, R. J. (2000). Behavioral finance and the sources of alpha. Journal of Pension Plan Investing. 2(3): 2-24.
Gan, C. (2006). Macroeconomic variables and stock market interactions: Newzeland evidence. Investment Management and Financial Innovations. 3(4): 89-101.
Garlappi, L., & Song, Z. (2016). Can investment shocks explain the cross-section of equity returns? Management Science, Forthcoming. Downloaded from http://english.ckgsb.edu.cn/sites/default/files/files/Paper2_GarlappiSong2016_MS.pdf. https://doi.org/10.1287/mnsc.2016.2542.
Gomes, J. F., Kogan, L., & Yogo, M. (2009). Durability of output and expected stock returns. Journal of Political Economy. 117(5): 941-986. http://dx.doi.org/10.1086/648882.
Greenwood, J., & Jovanovic, B. (1999). The information-technology revolution and the stock market. American Economic Review, Papers and Proceedings. 89(2): 116-28. DOI: 10.1257/aer.89.2.116.
Greenwood, J., Hercowitz, Z., & Krusell, P. (1997). Long-run implications of investment specific technological change. American Economic Review. 87(3): 342–362.
Greenwood, J., Hercowitz, Z., & Krusell, P. (2000). The role of investment-specific technological change in the business cycle. European Economic Review. 44: 91–115. https://doi.org/10.1016/S0014-2921(98)00058-0.
Griliches, Z. (1988). Productivity Puzzles and R&D: Another Nonexplanation. Journal of Economic Perspectives. 2(4): 9-21. DOI: 10.1257/jep.2.4.9.
Guo, H. (2006). The risk-return relation in international stock markets. The Financial Review. 41(4): 565–587. http://dx.doi.org/10.1111/j.1540-6288.2006.00157.x.
Hall, R. (2001). Struggling to understand the stock market. American Economic Review. 91(2): 1-11. DOI: 10.1257/aer.91.2.1.
Heidari1, H., Mohammadzadeh, Y., Refah-Kahriz, A. (2017). An investigation of the effect of exchange rate on the pharmaceutical industry stock return in Tehran Stock Exchange: An application of the Markov switching approach. Asset Management and Financing. 6(2): 35-56. https://dx.doi.org/10.22108/amf.2017.21420. (In Persian)
Hendriksen, E. S., & Van Breda, M. F. (1992). Accounting theory (5th edition). Homewood, IL: Irwin Inc.
Hiemstra, C., & Jones, J. D. (1994). Testing for linear and nonlinear granger causality in the stock price-volume relation. Journal of Finance. 49(5): 1639–1664. https://doi.org/10.1111/j.1540-6261.1994.tb04776.x.
Johnson, M. F. (1999). Business cycle and the relation between security returns and earnings. Review of Accounting Studies. 9: 93-117. http://dx.doi.org/10.1023/A:1009649018325.
Jurado, K., Ludvigson, S. C., & Serena, Ng. (2015). Measuring uncertainty. American Economic Review. 105(3): 1177-1216. DOI: 10.1257/aer.20131193.
Katircioglu, S. (2009). Foreign direct investment and economic growth in Turkey: An epirical investigation by the bounds test for co-integration and causality tests. Economic Research. 22(3): 1-8.
Kennedy, M., Palerm, A., Pigott, C., & Terrible, F. (1998). Asset prices and monetary policy. OECD Economics Department Working Papers. 188.
Kogan, L., & Papanikolaou, D. (2014). Growth opportunities, technology shocks, and asset prices. Journal of Finance. 69(2): 675–718. https://doi.org/10.1111/jofi.12136.
Kogan, L., & Papanikolaou, D.(2013). Firm characteristics and stock returns: The role of investment-specific shocks. Review of Financial Studies. 26(11): 2718–2759. https://doi.org/10.1093/rfs/hht026.
Kose, M. A., Lakatos, C., Ohnsorge, F., & Stocker, M. (2017). The global role of the U.S. economy: Linkages, policies and spillovers. Policy Research Working Paper. 7962.
Li, J. (2013). Explaining the value premium and momentum profits simultaneously. Working Paper. https://doi.org/10.1287/mnsc.2017.2735.
Madsen, J. B., & Davis, P. E. (2006). Equity prices, productivity growth and the new economy. Journal of Economics. 116(513): 791–811. https://doi.org/10.1111/j.1468-0297.2006.01112.x.
Mandelman, F. S., Rabanal, P., Rubio-Ramirez, J. F., & Vilan, D. (2011). Investment specific technology shocks and international business cycles: An empirical assessment. Review of Economic Dynamics. 14(1): 136–155. DOI: 10.1016/j.red.2010.08.001.
Mankiw, G. (2010). Principles of Economics (3th Edition.). Tehran, IL: Ghazal Press. (In Persian)
Markowitz, H. (1952). Portfolio selection. The Journal of Finance. 7(1): 77-91. http://dx.doi.org/10.1111/j.1540-6261.1952.tb01525.x.
McMillan, D. G. (2019). Predicting firm level stock returns: Implications for asset pricing and economic links. The British Accounting Review. 51(4): 333-351. DOI: 10.1016/j.bar.2019.04.001.
Narayan, P. K. (2005). The saving and investment nexus for China: Evidence from cointegration tests. Applied Economics. 37(17): 1979-1990. DOI: 10.1080/00036840500278103.
Neusser, K., & Kugler, M. (1998). Manufacturing growth and financial development: Evidence from OECD countries. Review of Economics and Statistics. 80(4): 638-46. DOI: 10.1162/003465398557726.
Nitschka, T. (2014). Developed markets business cycle dynamics and time-variation in emerging markets asset returns. Journal of Banking and Finance. 42(5): 76–82. DOI: 10.1016/j.jbankfin.2014.01.035.
Nitschka, T. (2013). The impact of (global) business cycle risk on the German and British stock markets: Evidence from the first age of globalization. Review Finance Economics. 22(3): 118–124. DOI: 10.1016/j.rfe.2013.04.003.
Papanikolaou, D. (2011). Investment shocks and asset prices. Journal of Political Economics. 119(4): 639–685. https://doi.org/10.1086/662221.
Pesaran, M. H., & Smith, R. (1998). Structural analysis of cointegration VARs. Journal Economic Surveys. 12(5): 471-505. https://doi.org/10.1111/1467-6419.00065.
Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics. 16(3): 289–326. https://doi.org/10.1002/jae.616.
Pesaran, M. H., & Shin, Y. (1999). An autoregressive distributed lag modeling approach to cointegration analysis. In S. Strom, A. Holly & P. Diamond (Eds.). Cambridge: Cambridge University Press. DOI: 10.1017/CCOL0521633230.011.
Prabheesh, K. P., & Vidya, C. T. (2018). Do business cycles, investment-specific technology shocks matter for stock returns? Journal of Economic Modelling. 70: 511-524. DOI: 10.1016/j.econmod.2017.09.014.
Rangvid, J. (2006). Output and expected returns. Journal of Finance Economics. 81(3): 595–624. https://doi.org/10.1016/j.jfineco.2005.07.010.
Ross, S. (1976). The arbitrage theory of capital asset pricing. Journal of Economic Theory. 13(3): 341–360. https://doi.org/10.1016/0022-0531(76)90046-6.
Sharpe, W. (1964). Capital asset prices: A theory of market equilibrium. Journal of Finance. 19(3): 425–442. https://doi.org/10.1111/j.1540-6261.1964.tb02865.x.
Siddiki, J. U. (2000). Demand for money in Bangladesh: A cointegration analysis. Applied Economics. 32(15): 1977-84. https://doi.org/10.1080/00036840050155904.
Xyngis, G. (2017). Business-cycle variation in macroeconomic uncertainty and the cross-Section of expected returns: Evidence for scale-dependent risks. Journal of Empirical Finance. 44: 43–65. https://doi.org/10.1016/j.jempfin.2017.06.001.
Yang, Q. (2019). Stock returns and real growth: A Bayesian nonparametric approach. Journal of Empirical Finance. 53: 53-69. DOI: 10.1016/j.jempfin.2019.06.005.