نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
2 دانشیار، گروه مدیریت بازرگانی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
3 دانشیار، گروه حسابداری، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
This study introduces and integrates short-term debt default risk as a novel systematic factor into the capital asset pricing framework and evaluates its impact on the explanatory power of existing multi-factor models in the Iranian capital market. Employing the structural Geske model—a compound option pricing approach—we estimate the default probabilities of short-term debt for firms listed on the Tehran Stock Exchange and Iran Fara Bourse between 2004 and 2023. These probabilities, derived through numerical solutions of nonlinear equation systems, serve as the basis for constructing a default risk factor, which is then incorporated into standard multi-factor asset pricing models. Time-series regressions were performed on test portfolios sorted by short-term default probability, as well as on control portfolios constructed without this characteristic for robustness. The results demonstrate that the inclusion of the short-term default risk factor significantly enhances the explanatory power of asset pricing models across both portfolio types, underscoring its relevance as a priced risk factor in the Iran`s capital market.
Keywords: Asset Pricing Factor Models, Compound Option, Short-Term Debt Default Risk, Stock Returns
JEL Classification: C22, C51, G12, G33
Introduction
Short-term debt default risk—the probability that a firm will fail to meet its immediate financial obligations—has garnered increasing scholarly interest, particularly in financial systems where firms exhibit high dependence on short-term borrowing and face persistent refinancing requirements (Corvino & Fusai, 2022; Li & Sun, 2023). This form of risk is acutely heightened during periods of liquidity stress, amplifying corporate financial fragility. A body of empirical research across both developed and emerging markets—including the U.S., China, Europe, and Australia—affirms that default risk is a significant determinant of equity pricing (Chen & Hill, 2013; Li & Sun, 2023; Yang & Hu, 2024). Nevertheless, conventional asset pricing models have predominantly neglected to incorporate short-term debt default risk as an explicit, standalone risk factor (Li & Lin, 2021). This oversight is particularly consequential in the context of the Iranian capital market, where short-term instruments comprise a substantial share of corporate financing structures. To address this gap, this study investigates the hitherto unexplored role of short-term debt default risk in explaining stock returns within this market. Employing the structural Geske (1977) model—an extension of the Merton (1974) framework based on compound option pricing—we estimate a novel risk factor proxying for the probability of short-term default. This factor is subsequently integrated into three established asset pricing models: the Capital Asset Pricing Model (CAPM) of Sharpe (1964) and Lintner (1965), the q-factor model by Hou et al. (2015), and the six-factor model of Fama and French (2018). The central aim of this study is to determine whether the inclusion of this default risk factor significantly enhances the explanatory power of these benchmark models. By constructing a theoretically grounded and empirically tested risk factor, this study contributes to the asset pricing literature and offers insights of practical relevance to both investors and policymakers operating in the Iran`s capital market.
Materials and Methods
This study employs an applied, ex post facto research design to examine the effect of short-term debt default risk on the explanatory power of asset pricing models. The population consists of all firms listed on the Tehran Stock Exchange (TSE) and Iran Fara Bourse (IFB) from 2004 to 2023. The sample was filtered according to criteria established in seminal asset pricing studies, including Fama and French (1993, 2015, 2018), Ball, Gerakos, Linnainmaa, and Nikolaev (2016), and Li and Lin (2021). Exclusions encompassed firms in the over-the-counter (OTC) base market, financial institutions, entities with negative book value, those experiencing extended trading halts, and firms with insufficient data availability. The final sample comprised 335 firms. Data were collected from the Tehran Securities Exchange Technology Management Company and Rahavard Novin software. Short-term debt default probabilities were estimated using the Geske (1977) model—a compound option extension of the Merton (1974) framework—by solving systems of nonlinear equations with multivariate normal distribution functions in MATLAB. Asset pricing model estimation and time-series regression analyses were conducted in Python. Factors constructed included the market risk premium (MRP), size (SMB), value (HML), profitability (RMW), investment (CMA), momentum (MOM), and the novel short-term default risk factor (STD). These factors were formed using the Fama and French (1993, 2015) independent 3×2 sorting methodology. Model performance was evaluated using time-series regressions on test portfolios sorted by short-term default probability, with robustness checks performed on control portfolios not sorted by this characteristic. Statistical significance was assessed using intercept (alpha) estimates and the Gibbons, Ross, and Shanken (1989) (GRS) test, consistent with the Fama and French empirical tradition.
Findings
The descriptive analysis indicates that the short-term debt default risk factor (PMD) carries a positive and statistically significant average return of 0.47%, consistent with the existence of a positive risk premium in the market. PMD demonstrates a positive correlation with the market factor and negative correlations with both profitability and investment factors. Time-series regression results reveal that the inclusion of the PMD factor significantly enhances the explanatory power of all asset pricing models examined. Specifically, augmenting the CAPM with PMD leads to a notable reduction in both the GRS statistic and the average absolute value of intercepts (A|αᵢ|), indicating a superior model fit. This improvement is further corroborated by declines in the metrics A|αᵢ| / A|r̄ᵢ| and A|αᵢ²| / A|r̄ᵢ²|, which signify a reduction in the proportion of cross-sectional return dispersion and variance that remains unexplained by the model. Parallel enhancements in model performance were observed when PMD was integrated into both the q-factor and the Fama-French six-factor (FF6) models. Across all augmented specifications (CAPM+PMD, q+PMD, FF6+PMD), the models consistently outperformed their original counterparts. This superior performance was robust across both double-sorted (5×5) and triple-sorted (2×4×4) portfolio formations. Crucially, robustness checks confirmed that these improvements are not an artifact of the sorting variable; even in test portfolios constructed without regard to default probability, the inclusion of PMD resulted in lower GRS statistics and diminished pricing errors.
Discussion and Conclusion
In conclusion, this study establishes that short-term debt default risk, a pivotal element of credit risk, is a significant determinant of stock returns, especially in markets characterized by a high reliance on short-term financing. While traditionally overlooked by mainstream asset pricing models, this omission potentially leads to biased estimates of expected returns. To address this gap, we developed a novel risk factor (PMD) grounded in the Geske (1977) compound option model and integrated it into three established asset pricing frameworks: the CAPM, the q-factor model, and the Fama-French six-factor model. Empirical analysis, conducted via time-series regressions on a sample of 335 firms from the Tehran Stock Exchange and Iran Fara Bourse (2004–2023), demonstrated that the inclusion of the PMD factor consistently and significantly enhanced the explanatory power of all models. This improvement was robust across test portfolios sorted by size, book-to-market, investment, profitability, and default probability, and was quantified by lower GRS statistics, reduced average absolute alphas, and decreased pricing error ratios. Crucially, the factor's efficacy extended to portfolios constructed without a default-risk characteristic, underscoring its role as a pervasive, non-diversifiable systematic risk factor within the Iranian capital market, rather than a mere idiosyncratic variable.
کلیدواژهها [English]
مقدمه
ریسک نکول بدهیهای کوتاهمدت که بهاحتمال ناتوانی واحد اقتصادی در ایفای تعهدات مالی کوتاهمدت خود اشاره دارد میتواند پیامدهای چشمگیری در سطح خرد و کلان در یک نظام مالی داشته باشد (Corvino & Fusai, 2022). این ریسک که ناشی از وابستگی شرکتها به بدهیهای کوتاهمدت و نیاز مستمر آنها به تأمین مالی مجدد است، از اهمیت و جایگاه خاصی در بازارهای مالی برخوردار است. اهمیت این ریسک زمانی افزایش مییابد که محدودیتهای نقدینگی در اقتصاد وجود داشته باشد؛ زیرا در چنین شرایطی، شرکتهایی که به میزان زیادی به تأمین مالی ازطریق بدهیهای کوتاهمدت متکی هستند، درصورت کاهش دسترسی به منابع مالی، با احتمال نکول بیشتری روبهرو خواهند شد.
نتایج مطالعات صورتگرفته نشان میدهد که در بسیاری از اقتصادهای نوظهور، تأمین مالی شرکتها عمدتاً ازطریق بدهیهای کوتاهمدت و انتشار اوراق قرضه صورت میگیرد. وابستگی شدید به تأمین مالی ازطریق بدهی، میزان آسیبپذیری شرکتها در برابر ریسک نکول را افزایش میدهد و پایداری مالی آنها را با چالشهای درخورتوجهی مواجه میسازد (Li & Sun, 2023). پژوهشهای صورتگرفته در بازارهای مالی مختلف رابطۀ معنادار بین ریسک نکول و بازده سهام را تأیید میکند. بهطور خاص، مطالعات در بازارهای توسعهیافته و نوظهور نظیر چین (Long et al., 2025; Li & Sun, 2023; Li & Lin, 2021)، آمریکا (Yang & Hu, 2024; Tolikas & Topaloglou, 2017; Kanas, 2014)، اروپا (Chen & Hill, 2013; Bystrom, 2018) و استرالیا (Naifar, 2012; Gharghori et al., 2009) نشان داده است که ریسک نکول بهعنوان عاملی سیستماتیک، نقشی تعیینکننده در تبیین بازده سهام ایفا میکند.
در ایران نیز مطالعات متعددی با استفاده از مدل ساختاری مرتون (Merton, 1974) و مدلهای مبتنیبر اطلاعات حسابداری انجام شده که عموماً رابطۀ معنادار میان ریسک نکول و بازده سهام تأیید شده است (Shami et al., 2023; Ghazavi & Botshekan, 2019; Salim et al., 2015)؛ بااینحال، باوجود تأکیدات صورتگرفته در این مطالعات دربارۀ اهمیت ریسک نکول بدهیهای کوتاهمدت در بازار سرمایه، به این عامل تاکنون بهعنوان عاملی مستقل در مدلهای قیمتگذاری داراییها توجه نشده است.
افزایش احتمال نکول بدهیهای کوتاهمدت معمولاً با افزایش اسپردهای سوآپ نکول اعتباری[1] (CDS) و کاهش ارزش اوراق بهادار مربوط به این قبیل بدهیها همراه است که این تغییرات بهنوبۀ خود موجب تشدید نوسانات قیمتی در بازارهای مالی میشود. این اثرات بهویژه در بازارهایی که ساختار تأمین مالی شرکتها در آنها مبتنیبر بدهی است، بهصورت بارزتری مشاهده میشود؛ زیرا افزایش حجم بدهیهای کوتاهمدت به کاهش سطح نقدینگی و درنتیجه کاهش بازده منجر میشود (Chen & Hill, 2013). پژوهشگران با مطالعاتی که در این حوزه انجام دادهاند، دریافتهاند که در شرایط رکود اقتصادی یا بحرانهای مالی، احتمال نکول بدهیهای کوتاهمدت افزایش مییابد؛ برای نمونه، در جریان بحران مالی ۲۰۰۸، شرکتهایی که بخش عمدهای از تأمین مالی خود را ازطریق بدهیهای کوتاهمدت انجام داده بودند، با افزایش هزینههای استقراض و کاهش نقدینگی مواجه شدند که این امر احتمال نکول آنها را افزایش داده است (Hu, 2020).
براساس اصول کلی قیمتگذاری داراییها، ریسک نکول بدهیهای کوتاهمدت همانند سایر ریسکهای سیستماتیک باید بهصرف ریسک تعادلی منجر شود (Berloco et al., 2023)؛ بااینحال، مدلهای مطرح قیمتگذاری داراییهای مالی، ازقبیل مدل قیمتگذاری داراییهای سرمایهای[2] (CAPM) و مدلهای چندعاملی فاما و فرنچ (Fama & French, 2018, 2015, 1993) به تأثیر ریسک نکول بدهیهای کوتاهمدت بر بازدۀ موردانتظار از این داراییها توجهی نکردهاند (Li & Lin, 2021).
باتوجهبه سهم چشمگیر بدهیهای کوتاهمدت در ساختار تأمین مالی شرکتها در ایران و ماهیت سیستماتیک ریسک نکول این بدهیها، این پژوهش برای نخستینبار در بین پژوهشهای داخلی و خارجی، عامل جدیدی با عنوان ریسک نکول بدهیهای کوتاهمدت را به مدلهای عاملی قیمتگذاری داراییها اضافه کرده است. عامل مذکور براساس مدل گسک (Geske, 1977)، نسخهای توسعهیافته از مدل مرتون (Merton, 1974) و با رویکرد ارزشگذاری اختیار معاملۀ مرکب[3] محاسبه شده است. هدف اصلی این پژوهش پاسخ به این سؤال بوده است: آیا افزودن عامل ریسک نکول بدهیهای کوتاهمدت به مدلهای عاملی قیمتگذاری داراییها، توان توضیحدهندگی این مدلها را بهبود میبخشد یا خیر؟
در ادامه سازماندهی این پژوهش بهگونهای است که ابتدا پیشینۀ پژوهش بهطور کامل بررسی شده است. سپس، روش پژوهش شامل معرفی دادهها و متغیرهای پژوهش و مدلهای استفادهشده، ارائه شده است. در مرحلۀ بعد، فرایند برآورد مدل و تحلیل نتایج حاصل از آن شرح داده شده است؛ درنهایت، در بخش نتیجهگیری، جمعبندی نتایج و تحلیل یافتهها، پیشنهادهای کاربردی برای سیاستگذاران و فعالان بازار سهام و رهنمودهایی برای پژوهشهای آینده ارائه شده است.
مبانی نظری
باوجود شواهد تجربی مبنی بر تأثیر چشمگیر ریسک نکول بر بازده و نوسانات داراییهای مالی، نحوۀ تأثیرگذاری این عامل همچنان موضوعی بحثبرانگیز در میان پژوهشگران به حساب میآید (Yang & Hu, 2024). درخصوص چگونگی تأثیرگذاری ریسک نکول بدهیها بر بازدۀ سهام دو دیدگاه وجود دارد: دیدگاه نخست که بر مبنای نظریة مبادلۀ ریسک _ بازده[4] شکلگرفته، استدلال میکند که شرکتها با سطح ریسک نکول بیشتر باید بازدۀ موردانتظار بیشتر داشته باشند (Li & Sun, 2023; Li & Lin, 2021; Aretz et al., 2018; Chava & Purnanandam, 2010; Vassalou & Xing, 2004)؛ درمقابل، در دیدگاه دوم که به معمای ورشکستگی[5] نیز معروف است، ادعا بر این است که شرکتهایی با ریسک نکول بیشتر، برخلاف انتظار، بازدۀ سهام کمتری دارند Tian, 2024; Gao et al., 2018; Bauer & Agarwal, 2014; Conrad et al., 2012; Garlappi & Yan, 2011; Da & Gao; 2010; Avramov et al., 2009; Garlappi et al., 2008; Griffin & Lemmon, 2002; Dichev, 1998 ). در بازار سرمایۀ ایران نیز، مشابه بازارهای جهانی، درخصوص تأثیر ریسک نکول بر بازدۀ سهام اتفاقنظر وجود ندارد و شواهد تجربی متناقضی در این زمینه گزارش شده است. گروهی از پژوهشها که در چارچوب نظریۀ مبادلۀ ریسک _ بازده یا بهعبارتی دیدگاه نخست طبقهبندی میشوند، به شواهدی دال بر رابطۀ مثبت میان ریسک نکول و بازدۀ موردانتظار سهام دست یافتهاند؛ برای نمونه، قضاوی و بتشکن (Ghazavi & Botshekan, 2019) با بهرهگیری از مدل ساختاری کیاموی – مرتون (KMV–Merton) و استفاده از متغیر فاصله تا نکول[6] بهعنوان شاخصی برای سنجش احتمال نکول و نیز بهکارگیری روش معادلات همزمان، نشان دادند که ریسک نکول تأثیر مثبت و معناداری بر بازدۀ موردانتظار سهام دارد. درمقابل، گروهی دیگر از مطالعات که میتوان آنها را در چارچوب دیدگاه دوم و همراستا با نظریۀ معمای ورشکستگی طبقهبندی کرد، به شواهدی دال بر رابطۀ منفی میان ریسک نکول و بازدۀ سهام دست یافتهاند؛ برای مثال، ارضـاء و همکاران (Erza et al., 2017) با بهرهگیری از رویکرد رتبهبندی اعتباری مبتنیبر مدل تصمیمگیری چندمعیارۀ تاپسیس به این نتیجه رسیدند که افزایش ریسک نکول به کاهش بازده سهام منجر میشود. فدایینژاد و همکاران (Fadaeinejad et al., 2015) نیز با استفاده از مدل ساختاری مرتون (Merton, 1974) برای برآورد احتمال نکول و روش چندکبندی برای تحلیل دادهها به شواهدی دال بر وجود رابطۀ منفی و معنادار میان ریسک نکول و بازدۀ سهام دست یافتند.
برخلاف ادعای نظریهپردازان متقدم که ریسک نکول را به ویژگیهای خاص هر شرکت نسبت میدادند، پژوهشگران در سالهای اخیر آن را ریسکی سیستماتیک به حساب میآورند (, 2021 Li & Lin). دنیس و دنیس (Denis & Denis, 1995) اعتقاد دارند به اینکه ریسک نکول متأثر از چرخههای اقتصادی و محیط اقتصادی شرکتها است. آنگینر و یلدیژان (Anginer & Yıldızhan, 2018) با تأکید بر رابطۀ بین ریسک نکول با چرخههای اقتصادی اعتقاد دارند به اینکه در دورههای رکود، نکول بدهیهای شرکتی معمولاً بهصورت همزمان رخ میدهد که این موضوع نشاندهندة ماهیت سیستماتیک این ریسک است. براساس نظریههای مالی، ریسک نکول باید بهعنوان ریسکی سیستماتیک قیمتگذاری شده و مشمول دریافت صرف ریسک خاص شود (Li & Lin, 2021). واسالو و زینگ (Vassalou & Xing, 2014) پیشنهاد میکنند که ریسک نکول بهعنوان عامل مستقلی در مدلهای قیمتگذاری در کنار عوامل سنتی مانند عامل بازدۀ بازار، اندازۀ شرکت و ارزش شرکت در نظر گرفته شود. شواهد تجربی نیز این دیدگاه را تأیید میکنند؛ برای نمونه، هوانگ و همکاران (Hwang et al., 2010) مدل سنتی CAPM را با افزودن صرف نکول اعتباری بهعنوان شاخصی برای ریسک نکول اوراق بهادار شرکتی اصلاح کردند. یافتههای تجربی آنها نشان میدهد که افزودن این متغیر، بهطور معناداری موجب ارتقای توان توضیحی مدل در تبیین بازدۀ سهام میشود. آنها استدلال میکنند که بخشی از ناهنجاریهای مدل CAPM، ازجمله اثرات اندازه و نسبت ارزش دفتری به بازار[7] (B/M) ناشی از نادیدهگرفتن ماهیت شبهاختیار سهام است. این ویژگی که از مسئولیت محدود سهامداران ناشی میشود، باعث میشود تا سهام شرکتهای کوچک و دارای نسبت B/M زیاد به ریسک نکول حساسیت بیشتری داشته باشند. یافتهها حاکیازآن است که حساسیت بازدۀ این سهام بهصرف نکول با کاهش نسبت B/M و افزایش اندازه کاهش مییابد؛ برایناساس، صرف نکول اعتباری بهعنوان عاملی سیستماتیک قادر است بسیاری از انحرافات مشاهدهشده از پیشبینیهای مدل CAPM را تبیین کند. بهطور مشابه، آگاروال و پوشاکواله (Agarwal & Poshakwale, 2010) یک عامل جدید مرتبط با ریسک نکول به مدلهای قیمتگذاری دارایی اضافه کرده و نشان دادهاند که این عامل، اطلاعات اضافی فراتر از متغیرهای سنتی اندازه و ارزش فراهم میکند و ریسک نکول بهعنوان عامل بنیادی در نظام مالی، تأثیرات گستردهای بر عملکرد شرکتها، پایداری بازارهای مالی و تصمیمات سرمایهگذاری دارد. فریوالد و همکاران (Friewald et al., 2014) نشان دادهاند که صرف ریسک اعتباری که از اسپردهای سوآپ نکول اعتباری (CDS) محاسبه میشود، بهطور معناداری بر بازدۀ سهام تأثیر دارد. لی و لین (2021 Li & Lin,) نیز با بهرهگیری از مدل کیاموی (kmv) برای برآورد احتمال نکول و افزودن این شاخص به مدلهای سهعاملی و پنجعاملی فاما و فرنچ نشان دادند که لحاظکردن ریسک نکول بهطور معناداری قدرت توضیحدهی این مدلها را در تبیین بازدۀ سهام بازار چین افزایش میدهد؛ بااینحال، مطالعۀ دیگروت و هیوج (2021 De Groot & Huij,) شواهدی مبنی بر عدم قیمتگذاری ریسک نکول ارائه داده است. این پژوهش با بهرهگیری از مجموعهای جامع از شاخصهای ریسک نکول شامل احتمال نکول مبتنیبر مدل مرتون (Merton, 1974)، اهرم مالی، رتبههای اعتباری و اسپرد اعتباری نشان داد که ریسک نکول، باوجود قابلیت پیشبینی درماندگی مالی، بهطور معناداری در بازار قیمتگذاری نمیشود. نتایج نشان میدهد که صرفهای اندازه و ارزش مستقل از ریسک نکول بوده و حتی زمانی که ریسک نکول در تحلیلها در نظر گرفته میشود، همچنان قدرت توضیحی زیادی دارند.
یکی از جنبههای مهم ریسک نکول، تحلیل تأثیر احتمال نکول در بدهیهای کوتاهمدت بر بازدهی سهام است. بدهیهای کوتاهمدت به دلیل سررسید کوتاهتر و نیاز به تأمین مالی مکرر باعث میشوند که شرکتها بیشتر در معرض ریسک نقدینگی و تأمین مالی مجدد قرار گیرند (Wang & Chiu, 2019). این ریسک زمانی افزایش مییابد که بازارهای مالی با نوسانات اقتصادی و محدودیتهای نقدینگی مواجه باشند. درخصوص چگونگی تأثیر احتمال نکول بدهیهای کوتاهمدت بر بازدۀ سهام دو فرضیه مطرح است: اولین فرضیه، فرضیۀ ریسک تجدید بدهی[8] است که بیان میکند شرکتهایی که حجم بیشتری از بدهیهای خود را ازطریق بدهیهای کوتاهمدت تأمین میکنند، در معرض ریسک نکول بیشتری قرار دارند؛ زیرا نیازمند تأمین مالی مجدد مداوم هستند. در شرایط نامساعد، افزایش هزینههای تأمین مالی یا کاهش دسترسی به اعتبارات میتواند این شرکتها را با چالشهای جدی در بازپرداخت بدهیها مواجه سازد. این امر احتمال نکول را افزایش میدهد و درنهایت به کاهش ارزش شرکت و افت بازدۀ سهام آن منجر میشود (Haque & Varghese, 2023)؛ فرضیۀ دوم، فرضیۀ جایگزینی دارایی[9] است که استدلال میکند شرکتهایی که بدهیهای کوتاهمدت بیشتری دارند، ممکن است در نظارت دقیقتری ازسوی وامدهندگان قرار بگیرند و درنتیجه، سیاستهای سرمایهگذاری آنها با دقت بیشتری ارزیابی شود؛ ازاینرو، بدهیهای کوتاهمدت میتوانند مشکل جایگزینی دارایی و احتمال نکول را کاهش دهند که این امر تأثیر مثبتی بر ارزش شرکت و بازدۀ سهام خواهد داشت (Liu et al., 2021).
زیتان و گواید (Zeitun & Goaied, 2022) دریافتند که تأثیر ریسک نکول بدهیهای کوتاهمدت در شرایط بحرانهای مالی تشدید میشود؛ علاوهبراین آنها دریافتند که در دورههای رکود اقتصادی و محدودیتهای اعتباری، اثر این متغیر بر بازدهی سهام برجستهتر میشود. این پژوهش و پژوهشهای مشابه نشان دادند که توجهنکردن به احتمال نکول بدهیهای کوتاهمدت در فرایند تحلیل سهام، به درک ناقص از ریسکهای سیستماتیک تأثیرگذار بر بازدۀ سهام منجر شود؛ در این راستا، یکی از مدلهای پیشرفتۀ ارائهشده برای سنجش احتمال نکول بدهیهای کوتاهمدت شرکت، مدل گسک (Geske, 1977) است که نسخهای توسعهیافته از مدل مرتون (Merton, 1974) محسوب میشود (De Luna Lopez et al., 2025). این مدل، چارچوب قیمتگذاری اختیار بلک – شولز (Black & Scholes, 1973) را با استفاده از ساختار مدل مرتون تعمیم داده و نشان میدهد که درصورت درنظرگرفتن سهام بهعنوان اختیار خرید بر روی داراییهای شرکت، اختیار معامله بر روی سهام میتواند بهعنوان اختیار معاملۀ مرکب مدلسازی شود (Wojcicka-Wojtowicz, 2018). این مدل، اثرات اهرمی را در قیمتگذاری اختیارات لحاظ میکند و برخلاف مدل بلک _ شولز، واریانس نرخ بازدۀ سهام را ثابت در نظر نمیگیرد، بلکه آن را تابعی از قیمت سهام میداند. مدل گسک با گسترش ترازنامه از یک اوراق قرضه تنزیلشده به مجموعهای از بدهیهای شرکتی و در نظر گرفتن افقهای زمانی متفاوت، توانایی بهتری در سنجش مشکلات نقدینگی ناشی از بدهیهای کوتاهمدت دارد و میتواند بخش چشمگیری از ریسکهای مالی مرتبط با ساختار بدهی شرکتها را تبیین کند (Chen, 2022).
در این پژوهش با در نظر گرفتن ماهیت سیستماتیک ریسک نکول بدهیهای کوتاهمدت و تأثیر آن بر بازدهی سهام، عاملی مبتنیبر احتمال نکول بدهیهای کوتاهمدت در چارچوب مدل گسک استخراج شده و سپس به مدلهای عاملی قیمتگذاری داراییها افزوده شده است. هدف اصلی، ارزیابی میزان بهبود عملکرد مدلهای سنتی قیمتگذاری داراییها با در نظر گرفتن عامل ریسک احتمال نکول بدهیهای کوتاهمدت در تبیین نوسانات بازده بوده است. برای این منظور، سه مدل مرجع در ادبیات مالی استفاده شد: مدل نخست، مدل تکعاملی قیمتگذاری داراییهای سرمایهای (CAPM) است که برای نخستینبار توسط شارپ (Sharp, 1964) و لینتنر (Lintner, 1969) در چارچوب نظریۀ تعادل بازار سرمایه ارائه شد و بهعنوان پایهایترین مدل در تحلیل رابطۀ ریسک و بازده شناخته میشود؛ مدل دوم، مدل چهارعاملی هو و همکاران (Hou et al., 2015) موسوم به مدلq فاکتور است که بر مبنای نظریههای سرمایهگذاری شرکتی طراحی شده و عوامل سرمایهگذاری، سودآوری، بازدۀ بازار و اندازۀ شرکت را در تبیین بازدۀ سهام لحاظ میکند؛ مدل سوم نیز مدل ششعاملی فاما و فرنچ (Fama & French, 2018) است که با افزودن عامل مومنتوم به مدل پنجعاملی پیشین (Fama & French, 2015)، تلاش کرده است تا توان توضیحدهندگی بازدۀ داراییها را در سطوح مقطعی و سبدهای مختلف بهصورت معنادار ارتقا دهد. در این چارچوب، افزودن عامل مبتنیبر احتمال نکول بدهیهای کوتاهمدت به مدلهای قیمتگذاری دارایی، رویکردی نوین و نظاممند برای ارتقای دقت تبیین بازدۀ سهام و شناسایی ریسکهای سیستماتیک مرتبط با ساختار بدهی شرکتها بهشمار میرود. این رویکرد با هدف گسترش چارچوب مفهومی مدلهای سنتی قیمتگذاری داراییها و انعکاس بهتر واقعیتهای مالی مرتبط با ریسک نقدینگی و تأمین مالی در تبیین بازدۀ سهام تدوین شده است.
روش پژوهش
این پژوهش با رویکردی کاربردی و در قالب مطالعهای علّی و گذشتهنگر، تأثیر ریسک نکول بدهیهای کوتاهمدت را بر قدرت تبیین مدلهای عاملی قیمتگذاری داراییها بررسی کرده است. جامعة آماری پژوهش شامل کلیة شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران و فرابورس ایران در بازۀ زمانی ۱۳۸۳ تا ۱۴۰۲ است. فرایند انتخاب نمونة آماری با استناد به معیارهای استفادهشده در مطالعات فاما و فرنچ (Fama & French, 2018, 2015, 1993)، بال و همکاران (Ball et al,. 2016)، لی و لین (Li & Lin, 2021) و میرزائی و همکاران (Mirzaie et al., 2020) صورتگرفته است؛ در این راستا، در مرحلۀ نخست، شرکتهای حاضر در بازار پایۀ فرابورس به دلیل ضعف در الزامات افشای اطلاعات، نوسانات قیمتی غیرعادی و پایینبودن سطح نقدشوندگی از نمونة آماری حذف شدند. در مرحلۀ دوم، شرکتهای فعال در صنعت مالی بهدلیل تفاوتهای ساختاری در ترازنامه نسبتبه شرکتهای غیرمالی، از نمونة آماری کنار گذاشته شدند. در مرحلۀ سوم، شرکتهایی که دارای ارزش دفتری منفی بودند، بهمنظور جلوگیری از بروز مقادیر نامعتبر در محاسبۀ متغیرهایی چون نسبت ارزش دفتری به ارزش بازار از نمونه حذف شدند. در مرحلۀ چهارم، شرکتهایی که بیش از شش ماه وقفۀ معاملاتی متوالی داشتهاند، با هدف اطمینان از دسترسی مداوم به دادههای معاملاتی و جلوگیری از خلأ اطلاعاتی از نمونة آماری کنار گذاشته شدند. در مرحلۀ پنجم، برای برآورد عامل مومنتوم، تنها شرکتهایی در نظر گرفته شدند که حداقل ۱۲ ماه بازدۀ ماهانۀ معتبر پیش از ورود به نمونه داشتهاند. در مرحلۀ ششم، برای تضمین کیفیت و ثبات دادهها و کاهش تأثیر مشاهدات پرت، فقط شرکتهایی در نمونۀ نهایی باقی ماندند که پس از ورود به نمونه، حداقل یک سال سابقۀ معاملات فعال و بازدهی ماهانۀ معتبر داشتهاند؛ علاوهبراین، بر مبنای رویۀ مطرحشده در فاما و فرنچ (Fama & French, 2015, 1993)، درصورتیکه شرکتی طی دورۀ بررسیشده وارد بورس یا فرابورس شود و دادههای لازم برای تحلیل را دارا باشد، از سال ورود به بعد در نمونۀ آماری آورده شده است. بهمنظور حفظ پوشش حداکثری نمونه، محدودیتی درخصوص پایان سال مالی شرکتها (نظیر اسفندماه) اعمال نشده است؛ درنهایت، باتوجهبه شرایط و محدودیتهای ذکرشده، تعداد 335 شرکت از بین شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران و فرابورس ایران انتخاب شدند. در جدول (1) مراحل غربالگری و انتخاب نهایی شرکتهای نمونة آماری ارائه شده است.
جدول (1): مراحل غربالگری و انتخاب نهایی شرکتهای نمونة آماری
Table (1). Screening process and final selection of sample firms
|
کل شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران و فرابورس ایران (1402–1383) |
1063 |
|
حذف شرکتهای بازار پایۀ فرابورس |
(113) |
|
حذف شرکتهای فعال در صنعت مالی (گروه بانک، بیمه و صندوق بازنشستگی، سرمایهگذاری، واسطهگری مالی و پولی، فعالیت کمکی به نهاد مالی) |
(370) |
|
حذف شرکتهای با وقفۀ معاملاتی بیش از ۶ ماه |
(163) |
|
حذف شرکتهای با ارزش دفتری منفی |
(28) |
|
حذف شرکتهای فاقد حداقل ۱۲ ماه بازدۀ ماهانه پیش از ورود به نمونه |
(40) |
|
حذف شرکتهای فاقد حداقل یک سال سابقۀ بازدهی پس از ورود به نمونة آماری |
(14) |
|
تعداد شرکتهای انتخابشده |
335 |
دادههای لازم، شامل اطلاعات بازار و اطلاعات مالی شرکتها ازطریق وبسایت رسمی شرکت مدیریت فناوری بورس تهران و نرمافزار رهآورد نوین استخراج شدهاند. در این پژوهش برای محاسبۀ احتمال نکول بدهیهای کوتاهمدت بر مبنای مدل گسک بهدلیل نیاز به توابع نرمال چندمتغیره و حل عددی معادلات غیرخطی از نرمافزار متلب[10] استفاده شده است که با برخورداری از دقت و پایداری عددی، در انجام محاسبات عددی پیچیده کارایی زیادی دارد. برآورد مدلهای عاملی و تحلیل رگرسیونهای سری زمانی نیز با استفاده از زبان برنامهنویسی پایتون[11] انجام شده است. انتخاب پایتون در این پژوهش به دلیل توانایی زیاد آن در پردازش دادههای مالی، وجود کتابخانههای قدرتمند و متن باز آماری و اقتصادی و سهولت در توسعه و اجرای مدلهای تحلیلی در محیطی یکپارچه و منعطف بوده است. در ادامه، متغیرهای استفادهشده در این پژوهش و نحوۀ اندازهگیری آنها در جدول (2) ارائه شده است.
جدول (2): متغیرها و نحوۀ اندازهگیری آنها
Table (2): Variables and their measurement methods
|
نام متغیر |
نحوه محاسبه متغیر |
|
|
بازده ماهانۀ سهام |
|
|
|
بازده ماهانۀ بازار |
|
|
|
نرخ بازده بدون ریسک ماهانه |
بازدۀ بدون ریسک ماهانه معادل با نرخ سود سپردههای یکساله اعلامشده توسط بانک مرکزی است که بهصورت ماهانه تعدیل شده است (Mirzaie et al., 2020; Sharifkarimi et al., 2013). |
|
|
اندازۀ شرکت |
اندازۀ شرکت در این پژوهش براساس میزان فروش سالانۀ آن در پایان سال مالی گذشته تعیین شده است. برخلاف مدل فاما و فرنچ (Fama & French, 2018, 2015, 1993) که از ارزش بازار سهام بهعنوان معیار اندازه استفاده میکند، در این مطالعه باتوجهبه ناکارایی نسبی بازار سرمایۀ ایران، فروش سالانه بهعنوان شاخصی پایدارتر و مبتنیبر اطلاعات حسابداری، برای سنجش اندازۀ شرکت استفاده شده است (Yadav et al., 2022; Hashemi et al., 2020). |
|
|
نسبت ارزش دفتری به ارزش بازار |
این نسبت از تقسیم ارزش دفتری حقوق صاحبان سهام بر ارزش بازار سهام شرکت در پایان سال مالی گذشته محاسبه شده است (Yu et al., 2021; Li & Lin, 2021; Fama & French, 2018, 2015, 1993). |
|
|
سودآوری |
سودآوری ازطریق تقسیم سود عملیاتی به ارزش دفتری حقوق صاحبان سهام در پایان سال مالی گذشته محاسبه شده است (Odonnell et al., 2021; Li & Lin, 2021; Fama & French, 2018, 2015, 1993). |
|
|
سرمایهگذاری |
سرمایهگذاری ازطریق محاسبۀ تفاضل بین ارزش دفتری کل داراییها در پایان سال مالی گذشته و ارزش دفتری کل داراییها در پایان دو سال مالی گذشته، سپس تقسیم این تفاضل بر ارزش دفتری کل داراییها در پایان دو سال مالی گذشته محاسبه شده است (Odonnell et al., 2021; Li & Lin, 2021; Fama & French, 2018, 2015, 1993). |
|
|
مومنتوم |
ازطریق میانگین هندسی بازدۀ سهام طی دوازده ماه گذشته بهاستثنای یک ماه آخر محاسبه شده است (Sutedja & Wijaya, 2022; Dirkx & Peter, 2020; Fama & French, 2018). |
|
|
احتمال نکول بدهیهای کوتاهمدت |
در ادامۀ پژوهش توضیح مربوط به نحوۀ محاسبۀ این متغیر براساس مدل ساختاری گسک (Geske, 1977) ارائه شده است.
|
گسک (Geske, 1977) با تلفیق مبانی نظری مدل بلک و شولز (Black & Scholes, 1973) و مدل ساختاری مرتون (Merton, 1974) روشی برای ارزشگذاری اختیار معاملۀ مرکب معرفی کرد. در این روش سهام شرکت بهعنوان اختیار معاملة مرکب که ارزش آن به ارزش داراییهای شرکت وابسته است، در نظر گرفته میشود. روش مذکور میتواند امکان ارزشگذاری دقیقتر بدهیهای شرکتی و محاسبة احتمالات نکول در سررسیدهای چندمرحلهای را فراهم آورد. این مدل بهویژه برای تحلیل ساختار سرمایه و پیشبینی ریسک نکول در افقهای زمانی متوالی کاربرد دارد. برای تشریح دقیقتر این مدل، فرض کنید در ساختار مالی شرکتی دو نوع بدهی کوتاهمدت و بلندمدت وجود دارد. بدهی کوتاهمدت با ارزش اسمی در زمان و بدهی بلندمدت به ارزش اسمی در زمان سررسید میشود، بهطوریکه شرط زمانی برقرار است. در چنین حالتی، وضعیت نکول شرکت در زمان با مقایسۀ ارزش داراییها ( ) با مجموع ارزش اسمی بدهی کوتاهمدت و ارزش بازار بدهی بلندمدت ( ) مشخص میشود. اگر رابطة (1) برقرار باشد، شرکت ورشکسته نیست و قادر به تأمین مالی مجدد خواهد بود (Najjarpour et al, 2024):
|
رابطة 1) |
+ |
مقدار بحرانی ارزش داراییها ( ) در تاریخ طبق رابطة (2) برآورد میشود (Delianedis & Geske, 2003).
|
رابطة 2) |
|
که در آن نرخ بهرۀ بدون ریسک، انحراف معیار بازدۀ داراییهای شرکت و (0) تابع توزیع تجمعی نرمال استاندارد است. در مدل گسک ارزش بازار سهام شرکت ( ) بهعنوان یک اختیار خرید مرکب روی داراییهای شرکت تلقی میشود و طبق رابطة (3) به دست میآید:
|
رابطة 3) |
= ( + , + ; - - ( ) |
که در معادلۀ بالا بیانگر توزیع تجمعی استاندارد نرمال دومتغیره است و متغیرهای ، و ضریب همبستگی ( ) به ترتیب طبق روابط (4)، (5) و (6) محاسبه میشود (Najjarpour et al, 2024):
|
رابطة 4) |
|
|
رابطة 5)
|
|
|
رابطة (6) |
|
مزیت اصلی مدل گسک (Geske, 1977) به قابلیت آن برای مدلسازی ساختار زمانی احتمال نکول در چارچوبی چندمرحلهای و با در نظر گرفتن سطوح مختلف سررسید است. این مدل با بهرهگیری از ساختار اختیار معاملات مرکب، سه نوع متمایز از احتمال نکول را به شرح زیر معرفی میکند (Najjarpour et al, 2024):
|
رابطة 7) |
= 1 - ( ) |
|
رابطة 8) |
= 1 - ( |
|
رابطة 9)
|
1- |
محاسبۀ احتمالات نکول در مدل گسک نیازمند برآورد مقادیر سه متغیر ارزش بحرانی داراییها ( )، ارزش بازار داراییها ( ) و انحراف معیار بازدۀ داراییها ( ) است. باتوجهبه اینکه متغیرهای و بهطورمستقیم از دادههای بازار قابلمشاهده نیست، با بهرهگیری از قاعدۀ ایتو[12] و باتکیهبر رابطة میان نوسانپذیری قیمت اختیار معامله و نوسانپذیری قیمت دارایی پایه، میتوان رابطۀ و را استخراج کرد که بهصورت رابطة (10) تعریف میشود:
|
رابطة 10) |
|
که در آن انحراف معیار بازدۀ سهام و ارزش بازار سهام است. برای حل معادلۀ گسک، باید سه متغیر مجهول شامل ، و تعیین شود. این متغیرها ازطریق حل یک دستگاه معادلات غیرخطی شامل روابط (2)، (3) و (10) به دست میآیند؛ در این راستا، از روشهای مبتنیبر الگوریتمهای عددی برای محاسبۀ مقادیر مذکور استفاده میشود. پس از برآورد مقادیر مجهول، احتمال نکول کوتاهمدت، بلندمدت و کل را میتوان ازطریق روابط (7)، (8) و (9) محاسبه کرد (Delianedis & Geske, 2003). لازم به ذکر است در پژوهش حاضر، برای ارزیابی ریسک نکول بدهیهای کوتاهمدت، از احتمال نکول کوتاهمدت مبتنیبر مدل گسک استفاده شده است؛ بدینمنظور در این پژوهش از کدهای آماری استفاده شده است که پژوهشگران نجارپور و همکاران (Najjarpour et al, 2024) نوشتهاند.
در این پژوهش، عوامل بررسیشده شامل صرف ریسک بازار، اندازه، سودآوری، سرمایهگذاری، مومنتوم و ریسک نکول بدهیهای کوتاهمدت است که براساس چارچوب نظری و روششناختی فاما و فرنچ (Fama & French, 2015, 1993) محاسبه شده است؛ در این راستا، عامل صرف ریسک بازار (MKT) از تفاوت میان بازدۀ بازار و نرخ بهرة بدون ریسک محاسبه شده و سایر عوامل بررسیشده ازطریق رویکردی دومرحلهای و مبتنیبر روش مرتبسازی مستقل دوگانه (3×2) ایجاد شده است. مطابق این روش، در ابتدای هر سال، ابتدا کلیۀ شرکتها براساس میانة اندازۀ شرکتها، به دو گروه شرکتهای کوچک(S) و بزرگ (B) تقسیمبندی شدهاند. سپس، بهصورت مستقل و جداگانه، هریک از این دو گروه بر مبنای ویژگیهای مالی منتخب شامل نسبت ارزش دفتری به ارزش بازار (B/M)، سود عملیاتی، سطح سرمایهگذاری، مومنتوم و احتمال نکول بدهیهای کوتاهمدت به سه گروه پایین، متوسط و بالا تقسیم شدند. این طبقهبندی ازطریق تعیین نقاط شکست 30 و 70درصدی توزیع هریک از ویژگیهای مذکور انجام گرفته است؛ درنهایت، با تقاطع دو دستهبندی مربوط به اندازۀ شرکتها و سه دستهبندی مبتنیبر سایر ویژگیها، شش سبد موزونشده براساس ارزش بازار تشکیل شد. جزئیات بیشتر درخصوص نحوۀ ساخت این عوامل در ادامه ارائه شده است.
عامل اندازه (SMB) عبارت است از تفاوت میانگین موزون بازدۀ سبد سهام شرکتهای کوچک (S) و بزرگ (B) که به شرح رابطة (11) محاسبه شده است.
|
رابطة (11) |
|
عامل ارزش (HML) عبارت است از تفاوت میانگین موزون بازدۀ سبد سهام شرکتهای ارزشی (H) و رشدی (L) که به شرح رابطة (12) محاسبه شده است.
|
رابطة (12) |
|
عامل سودآوری (RMW) عبارت است از تفاوت میانگین موزون بازدۀ سبد سهام شرکتها با سودآوری قوی (R) و ضعیف (W) که به شرح رابطة (13) محاسبه شده است.
|
رابطة (13) |
|
عامل سرمایهگذاری (CMA) عبارت است از تفاوت میانگین موزون بازدۀ سبد سهام شرکتها با سرمایهگذاری محافظهکارانه (C) و متهورانه (A) که به شرح رابطة (14) محاسبه شده است.
|
رابطة (14) |
|
عامل مومنتوم (MOM) عبارت است از تفاوت میانگین موزون بازدۀ سبد سهام شرکتها با عملکرد قوی (W) و ضعیف (L) درگذشته که به شرح رابطة (15) محاسبه شده است.
|
رابطة (15) |
|
عامل ریسک نکول بدهیهای کوتاهمدت (PMD) عبارت است از تفاوت میانگین موزون بازدۀ سبدهای شرکتها با احتمال نکول بدهیهای کوتاهمدت بالا (P) و پایین (D) که به شرح رابطة (16) محاسبه شده است.
|
رابطة (16) |
|
تحلیلها بر پایۀ مجموعهای از داراییهای آزمون انجام شده است که احتمال نکول بدهیهای کوتاهمدت در آنها لحاظ شده است. گنجاندن این ویژگی به دلیل اهمیت آن در بازتاب ریسک اعتباری میتواند در تبیین دقیقتر رابطۀ بین ریسک و بازده مؤثر باشد؛ بااینحال، بهدلیل حساسیت نتایج حاصل از مدلهای قیمتگذاری به ترکیب داراییهای آزمون (2021 Li & Lin,) و نیز بهمنظور بررسی میزان پایداری و قابلیت تعمیم نتایج، مجموعهای از داراییها تحلیل شد که فاقد متغیر احتمال نکول است. در هریک از این دو گروه، مطابق با شیوۀ فاما فرنچ (Fama & French, 2015, 1993) از دو روش رتبهبندی سبد شامل رتبهبندی دوگانه (5×5) و رتبهبندی سهگانه (4×4×2) مطابق با جدول (3) استفاده شده است. بازدۀ مازاد ماهانۀ سبدها نیز ازطریق میانگین موزون بازدهی شرکتهای موجود در هر مجموعه و براساس ارزش بازار آنها محاسبه شده است. شایان ذکر است که در این پژوهش، برای محاسبۀ وزن هر شرکت بهجای استفاده از ارزش بازار در پایان هر ماه از میانگین ارزش بازار آن شرکت در طول همان ماه استفاده شده است. این رویکرد با هدف کاهش نوسانات مقطعی، جلوگیری از تحریف ناشی از شوکهای قیمتی کوتاهمدت و انعکاس دقیقتر وزن نسبی هر شرکت در ترکیب داراییهای سبد در طول دورۀ زمانی بررسیشده بهکار گرفته شده است.
جدول (3): داراییهای آزمون استفادهشده در ارزیابی مدلهای عاملی قیمتگذاری داراییها و فرایند ساخت آنها
Table (3). Test portfolios used in the evaluation of asset pricing factor models and their construction process
|
نوع دسته |
نوع رتبهبندی |
نحوۀ ساخت |
نحوۀ تشکیل داراییهای آزمون |
|
دستۀ اول: احتمال نکول بدهیهای کوتاهمدت در ساخت داراییهای آزمون لحاظ شده است. |
رتبهبندی دوگانه |
5 5
|
در گام نخست، شرکتها در هر سال بر مبنای احتمال نکول بدهیهای کوتاهمدت مدل گسک به پنج گروه دستهبندی شدهاند. سپس، این شرکتها براساس چهار معیار مستقل شامل اندازۀ شرکت، سودآوری، سرمایهگذاری و نسبت ارزش دفتری به ارزش بازار بهصورت جداگانه به پنج گروه مجزا دستهبندی شدند. از تقاطع پنج گروه احتمال نکول بدهیهای کوتاهمدت با پنج گروه مرتبط به هریک از این چهار معیار دیگر، درنهایت چهار مجموعه از داراییهای آزمون ایجاد شده است که هر مجموعه شامل 25 سبد مجزا است. |
|
رتبهبندی سهگانه |
4 4 2 |
در گام نخست، شرکتها در هر سال براساس اندازۀ شرکت به دو گروه دستهبندی شده است. سپس، این شرکتها براساس چهار معیار مستقل شامل احتمال نکول بدهیهای کوتاهمدت براساس مدل گسک، سودآوری، سرمایهگذاری و نسبت ارزش دفتری به ارزش بازار بهصورت جداگانه به چهار گروه دیگر طبقهبندی شدند. از تقاطع دو گروه اندازۀ شرکت با چهار گروه احتمال نکول کوتاهمدت و چهار گروه مربوط به هریک از دو معیار دیگر، درنهایت سه مجموعه از داراییهای آزمون تشکیل شده است که هر مجموعه شامل 32 سبد مجزا است. |
|
|
دستۀ دوم: احتمال نکول بدهیهای کوتاهمدت در ساخت داراییهای آزمون لحاظ نشده است. |
رتبهبندی دوگانه |
5 5 |
در گام نخست، شرکتها در هر سال براساس اندازه به پنج گروه طبقهبندی شده است. سپس، این شرکتها براساس سه معیار مستقل شامل سودآوری، سرمایهگذاری و نسبت ارزش دفتری به ارزش بازار، بهطور جداگانه در پنج گروه مجزا دستهبندی شدند. از تقاطع پنج گروه اندازۀ شرکت با پنج گروه مرتبط با هریک از این سه معیار دیگر، درنهایت سه مجموعه از داراییهای آزمون ایجاد شده است که هر مجموعه شامل 25 سبد مجزا است. |
|
رتبهبندی سهگانه |
4 4 2 |
در گام نخست، شرکتها در هر سال براساس اندازۀ شرکت به دو گروه تقسیم شده است. سپس، این شرکتها براساس سه معیار مستقل شامل سودآوری، سرمایهگذاری و نسبت ارزش دفتری به ارزش بازار بهطور جداگانه در چهار گروه طبقهبندی شدند. از تقاطع دو گروه اندازۀ شرکت با چهار گروه مرتبط با هریک از دو معیار دیگر، درنهایت سه مجموعه از داراییهای آزمون ایجاد شده است که هر مجموعه شامل 32 سبد مجزا است. |
در ادامه، در جدول (4) مدلهای عاملی استفادهشده در این پژوهش برای بررسی نقش عامل ریسک نکول بدهیهای کوتاهمدت در بهبود قدرت توضیحی مدلهای قیمتگذاری داراییها ارائه شده است.
جدول (4): مدلهای عاملی قیمتگذاری داراییها
Table (4). Asset pricing factor models
|
نام مدل |
نماد مدل |
تصریح مدلهای عاملی قیمتگذاری |
|
مدل قیمتگذاری داراییهای سرمایهای |
CAPM |
= |
|
مدل q فاکتور |
q-Factor |
= +
|
|
مدل ششعاملی فاما و فرنچ |
FF6 |
= + +
|
|
مدل قیمتگذاری داراییهای سرمایهای+ عامل ریسک نکول بدهیهای کوتاهمدت |
CAPM+PMD
|
=
|
|
مدل q فاکتور+ عامل ریسک نکول بدهیهای کوتاهمدت
|
q-Factor +PMD
|
= +
|
|
مدل ششعاملی فاما و فرنچ+ عامل ریسک نکول بدهیهای کوتاهمدت
|
FF6+PMD
|
= + +
|
بهمنظور ارزیابی و مقایسۀ دقت پیشبینی مدلهای مختلف قیمتگذاری داراییها، از چارچوب تحلیلی مبتنیبر رگرسیونهای سری زمانی مبتنیبر مطالعات تجربی فاما و فرنچ (Fama & French, 2018, 2015, 1993) و لی و لین (2021 Li & Lin,) استفاده شده است. در مدلهای مذکور، پارامتر عرض از مبدأ (α)بهعنوان شاخصی برای سنجش اعتبار و قدرت تبیینکنندگی نقش ایفا میکند. درواقع مقدار α نمایانگر بخشی از بازدۀ مازاد دارایی است که پس از کنترل اثر عوامل ریسک سیستماتیک لحاظشده در مدل، همچنان بدون تبیین باقی میماند. درصورتیکه مدل از دقت نظری و تجربی کافی برخوردار باشد، انتظار میرود که مقدار α به صفر میل کند و ازنظر آماری فاقد معناداری باشد؛ بنابراین، وجود آلفاهای معنادار بهعنوان نشانهای از ناکارآمدی مدل در تبیین ساختار بازدۀ داراییها تلقی شده و بهعنوان مبنایی برای ارزیابی عملکرد مدل بهکار گرفته میشود (2021 Li & Lin,). مطابق با مطالعات فاما و فرنچ (Fama & French, 2018, 2015, 1993) و لی و لین (2021 Li & Lin,) برای تحلیل مقادیر عرض از مبدأ حاصل از رگرسیونها و ارزیابی دقت و کارایی مدلهای قیمتگذاری داراییها از چهار شاخص استفاده شده است. اولین شاخص، آمارة GRS است که نخستینبار توسط گیبنز و همکاران (Gibbons et al., 1989) معرفی شد و صحت فرض صفر را مبنی بر صفربودن همزمان عرض از مبدأ تمامی سبدها بررسی میکند. درصورتیکه این آماره ازنظر آماری معنادار باشد، فرضیة صفر رد میشود و ناکارآمدی مدل را در توضیح بازدههای مقطعی نشان میدهد. هرچه مقدار این آماره بزرگتر باشد، عملکرد مدل ضعیفتر ارزیابی میشود. دومین شاخص، میانگین قدرمطلق عرض از مبدأها (A|αᵢ|) است که میانگین قدرمطلق مقادیر α بهدستآمده از رگرسیون تمامی سبدها را محاسبه میکند و نشاندهندة بازدهی مازادی است که مدل قادر به تبیین آن نبوده است. در اینجا، هرچه مقدار A|αᵢ| کمتر باشد، مدل در تبیین دادههای مقطعی موفقتر عمل کرده است. شاخص سوم، نسبت A / A است که در آن A انحراف بازدۀ مازاد هر سبد از میانگین بازدۀ مازاد مقطعی را نشان میدهد. این نسبت به اندازهگیری پراکندگی بازدههای مازادی میپردازد که توسط مدل توضیح داده نشدهاند و هرچه این نسبت کمتر باشد، توانایی مدل در تبیین تفاوتهای بین بازدهی سبدها بیشتر است؛ درنهایت، شاخص چهارم، نسبت است که واریانس بازدههای مازاد را اندازهگیری میکند که مدل قادر به تبیین آن نبوده است. مشابه سایر شاخصها، مقدار کمتر این نسبت نیز حاکی از عملکرد بهتر مدل در تبیین بازدههای مازاد است (2021 Li & Lin,).
یافتهها
در جدول (5)، آمار توصیفی مربوط به بازدهی عوامل مدلهای قیمتگذاری داراییها با لحاظکردن عامل ریسک نکول بدهیهای کوتاهمدت ارائه شده است. نتایج نشان میدهد که عامل ریسک نکول بدهیهای کوتاهمدت (PMD) با میانگین بازدهی 47/0درصد، در سطح اطمینان ۹۰درصد از لحاظ آماری معنادار است. این یافته بیانگر وجود صرف ریسک مثبت برای این عامل در بازار سرمایه ایران است. میانگین بازدهی عامل PMD نیز در مقایسه با عوامل بازار (MKT)، سودآوری (RMW) و سرمایهگذاری (CMA) بالاتر بوده که حاکی از نقش مکمل و اثرگذار آن در ارتقای کارایی مدلهای قیمتگذاری دارایی، بهویژه در ساختارهای مالی مبتنیبر بدهی در ایران است.
جدول (5): آمار توصیفی بازدهی عوامل مدلهای قیمتگذاری داراییها
Table (5). Descriptive statistics of factor returns in asset pricing models
|
آماره |
صرف ریسک بازار |
اندازه |
ارزش |
سودآوری |
سرمایهگذاری |
مومنتوم |
ریسک نکول بدهیهای کوتاهمدت |
|
میانگین |
21/0 |
68/0 |
28/1 |
39/0 |
32/0 |
54/0 |
47/0 |
|
انحراف معبار |
26/6 |
61/2 |
42/3 |
50/3 |
98/2 |
97/3 |
48/3 |
|
آماره t میانگین |
49/0 |
79/3 |
46/5 |
62/1 |
60/1 |
99/1 |
98/1 |
|
چولگی |
82/0 |
36/0 |
53/0 |
32/0- |
38/0 |
01/0- |
06/0 |
|
کشیدگی |
95/0 |
32/0 |
002/0 |
16/0 |
57/0 |
52/0 |
23/0- |
ماتریس همبستگی اسپیرمن[13] بین عوامل نیز در جدول (6) ارائه شده است. یافتهها نشان میدهند که همبستگی میان عوامل مختلف ریسک در بازهای از 41/0- تا 43/0 قرار دارد. بیشترین همبستگی منفی میان عامل ارزش (HML) و عامل سودآوری (RWM) با مقدار 41/0- مشاهده شده است که بیانگر یک رابطۀ معکوس قوی بین این دو متغیر است. درمقابل، بیشترین همبستگی مثبت و معنادار بین عامل ریسک نکول بدهیهای کوتاهمدت (PMD) و عامل صرف ریسک بازار (MKT) به میزان 43/0 به دست آمده است. این یافته ازنظر نظری توجیهپذیر است؛ زیرا احتمالات نکول معمولاً متأثر از شرایط کلی بازار و نوسانات آن قرار دارند و با استفاده از اطلاعات بازار محاسبه میشوند؛ علاوهبراین، همبستگی میان عامل ریسک نکول بدهیهای کوتاهمدت (PMD) و عوامل سودآوری (RMW) و سرمایهگذاری (CMA) منفی و ازنظر آماری معنادار است. این رابطۀ منفی نشان میدهد که شرکتهایی با سودآوری عملیاتی ضعیفتر و استراتژیهای سرمایهگذاری محافظهکارانه، در معرض ریسک نکول بدهیهای کوتاهمدت بیشتری قرار دارند.
جدول (6): ماتریس همبستگی اسپیرمن بین عوامل مدل قیمتگذاری داراییها
Table (6). Spearman correlation matrix among factors in asset pricing models
|
متغیر |
صرف ریسک بازار |
اندازه |
ارزش |
سودآوری |
سرمایهگذاری |
مومنتوم |
ریسک نکول بدهیهای کوتاهمدت |
|
صرف ریسک بازار |
***1 |
|
|
|
|
|
|
|
اندازه |
***20/0- |
***1 |
|
|
|
|
|
|
ارزش |
***26/0 |
01/0- |
***1 |
|
|
|
|
|
سودآوری |
**17/0- |
02/0- |
***41/0- |
***1 |
|
|
|
|
سرمایهگذاری |
04/0- |
11/0 |
***33/0 |
***37/0- |
***1 |
|
|
|
مومنتوم |
02/0- |
03/0- |
09/0- |
***23/0 |
***18/0- |
***1 |
|
|
ریسک نکول بدهیهای کوتاهمدت |
***43/0 |
11/0 |
12/0 |
**12/0- |
***22/0- |
***27/0 |
***1 |
معناداری آماری در سطوح 10%، 5% و 1% به ترتیب با نمادهای *، ** و *** نشان داده شده است.
برای مقایسۀ عملکرد مدلهای مختلف قیمتگذاری داراییها و نسخههای تعدیلشدة آنها، با درنظرگرفتن عامل ریسک نکول بدهیهای کوتاهمدت (PMD)، هفت مجموعه دارایی آزمون تشکیل شده است که چهار مجموعه از آنها دارای رتبهبندی دوگانه (5×5) و سه مجموعه دارای رتبهبندی سهگانه (2×4×4) است. برای مقایسۀ عملکرد مدلها از معیارهای سنجش دقت و کیفیت برازش استفاده شده است. این معیارها شامل آماره GRS و ارزش احتمال متناظر آن (درون پرانتز)، میانگین قدرمطلق عرض از مبدأ مدل ، نسبت پراکندگی مقطعی بازدههای مازاد توضیح دادهنشدۀ داراییهای آزمون ( ) و نسبت واریانس مقطعی بازدههای مازاد توضیح دادهنشدۀ داراییهای آزمون ( ) است. نتایج بهدستآمده از این ارزیابیها در جدول (7) گزارش شده است.
جدول (7): نتایج رگرسیونهای سری زمانی برای داراییهای آزمون با ویژگی احتمال نکول بدهیهای کوتاهمدت
Table (7). Time-series regression results for test portfolios with the short-term debt default probability characteristic
|
|
CAPM |
CAPM+PMD |
q-FACTOR |
q-FACTOR +PMD |
FF6 |
FF6+PMD |
|
|
داراییهای آزمون دوگانه (25 سبد 5 5 ) بر مبانی ویژگیهای احتمال نکول بدهیهای کوتاهمدت و اندازۀ شرکت |
|||||||
|
GRS |
000/2 (0045/0) |
9683/1 (0054/0) |
3950/1 (1077/0) |
2317/1 (2138/0) |
3784/1 (1160/0) |
2339/1 (2120/0) |
|
|
|
0191/0 |
0188/0 |
0104/0 |
0090/0 |
0110/0 |
0094/0 |
|
|
|
6969/0 |
6858/0 |
3799/0 |
3278/0 |
4014/0 |
3440/0 |
|
|
|
5242/0 |
5026/0 |
1867/0 |
1397/0 |
1996/0 |
1494/0 |
|
|
داراییهای آزمون دوگانه (25 سبد 5 5 ) بر مبانی ویژگیهای احتمال نکول بدهیهای کوتاهمدت و نسبت ارزش دفتری به ارزش بازار |
|||||||
|
GRS |
1243/2 (0021/0) |
110/2 (0023/0) |
2041/1 (2377/0) |
0244/1 (4365/0) |
1921/1 (2487/0) |
0321/1 (4266/0) |
|
|
|
0174/0 |
0172/0 |
0108/0 |
0097/0 |
0110/0 |
0100/0 |
|
|
|
6723/0 |
6656/0 |
4178/0 |
3763/0 |
4282/0 |
3862/0 |
|
|
|
4910/0 |
4769/0 |
2251/0 |
1635/0 |
2265/0 |
1693/0 |
|
|
داراییهای آزمون دوگانه (25 سبد 5 5 ) بر مبانی ویژگیهای احتمال نکول بدهیهای کوتاهمدت و سرمایهگذاری |
|||||||
|
GRS |
9325/1 (0074/0) |
7076/1 (0247/0) |
5930/1 (0440/0) |
3697/1 (1236/0) |
5842/1 (0459/0) |
3843/1 (1160/0) |
|
|
|
0083/0 |
0076/0 |
0061/0 |
0053/0 |
0063/0 |
0054/0 |
|
|
|
3200/1 |
1971/1 |
9698/0 |
8343/0 |
9950/0 |
8580/0 |
|
|
|
7191/1 |
3362/1 |
0438/1 |
7501/0 |
0645/1 |
7883/0 |
|
|
داراییهای آزمون دوگانه (25 سبد 5 5 ) بر مبانی ویژگیهای احتمال نکول بدهیهای کوتاهمدت و سودآوری |
|||||||
|
GRS |
8233/1 (0123/0) |
7926/1 (0146/0) |
3577/1 (1271/0) |
1839/1 (2564/0) |
3153/1 (1523/0) |
1683/1 (2714/0) |
|
|
|
0160/0 |
0159/0 |
0103/0 |
0091/0 |
0106/0 |
0094/0 |
|
|
|
6400/0 |
6352/0 |
4110/0 |
3635/0 |
4249/0 |
3752/0 |
|
|
|
4381/0 |
4228/0 |
2533/0 |
1747/0 |
2518/0 |
1801/0 |
|
|
داراییهای آزمون سهگانه (32 سبد4 4 2 ) بر مبانی ویژگیهای اندازۀ شرکت، احتمال نکول بدهیهای کوتاهمدت و نسبت ارزش دفتری به ارزش بازار |
|||||||
|
GRS |
6397/1 (0220/0) |
6173/1 (0252/0) |
7193/0 (8661/0) |
6432/0 (9312/0) |
7091/0 (8764/0) |
6422/0 (9320/0) |
|
|
|
0184/0 |
0182/0 |
0088/0 |
0078/0 |
0094/0 |
0082/0 |
|
|
|
6875/0 |
6820/0 |
3291/0 |
2929/0 |
3512/0 |
3064/0 |
|
|
|
5302/0 |
5285/0 |
1340/0 |
1007/0 |
1441/0 |
1077/0 |
|
|
داراییهای آزمون سهگانه (32 سبد4 4 2 ) بر مبانی ویژگیهای اندازۀ شرکت، احتمال نکول بدهیهای کوتاهمدت و سرمایهگذاری |
|||||||
|
GRS |
4065/1 (0830/0) |
3833/1 (0937/0) |
3116/1 (1343/0) |
2119/1 (2130/0) |
2282/1 (1503/0) |
1970/1 (2272/0) |
|
|
|
0183/0 |
0182/0 |
0095/0 |
0087/0 |
0101/0 |
0091/0 |
|
|
|
6808/0 |
6744/0 |
3540/0 |
3255/0 |
3764/0 |
03383/0 |
|
|
|
5125/0 |
4962/0 |
1647/0 |
1272/0 |
1758/0 |
1360/0 |
|
|
داراییهای آزمون سهگانه (32 سبد4 4 2 ) بر مبانی ویژگیهای اندازۀ شرکت، احتمال نکول بدهیهای کوتاهمدت و سودآوری |
|||||||
|
GRS |
4458/1 (0673/0) |
4257/1 (0750/0) |
0864/1 (3532/0) |
0238/1 (4390/0) |
1023/1 (3329/0) |
0384/1 (4182/0) |
|
|
|
0183/0 |
0181/0 |
0090/0 |
0078/0 |
0098/0 |
0083/0 |
|
|
|
6877/0 |
6783/0 |
3406/0 |
2942/0 |
3675/0 |
3121/0 |
|
|
|
5122/0 |
4938/0 |
1679/0 |
1247/0 |
1816/0 |
1338/0 |
|
نتایج حاصل از رگرسیون سری زمانی بر روی داراییهای آزمون نشان میدهد که افزودن عامل ریسک نکول بدهیهای کوتاهمدت (PMD) به مدل تکعاملی قیمتگذاری داراییهای سرمایهای(CAPM) به بهبود دقت مدل در تبیین بازدههای مازاد منجر شده است؛ برای مثال، در مجموعهای از داراییهای آزمون که از ۲۵ سبد مرتبشده، براساس دو ویژگی اندازۀ شرکت و احتمال نکول بدهیهای کوتاهمدت تشکیل شده است، مقدار آمارۀ GRS از 2 به 9683/1 کاهش یافته است. این کاهش که در پی افزودن عامل ریسک نکول بدهیهای کوتاهمدت به مدل صورتگرفته، به افزایش سطح احتمال آزمون و رفع معناداری آمارۀ GRS منجر شده است و این تغییر نشان میدهد که مدل از کفایت لازم برای توضیح تفاوت بازدههای مازاد برخوردار شده است؛ علاوهبراین، سایر شاخصهای ارزیابی عملکرد مدل نیز این روند بهبود را تأیید میکنند. میانگین قدرمطلق عرض از مبدأ مدل ، از 0191/0 در مدل CAPM به 0188/0 در مدل تعدیلشدة CAPM+PMD کاهش یافته است. نسبت پراکندگی مقطعی بازدههای مازاد توضیح دادهنشده (( نیز از 6969/0 به 6858/0 و نسبت واریانس مقطعی بازدههای مازاد توضیح دادهنشده ( ) از 5242/0 به 5026/0 کاهش یافته است. این کاهشها نشان میدهد که مدل CAPM+PMD توانسته است بخشی از ریسک سیستماتیکی را پوشش دهد که مدل قادر به توضیح آن نبوده است و از این طریق تبیین دقیقتر و کاراتری از تفاوتهای موجود در ساختار مقطعی بازدهها ارائه کند. الگوی بهبود عملکرد مدل در سایر مجموعههای داراییهای آزمون، شامل رتبهبندیهای دوگانه و سهگانه نیز مشاهده شده است؛ بنابراین، براساس نتایج بهدستآمده، افزودن عامل نکول بدهیهای کوتاهمدت به مدل CAPM، عملکرد مدل را بهبود میبخشد و توانایی آن را در توضیح بازدۀ سهام افزایش میدهد.
نتایج حاصل از رگرسیونهای سری زمانی نشان میدهد که افزودن عامل ریسک نکول بدهیهای کوتاهمدت (PMD) به مدل چهارعاملی q-factor نیز موجب بهبود معنادار در عملکرد مدل در تبیین بازدههای مازاد داراییهای آزمون شده است؛ برای مثال، در 25 سبدی که براساس دو ویژگی اندازۀ شرکت و احتمال نکول بدهیهای کوتاهمدت تشکیل شده است، مقدار آمارۀ GRSاز 3950/1 در مدل q-factor به 2317/1 در مدل تعدیلشدة q-factor+PMD کاهش یافته است. این کاهش، همراه با افزایش سطح احتمال متناظر آزمون از 1077/0 به 2138/0، نشاندهندۀ ارتقای کفایت مدل تعدیلشده در تبیین ساختار مقطعی بازدهها است؛ علاوهبراین، سایر شاخصهای عملکردی نیز بهبود چشمگیری را نشان میدهند. میانگین قدرمطلق عرض از مبدأ در مدل پایه برابر با 0104/0 بوده که در مدل q-factor+PMD به 0090/0 کاهش یافته است. نسبت پراکندگی مقطعی بازدههای مازاد توضیح دادهنشده (( نیز از 3799/0 به 3278/0 کاهش یافته و نسبت واریانس مقطعی بازدههای مازاد توضیح دادهنشده ( ) نیز از 1867/0 به 1397/0 کاهش یافته است. این تغییرات بیانگر کاهش خطای قیمتگذاری و افزایش قدرت تبیین مدل هستند. شایان ذکر است که این روند بهبود در کلیۀ ساختارهای داراییهای آزمون، اعم از رتبهبندیهای دوگانه و سهگانه نیز مشاهده میشود. بهطورکلی، یافتهها بهروشنی نشان میدهند که افزودن عامل ریسک نکول بدهیهای کوتاهمدت به مدل q-factor به کاهش خطاهای قیمتگذاری در مدل منجر شده است.
یافتهها نشان میدهد که افزودن عامل ریسک نکول بدهیهای کوتاهمدت(PMD) به مدل ششعاملی فاما و فرنچ (FF6)، نیز به بهبود معنادار در عملکرد مدل ازنظر توان تبیین تفاوت بازدههای مازاد داراییهای آزمون منجر شده است. این بهبود نهتنها در آمارۀ آزمون GRS بلکه در سایر شاخصهای سنجش عملکرد مدل نیز مشهود است؛ برای مثال، در ۲۵ سبدی که بر مبنای ویژگیهای اندازۀ شرکت و احتمال نکول بدهیهای کوتاهمدت مرتب شده، اضافهکردن عامل PMD به مدل FF6 باعث کاهش چشمگیر در مقدار آمارۀ GRS از 3784/1 به 2339/1 شده است. این کاهش، همراه با افزایش احتمال متناظر، بیانگر بهبود کفایت مدل تعدیلشده (FF6+PMD) در تبیین ساختار مقطعی بازدههای مازاد است؛ افزونبراین، نتایج حاصل از سایر شاخصهای ارزیابی نیز این روند بهبود را تأیید میکنند. میانگین قدرمطلق عرض از مبدأ مدل ، در مدل FF6 برابر با 0110/0 بوده که پس از افزودن عامل PMD به 0094/0 در مدل FF6+PMD کاهش یافته است؛ علاوهبراین، نسبت پراکندگی مقطعی بازدههای مازاد توضیح دادهنشده (( از 4014/0 در مدل FF6 به 3440/0 در مدلFF6+PMD کاهش یافته است. نسبت واریانس مقطعی بازدههای مازاد توضیح دادهنشده ( ) نیز از 1996/0 در مدل پایه به 1494/0 در مدل تعدیلشده کاهش یافته است. کاهش این شاخصها نشاندهندۀ کاهش معنادار در خطای قیمتگذاری مدل و ارتقای قابلیت توضیحدهندگی آن است. این الگوی بهبود عملکرد مدلFF6+PMD نسبت به مدل پایه، در سایر گروههای داراییهای آزمونشده که براساس رتبهبندیهای دوگانه و سهگانه تنظیم شدهاند، نیز مشاهده میشود و بر اعتبار نتایج بهدستآمده میافزاید. این یافتهها نشان میدهد که افزودن عامل ریسک نکول بدهیهای کوتاهمدت به مدل ششعاملی فاما و فرنچ، باعث بهبود دقت و قدرت توضیحدهندگی مدل در تحلیل تفاوت بازدهی سهام در بازار سرمایه میشود.
آزمون پایداری نتایج
باتوجهبه اینکه نتایج حاصل از آزمون مدلهای قیمتگذاری ممکن است به ترکیب داراییهای آزمون حساس باشد (Fama & French, 2015, 1993)، در این بخش بهمنظور بررسی پایداری و قابلیت تعمیم نتایج، تحلیل مشابهی روی مجموعهای از داراییهای آزمون انجام شده است که فاقد متغیر احتمال نکول بدهیهای کوتاهمدت هستند. این مجموعه شامل شش دسته سبد با ساختارهای دوگانه و سهگانه بوده که از متغیرهایی نظیر اندازۀ شرکت، سرمایهگذاری، سودآوری و نسبت ارزش دفتری به ارزش بازار در طبقهبندی آنها استفاده شده است. نتایج بهدستآمده از این ارزیابیها در جدول (8) گزارش شدهاند.
جدول (8): نتایج رگرسیونهای سری زمانی برای داراییهای آزمون بدون ویژگی احتمال نکول بدهیهای کوتاهمدت
Table (8). Time-series regression results for test portfolios without the short-term debt default probability Characteristic
|
|
CAPM |
CAPM+PMD |
q-FACTOR |
q-FACTOR +PMD |
FF6 |
FF6+PMD |
|
داراییهای آزمون دوگانه (25 سبد 5 5 ) بر مبانی ویژگیهای اندازۀ شرکت و نسبت ارزش دفتری به ارزش بازار |
||||||
|
GRS |
4437/1 (0863/0) |
4240/1 (0944/0) |
6480/1 (0316/0) |
5149/1 (0616/0) |
6029/1 (0398/0) |
5005/1 (0660/0) |
|
|
0210/0 |
0205/0 |
0153/0 |
0136/0 |
0155/0 |
0138/0 |
|
|
8710/0 |
8515/0 |
6361/0 |
5662/0 |
6433/0 |
5748/0 |
|
|
7708/0 |
7405/0 |
4438/0 |
3576/0 |
4489/0 |
3654/0 |
|
داراییهای آزمون دوگانه (25 سبد 5 5 ) بر مبانی ویژگیهای اندازۀ شرکت و سرمایهگذاری |
||||||
|
GRS |
1964/1 (0244/0) |
1712/1 (2509/0) |
2709/1 (1830/0) |
2097/1 (2327/0) |
2510/1 (1982/0) |
1981/1 (2431/0) |
|
|
0206/0 |
0195/0 |
0144/0 |
0128/0 |
0147/0 |
0130/0 |
|
|
8714/0 |
8528/0 |
6070/0 |
5397/0 |
6193/0 |
5508/0 |
|
|
7696/0 |
7404/0 |
4066/0 |
3273/0 |
4185/0 |
3377/0 |
|
داراییهای آزمون دوگانه (25 سبد 5 5 ) بر مبانی ویژگیهای اندازۀ شرکت و سودآوری |
||||||
|
GRS |
2846/1 (1730/0) |
2569/1 (1936/0) |
4860/1 (0707/0) |
2860/1 (1721/0) |
4644/1 (0783/0) |
2876/1 (1710/0) |
|
|
0216/0 |
1911/0 |
0158/0 |
0142/0 |
0162/0 |
0144/0 |
|
|
8777/0 |
8584/0 |
6448/0 |
5773/0 |
6581/0 |
5889/0 |
|
|
7762/0 |
7433/0 |
4551/0 |
3631/0 |
4696/0 |
3756/0 |
|
داراییهای آزمون سهگانه (32 سبد4 4 2 ) بر مبانی ویژگیهای اندازۀ شرکت، سرمایهگذاری و نسبت ارزش دفتری به ارزش بازار |
||||||
|
GRS |
7450/1 (0114/0) |
6851/1 (0184/0) |
8380/0 (7176/0) |
7680/0 (8112/0) |
8639/0 (6799/0) |
7865/0 (7881/0) |
|
|
0181/0 |
0179/0 |
0091/0 |
0082/0 |
0096/0 |
0085/0 |
|
|
6835/0 |
5754/0 |
3441/0 |
3098/0 |
3637/0 |
3227/0 |
|
|
5385/0 |
5256/0 |
1330/0 |
1102/0 |
1480/0 |
1188/0 |
|
داراییهای آزمون سهگانه (32 سبد4 4 2 ) بر مبانی ویژگیهای اندازۀ شرکت، سودآوری و نسبت ارزش دفتری به ارزش بازار |
||||||
|
GRS |
9791/1 (0025/0) |
9179/1 (0037/0) |
9385/0 (5666/0) |
9168/0 (5998/0) |
9397/0 (5647/0) |
9150/0 (6026/0) |
|
|
0188/0 |
0186/0 |
0099/0 |
0090/0 |
0102/0 |
0092/0 |
|
|
7031/0 |
6945/0 |
3706/0 |
3358/0 |
3826/0 |
3441/0 |
|
|
5680/0 |
5404/0 |
1506/0 |
1196/0 |
1598/0 |
1251/0 |
|
داراییهای آزمون سهگانه (32 سبد4 4 2 ) بر مبانی ویژگیهای اندازۀ شرکت، سرمایهگذاری و سودآوری |
||||||
|
GRS |
4250/1 (0725/0) |
4133/1 (0801/0) |
7267/0 (8584/0) |
6477/0 (9281/0) |
7142/0 (8712/0) |
6454/0 (9297/0) |
|
|
0181/0 |
0179/0 |
0080/0 |
0073/0 |
0088/0 |
0077/0 |
|
|
6864/0 |
6736/0 |
3064/0 |
2802/0 |
3339/0 |
2945/0 |
|
|
5245/0 |
5034/0 |
1263/0 |
0909/0 |
1379/0 |
0989/0 |
نتایج حاصل از رگرسیونهای سری زمانی نشان میدهد که روند بهبود عملکرد مدلهای تعدیلشده با افزودن عامل ریسک نکول بدهیهای کوتاهمدت (PMD) در این گروه از داراییهای آزمون نیز حفظ شده است. مقایسۀ عملکرد مدلهای CAPM،q-factor و FF6 با نسخههای تعدیلشدة آنها (CAPM+PMD، q-factor+PMD FF6+PMD) نشان میدهد که گنجاندن عامل PMD در ساختار مدلها، به کاهش آماره GRS و نیز بهبود شاخصهایی مانند میانگین قدرمطلق عرض از مبدأ و نسبتهای پراکندگی و واریانس مقطعی بازدههای مازاد توضیح دادهنشده منجر شده است. این الگوی بهبود عملکرد در هر دو نوع ساختار رتبهبندی داراییهای آزمون، اعم از رتبهبندیهای دوگانه (۵×۵) و سهگانه (۲×۴×۴)، مشاهده میشود و بیانگر آن است که اثرگذاری عامل PMD صرفاً به داراییهای آزمونی محدود نمیشود که در ساختار رتبهبندی آنها متغیر احتمال نکول بدهیهای کوتاهمدت لحاظ شده است؛ بلکه این عامل در شرایطی که داراییها براساس ویژگیهای بنیادی نظیر اندازۀ شرکت، سرمایهگذاری، سودآوری و نسبت ارزش دفتری به ارزش بازار نیز طبقهبندی شدهاند، همچنان نقش مؤثری در ارتقای توان تبیینی مدلها ایفا میکند؛ برایناساس، میتوان نتیجه گرفت که مدلهای تعدیلشده حاوی عامل PMD، ازلحاظ تجربی پایدار هستند و قابلیت تعمیمپذیری آنها در مواجهه با ترکیبهای متفاوت داراییهای آزمون تأیید میشود.
بحث و نتیجهگیری
ریسک نکول بدهیهای کوتاهمدت، بهعنوان یکی از ابعاد کلیدی ریسک اعتباری، نقش مهمی در ثبات مالی نهادهای اقتصادی و کارایی بازارهای سرمایه ایفا میکند. این نوع ریسک عمدتاً ناشی از وابستگی شرکتها به تأمین مالی کوتاهمدت و چالشهای مرتبط با تجدید بدهی است که میتواند تأثیر بسزایی بر بازدۀ سهام داشته باشد؛ بااینحال، مدلهای سنتی قیمتگذاری داراییها عموماً این بعد از ریسک را در ساختار خود لحاظ نکردهاند که این امر میتواند به کاهش دقت این مدلها در ارزیابی صحیح بازدۀ مورد انتظار سهام منجر شود. در راستای رفع این خلأ نظری، پژوهش حاضر به معرفی و تبیین ریسک نکول بدهیهای کوتاهمدت بهعنوان عامل جدیدی در چارچوب مدلهای چندعاملی قیمتگذاری داراییها پرداخته و نقش آن را در افزایش قدرت توضیحدهندگی این مدلها بررسی کرده است. برای دستیابی به این هدف، دادههای شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران و فرابورس ایران طی دورۀ زمانی ۱۳۸۳ تا ۱۴۰۲ گردآوری شده است و پس از اعمال معیارهای غربالگری، ۳۳۵ شرکت بهعنوان نمونة آماری انتخاب شدهاند. در این پژوهش، بهمنظور سنجش ریسک نکول بدهیهای کوتاهمدت، از مدل گسک (Geske, 1977) بهره گرفته شده است که نسخهای توسعهیافته از مدل مرتون (Merton, 1974) و مبتنیبر روش ارزشگذاری اختیار معاملات مرکب است؛ در این راستا، ابتدا احتمال نکول بدهیهای کوتاهمدت شرکتها با بهرهگیری از روشهای عددی برآورد شده و در ادامه، عامل ریسک نکول بدهیهای کوتاهمدت بهعنوان تفاوت میان بازدۀ سهام شرکتهای دارای احتمال نکول زیاد و کم تعریف شده است. این عامل جدید به سه مدل شناختهشدة قیمتگذاری داراییها، شامل مدل قیمتگذاری داراییهای سرمایهای (CAPM)، مدل چهارعاملیq فاکتور و مدل ششعاملی فاما و فرنچ، افزوده شده و با اجرای رگرسیونهای سری زمانی، میزان تأثیر آن بر قدرت تبیین این مدلها ارزیابی شده است.
در گام نخست، تحلیلهای تجربی بر مجموعهای از داراییهای آزمون انجام شد که ویژگی احتمال نکول بدهیهای کوتاهمدت در آنها لحاظ شده بود. در نظر گرفتن این ویژگی، بهدلیل نقش مهم آن در بازتاب بهتر ریسک اعتباری، امکان تبیین دقیقتری از رابطه میان ریسک و بازدۀ سهام فراهم آورد؛ بااینوجود، بهمنظور سنجش پایداری نتایج و ارزیابی میزان قابلیت تعمیم آنها، تحلیلهای مشابهی نیز بر داراییهایی انجام شد که فاقد این ویژگی بودند. این رویکرد، امکان بررسی عملکرد مدلهای تعدیلشده در ترکیبهای مختلف داراییهای آزمون را فراهم ساخت و از وابستگی نتایج به یک ساختار خاص نمونه جلوگیری کرد. بهمنظور ارتقای دقت تحلیلها، در هریک از این مجموعهها از روشهای رتبهبندی دوگانه و سهگانه برای تفکیک و تحلیل داراییهای آزمون نیز بهره گرفته شده است.
نتایج حاصل از پژوهش نشان میدهد که افزودن این عامل به تمامی مدلهای بررسیشده، شامل مدلهای قیمتگذاری داراییهای سرمایهای (CAPM)، مدل q فاکتور و شش عاملی فاما و فرنچ، موجب افزایش قدرت توضیحی این مدلها در تبیین بازدۀ سهام شده است. این بهبود در هر دو ساختار داراییهای آزمون، در حضور ویژگی احتمال نکول بدهیهای کوتاهمدت و نیز در فقدان آن، بهطور آشکار مشاهده میشود. بهطور مشخص، شاخصهای ارزیابی عملکرد مدلها نشان میدهد که افزودن عامل ریسک نکول بدهیهای کوتاهمدت به مدلهای قیمتگذاری داراییها به کاهش معیارهای ارزیابی عملکرد منجر شده است؛ ازجمله آماره GRS، میانگین قدرمطلق عرض از مبدأ ( )، نسبت پراکندگی مقطعی بازدههای مازاد توضیح دادهنشده (( و نسبت واریانس مقطعی بازدههای مازاد توضیح دادهنشده ( ). کاهش این معیارها دلالت بر افزایش دقت مدلهای تعدیلشده با عامل ریسک نکول بدهیهای کوتاهمدت در تبیین بازدۀ سهام است. این بهبود معنادار در عملکرد مدلها در دو دستۀ داراییهای آزمون، دلالت بر آن دارد که اثرگذاری ریسک نکول بدهیهای کوتاهمدت فقط محدود به ویژگیهای خاص شرکتها نیست و این عامل واجد ماهیتی سیستماتیک است.
نتایج پژوهش بهروشنی نشان میدهد که این نوع از ریسک، برخلاف ریسکهای خاص که ازطریق تنوعبخشی در سبد قابلحذفاند، بهعنوان مؤلفهای مشترک و فراگیر در بازار عمل میکند و ازاینرو قابلتنوعبخشی نیست. در شرایطی که ساختار مالی شرکتها در بازار سرمایۀ ایران بهشدت مبتنیبر بدهیهای کوتاهمدت است و سهم تأمین مالی ازطریق سهام اندک باقیمانده، تغییرات در میزان ریسک نکول بهسرعت در سطح بازار منتشر میشود و انتظارات سرمایهگذاران را متأثر میسازد. این واکنش بازار، در قالب نوسانات پایدار در بازدهی سهام نمایان میشود و سبب میشود تا ریسک نکول بدهیهای کوتاهمدت، بهعنوان منبعی درخورتوجه برای تبیین رفتار بازدهی مقطعی سهام شناخته شود؛ برایناساس، نتایج پژوهش حاضر مؤید آن است که عامل نکول بدهیهای کوتاهمدت، نهتنها باید در مدلهای نظری قیمتگذاری داراییها گنجانده شود، بلکه در تحلیلهای کاربردی بازار سرمایۀ ایران نیز بهعنوان متغیری کلیدی در مدیریت ریسک و پیشبینی بازده موردتوجه قرار گیرد.
باتوجه به نتایج این پژوهش، پیشنهاد میشود که سرمایهگذاران و مدیران سبد، ریسک نکول بدهیهای کوتاهمدت را بهعنوان عامل کلیدی در تحلیل ریسک و بازده مدنظر قرار دهند و رویکردهای سرمایهگذاری خود را براساس این عامل، اصلاح و بهینهسازی کنند. در سطح سیاستگذاری، اتخاذ تدابیری برای ارتقای ثبات مالی و کاهش ریسک نکول بدهیهای کوتاهمدت ازسوی نهادهای مالی و سیاستگذاران اقتصادی توصیه میشود. از جملۀ اقدامات کلیدی در این راستا، افزایش شفافیت اطلاعات اعتباری شرکتها ازطریق افشای دقیقتر ساختار بدهیهای کوتاهمدت، ارزیابی احتمال نکول و تسهیل دسترسی به منابع تأمین مالی جایگزین است. این اقدام میتواند به تقویت ثبات مالی و افزایش کارایی بازارهای مالی منجر شود؛ علاوهبراین، تقویت مکانیسمهای نظارتی و مدیریت ریسک نکول ازطریق وضع مقررات کنترلی بر سطح بدهیهای کوتاهمدت، تعیین سقفهای اعتباری و ایجاد مشوقهایی برای تأمین مالی بلندمدت توسط شرکتها، نقش مهمی در کاهش وابستگی بنگاههای اقتصادی به بدهیهای پرریسک و بهبود ثبات مالی ایفا خواهد کرد. همچنین، توسعۀ ابزارهای تأمین مالی جایگزین، ازجمله انتشار اوراق بدهی شرکتی، بهرهگیری از تأمین مالی جمعی و استفاده از ابزارهای مشتقه اعتباری میتواند راهکاری مؤثر برای کاهش ریسک نکول و بهبود نقدینگی شرکتها باشد درنهایت، ایجاد و بهرهبرداری از سیستمهای پایش مستمر وضعیت اعتباری شرکتها با استفاده از مدلهای پیشرفتۀ سنجش ریسک نکول، نظیر مدل گسک میتواند به افزایش دقت ارزیابیهای اعتباری و پیشگیری از بحرانهای نقدینگی کمک کند.
علاوهبراین، پژوهش حاضر مسیرهای جدیدی را نیز برای مطالعات آتی پیشنهاد میکند که میتواند به توسعۀ چارچوبهای تحلیلی در حوزۀ مدیریت ریسک و مدلهای قیمتگذاری داراییها کمک کند: نخست، بررسی میزان حساسیت صنایع مختلف به ریسک نکول بدهیهای کوتاهمدت و مقایسۀ اثرات آن در بخشهای گوناگون اقتصادی میتواند به شناخت دقیقتر پویاییهای بازار سرمایه و میزان آسیبپذیری صنایع در برابر این نوع ریسک منجر شود؛ علاوهبراین، تحلیل اثر بحرانهای مالی و نوسانات اقتصادی بر رابطۀ میان ریسک نکول بدهیهای کوتاهمدت و بازدۀ سهام میتواند درک بهتری از رفتار سرمایهگذاران در شرایط عدم اطمینان اقتصادی فراهم کند و دقت مدلهای پیشبینی ریسک و بازده را افزایش دهد؛ افزون بر این، مطالعۀ تعامل میان ریسک نکول بدهیهای کوتاهمدت و سایر عوامل اقتصاد کلان، ازجمله نرخ بهره، تورم، نقدشوندگی و نوسانات نرخ ارز میتواند به طراحی مدلهای جامعتر برای ارزیابی ریسک و بازده منجر شود و دیدگاه دقیقتری به تأثیرات متقابل این متغیرها ارائه دهد؛ درنهایت، توسعۀ مدلهای دینامیک قیمتگذاری داراییها که بهطور همزمان ریسک نکول بدهیهای کوتاهمدت و سایر متغیرهای کلان اقتصادی را در نظر بگیرد، میتواند به بهبود چارچوبهای تحلیلی پیشرفته در مدیریت سرمایهگذاری و سیاستگذاری مالی کمک کرده و امکان تدوین استراتژیهای کارآمدتر را برای فعالان بازار سرمایه فراهم کند.
[1] Credit default Sawp
[2] Capital Asset Pricing Model
[3] Compound Option
[4] Risk-Return Tradeoff
[5] Distress Puzzle
[6] Distance to Default
[7] Book-to-Market Ratio
[8] Rollover Risk Hypothesis
[9] Asset Substitution Hypothesis
[10]Matlab
[11] Python
[12] Itô’s Lemma
[13] Spearman Correlations
)