ويژگي‌هاي موثر در پيش‌بيني ريسك غيرسيستماتيك

The Effective Characteristics in Predicting Idiosyncratic Risk

در پژوهش حاضر تأثير ويژگي‌هاي خاص شركت بر ريسك غير‌سيستماتيك اوراق بهادار با هدف تببين توان توضيحدهندگي اين ويژگي‌ها به عنوان پيش‌بيني‌كننده‌هاي ريسك غير‌سيستماتيك در بورس اوراق‌بهادار تهران طي سال‌هاي 1388 تا 1395 مورد ‌بررسي قرار گرفته است. جهت بررسي قدرت پيش‌بيني ويژگي‌هاي اندازه، نسبت ارزش دفتري به ارزش بازار، گردش سهام، اهرم بازاري، سود هر سهم، مالكيت نهادي از دو رويكرد رگرسيون فاما-مك‌بث و تحليل پرتفوي استفاده شده است. نتايج حاصل رگرسيون فاما-مك‌بث نشان مي‌دهد كه تنها ويژگي‌هاي گردش سهام و اندازه قادر به تبيين تفاوت در ريسك غيرسيستماتيك مقطعي اوراق‌بهادار هستند. نتايج رويكرد تحليل پرتفوي نيز مويد قوت نتايج رگرسيون فاما-مك‌بث مي‌باشد. بدين صورت كه ويژگي‌هاي اندازه و گردش سهام به ترتيب رابطه منفي و مثبتي با ريسك غير‌سيستماتيك دارند. بنابراين نتايج حاكي از آن است كه ويژگي‌هاي گردش سهام و اندازه مي‌توانند به عنوان پيش‌بيني‌كننده‌هاي خوبي براي ريسك غيرسيستماتيك در تجزيه‌وتحليل سرمايه‌گذاري مورد استفاده قرار گيرند.

In this study, the effect of firm characteristics on idiosyncratic risk of securities with the aim of explaining explanatory power of these characteristics as idiosyncratic risk predictors in Tehran Stock Exchange during the period 2009–2017 has been investigated. In order to investigate the predictive power of size, book-to-market, share turnover, market leverage, earning per share and institutional ownership characteristics, the Fama-MacBeth regression and portfolio analysis were used. The results of the Fama-MacBeth regression show that only firm size and share turnover characteristics are able to explain well the differences in idiosyncratic risk across securities. Also the results of Portfolio Analysis confirm the robustness of the Fama-MacBeth regression results. So that, the characteristics of share turnover and size positively and negatively related to idiosyncratic risk, respectively. Therefore, results indicate that share turnover and size can be useful in the investment analysis as good predictors for forecasting idiosyncratic risk.