مقايسه مدل قيمت گذاري دارايي سرمايه‌ اي شرطي با بتاي متغير نسبت به زمان، از طريق مدل قيمت گذاري دارايي سرمايه اي استاندارد

Analysis of Conditional Capital Asset Pricing Model with Time Variant Beta using Standard Capital Asset Pricing Model

هدف: هدف اين مطالعه، بررسي توان مدل capm شرطي مبتني بر بتاي متغير نسبت به زمان در مقايسه با مدل capm استاندارد، به منظور يافتن مدل مناسب براي تبيين بازده مورد انتظار سهام است.روش: با استفاده از داده هاي ماهانه و به كمك روشcapm استاندارد و روش هاي ناهمساني واريانس شرطي چند متغيره، بتاي شركت هاي داخل نمونه برآورد شد. بر اساس اين دو روش و به منظور بررسي عملكرد خارج از نمونه، بازده مورد انتظار سال بعد براي هر دو مدل محاسبه گرديد و با حذف 12 ماه از بالا و اضافه كردن 12 ماه بعد، فرايند قبل براي سال هاي بعدي تا انتهاي دوره زماني تحقيق تكرار شد، سپس دقت هر يك از مدل‌هاي ياد شده با استفاده از معيار ميانگين قدر مطلق خطا و ميانگين مجذور خطا بررسي و مقايسه گرديد.يافته ها: فرضيه هاي تحقيق با استفاده از آزمون مقايسه زوجي و دايبولد ماريانو، بررسي شدند و نتايج آزمون فرضيه‌ها بر اساس معيارهاي ميانگين قدر مطلق خطا و ميانگين مجذور خطا ارائه شد. نتايج نشان داد كه بر اساس هر دو معيار ميانگين قدر مطلق خطا و ميانگين مجذور خطا، مدل‌هاي capm شرطي چه بر مبناي مدل bekk قطري و چه مبناي مدل bekk مرتبه كامل، نسبت به مدل capm استاندارد عملكرد بهتري دارند.نتيجهگيري: با توجه به يافته هاي بيان شده و قدرت پيشبيني بهتر قيمت‌گذاري دارايي سرمايه‌اي شرطي بر مبناي مدل bekk مرتبه كامل و bekk قطري از لحاظ معيارهاي ميانگين قدر مطلق خطا و ميانگين مجذور خطا نسبت به مدل قيمت‌گذاري دارايي سرمايه‌اي استاندارد، جايگزيني اين مدل ها به جاي مدل استاندارد دقت بالاتري ارائه ميدهد.

Objective: The aim of the present study is to analyze and test the power of Conditional Capital Asset Pricing Model (CAPM) with Time Variant Beta against Standard Capital Asset Pricing Model to find the better model to explain expected return of stocks. Methods: Using monthly data, beta value was estimated using standard CAPM and Multivariate GARCH methods for companies included in the statistical sample. Based on these two methods, the expected returns of the next year to test out-of-sample performance were calculated by eliminating 12 months from the top and adding 12 months from the bottom. The same process was repeated for the following years. Then, the accuracy of each of these models was examined using criteria MAE and MSE. Results: Using paired t-test and Diebold-Mariano test, we tested the research hypotheses and the results were presented based on MAE and MSE indices. The results showed that according to both criteria in MAE and MSE, the conditional CAPM models, whether based on full rank BEKK or diagonal BEKK, can have better performance than the standard CAPM model. Conclusion: Regarding the findings and better predictive power of conditional CAPM based on full rank BEKK and/or diagonal BEKK, in terms of MAE and MSE criteria, replacing the standard model with these models can result in higher accuracy.