مقايسه قدرت توضيح‌دهندگي مدل‌هاي خطي در پيش‌بيني بازده مورد انتظار سهام

Comparison of explanatory power of linear in models predicts expected stock returns

يكي از مباحث چالش‌برانگيز در حوزه مالي و حسابداري ايجاد تعادل بين بازده و ريسك مي‌باشد. بنابراين، شناسايي روندهاي حركتي بازده سهام جهت پيش‌بيني آن در آينده براي بازار حائز اهميت است. اگرچه تمركز بيش‌تر پژوهش‌ها در زمينه تغييرات بازده سهام مبتني بر بكارگيري مدل‌هاي خطي بوده است اما شواهد اندكي در رابطه با اين موضوع وجود دارد كه نوسان بازدهي سهام ممكن است از الگوهاي غيرخطي نيز پيروي نمايد. به همين جهت، در اين راستا، اطلاعات مربوط به 102 شركت پذيرفته شده در بورس اوراق بهادار تهران طي سال‌هاي 1388 تا 1398 مورد تجزيه و تحليل قرار گرفته است. نتايج مربوط به برآورد مدل‌هاي غيرخطي نشان داد كه مدل‌هاي خود توضيحي آستانه‌اي نسبت به مدل‌هاي انتقال هموار لجستيك از ضرايب بالاتر برخودار هستند. همچنين با استفاده از آزمون همساني مقايسه ميانگين‌ها، نتايج بيانگر اين بوده است كه مدل غيرخطي خود توضيحي آستانه‌اي مبتني بر حجم معاملات (TARVOL) كم‌ترين خطاي استاندارد ميانگين را داشته است كه اين نتيجه بيانگر دقت بيش‌تر اين مدل در تبيين بازده سهام مي‌باشد. نتايج آزمون مدل كارهارت نشان مي‌دهد كه ضريب متغير عامل بازار 1.2 و از لحاظ آماري معنادار است. به بيان ديگر به ازاي يك واحد تغيير در عامل بازار، بازده اضافي سهام به ميزان 1.2 در جهت مستقيم تغيير مي‌يابد. بنابراين، هر چه ميانگين بازده بازار نسبت به بازده بدون ريسك به عنوان معيار عامل بازار بيش‌تر باشد، بازده اضافي سهام نيز افزايش مي‌يابد.

One of the most challenging topics in finance and accounting is balancing returns and risk. If so, it is important for the market to identify trends in stock returns to predict the future. Although most research on stock return changes has been based on the use of linear models, there is little evidence that stock return fluctuations may follow nonlinear patterns. Therefore, this study seeks to compare the explanatory power of linear and nonlinear models of expected stock returns. In this regard, information about 102 companies listed on the Tehran Stock Exchange during the years 2009 to 2019 has been analyzed. The results showed that among the linear models, the coefficients of market variables, size and value in the Karhart model were higher than the coefficients of other models used. The results of estimating nonlinear models showed that threshold self-explanatory models have higher coefficients than smooth logistic transmission models. Also, using the homogeneity test of mean averages, the results indicate that the nonlinear self-explanatory threshold model based on trading volume (TARVOL) had the lowest standard mean error, which indicates that this model is more accurate in explaining stock returns.