برآورد پوياي ريسك سيستماتيك بازدهي قيمت سهام صنعت خودرو و ساخت قطعات بر اساس مدل هاي چندمتغيره ناهمسان واريانس و حالت- فضا

Dynamic Estimation of Capital Asset Pricing Model based on Dynamic General Equilibrium Framework: Application of MGARCH and State-Space Models

اين مقاله تخمين پويا از مدل قيمت گذاري دارايي هاي سرمايه اي بر پايه دو مدل چند متغيره ناهمسان واريانس همبستگي شرطي پويا (DCC-MGARCH ) و حالت فضا در چارچوب تصميمات بهينه پوياي بخش خانوار طي ادوار زندگي ارايه مي دهد. در اين راستا براي داده هايي روزانه از سهام صنعت خودرو و ساخت قطعات در دوره اي 5 ساله از سال 1385 تا آخر تير ماه سال 1391، سري زماني شاخص ريسك بتا در قالب مدل هاي DCC-MGARCH و حالت- فضا با مدل رگرسيون خطي كه شاخص بتا را به صورت ثابت تخمين مي زند، مقايسه شده است. نتايج بدست آمده از پيش بيني بازدهي بازدهي قيمت سهام بر اساس مدل قيمت گذاري دارايي هاي سرمايه اي نشان مي دهد كه مدل DCC داراي خطاي كمتري بر اساس گشتاور ريشه دوم ميانگين مجذور خطاها نسبت به مدل هاي رقيب در پيش بيني خارج از نمونه بازدهي قيمت سهام صنعت خودرو و ساخت قطعات است. با اين حال در برازش داخل نمونه اي، مدل فيلتر كالمن از دقت بالاتري برخوردار است.

This study provides a dynamic estimation of Capital Asset Pricing Model in optimal dynamic household decisions during its life cycle based on Dynamic Conditional Correlation (DCC) and State-Space Models. In this regard, for daily time series data of Vehicle and parts manufacturing stock price for the period of 2006 to the end of sixth month of 2011, dynamic estimation of Beta-index time series which obtained from DCC and State-Space models has been compared with static linear regression model. The results show that the DCC model has minimum error in out-of-sample forecasting of stock returns based on Root Mean Square Error (RMSE) criterion. However, state-space model has minimum error for in-sample forecasting based on RMSE criterion.