پيش‌بيني درآمد در مدل انتخاب سهام جهاني و ايجاد و مديريت يك پورتفوليوي كارآمد

Earnings Forecasting in a Global Stock Selection Model and Efficient Portfolio Construction and Management

مدل‌هاي انتخاب سهام اغلب از انتظارات تحليلگران، گشتاور و داده‌‌هاي اساسي استفاده مي‌كند. براي مدل‌سازي مركب با استفاده از اين منابع داده‌‌ها براي سهام جهاني در طول دوره 1997-2011 پشتيباني‌ها و تاييداتي به دست آمد. همچنين شواهدي جهت پشتيباني استفاده از مدل‌هاي چندعاملي (سانگارد اي پي تي ) و (اكسيما) براي ساخت پورتفوليو و كنترل ريسك دست يافتيم. پورتفوليوهايي براي ژانويه 1997 تا دسامبر 2011 ايجاد كرديم و به سه نتيجه رسيديم كه از اين قرارند: (1) اطلاعات پيش بيني تحليل گران توسط بازار جهاني، از ژانويه 1997 تا دسامبر 2011 تأييد و تحسين شد؛ (2) پيش‌بيني‌هاي تحليلگران را مي‌توان با داده‌‌هاي پايه مانند درآمدها، ارزش دفتري، جريان نقدي و فروش و همچنين با گشتاور، در مدل انتخاب سهام جهت تشخيص سهام هايي كه به درستي قيمت گذاري نشده اند، تركيب نمود؛ و (3) بازده پورتفوليوهاي چندعاملي كه ريسك آن ها كنترل شده است، اين امكان را مي‌دهد كه فرضيه صفر در مورد آزمون اصلاح داده كاوي را رد نماييم. متغير پيش‌بيني درآمدها مدل تركيبي ما را از لحاظ تأثير آن بر انتخاب سهام پر اهميت تر مي نمايد.

Stock selection models often use analysts’ expectations, momentum, and fundamental data. We find support for composite modeling using these sources of data for global stocks during the period 1997–2011. We also find evidence to support the use of SunGard APT and Axioma multi-factor models for portfolio construction and risk control. Three levels of testing for stock selection and portfolio construction models are developed and estimated. We create portfolios for January 1997–December 2011. We report three conclusions: (1) analysts’ forecast information was rewarded by the global market between January 1997 and December 2011; (2) analysts’ forecasts can be combined with reported fundamental data, such as earnings, book value, cash flow and sales, and also with momentum, in a stock selection model for identifying mispriced securities; and (3) the portfolio returns of the multi-factor risk-controlled portfolios allow us to reject the null hypothesis for the data mining corrections test. The earnings forecasting variable dominates our composite model in terms of its impact on stock selection.