مقایسه قدرت توضیح‌دهندگی مدل‌های خطی و غیرخطی به منظور پیش‌بینی بازده مورد انتظار سهام

یکی از مباحث چالش‌برانگیز در حوزه مالی و حسابداری ایجاد تعادل میان بازده و ریسک است. بنابراین، شناسایی روندهای حرکتی بازده سهام جهت پیش‌بینی آن در آینده برای بازار حائز اهمیت است. اگرچه تمرکز بیش‌تر پژوهش‌ها در زمینه تغییرات بازده سهام مبتنی بر بکارگیری مدل‌های خطی بوده است اما شواهد اندکی در رابطه با این موضوع وجود دارد که نوسان بازدهی سهام ممکن است از الگوهای غیرخطی نیز پیروی نماید. به همین جهت، این پژوهش درصدد است تا به مقایسه قدرت توضیح‌دهندگی مدل‌های خطی و غیرخطی بازده مورد انتظار سهام بپردازد. در این راستا، اطلاعات مربوط به 102 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های 1388 تا 1398 مورد تجزیه و تحلیل قرار گرفته است. نتایج بیانگر این است که در بین مدل‌های خطی، ضرایب متغیرهای بازار، اندازه و ارزش در مدل کارهارت بالاتر از ضرایب سایر مدل‌های مورد استفاده بوده است. نتایج مربوط به برآورد مدل‌های غیرخطی نشان داد که مدل‌های خود توضیحی آستانه‌ای نسبت به مدل‌های انتقال هموار لجستیک از ضرایب بالاتر برخودار هستند. همچنین با استفاده از آزمون همسانی مقایسه میانگین‌ها، نتایج بیانگر این بوده است که مدل غیرخطی خود توضیحی آستانه‌ای مبتنی بر حجم معاملات (tarvol) کم‌ترین خطای استاندارد میانگین را داشته است که نتیجه بیانگر دقت بیش‌تر این مدل در تبیین بازده سهام می‌باشد. نتایج آزمون مدل کارهارت نشان می‌دهد که ضریب متغیر عامل بازار 1.2 و از لحاظ آماری معنادار است. لذا به ازای یک واحد تغییر در عامل بازار، بازده اضافی سهام به میزان 1.2 در جهت مستقیم تغییر می‌یابد. بنابراین، هر چه میانگین بازده بازار نسبت به بازده بدون ریسک به عنوان معیار عامل بازار بیش تر باشد، بازده اضافی سهام نیز افزایش می یابد. نتایج مربوط به برآورد مدل های غیرخطی نیز نشان می دهد، مدل های خود توضیح آستانهای نسبت به مدل های انتقال هموار لجستیک از ضرایب بالاتر برخودار هستند. بدین صورت که در مدل خود توضیح آستانه ای وقفه بازده سهام و وقفه نسبت گردش حجم معاملات از آستانه بالاتری برخودار هستند

Comparison of explanatory power of linear and nonlinear models predicts expected stock returns

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.