مقایسه قدرت توضیح‌دهندگی مدل‌های خطی در پیش‌بینی بازده مورد انتظار سهام

یکی از مباحث چالش‌برانگیز در حوزه مالی و حسابداری ایجاد تعادل بین بازده و ریسک می‌باشد. 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، 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 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 این 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. به بیان دیگر 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 بیش‌تر باشد، بازده اضافی سهام نیز افزایش می‌یابد.

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

1IntroductionThe present study is an applied research in terms of purpose and semiexperimental postevent research in the field of positive accounting research in terms of purpose of data collection, which has been done using multivariate regression method and econometric models. 2 HypothesesH1. There is a significant difference between the explanatory power of linear models to explain stock returns.H2. There is a significant difference between the predictive models of explanatory power of expected stock returns. 3 MethodThe statistical population studied in this research consists of companies listed on the Tehran Stock Exchange during the years 2009 to 1398 and the selected sample of the research are companies. The research method in the present study is systematic elimination or screening according to which 102 companies were selected from the Tehran Stock Exchange companies for the final analysis. In collecting data, new entry software and Cadal system and website related to the stock exchange were used. Hypothesis testing was performed after collecting the required data with the help of Ives software version 10. 4 ResultsThe results showed that among the linear models in Karhart model, the coefficients of market variables, size and value were higher than the coefficients of other models used. This finding is consistent with the results of research conducted by Iman and Zamani (1396). The findings also indicate that after the Carhart model, the 5factor model of Fama and French has a higher explanatory power than other linear models. This finding is also consistent with the research of Salehi et al. (2015), Bozorg Asl and Masjid Mousavi (2015), Rezaei Dolatabadi and Yousefan (2015), Bakhshaish et al. (2015), Mousawa et al. (2018). In general, the results indicate that the use of investment and profitability factors has led to an increase in explanatory power in explaining stock returns. 5 Discussion and ConclusionIn general, regarding the comparison between linear methods and their compatibility with the economic environment in Iran, the results indicate that among the linear models, Karhart model has a higher power to explain the expected return on stocks and the findings of this study with Imani and Pourzamani (1396) research are consistent.Thus, among the linear models, the Carhart model has a higher power to explain the expected stock returns. In addition, the results and findings indicate that the addition of two profitability indices and investment index to the Fama and French threefactor model increases the power and strength of the model in explaining and explaining the stock returns of companies.These results can increase the understanding, awareness and knowledge of investors and capital market researchers to explain the expected return on stocks. Investors are encouraged to consider factors such as liquidity, amount of investment, market factor, company size, and company value when deciding and forecasting expected stock returns. Keywords: expected returns, models predicting expected returns