مهدی بستان آراء

بسیاری از پژوهش ها در علم مالی بر پیش بینی دقیق بازده شرکت ها با در نظر داشتن ریسک سرمایه گذاری در سهام آن ها تمرکز داشته اند. هدف این پژوهش،بررسی امکان توضیح بازده غیرعادی(تفاوت بازده مورد انتظار حاصل از مدل قیمت گذاری دارایی های سرمایه ای و بازده واقعی) بااستفاده ازنسبت های مالی وانتخاب ابزاربهتر برای پیش بینی آن از بین دومدل رگرسیون چندگانه با رویکرد تحلیل مؤلفه های اصلی (PCA) وشبکه های عصبی مصنوعی(ANN) است. بر این اساس توانایی مدل شبکه های عصبی مصنوعی پیش خور با الگوریتم پس انتشار خطا (BPN) در پیش بینی برون نمونه ایِ بازده غیرعادی سهام مورد معامله در بورس اوراق بهادار تهران در سال های 1384 تا 1391 به طور معناداری بیشتر از توانایی رگرسیون خطی با رویکرد تحلیل مؤلفه های اصلی بوده است.

عدم یکپارچگی کشورها از نظر ساختار مدل های قیمت گذاری فاما فرنچ و کارهارت در مطالعات پیشین اثبات شده است. در این پژوهش، شش ترکیب مختلف برای عوامل ریسک مدل های فاما فرنچ و کارهارت (از حیث وجود عامل مومنتوم، تفکیک اثرات برای شرکت های کوچک و بزرگ و وجود وزن در ساختار فاکتورها) بر روی نه طیف گوناگون از پرتفولیوهای آزمون (به ویژه برای شرکت های بزرگ)، در رویه رگرسیون سری زمانی و رویه رگرسیون مقطعی فاما مک بث (جداگانه با کل نمونه و با پنجره های زمانی غلتانِ 60 ماهه) در بورس تهران، از مهر 1389 تا اسفند 1396 آزمون شده اند. بنا بر یافته ها، معناداری اثر مومنتوم در توضیح پراکندگی میانگین بازده ها اکثراً معنادار بوده است. همچنین، صرف ریسک های محاسبه شده برای عامل بازار عموماً برای طیف های حاصل از مرتب سازی شرکت ها برحسب انحراف معیارِ بازده معنادار بوده اند و در صورت محاسبه با بتاهای مبتنی بر کل اطلاعات پژوهش (90 ماه) توضیح دهندگی بهتری داشته اند. در خصوص عامل ارزشی رشدی، در بین شرکت های بزرگ برعکس عامل ارزشی رشدی، بازده شرکت های رشدی بیشتر از شرکت های ارزشی بوده است و عامل ارزشی رشدی موزونِ خاص شرکت های بزرگ معنادارترین بدیل این عامل برای توضیح پراکندگی بازده های میانگین بوده اند. برای عامل اندازه شرکت، تنها پس از حذف داده های سال 1396 صرف ریسک های معنادار پدیدار شده اند.