سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,230
تعداد مقالات67,766
تعداد مشاهده مقاله115,218,420
تعداد دریافت فایل اصل مقاله89,965,016
کافی, پریسا, عیوضلو, رضا, آسیما, مهدی. (1401). عملکرد مدل‏ نیمه‌پارامتریک قیمت‌گذاری دارایی در بورس اوراق بهادار تهران. , 24(3), 375-390. doi: 10.22059/frj.2021.327085.1007215
پریسا کافی; رضا عیوضلو; مهدی آسیما. "عملکرد مدل‏ نیمه‌پارامتریک قیمت‌گذاری دارایی در بورس اوراق بهادار تهران". , 24, 3, 1401, 375-390. doi: 10.22059/frj.2021.327085.1007215
کافی, پریسا, عیوضلو, رضا, آسیما, مهدی. (1401). 'عملکرد مدل‏ نیمه‌پارامتریک قیمت‌گذاری دارایی در بورس اوراق بهادار تهران', , 24(3), pp. 375-390. doi: 10.22059/frj.2021.327085.1007215
کافی, پریسا, عیوضلو, رضا, آسیما, مهدی. عملکرد مدل‏ نیمه‌پارامتریک قیمت‌گذاری دارایی در بورس اوراق بهادار تهران. , 1401; 24(3): 375-390. doi: 10.22059/frj.2021.327085.1007215

عملکرد مدل‏ نیمه‌پارامتریک قیمت‌گذاری دارایی در بورس اوراق بهادار تهران

تحقیقات مالی
دوره 24، شماره 3، 1401، صفحه 375-390    اصل مقاله (421.55 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/frj.2021.327085.1007215
نویسندگان
پریسا کافی* 1؛ رضا عیوضلو2؛ مهدی آسیما3
1کارشناس ارشد، گروه اقتصاد، دانشکده اقتصاد، دانشگاه علامه طباطبائی، تهران، ایران.
2استادیار، گروه مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
3دکتری، گروه مالی و بیمه، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
چکیده
هدف: در مدل‌های قیمت‌گذاری دارایی، به‌طور سنتی فرض شده است که میان بازده و متغیرهای توضیح‌دهنده، رابطه خطی وجود دارد؛ بنابراین در محیط غیرخطی، تخمین ضرایب این مدل ناسازگار و اریب‌ دار است. در این پژوهش قدرت پیش‌بینی مدل پنج‌عاملی فاما و فرنچ غیرخطی و خطی، در بازه زمانی فروردین‏ 1389 تا اسفند 1398 ارزیابی شده است.
روش: برای برآورد بازده موردانتظار به‌روش غیرخطی، از مدل پنج‌عاملی فاما و فرنچ نیمه‌پارامتریک استفاده شده است. در مدل دوم، بازده موردانتظار از مدل پنج‌عاملی فاما و فرنچ به‌روش خطی برآورد شده است.
یافته‌ها: بازده موردانتظار برآوردشده با بازده تحقق‌یافته مقایسه شد و از شاخص میانگین قدرمطلق درصد خطا، برای سنجش قدرت پیش‌بینی مدل‌های پژوهش استفاده شد. یافته‌ها نشان می‌دهد که میانگین شاخص میانگین قدرمطلق درصد خطا، در مدل نیمه‌پارامتریک کمتر از مدل خطی است.
نتیجه‌گیری: علی‌رغم خطای کمتر مدل پنج‌عاملی فاما و فرنچ نیمه‌پارامتریک نسبت به مدل خطی، اختلاف معناداری میان قدرت پیش‌بینی این دو مدل مشاهده نشد. بنابراین روش تخمین (خطی یا غیرخطی) تأثیر معناداری در عملکرد مدل پنج‌عاملی فاما و فرنچ نخواهد گذاشت.
کلیدواژه‌ها
رگرسیون کرنل چندجمله‌ای موضعی؛ قیمت‌گذاری دارایی؛ مدل پنج‌عاملی فاما و فرنچ؛ مدل نیمه‌پارامتریک
عنوان مقاله [English]
Performance of Semi-parametric Asset Pricing Model in Tehran Stock Exchange
نویسندگان [English]
Parisa Kafi1؛ Reza Eyvazloo2؛ Mehdi Asima3
1M.A., Department of Economics, Faculty of Economics, Allameh Tabataba'i University, Tehran, Iran.
2Assistant Prof., Department of Finance and Insurance, Faculty of Management, University of Tehran, Tehran, Iran.
3Ph.D., Department of Finance and Insurance, Faculty of Management, University of Tehran, Tehran, Iran.
چکیده [English]
Objective:  In asset pricing models, it was traditionally assumed that there is a linear relationship between return and explanatory variables. Therefore, estimating the coefficient in a nonlinear setting would be inconsistent and bias-oriented. In this study, the predictive power of the nonlinear and linear Fama-French Five Factor Model was estimated in the period from March 2010 to March 2020.
Methods: The semi-parametric method was used to estimate the nonlinear expected return in FF Five Factor Model. The expected return was also calculated based on the linear FF Five Factor Model.
Results: The estimated return was compared with the realized returns. Then the mean absolute percentage error was used to measure the predictive power of research models. The results show that mean of the mean absolute percentage error in the semi-parametric model is lower than the linear model.
Conclusion: Despite the lower error of the semi-parametric FF Five-Factor model compared to the linear model, no significant difference was observed between the predictive power of these two models. Therefore, the estimating methods will not have a significant impact on the predictive power of the Five Factor Model.
کلیدواژه‌ها [English]
Asset pricing, Fama-French five-factor model, Local multiple Kernel regression, Semi-parametric model
مراجع
آسیما، مهدی و علی‏عباس‏زاده اصل، امیر (1395). مقایسه عملکرد مدل‌های قیمت‌گذاری دارایی سرمایه‌ای خطی و غیرخطی در بورس اوراق بهادار تهران. مد‏‏ل‌سازی ریسک و مهندسی مالی، 1(1)، 114-128.

آسیما، مهدی و علی‏عباس‏زاده اصل، امیر (1396). آیا بتای زمان‌متغیر، قیمت‌گذاری دارایی را بهبود می‌بخشد؟ شواهدی از بورس تهران. مد‏ل‌سازی ریسک و مهندسی مالی، 2(2)، 263-277.

آسیما، مهدی و علی‏عباس‏زاده اصل، امیر (1398). ارائه مدل ترکیبی برآورد بازده مورد انتظار با استفاده از الگوریتم ژنتیک. تحقیقات مالی، 21(1)، 101-120.

تهرانی، رضا؛ محمدی، شاپور و پورابراهیمی، محمدرضا (1389). مدل‌سازی و پیش‎بینی نوسانات بازده در بورس اوراق‌ بهادار تهران. تحقیقات مالی، 12(30)، 23-36.

حقیقی، فاطمه و رستمی، محمدرضا (1392). مقایسه روش‏های پارامتریک و نیمه‏پارامتریک در تخمین ارزش در معرض ریسک. فصلنامه بورس اوراق بهادار، 22(2)، 139-159.

عیوضلو، رضا؛ قهرمانی، علی و عجم، علیرضا (1395). بررسی عملکرد مدل پنج عاملی فاما و فرنچ با استفاده از آزمون GRS. تحقیقات مالی، 18(4)، 691-714.

 

References

Asima, M., Ali Abbaszade Asl, A. (2017). Does Time-Varying Beta Improve Asset Pricing? Evidence from TSE. Journal of Risk modeling and Financial Engineering, 2(2), 263-277. (in Persian)

Asima, M., Ali Abbaszadeh Asl, A. (2016). A Comparison between Performance of Linear and Nonlinear Capital Asset Pricing Models in TSE. Journal of Risk modeling and Financial Engineering, 1(1), 114-128. (in Persian)

Asima, M., Ali Abbaszadeh Asl, A. (2019). Developing a Hybrid Model to Estimate Expected Return Based on Genetic Algorithm. Financial Research Journal, 21(1), 101-120.
(in Persian)

Bansal, R. & Viswanathan, S. (1993). No Arbitrage and Arbitrage Pricing: A New Approach. Journal of finance, 48(4), 1231-1262.

Bansal, R., Hsieh, D.A. Viswanathan, S. (1993). A New Approach to International Arbitrage Pricing. Journal of Finance, 48(5), 1719-1747.

Blundell, R. & Duncan, A. (1991). Kernel Regression in Empirical Microeconomics. The Journal of Human Resources, (33), 62-87.

Cai, Z., Ren, Y. & Yang, B. (2015). A Semiparametric Conditional Capital Asset Pricing Model. Journal of Banking and Finance, (61), 117-126.

Carhart, M.M. (1997). On Persistence in Mutual Fund Performance. Journal of Finance, 52(1), 57-82.

Chapman, D. (1997). Approximating the Asset Pricing Kernel. Journal of Finance, 52(4), 1383-1410.

Dittmar, R. (2002). Nonlinear Pricing Kernels, Kurtosis Preference, and the Cross-Section of Equity Returns. Journal of Finance, 57(1), 369-403.

Erdos, P., Ormos, M., Zibriczky, D. (2011). Nonparametric and Semiparametric asset pricing. Journal of Economic Modelling, 28(3), 1150-1162.

Eyvazlu, R., Ghahramani, A. & Ajam, A. (2017). Analyzing the Performance of Fama and French Five-factor Model Using GRS Test. Financial Research Journal, 18(4), 691-714.
(in Persian)

Fama, E. F., & French, K. R. (2015). A Five-Factor Asset Pricing Model. Journal of Financial Economics, 116(1), 1-22.

Fama, E.F., French, K.R. (1996). Multifactor Explanations of Asset Pricing Anomalies. Journal of Finance, 51(1), 55-84.

Fan, J., Yao, Q. (2003). Nonlinear Time Series: Nonparametric and Parametric Methods. New York, Springer-Verlag.

Ferreira, E., Gil-Bazo, J., Orbe, S. (2008). Nonparametric Estimation of Conditional Beta Pricing Models. Working Paper.

Gomez-Gonzalez, J.E., Sanabria-Buenaventura, E.M. (2014). Nonparametric and Semiparametric Asset Pricing: An Application to the Colombian Stock Exchange. Journal of Economic Systems, 38(2), 261-268.

Haqiqi, F. & Rostami, M.R. (2013). Parametric Versus Semi Parametric VaR Models: A Comparative Approach, Journal of Securities Exchange, 6(22), 139-159. (in Persian)

Hardle, W., Muller, M., Sperlich, S., Werwatz, A. (2004). Springer series in statistics: Nonparametric and Semiparametric models. Springer -Verlag.

Lintner, J. (1965). The valuation of risk assets on the selection of risky investments in stock portfolios and capital budgets. Review of Economics and Statistics, 47, 13-37.

Massin, J. (1966). Equilibrium in a Capital Asset Market. Econometrica, 34(4), 468-483.

Merton, R.C. (1973). An Intertemporal Capital Asset Pricing Model. Econometrica, 41(5), 867-887.

Nadaraya, E.A. (1964). On Estimating Regression. Theory of Probability and its Application, 9(1), 141-142.

Ramsey, J. B. (1969). Tests for specification errors in classical linear least-squares regression analysis. Journal of the Royal Statistical Society. Series B (Methodological), 31(2), 350-371.

Ross, S.A. (1976). The Arbitrage Theory of Capital Asset Pricing. Journal of Economic Theory, 13(3), 341-360.

Sharpe, W.f. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. Journal of Finance, 19(3), 425-442.

Stapleton, R.C. & Subrahmanyam, M.G. (1986). The Market Model and Capital Asset Pricing Theory: a note. Journal of Finance, 38(5), 1637-1642.

Tehrani, R., Mohammadi, S. & Pour Ebrahimi, M. (2011). Modeling and forecasting volatility of return in Tehran Stock Exchange. Journal of Financial Research, 12(30), 23-34.
(in Persian)

Tsay, R. (2010). Analysis of Financial Time Series. John Wiley & Sons.

Watson, G.S. (1964). Smooth Regression Analysis. Sankhya series, 26(4), 359-372.

Yang, L., & Hamori, S. (2020). Forecasts of Value-at-Risk and Expected Shortfall in the Crude Oil Market: A Wavelet-Based Semiparametric Approach. Energies, 13(14), 3700.

آمار
تعداد مشاهده مقاله: 370
تعداد دریافت فایل اصل مقاله: 340


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب