پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,693 |
| تعداد مقالات | 72,240 |
| تعداد مشاهده مقاله | 129,238,277 |
| تعداد دریافت فایل اصل مقاله | 102,074,044 |
توسعه مدل‌های چندعاملی قیمت‌گذاری دارایی‌ها با استفاده از رویکرد رگرسیون آستانه‌ای و عوامل مبتنی بر ریسک اعتباری | ||
| تحقیقات مالی | ||
| دوره 27، شماره 1، 1404، صفحه 140-166 اصل مقاله (1.23 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2024.375819.1007594 | ||
| نویسندگان | ||
| هادی قره باغی1؛ محمود بت شکن* 2 | ||
| 1دانشجوی دکتری، گروه مهندسی مالی، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. | ||
| 2استادیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. | ||
| چکیده | ||
| هدف: پژوهش حاضر به‌دنبال توسعه و بهبود مدل‌های قیمت‌گذاری آستانه‌ای با هدف ارتقای عملکرد مدل‌های چندعاملی رایج در حوزۀ پژوهش‌های قیمت‌گذاری دارایی‌هاست. در سه دهۀ اخیر، روند توسعۀ مدل‌های قیمت‌گذاری در حوزۀ پژوهش مالی، عمدتاً بر مبنای ناهنجاری‌های قیمت‌گذاری بوده است. این مدل‌ها بر اساس مدل‌های قبلی توجیه نمی‌شوند و به‌عنوان عوامل جدید به مدل‌ها اضافه شده‌اند. این روند تکاملی به ظهور صدها عامل مبتنی بر ناهنجاری‌های موجود در مدل‌های پیشین منجر شده است. با توجه به فراوانی متغیرهای احتمالی تأثیرگذار بر بازدهی دارایی‌ها و اهمیت ویژۀ رعایت اصل «اختصار» در توسعۀ مدل‌های قیمت‌گذاری، ضروری است که به‌دنبال مدل‌هایی با حداقل تعداد عامل و بیشترین توضیح‌دهندگی مطلوب باشیم. در راستای اصل فوق، این پژوهش به‌دنبال توسعۀ مدل‌های قیمت‌گذاری آستانه‌ای نوین است که در آن، عامل پیشنهادی به‌صورت هدفمند برای بعضی از شرکت‌ها و نه همۀ آن‌ها مورد استفاده قرار می‌گیرد. با انجام آزمون‌های مقطعی دقیق و رگرسیون مقطعی آستانه‌ای، تأثیر آستانه‌ای متغیرهای کلیدی مانند ریسک اعتباری بر نرخ بازده مورد انتظار با توجه به متغیر آستانۀ نسبت بدهی، به‌طور جامع بررسی می‌شود. انتظار می‌رود که تأثیر متغیرهای ریسک اعتباری یا اضطراب مالی بر نرخ بازده مورد انتظار، برای سطوح مختلف بدهی دارایی‌ها، به‌طور معناداری متفاوت باشد. در صورت معنادار بودن اثر آستانه‌ای نسبت بدهی، می‌توان در آزمون‌های سری زمانی، عامل‌های مربوط به ریسک اعتباری را به‌طور هدفمند، تنها برای دسته‌ای از دارایی‌ها با ویژگی‌های مشخص استفاده کرد. هدف نهایی و اساسی این پژوهش، توسعۀ مدلی نوآورانه است که به‌جای حضور یک عامل به‌صورت صفر و یک در مدل قیمت‌گذاری، حضور عامل برای بعضی از دارایی‌ها را بر اساس شرایط و معیارهای مشخص در نظر بگیرد. روش: برای بررسی عملکرد مدل‌های قیمت‌گذاری آستانه‌ای، از داده‌های شرکت‌های بازار سرمایۀ ایران در بازۀ زمانی ۱۳۸۰ تا ۱۴۰۲ بعد از اعمال فیلترهای رایج برای آزمون مدل‌های قیمت‌گذاری استفاده شده است. به‌منظور بررسی اثر آستانه‌ای در بررسی عملکرد مدل‌های قیمت‌گذاری، از تکنیک‌های رگرسیون آستانه‌ای و برای آزمون فرضیه‌های پژوهش، از آزمون GRS و آماره‌های ، ( ) و ( ) استفاده شده است. یافته‌ها: نتایج به‌دست آمده نشان می‌دهد که متغیر فاصله تا نکول، به‌تنهایی یا در حضور سایر ویژگی‌ها، تحت تأثیر اثر آستانه‌ای نسبت بدهی قرار می‌گیرد؛ به‌طوری که رابطۀ معنادار و منفی (فاصله تا نکول کم معادل بازدهی مورد انتظار بالا) برای سهام با نسب بدهی بالا برقرار است و به نظر می‌رسد، استفاده از اثر آستانه متغیرهای تأثیرگذار بر بازدهی دارایی در رگرسیون‌های مقطعی، امکان بررسی دقیق‌تری از اثر متغیرها بر بازدهی سهام انفرادی را فراهم می‌آورد. همچنین اضافه شدن عامل ریسک نکول به مدل‌های قیمت‌گذاری مورد بررسی، توان توضیح‌دهندگی و قدرت پیش‌بینی مدل‌ها را برای دارایی‌های آزمون با آستانه بدهی بالا افزایش می‌دهد. نتیجه‌گیری: نتایج حاصل نشان می‌دهد که برای رعایت اصل اختصار در مدل‌های قیمت‌گذاری، می‌توان از مدل‌های قیمت‌گذاری آستانه‌ای، برای توسعۀ مدل‌های قیمت‌گذاری و قیمت‌گذاری بخشی از دارایی‌های آزمون با ویژگی‌ها خاص بهره برد و در توضیح‌دهندگی و عملکرد برون نمونه‌ای نتیجه مناسب را دریافت کرد. | ||
| کلیدواژه‌ها | ||
| نکول؛ فاصله تا نکول؛ اثر آستانه‌ای؛ قیمت‌گذاری دارایی‌ها | ||
| عنوان مقاله [English] | ||
| Developing "Multifactor Asset Pricing Models" Using Threshold Regression Approach and Credit Risk Factor | ||
| نویسندگان [English] | ||
| Hadi Gharehbaghii1؛ Mahmoud Botshekan2 | ||
| 1Ph.D. Candidate, Department of Financial Engineering, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran. | ||
| 2Assistant Prof., Department of Management, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran. | ||
| چکیده [English] | ||
| Objective This study aims to develop threshold asset pricing models to enhance the performance of common multi-factor models. Over the past thirty years, asset pricing models have evolved by incorporating pricing anomalies as new factors that previous models could not explain, leading to the introduction of hundreds of such factors. This proliferation underscores the importance of the “parsimony” principle, which advocates for models with minimal factors and maximal explanatory power. Given the abundance of potential variables influencing asset returns, it is essential to seek models that balance simplicity and effectiveness. In line with this principle, this study proposes threshold asset pricing models where the proposed factors are applied selectively to certain companies rather than universally. Through cross-sectional tests and threshold cross-sectional regression analyses, the research examines the threshold effect of variables such as credit risk on expected returns, using the debt ratio as a threshold variable. It is anticipated that the impact of credit risk or financial distress on expected returns will differ across various levels of indebtedness. If the threshold effect of the debt ratio proves significant, credit risk factors can be applied selectively to specific groups of assets with particular characteristics in time-series tests. The ultimate goal is to develop a model that, instead of incorporating factors in a binary manner, considers their presence for certain assets based on threshold conditions. This approach aims to maximize explanatory power while adhering to the parsimony principle, ultimately improving the effectiveness of asset pricing models by using factors only where they are most relevant. Methods To evaluate the performance of threshold asset pricing models, data from companies in the Iranian capital market (2001-2023) were used after applying common filters. Threshold regression techniques investigated the threshold effect, and the GRS test along with A(|aᵢ|), A(|aᵢ|/|r̄ᵢ|), and AR², tested the research hypotheses. Results The results demonstrate that the distance-to-default variable, both individually and in conjunction with other characteristics, is influenced by the threshold effect of the debt ratio. Specifically, there is a significant negative relationship—where a lower distance-to-default corresponds to higher expected returns—for stocks with high debt ratios. This indicates that for companies with higher leverage, investors demand greater returns due to the increased risk of default. Utilizing the threshold effect of variables affecting asset returns in cross-sectional regressions allows for a more precise and detailed analysis of how these variables impact individual stock returns. Additionally, incorporating the default risk factor into the examined asset pricing models enhances their explanatory power and predictive ability, especially for test assets with high debt thresholds. This improvement highlights the effectiveness of considering threshold effects in the models, as it increases their ability to accurately predict returns for assets that are more susceptible to default risk due to higher levels of indebtedness. Conclusion The results suggest that to adhere to the parsimony principle, threshold asset pricing models can be used to develop pricing models and price a subset of test assets with specific characteristics, yielding appropriate results. | ||
| کلیدواژه‌ها [English] | ||
| Default, Distance to default, Threshold effect, Asset pricing model | ||
| مراجع | ||
|
اعلمی‌فر، ساناز؛ خانی، عبداله و امیری، هادی (1400). بسط مدل‌های عاملی قیمت‌گذاری q فاکتور و q فاکتور تعدیل‌شده با عامل رشد ـ سرمایه‌گذاری مورد انتظار با استفاده از عامل بازده مورد انتظار. تحقیقات مالی، 23(4)، 593-624.
خواجوی، شکرالله و پورگودرزی، علیرضا (1399). بررسی تأثیر ریسک نکول بر توان توضیحی مدل ۵ عاملی فاما و فرنچ (شواهدی از بورس اوراق بهادار تهران). دانش مالی تحلیل اوراق بهادار، 13(46)، 97-109.
عیوضلو، رضا؛ هاشمی، یاسمن و قربانی، امیرعلی (1399). مدل قیمت‌گذاری چندعاملی در بازار سرمایه ایران. چشم‌انداز مدیریت مالی، 10(32)، 9-32.
قضاوی، زیبا و بت‌شکن، محمود (1399). بررسی تأثیر ریسک ورشکستگی بر نرخ بازده مورد انتظار در سطح سهام انفرادی در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. چشم‌انداز مدیریت مالی، 9(27)، 133-168.
میرزایی، مهدی؛ خانی، عبداله و بت‌شکن، محمود (1398). بسط مدل‌های عاملی قیمت‌گذاری دارایی‌ها با استفاده از چرخه عمر شرکت. تحقیقات مالی، 21(4)، 545-569.
References Aalamifar, S., Khani, A. & Amiri, H. (2022). Developing Q-factor and Adjusted Q-factor Pricing Models by the Expected Investment Growth Factor using an Expected Return Factor. Financial Research Journal, 23(4), 593-624. (in Persian) Anginer, D. & Yıldızhan, Ç. (2018). Is there a distress risk anomaly? Pricing of systematic default risk in the cross-section of equity returns. Review of Finance, 22(2), 633-660. Aretz, K., Florackis, C. & Kostakis, A. (2018). Do stock returns really decrease with default risk? New international evidence. Management Science, 64(8), 3821-3842. Asness, C. S., Frazzini, A. & Pedersen, L. H. (2014). Low-risk investing without industry bets. Financial Analysts Journal, 70(4), 24-41. Avramov, D., Chordia, T., Jostova, G. & Philipov, A. (2009). Credit ratings and the cross-section of stock returns. Journal of Financial Markets, 12(3), 469-499. Ball, R., Gerakos, J., Linnainmaa, J. T. & Nikolaev, V. (2016). Accruals, cash flows, and operating profitability in the cross section of stock returns. Journal of financial economics, 121(1), 28-45. Bhandari, L. C. (1988). Debt/equity ratio and expected common stock returns: Empirical evidence. Journal of Finance, 43 (2), 507–528. Doi: 10.2307/2328473. Black, F. & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of political economy, 81(3), 637-654. Campbell, J. Y., Hilscher, J. & Szilagyi, J. (2008). In search of distress risk. The Journal of finance, 63(6), 2899-2939. Carhart, M. M. (1997). On persistence in mutual fund performance. The Journal of finance, 52(1), 57-82. Chava, S. & Purnanandam, A. (2010). Is default risk negatively related to stock returns?. The Review of Financial Studies, 23(6), 2523-2559. Cochrane, J. H. (2011). Presidential address: Discount rates. The Journal of finance, 66(4), 1047-1108. Dichev, I. D. (1998). Is the risk of bankruptcy a systematic risk?. the Journal of Finance, 53(3), 1131-1147. Eyvazlo, R., Hashemi, Y. & Qorbani, A. (2020). Multi-Factor asset pricing model in Iranian Capital Market. Financial Management Perspective, 10(32), 9-32. doi: 10.52547/JFMP.10.32.9 (in Persian) Fama, E. F. & French, K. R. (1992). The cross‐section of expected stock returns. the Journal of Finance, 47(2), 427-465. 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. (2018). Choosing factors. Journal of financial economics, 128(2), 234- 252. Fama, E. F. & MacBeth, J. D. (1973). Risk, return, and equilibrium: Empirical tests. Journal of political economy, 81(3), 607-636. Filipe, S. F., Grammatikos, T. & Michala, D. (2016). Pricing default risk: The good, the bad, and the anomaly. Journal of Financial Stability, 26, 190-213. Friewald, N., Wagner, C. & Zechner, J. (2014). The cross‐section of credit risk premia and equity returns. The Journal of Finance, 69(6), 2419-2469. Gao, P., Parsons, C. A. & Shen, J. (2018). Global relation between financial distress and equity returns. The Review of Financial Studies, 31(1), 239-277. Garlappi, L., & Yan, H. (2011). Financial distress and the cross‐section of equity returns. The journal of finance, 66(3), 789-822. Garlappi, L., Shu, T., & Yan, H. (2008). Default risk, shareholder advantage, and stock returns. The Review of Financial Studies, 21(6), 2743-2778. Ghazavi, Z. & Botshekan, M. (2019). Investigating the Effect of Default Risk on Individual Stocks Returns using Stocks listed in Tehran Stock Exchange. Financial Management Perspective, 9(27), 133-168. (in Persian) Gomes, J. F. & Schmid, L. (2010). Levered returns. The Journal of Finance,65(2), 467- 494. Gu, S., Kelly, B. & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223-2273. Guo, H. & Jiang, X. (2021). Aggregate Distress Risk and Equity Returns. Journal of Banking & Finance, 133, 106296. Hansen, B. E. (2011). Threshold autoregression in economics. Statistics and its Interface, 4(2), 123-127. Hou, K., Mo, H., Xue, C. & Zhang, L. (2018). Which Factors? Review of Finance, 23(1), 1-35. Hou, K., Xue, C. & Zhang, L. (2015). Digesting anomalies: An investment approach. The Review of Financial Studies, 28(3), 650-705. Jagannathan, R., Malakhov, A. & Novikov, D. (2010). Do hot hands exist among hedge fund managers? An empirical evaluation. The Journal of Finance, 65(1), 217- 255. Khajavi, Sh. & Pourgoudarzi, A. (2020). Investigating the effect of default risk on explanatorypower of Fama-French five factor model (Evidence from Tehran Stock Exchange). Financial Knowledge of Security Analysis (Financial Studies), 13(46), 97-109. SID. https://sid.ir/paper/951394/en (in Persian) Lintner, J. (1965). The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets. Review of Economics and Statistics, 47(1), 13–37. McNeil, A. J., Frey, R. & Embrechts, P. (2015). Quantitative risk management: concepts, techniques and tools-revised edition: Princeton university press. Mirzaie, M., Khani, A. & Botshekan, M. (2020). Developing Multifactor Asset Pricing Models Using Firm's Life Cycle. Financial Research Journal, 21(4), 545-569. (in Persian) Modigliani, F. & Miller, M. H. (1963). Corporate income taxes and the cost of capital: a correction.The American economic review, 53(3), 433-443. Sharpe, W. F. (1964). Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk. The Journal of Finance, 19(3), 425–442. Skočir, M. & Lončarski, I. (2018). Multi-factor asset pricing models: Factor construction choices and the revisit of pricing factors. Journal of International Financial Markets, Institutions and Money, 55, 65-80. Vassalou, M. & Xing, Y. (2004). Default Risk in Equity Returns. The Journal of Finance, 59(2), 831-868. Wahal, S. (2019). The profitability and investment premium: Pre-1963 evidence. Journal of Financial Economics, 131(2), 362-377. | ||
|
آمار تعداد مشاهده مقاله: 98 تعداد دریافت فایل اصل مقاله: 107 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب