ارزيابي بازده و ارزش در معرض خطر (VaR) در دارايي هايي سرمايه اي (سهام) مبتني بر تلفيق الگوي چندعاملي قيمت گذاري و تابع جريمه

The Evaluation of Return and Risk on Investment in Stocks based on the Integration of Asset Pricing Multi-Factor Model and Penalty Function

ارزيابي سهام بر مبناي ريسك و بازده در ارتباط با دارايي­ هاي سرمايه ­اي (سهام) يكي از مسائل حائز اهميت است. غالب الگوهاي چندعاملي بر مبناي ارزيابي يكي از معيارهاي بازده و ريسك تعريف شده­ اند، در حالي كه الگوي پيشنهادي به طور همزمان به ارزيابي بازده و ريسك مي­ پردازد. الگوهاي چند عاملي ايستا بوده و تغييرات پويا در طي بازه­ هاي زماني متاثر از عوامل پنهان را بيان نمي­ كنند. در اين پژوهش نوسانات پيش­ بيني نشده در بازده سهام در تابع جريمه (پنالتي) بعنوان عوامل پنهان تعريف شد. با استفاده از شبيه ­سازي رگرسيون پوياي فاما-مك­بث در برآورد پارامترهاي تاثيرگذار و تفكيك اثرات عوامل پنهان و آشكار موثر بر بازده و ريسك سهام، برآورد دقيق­ تري ارائه نمود. بر اساس تحليل حوزه دانش و تحليل محتوي، عوامل موثر بر بازده سهام شناسايي و بر مبناي تولرانس­ ها موثرترين عوامل مشتمل بر سنجه ­هاي بازار به عنوان عوامل آشكار، پالايش شد. در نهايت الگوي پيشنهادي تلفيقي (P-PCA) در پيش­ بيني ريسك (ارزش در معرض خطر) سرمايه ­گذاري، مورد استفاده قرار گرفت. نتايج تحقيق نشان داد كه الگوي مزبور در بلند مدت اثرات عوامل پنهان و موثر بر بازده سهام را بهتر بيان كرد و ريسك سرمايه­ گذاري را با دقت مناسب و مشابه الگوهاي واريانس شرطي نظير آرچ و گارچ پيش­ بيني نمود.

Evaluation of stocks based on return and risk related to capital assets is one of the important issues of this field. The majority of multifactor models are defined based on the assessment of one of the return and risk criteria. Nevertheless, the model presented in this study evaluated return and risk simultaneously. The multifactor patterns are static and do not express dynamic changes during time intervals affected by latent factors. In this research, unpredicted fluctuations in stock return were defined as latent factors in the penalty function. A more accurate estimate was provided by using the simulation of Fama–MacBeth regression in the estimation of effective parameters and separation of the effects of latent and manifest factors affecting stock return and risk. According to the analysis of the field of knowledge and content analysis, factors affecting the stock return were recognized, and the most effective factors including market measures were refined as manifest factors based on the tolerances. Finally, the model proposed(P-PCA) was exploited in risk prediction (at risk value). According to the results of the study, the mentioned model more efficiently showed the effects of latent and manifest factors on stock return over a long period. In addition, it was able to predict the risk of investment with proper accuracy and similar to patterns of conditional variance, such as ARCH and GARCH.