طراحی مدل پیش‌بینی بازده بلندمدت سهام با شبیه‌سازی ناپارامتریک بازده اوراق بدهی

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشگاه الزهرا

2 دانشگاه تهران

چکیده

پیش­بینی نرخ بازده سهام همواره یکی از مباحث مهم بازارهای مالی بوده و یکی از فاکتورهای مهم سرمایه­گذاری است. هدف اصلی این پژوهش، پیش­بینی بازده اضافی سهام بر اساس داده‌های مبتنی بر اوراق بدهی و سایر متغیرهای اقتصادی و بازار سرمایه در ایران است. مدل ارایه شده بر رابطه غیرخطی میان مجموعه­ای از متغیرهای کمّی تاکید دارد و مبنای ساختاربندی آن، مدل­های پارامتریک و ناپارامتریک با به‌کارگیری هموارسازی موضعی و خطی هسته­ای است. ابتدا متغیرهای تأثیرگذار بر نرخ بازده اوراق بدهی مورد بررسی و شناسایی قرار گرفت. پس از شناخت متغیرهای تأثیرگذار در مرحله اول، مدل پیش‌بینی نرخ بازده اوراق بدهی ساختاربندی شد. این مدل‌سازی بر اساس دو روش پیش­بینی پارامتریک و ناپارامتریک نرخ بازده اوراق بدهی طراحی و ارایه شد. در ادامه به منظور تعیین عامل‌های تأثیرگذار بر پیش‌بینی نرخ بازده اضافی سهام، ساختاربندی مدل به صورت خطی پارامتریک و غیرخطی ناپارامتریک و با استفاده از نتایج حاصل در سه گام مختلف و با رعایت معیار  مورد بررسی قرار گرفت. نتایج حاصل از اجرای مدل نشان می­دهد در تمامی سه گام مورد بررسی و بر اساس معیار ، نتایج حاصل از اجرای مدل­های مختلف بر اساس رویکرد ناپارامتریک بهتر از رویکرد پارامتریک عمل می­کند.

کلیدواژه‌ها


عنوان مقاله [English]

Designing a prediction model for longterm stock return with nonparametric simulation of debt security return

نویسندگان [English]

  • Hasan Ghalibaf Asl 1
  • Reza Tehrani 2
  • Mohammadreza Rostami 1
  • Ailreza Siyari 2
1 Al-Zahra University
2 University of Tehran
چکیده [English]

Predicting stock return rate is always one of important issues of financial markets and also major factor in investment. Predicting excess stock return based on debt-based data, other economic variables and capital market in Iran is the main purpose of this research. The proposed model emphasizes on nonlinear relationship between a set of quantitative variables and its structure basis is parametric and nonparametric models by using local kernel smoothing.
First of all effective variables of debt return rate was investigated and identified. After identifying effective variables in first stage, prediction model for debt security return rate has been structured. This prediction is designed and presented by two methods of parametric and nonparametric prediction for debt security. In the following in order to determining effective factors of excess stock return rate prediction model structuring is investigated in the form of linear parametric and nonlinear nonparametric, by using results of first stage in three different steps and by observing R_v^2 criteria. The result of model implementation in all three examined steps and based on R_v^2 criteria show that results of various models of nonparametric approaches work much better than parametric approaches.

کلیدواژه‌ها [English]

  • Local-Linear Kernel Smoothing
  • prediction
  • Stock Excess Return
  • Nonparametric Simulation
  • Debt Yield
  1. Ang, A., Bekaert, G. (2006). Stock return predictability: Is it there?. The Review of Financial Studies, 20(3): 651-707.
  2. Aslanidis, N., Christiansen, C. (2012). Smooth transition patterns in the realized stock–bond correlation. Journal of Empirical Finance, 19(4), 454-464.
  3. Asness, C. (2003). Fight the Fed Model: The relationship between future returns and stock and bond market yields. Journal of Portfolio Management, 30 (1), 11–24.
  4. Bao, J., Kewei, H. (2014). Comovement of corporate bonds and equities. college of business, Ohio State University.
  5. Bikker, J., Broeders, D., Hollanders, D., & Ponds, E. (2012). Pension funds asset allocation and participant age: a test of the life-cycle model. Journal of Risk and Insurance, 79 (3), 595–618.
  6. Bossaerts, P., Hillion, I. (1999). Implementing Statistical criteria to select return forcasting models: What Do We Learn?. The Review of Financial Studies, 12(2), 405-428.
  7. Campbell, J.Y., Thompson, S.B. (2008). Predicting excess stock returns out of sample: Can anything beat the historical average?. The Review of Financial Studies, 21 (4), 1455–1508.
  8. Ilmanen, A. (2003). Stock- Bond corrlations. Journal of Fixed Income, 13(2), 55-66
  9. Eling, M. (2014). Fitting asset returns to skewed distributions: Are the skew-normal and skew-student good models?. Insurance: Mathematics and Economics, 59, 45–56.
  10. Elliott, G., Gargano, A., & Timmermann, A. (2013). Complete subset regression. journal of Econometrics, 177, 357–373.
  11. Goyal, A., Welch, I. (2008). A comprehensive look at the empirical performance of equity premium prediction. The Review of Financial Studies, 21 (4), 1455–1508.
  12. Guidolin, M., Timmermann, A. (2006). An econometric model of nonlinear dynamics in the joint distribution of stock and bond returns. Journal of Applied Econometrics, 21 (1), 1–22.
  13. Guillen, M., Konicz, A., Nielsen, J.P., & Perez-Marin, A. (2013). Do not pay for a Danish interest guarantee. The law of the triple blow. Annals of Actuarial Science, 7 (2),192–209.
  14. Keim, D., Stambaugh, R. (1986). Predicting returns In the stock and bond markets. Journal of Financial Economics, 17(2), 357-390.
  15. Lee, T. H., Tu, Y., & Ullah, A. (2015). Forecasting equity premium: global historical average versus local historical average and constraints. Journal of Business & Economic Statistics, 33 (3), 393-402.
  16. McMillan, D.G. (2007). Non-linear Forecasting of Stock Returns: Does Volume Help? International Journal of forecasting, 23 (1), 115–126.
  17. Nielsen, J.P., Sperlich, S. (2003). Prediction of stock returns: A new way to look at it. Astin Bull, 33, 399–417.
  18. Olson, D., Mossman, C,. (2003). Neural Network Forecasts of Canadian Stock Returns Using Accounting Ratios. International Journal of Forecasting, 19, 453-465.
  19. Park, B.U., Kim, W.C., Ruppert, D., Jones, M.C., Signorini, D.F., & Kohn, R. (1997). Simple transformation techniques for improved non-parametric regression. Scandinavian Journal of Statistics, (24) 2, 145–163.
  20. Rapach, D.E., Wohar, M.E., & Rangvid, J. (2005). Macro variables and international stock return predictability. International Journal of Forecasting, 21 (1), 137–166.
  21. Scholz, M., Nielsen, J. P., & Sperlich, S. (2012). Nonparametric Prediction of Stock Returns Guided by Prior Knowledge. University of Graz, Department of Economics.
  22. Scholz, M., Sperlich, S., & Nielsen, J.P. (2016). Nonparametric long term prediction of stock returns with generated bond yields. Insurance: Mathematics and Economic, (69), 82-96.
  23. Wolf, M. (2001). Stock returns and dividend yields revisited: A new way to look at an old Problem. Journal of Business & Economic Statistics, 18(1): 18-30.