مقایسه عملکرد نظریه قیمت گذاری آربیتراژ مبتنی بر ریسک نامطلوب و مدل بتای پاداشی در پیش بینی بازده سهام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:

افراد فعال در حوزه مالی برای اتخاذ تصمیمات بهینه از ابزارهای مختلفی استفاده می کنند. یکی از مهم ترین این ابزارها بازده مورد انتظار سهام شرکت هاست که آن را توسط مدل هایی پیش بینی می کنند. در این مطالعه مدل بتای پاداشی و نظریه قیمت گذاری آربیتراژ مبتنی بر ریسک نامطلوب مورد بررسی قرار گرفته و مقایسه شده اند. برای آزمون مدل بتای پاداشی دوره پژوهش به دو دوره تقسیم شده است که در دوره اول ضرایب بتا تخمین زده شده و در دوره دوم به عنوان متغیر توضیحی جهت آزمون این مدل مورد استفاده قرار گرفته اند. در بررسی نظریه قیمت گذاری آربیتراژ مبتنی بر ریسک نامطلوب تنها انحرافات پایین تر از میانگین در محاسبه بازده سهام و بازده این متغیرها در نظر گرفته می شوند. برای آزمون این مدل نیز جهت تخمین همزمان ضرایب و صرف ریسک متغیرها از سیستم رگرسیون های به ظاهر نامرتبط غیرخطی تکراری استفاده شده است. نتایج پژوهش نشان می دهد که طی دوره 1380 تا 1397 در مورد سهام با ارزش بازار کوچکتر، نظریه قیمت گذاری آربیتراژ مبتنی بر ریسک نامطلوب عملکرد بهتری در پیش بینی بازده در بورس اوراق بهادار تهران نسبت به مدل بتای پاداشی از خودنشان میدهد

زبان:
فارسی
صفحات:
25 تا 58
لینک کوتاه:
magiran.com/p2393026 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!