پایان نامه رشته مدیریت درباره : بازده مورد انتظار-فروش و دانلود پایان نامه کامل

اضافی بازار (Rm-RF)، عامل اندازه (SMB) و عامل ارزش (HML) و عامل گشتاوری (WML) در نمودار 4-6 مشاهده می شود.
نمودار4-6 توزیع فراوانی مشاهدات
نمودار چارک-چارک مشاهدات

در این نمودار ها چارک اول، چارک دوم و چارک سوم متغیرها به نمایش در آمده است چارک اول مقداری است که 25 درصد داده ها و مشاهدات از آن کوچکتر و 75 درصد داده ها از آن بزرگتر هستند. چارک دوم مقداری است که نیمی از داده ها از آن کوچکتر و نیمی از داده ها از آن بزرگتر هستند که به آن میانه نیز می گویند. چارک سوم نیز مقداری است که 75 درصد داده ها از آن کوچکتر و 25% داده ها از آن بزرگتر هستند و همانطوری که درنگاره 4-2 میانه ها ی متغیر ها ذکر شد در این نمودارها نیز تمام مشاهدات که بر اساس چارکها مرتب شده اند به نمایش در آمده اند به عنوان مثال میانه متغیر SMB -0.01 است که در نمودار نیز (پراکنش های وسطی هر نمودار) به همین مقدار به نمایش در آمده است.
نمودار4-7 چارک مشاهدات
پراکنش تمام مشاهداتی که برابر میانه هستند حول میانه ترسیم شده اند و به همین ترتیب میانه بازده اضافی سهام (Ri-RF) -0.1 ، بازده اضافی بازار (MKT)  0.2که به صورت یک نقطه (سومین پراکنش) در نمودار نشان داده شده است میانه HML -0.01 و میانه WML 0.07 میباشد که در نمودار 4-7 نیز کاملاً مشخص است.
4-3 آزمون فرضیه
برای بررسی آزمون فرضیه با بهره گرفتن از روش panel data مدل های تحقیق با متغیر وابسته (بازده سهام) و متغیر های مستقل MKT، SMB، HML، WML مورد برآورد قرار می گیرند.
4-4 آزمون بررسی معنی داری ضرایب همبستگی
ضریب همبستگی جهت تعیین این نکته مورد استفاده قرار می گیرد که آیا رابطه معنی داری بین دو متغیر وجود دارد یا خیر. ضریب همبستگی صرفا جهت بررسی وابستگی خطی بین دو متغیر استفاده میشود از لحاظ آماری اگر متغیر مستقل و متغیروابسته مستقل باشند ضریب همبستگی آنها صفر است. هرچند عکس آن صادق نیست بدین معنی که اگر حتی ضریب همبستگی بین متغیر ها صفر باشد نمی توان گفت متغیر ها مستقل اند.
بر حسب مقدار بدست آمده برای r، در مورد رابطه بین متغیر مستقل و متغیروابسته، می توان گفت:
الف –اگر -1 r0باشد، رابطه بین متغیر مستقل و متغیروابسته معکوس می باشد.
ب-اگر 1 r0 باشد، رابطه متغیر مستقل و متغیروابسته مستقیم می باشد.
ج- اگر r|=1 | باشد رابطه بین متغیر مستقل و متغیروابسته کامل و اگر r=0 رابطه ی خطی وجود ندارد و در غیر این دو صورت رابطه ی بین متغیر مستقل و متغیروابسته ناقص است.
همانطوری که در نگاره 4-3 قابل مشاهده است ضریب همبستگی بین متغیر ها صفر نیست و رابطه بین متغیر بازده سهام با بتا (MKT) مستقیم و رابطه بین بازده سهام و SMB، HML، WML معکوس است.
نگاره 4-3 جدول ضرایب همبستگی
همبستگی
RI-RF 
RM-RF 
SMB 
HML 
WML 
RI-RF 
1.000000
RM-RF 
0.220858
1.000000
SMB 
-0.131792
-0.653463
1.000000
HML
-0.226565
-0.694796
0.512204
1.000000
WML
-0.063804
-0.426441
0.653914
0.268057
1.000000
قدرت توضیح دهندگی بازده اضافی سهام بیشتر از عامل نسبت ارزش دفتری به ارزش بازار،عامل اندازه و همچنین عامل گشتاوری است.نکته ای که باید در اینجا توجه داشت این است که حتی در صورتیکه r دارای مقدار غیر صفر باشد نیز ممکن است ضریب همبستگی جامعه صفر باشد. از این رو باید ضریب همبستگی جامعه را مورد آزمون قرار دهیم این آزمون به صورت زیر تعریف می شود:
H0: =0همبستگی معنی داری وجود ندارد
H1:0همبستگی معنی داری وجود دارد
نتایج به دست آمده به این نحو تحلیل می شود که در صورتی که سطح معنی داری کوچکتر از 5% باشد فرض 0 Hرد می شود و همبستگی معنی داری بین دو متغیر وجود دارد و اگر سطح معنی داری بزرگتر از 5% باشد فرض 0H پذیرفته می شود و فرض H1 رد می شود.
نگاره 4-4 سطح معنی داری ضرایب همبستگی
سطح معنی داری همبستگی
RI-RF
متغیر وابسته 
RM-RF
متغیر مستقل 
SMB
متغیر مستقل
HML 
متغیر مستقل
WML
متغیر مستقل 
RI-RF  (بازده اضافی سهام)
…….
RM-RF  (بازده اضافی بازار)
0.0109
SMB  (عامل اندازه)
0.1320
0.0000
HML (عامل نسبت ارزش دفتری به بازار)
0.0090
0.0000
0.0000
WML (عامل گشتاوری)
0.4673
0.0000
0.0000
0.0019
……
همانطوری که قابل مشاهده است سطح معنی داری متغیر SMB و بازده سهام ، WML و بازده سهام بزرگتر از 5% است وفرض 1H رد می شود و همبستگی معنی داری بین دو متغیر وجود ندارد.
4-5 آزمون دوربین واتسون
این آزمون به منظور بررسی استقلال خطاها از یکدیگر(تفاوت بین مقادیر واقعی و مقادیر پیش بینی شده توسط معادله رگرسیون) استفاده می شود. درصورتی که فرضیه استقلال خطاها رد شود و خطاها با یکدیگر همبستگی داشته باشد امکان استفاده از رگرسیون وجود ندارد و چنانچه این آماره در بازه 1.5تا 2.5 قرار گیرد فرض H0 آزمون عدم همبستگی بین خطاها پذیرفته می شود و در غیر این صورت H0 رد میشود. (همبستگی بین خطاها وجود دارد)
نگاره 4-5 آزمون دوربین واتسون
مدل اول
(3-1)
CAPM
مدل دوم
(3-2)
SCAPM
مدل سوم
(3-3)
KCAPM
مدل چهارم
(3-4)
TFPM
مدل پنجم
(3-5)
STFPM
مدل ششم
(3-6)
KTFPM
مدل هفتم
(3-7)
FFPM
مدل هشتم
(3-8)
SFFPM
مدل نهم
(3-9)
KFFPM
2.008602
1.995219

2.002254
2.013167
2.082952
2.120744
1.699606
2.068547
2.071951
با استناد به اطلاعات نگاره 4-5 این آماره برای مدل های یک تا 9 به ترتیب برابر با (2.008602، 1.99، 2.00، 2.01، 2.08، 2.12، 1.69، 2.06، 2.07) است که نشان دهنده ی این است تمام آماره ها در بازه 1.5 تا2.5 قرار می گیرند. بنابراین فرض H0 آزمون برای تمام مدلها (عدم همبستگی بین خطاها) تایید میشود.
4-6 آزمون معنی دار بودن R2 برای مدل ها
ضریب تعیین (R2) برای تعیین اینکه چه میزان از تغییرات متغیر وابسته توسط متغیر مستقل مشخص می شود، استفاده می شود که همان مجذور ضریب همبستگی است. انتخاب بهترین مدل بر مبنای بالاترین ضریب تعیین است.
نگاره 4-6 معنی داری R2 برای مدل ها
مدل ها
ضریب تعیین
ضریب تعیین تعدیل شده
سطح معنی داری
مدلCAPM
0.173745
0.167390
0.000001
مدلSCAPM
0.188946
0.176372
0.000001
مدلKCAPM
0.194041
0.175152
0.000004
مدلTFPM
0.200843
0.182113
0.000002
مدلSTFPM
0.292520
0.270237
0.000000
مدلKTFPM
0.299351
0.271548
0.000000
مدل FFPM
0.203009
0.177907
0.000008
مدل SFFPM
0.271413
0.242501
0.000000
مدل KFFPM
0.342225
0.310651
0.000000
در توضیح نگاره 4- 6 می توان اشاره کرد که مدل CAPM می تواند30.17 از تغییرات <a href="http://abdarya.ir/%d9%85%d9%86%d8%a7%d8%a8%d8%b9-%d9%85%d9%82%d8%a7%d9%84%d9%87-%d8%af%d8%b1%d9%85%d9%88%d8%b1%d8%af-%d8%b3%d9%88%d8%af-%d8%b3%d9%87%d8%a7%d9%85%d8%8c-%d8%a7%d9%88%d8%b1%d8%a7%d9%82-%d9%82%d8%b1%d8%b6/" title="بازده مورد انتظار“>بازده مورد انتظار سهام را توضیح دهد. برای مدل SCAPM، افزایش کل عامل چولگی توانایی مدل را در برآورد نرخ بازده مورد انتظار افزایش می دهد، که ارزش متوسط ضریب تعیین برای کل پورتفوی 0.188 بود. برای مدل KCAPM افزودن کل عوامل کشیدگی توانایی مدل در برآورد نرخ بازده مورد انتظار را افزایش می دهد و مقدار متوسط ضریب تعیین برای کل پورتفوی 0.194 بود.
مدل سه عامله (پنل3-4) مقدار ضریب تعیین متوسط (0.200843) بهتری از مدل یک عامله در برآورد نرخ بازده مورد انتظاردارد. با افزودن چولگی در مدل سه عامله، مجموع متوسط توانایی مدل ها را برای برآورد نرخ بازده مورد انتظار سهام به 0.292520 افزایش می دهد. افزودن کشیدگی به مدل سه عامله علاوه بر چولگی (پنل4-4) توانایی مدلها برای برآورد بازده متوسط سهام مورد انتظار را تا 0.299351 در مجموع افزایش داد.
در مدل چهار عامله (پنل 3-7) مقدار ضریب تعیین متوسط نسبت به مدل سه عاملی فاما و فرنچ افت می کند و مقدار آن به 0.203009 می رسد. افزایش شاخص چولگی در مدل 4 عامله متوسط مقدار کلی ضریب تعیین را تا 0.271413 افزایش می دهد. افزودن کشیدگی جایگزین در مدل چهار عامله (پنل 3-9) متوسط مقدار کلی ضریب تعیین به0.342225 افزایش می یابد که به طور قابل توجهی مدل های دیگر را تحت تاثیر قرار می دهد. به طور کل می توان از اطلاعات حاصله این نتیجه را گرفت که مدل قیمت گذاری چهار عامله با افزودن کشیدگی (KFFPM) در توضیح تغییرات بازده مورد انتظار سهام با مشاهده ی ضریب تعیین کل مدل ها یا هر پورتفوی بهتر از سایر مدلها بوده است. این مدل نشان می دهد که نه فقط عوامل بازار در برآورد جایگزین های ریسک کافی نیستند بلکه عوامل اندازه ی شرکت، نسبت BE/ME، گشتاور، چولگی و کشیدگی هم موثرند.
تفاوت بین ضریب تعیین و ضریب تعیین تعدیل شده می تواند ناشی از حجم نمونه و تعداد متغیرها باشد در صورتی که نمونه کوچک باشد، ضریب تعیین تعدیل شده برای تفسیر مناسبتر است با بزرگتر شدن حجم نمونه این دو ضریب به هم نزدیک می شوند. با افزودن تعداد متغیر ها به مدل رگرسیون، مقدار ضریب تعیین ممکن است افزایش یابد برای جلوگیری از این وضعیت و کنترل تورش از ضریب تعیین تعدیل شده استفاده می گردد. همان طوری که قابل مشاهده است مدل KFFPM بالاترین ضریب تعیین را به خود اختصاص داده است و بهترین مدل محسوب شده است.
H0: b=0رابطه خطی معنی داری بین متغیرهای مستقل و متغیر وابسته وجود ندارد
H1: b رابطه خطی معنی داری بین متغیرهای مستقل و متغیر وابسته وجود دارد 0
نحوه تحلیل آزمون معنی داری R2 برای مدل ها :
چنانچه سطح معنی داری کوچکتر از 5% باشد فرض H0 رد می شود و فرض مقابل H1 پذیرفته می شود. نتایج رگرسیون وهمانطوری که نگاره4-5 نشان می دهد سطح معنی داری تمام مدل ها کوچکتر از 5% است، پس فرض H0 برای تمام مدل ها رد می شود که نشان می دهد رابطه ی خطی معنی داری بین متغیر های مستقل و متغیر وابسته در مدل ها وجود دارد. کمتر بودن ضریب تعیین تعدیل شده مدل FFPM از مدل سه عامله فاما و فرنچ نشان دهنده ی این است که افزودن متغیر WML به مدل فاما و فرنچ بر خلاف بورسهای سایر کشورها نمی تواند توضیح بهتری برای تغییرات بازده داشته باشد. پس هر آنچه که در بازار های نیمه کارا صدق کند ممکن است در بازار ضعیف صدق نکند. مدل 3-9 نشان میدهد که با افزودن چولگی و کشیدگی به مدل FFPM متغیرهای مستقل تغییرات بازده سهام را بهتر توضیح می دهند. مدل 3-9 نشان می دهد متغیرهای مستقل MKT ، SMB ، HML، WML با افزودن چولگی و کشیدگی 34% از تغییرات بازده سهام را مشخص می کند و به عبارتی دیگر 34% از تغییرات بازده سهام در بازار بورس تهران در دوره زمانی 86-89 به اطلاعات حسابداری واکنش نشان می دهد. پس 66% تغییرات بازده سهام توسط اطلاعات حسابداری و متغیرهای این تحقیق توضیح داده نشده است و با پارامترهایی مشخص می شود که ارتباطی با اطلاعات حسابداری و متغیرهای محاسبه شده در این تحقیق ندارد.
نتایج مدل CAPM : همانطوری که در نگاره4-7 مشاهده می گردد و قبلا ذکر گردید ضریب تعیین (R-squared) این مدل در دوره ی چهار ساله 86-89 در آماره های موزون(وز
نی) 17% است که بدین معنی است که فقط 17 درصد تغییرات بازده مورد انتظار سهام با متغیر RM_RF توضیح داده می شود.
نگاره 4-7 مدل CAPM
Variable
Coefficient
Std. Error<b
r />t-Statistic
Prob.  
C
-0.149798
0.001988
-75.35902
0.0000
RM_RF
0.027789
0.004590
6.054448
0.0000
Weighted Statistics
R-squared
0.173745
    Mean dependent var
-0.355818
Adjusted R-squared
0.167390
    S.D. dependent var
0.240629
S.E. of regression
0.067947
    Sum squared resid(SSR)
0.600190
F-statistic
27.33650
    Durbin-Watson stat
2.008602
Prob(F-statistic)
0.000001
در نگاره 4-8 مدلCAPM با افزودن چولگی (SCAPM) به تصویر کشیده شده است که نتایج این مدل نیز نشان می دهد. متغیرهای مستقل بتا (صرف ریسک بازار) و چولگی 18درصد تغییرات بازده مورد انتظار سهام در یک دوره چهار ساله را توضیح می دهد.
نگاره 4-8 مدلSCAPM
Variable
Coefficient
Std. Error
t-Statistic
Prob.  
C
-0.144237
0.003352
-43.02545
0.0000
RM_RF
0.047936
0.009498
5.047200
0.0000
RM_RF_2
-0.053361
0.021660
-2.463640
0.0151
Weighted Statistics
R-squared
0.188946
    Mean dependent var
-0.348929
Adjusted R-squared
0.176372
    S.D. dependent var
0.200445
S.E. of regression
0.068559
    Sum squared resid
0.606346
F-statistic
15.02616
    Durbin-Watson stat
1.995219
Prob(F-statistic)
0.000001
در نگاره 4-9 مدل CAPM با افزودن چولگی و کشیدگی مشاهده می شود که نشان می دهد 19 درصد تغییرات بازده مورد انتظار سهام در طول سالهای 86-89 با متغیر های مستقل صرف ریسک بازار (RM_RF)، چولگی (RM_RF_2) و کشیدگی(RM_RF_3) توضیح داده می شود.
نگاره4-9 مدل KCAPM
Variable
Coefficient
Std. Error
t-Statistic
Prob.  
C
-0.146879
0.004054
-36.22790
0.0000
RM_RF
0.053822
0.013352
4.031114
0.0001
RM_RF_2
-0.012821
0.045932
-0.279123
0.7806
RM_RF_3
-0.066568
0.079648
-0.835779
0.4048
Weighted Statistics
R-squared
0.194041
    Mean dependent var
-0.348537
Adjusted R-squared
0.175152
    S.D. dependent var
0.206881
S.E. of regression
0.068214
    Sum squared resid
0.595609
F-statistic
10.27236
    Durbin-Watson stat
2.002254
Prob(F-statistic)
0.000004
نتایج مدل قیمت گذاری سه عامله (TFPM)در نگاره 4-10 به نمایش در آمده است ضریب تعیین این مدل همانطوری که در بالا ذکر گردید از مدل های پیشین خود افزایش یافته است که نشان دهنده ی بهتر بودن این مدل از مدل قیمت گذاری دارایی سرمایه ای (CAPM) است که فقط به ریسک سیتماتیک سهم در بازار بورس(بتا) توجه کرده است. بنابراین می توان نتیجه گرفت که قابلیت و توانایی عامل اندازه (SMB) وعامل نسبت ارزش دفتری به ارزش بازار (HML) به همراه بتا (RM_RF) در توضیح تغییرات بازده مورد انتظار سهام بالاتر است.
نگاره 4-10 مدلTFPM
Variable
Coefficient
Std. Error
t-Statistic
Prob.  
C
-0.154138
0.002814
-54.77940
0.0000

 
 
RM_RF
0.013991
0.008622
1.622619
0.1071
SMB
-0.019268
0.095500
-0.201758
0.8404
HML
-0.646117
0.245102
-2.636115
0.0094
Weighted Statistics
R-squared
0.200843
    Mean dependent var
-0.347841
Adjusted R-squared
0.182113
    S.D. dependent var
0.202381
S.E. of regression
0.068199
    Sum squared resid
0.595334
F-statistic
10.72293
    Durbin-Watson