1 به خوبی عدم موفقیت مدل قیمت گذاری دارایی سرمایه استاندارد (CAPM) ناشی از عدم توانایی آن در توضیح بخش مقطع بازده اضافی اوراق بهادار طبقه بندی شده توسط ویژگی های شرکت مانند اندازه و نسبت کتاب به بازار است. در یک سری مقالات تأثیرگذار ، FAMA و فرانسوی (1992 ، 1993 ، 1996 و 2006) نشان می دهد که CAPM قادر به توضیح ناهنجاری نیست که شرکت های بالا به بازار به رغم داشتن بتاهای پایین بازار ، بازده زیادی را دارند. در میان تلاش های بی شماری برای حل پازل Premium Value ، مدل سه عاملی Fama-French (1993) (از این پس FF3) محبوب ترین است. این سبد بازار دو عامل تقلید دو عامل را می افزاید ، یکی با هدف گرفتن اثر اندازه (SMB) و دیگری اثر ارزش (HML). این عوامل ، با این حال ، مبتنی بر ملاحظات صرفاً تجربی ، فاقد زیربنای نظری است و به شکلی نسبتاً دلخواه ساخته می شوند. به ویژه ، پیوندهای اقتصادی آنها با خطر سیستماتیک مشخص نیست.[1] < Span> 1 - مقدمه

1 به خوبی عدم موفقیت مدل قیمت گذاری دارایی سرمایه استاندارد (CAPM) ناشی از عدم توانایی آن در توضیح بخش مقطع بازده اضافی اوراق بهادار طبقه بندی شده توسط ویژگی های شرکت مانند اندازه و نسبت کتاب به بازار است. در یک سری مقالات تأثیرگذار ، FAMA و فرانسوی (1992 ، 1993 ، 1996 و 2006) نشان می دهد که CAPM قادر به توضیح ناهنجاری نیست که شرکت های بالا به بازار به رغم داشتن بتاهای پایین بازار ، بازده زیادی را دارند. در میان تلاش های بی شماری برای حل پازل Premium Value ، مدل سه عاملی Fama-French (1993) (از این پس FF3) محبوب ترین است. این سبد بازار دو عامل تقلید دو عامل را می افزاید ، یکی با هدف گرفتن اثر اندازه (SMB) و دیگری اثر ارزش (HML). این عوامل ، با این حال ، مبتنی بر ملاحظات صرفاً تجربی ، فاقد زیربنای نظری است و به شکلی نسبتاً دلخواه ساخته می شوند. به ویژه ، پیوندهای اقتصادی آنها با خطر سیستماتیک مشخص نیست.[1] 1 - مقدمه

1 به خوبی عدم موفقیت مدل قیمت گذاری دارایی سرمایه استاندارد (CAPM) ناشی از عدم توانایی آن در توضیح بخش مقطع بازده اضافی اوراق بهادار طبقه بندی شده توسط ویژگی های شرکت مانند اندازه و نسبت کتاب به بازار است. در یک سری مقالات تأثیرگذار ، FAMA و فرانسوی (1992 ، 1993 ، 1996 و 2006) نشان می دهد که CAPM قادر به توضیح ناهنجاری نیست که شرکت های بالا به بازار به رغم داشتن بتاهای پایین بازار ، بازده زیادی را دارند. در میان تلاش های بی شماری برای حل پازل Premium Value ، مدل سه عاملی Fama-French (1993) (از این پس FF3) محبوب ترین است. این سبد بازار دو عامل تقلید دو عامل را می افزاید ، یکی با هدف گرفتن اثر اندازه (SMB) و دیگری اثر ارزش (HML). این عوامل ، با این حال ، مبتنی بر ملاحظات صرفاً تجربی ، فاقد زیربنای نظری است و به شکلی نسبتاً دلخواه ساخته می شوند. به ویژه ، پیوندهای اقتصادی آنها با خطر سیستماتیک مشخص نیست.[1]

2 موفقیت تجربی عظیم این مدل ، رشته ای از تحقیقات را با هدف ارائه تفسیر اقتصادی واضح از عوامل فاما-فرانسوی انجام داد. در میان توضیحات بیشمار رقابتی ، ما بر روی مواردی که بر اساس CAPM بین المللی مرتون (1973) (آخرت ICAPM) انجام می شود ، تمرکز می کنیم. همانطور که FAMA و فرانسوی (1996) خودشان اظهار داشتند ، عوامل SMB و HML آنها می توانند به عنوان پروکسی برای متغیرهای دولتی که توصیف تکامل تصادفی فرصت سرمایه گذاری است ، تعبیر شود. این البته این سؤال را ایجاد می کند که نامزدهای معقول برای متغیرهای دوم چیست.[2] FAMA (1991) و Campbell (1996) به طرز قانع کننده ای هشدار داده اند که ICAPM نباید برای انتخاب عوامل به عنوان "مجوز ماهیگیری" در نظر گرفته شود و سری زمانی و رگرسیون مقطعی باید سازگار باشد. در ICAPM ، فقط نوآوری ها در آن متغیرهای دولتی که پیش بینی می کنند بازده های آینده را پیش بینی می کنند ، و نه فقط عواملی که با بازده معاصر در ارتباط هستند ، باید یک حق بیمه خطر را صادر کنند. در این روحیه ، به دنبال چارچوب اتخاذ شده توسط کمپبل (1996) و استفاده از نوآوری در چهار پیش بینی کننده محاسبه شده از یک فرآیند اتورگرایی وکتور (VAR) که شامل فاکتورهای FF3 نیز می شود ، پتکووا (2006) نتیجه گرفت که مدلی که از نوآوری در SMB و HML استفاده می کندعوامل و در این متغیرهای پیش بینی عملکرد بهتری نسبت به مدل FF3 دارند ، نوآوری در SMB و HML از نظر آماری ناچیز است. علاوه بر این ، او نشان می دهد که نوآوری در متغیرهای پیش بینی قیمت دارد و حق بیمه خطر قابل توجه و قابل توجه است. این یافته ها از این حدس که SMB و HML پروکسی برای تغییر در مجموعه فرصت های سرمایه گذاری را پشتیبانی می کنند ، پشتیبانی می کنند.

3 هدف از این مقاله استثناء این رشته از خوش بینی و نشان دادن توانایی ادعای نوآوری در پیش بینی کننده ها برای توضیح بخش مقطع بازده اضافی مورد انتظار است.[3] به ویژه ، این واقعیت که این نوآوری ها عوامل SMB و HML را در یک مقطع بیرون می کشند ، اساساً یک مصنوع آماری است که با رویکرد VAR خاص و روش ارتوگونی سازی همراه همراه است که برای تخمین نوآوری ها در پیش بینی کننده ها استفاده شده است. اجرای یک رگرسیون مقطعی که در آن SMB و HML به صورت متعامد به بازار ساخته شده اند ، اهمیت آماری این دو عامل را به طور قابل توجهی کاهش می دهد ، صرف نظر از اینکه نوآوری در متغیرهای پیش بینی نیز در رگرسیون وجود داشته باشد یا خیر.

4 شما مشارکتهای اصلی را می توان به شرح زیر خلاصه کرد. مورد اول روش شناختی است. با تجدید نظر در آزمایشات Campbell (1996) از ICAPM ، ما اعتبار روش مورد استفاده برای ایجاد نوآوری در متغیرهای پیش بینی شده از یک فرآیند VAR (1) (یا از فرآیندهای AR (1)) را به بازار و به یکدیگر ارزیابی می کنیم و به یکدیگر و یکدیگر می پردازیم. تعیین کنید که آیا رویه متعامد خود برای نتایج بسیار مهم است یا خیر. ما نشان می دهیم که روش دوم بسیار دلخواه است ، زیرا نتایج به طرح مثلثی اتخاذ شده بستگی دارد. ضریب و اهمیت نوآوری در یک پیش بینی کننده معین ممکن است به شدت به رتبه (خودسرانه) آن در این طرح بستگی داشته باشد. بنابراین ، حتی اگر این روش از نظر منطقی ناقص نباشد ، منجر به قیمت ناشناخته بازار ریسک می شود و تفسیر آن بسیار دشوار است.

5 ثانیه ، ما آزمایشات تجربی جدیدی از ICAPM را برای بررسی مجدد قدرت پیش بینی متغیرهای حالت کلان و تأمین کننده نوآوری های آنها به عنوان تعیین کننده بازده اضافی نمونه کارها ، چه در طول زمان و چه در مقطع ارائه می دهیم. هنگام استفاده از 25 پرتفوی SBM که بر اساس اندازه و کتاب به بازار مرتب شده اند ، می فهمیم که بارهای نوآوری ها به ندرت از نظر آماری قابل توجه هستند. انجام یک آزمون f در R 2 S همانطور که توسط Ferson و Harvey (1999) پیشنهاد شده است نشان می دهد که تفاوت بین ICAPM و CAPM استاندارد در سطح اطمینان 5 ٪ معنی دار نیست. با این حال ، برخی از این نوآوری ها با کمال تعجب از قدرت توضیحی قابل توجهی در رگرسیون های مقطعی برخوردار هستند. سهم اخیر Lewellen ، Nagel و Shanken (2010) به توضیح منشأ درگیری کمک می کند: آزمایش های بازده اضافی مقطعی توسط ساختار عامل قوی ذاتی برای ساخت 25 پرتفوی مطلوب است. گسترش جهان پرتفوی برای شامل 30 پرتفوی صنعت که عاری از چنین تعصب هستند (از آنجا که آنها توسط ویژگی های شرکت ها غیر از صنعت طبقه بندی نمی شوند) باعث می شود که سهم نوآوری ها حتی در مقطع نیز بسیار محدود باشد. این یافته برای تغییر در مجموعه پیش بینی کننده ها و تکنیک های رگرسیون مورد استفاده قوی است.

ششمین ، این واقعیت که بارهای نوآوری به SMB و HML در رگرسیون های مقطعی ناچیز است که شامل بارهای نوآوری به متغیرهای پیش بینی کننده نیز می شود ، هیچ اثبات این امر نیست که فاکتورهای FF برای فرصت های سرمایه گذاری متغیر زمان هستند. این امر به این دلیل است که ، حتی در غیاب کامل پیش بینی کننده ها در مدل ، نوآوری ها در HML و SMB قادر به توضیح تفاوت های مقطعی در بازده اضافی نمونه کارها در هنگام ایجاد متعامد به بازار نیستند ، نکته ای مهم که توسط پتکووا نادیده گرفته می شود (2006)بشراضافه کردن نوآوری ها به پیش بینی کننده های مدل نمی تواند بدیهی است که این نتیجه را تغییر می دهد. بنابراین نمی توان ادعا کرد که این نوآوری ها عوامل FF را از رگرسیون خارج می کنند. در واقع ، خود HML و SMB (نه نوآوری های آنها) از معرفی نوآوری ها در پیش بینی کننده ها جان سالم به در می برند. ما حتی نشان می دهیم که قدرت توضیحی نوآوری های دوم تقریباً در سری زمانی و حاشیه در مقطعی وجود دارد ، در حالی که HML و SMB به اندازه مدل FF3 قابل توجه هستند. ما کسر می کنیم که فاکتورهای FF برای نوآوری در پیش بینی کننده های (انتخاب شده) پروکسی نمی کنند. در نتیجه ، اگر حق بیمه ارزش و اندازه واقعاً برای فرصت های سرمایه گذاری متغیر زمان ، همانطور که توسط پتکووا (2006) و گوو و همکاران بیان شده است.(2009) در میان دیگران ، مشخص نیست که متغیرهای اساسی اساسی چیست.

7 از این رو ، ما هنوز به یک روش قانع کننده برای آزمایش ICAPM نیاز داریم. به طور خاص ، ما برای توضیح زیربنای اقتصادی مدل FF3 ضرر داریم. پس از آنکه کمپبل ، هیلشچر و سزیلاگی (2008) توضیحات "پریشانی" را بی اساس اثبات کردند ، [4] یک حدس دیگر (داستان "پروکسی") تجزیه می شود. تعدادی از توضیحات جایگزین در واقع برای معما حق بیمه ارزش با اندازه گیری آشکار موفقیت ارائه شده است. با این حال ، نتایج اخیر Lewellen ، Nagel و Shanken (2010) در استحکام تست های قیمت گذاری دارایی انجام شده شک و تردید جدی به وجود می آورند ، زیرا در واقع یک خوبی از سطح مقطعی به ظاهر چشمگیر پشتیبانی بسیار کمی از یک مدل را فراهم می کند. بنابراین ممکن است به سادگی باشد که SMB و HML هیچ محتوای اقتصادی واقعی ندارند و به شدت در سری های زمانی و مقطع بازده نمونه کارها به دلیل روش مرتب سازی مورد استفاده در ساخت آنها باز می گردند.

8 باقیمانده مقاله به شرح زیر است. بخش 2 داده ها را نسبت به پرتفوی ها و متغیرهای حالت کلان توصیف می کند. بخش 3 شواهد تجربی در مورد توانایی ICAPM شبیه مرتون را ارائه می دهد که شامل نوآوری در چهار متغیر دولتی برای توضیح بازده بیش از حد نمونه کارها به صورت موقت و مقطعی است. بخش 4 دوباره وضعیت تجربی فاکتورهای HML و SMB و نوآوری های آنها را از یک فرآیند VAR (1) ارزیابی می کند و بررسی می کند که نوآوری ها در چهار متغیر دولتی تا چه اندازه این عوامل را به عنوان تعیین کننده بازده نمونه کارها جمع می کنند. بخش 5 با تغییر متفاوت مجموعه پیش بینی کننده ها ، برخی از بررسی های استحکام را ارائه می دهد. بخش 6 نتیجه می گیرد.

2 - داده ها

مطالعه 9this از داده های ماهانه ایالات متحده برای دوره از ژوئیه 1963 تا دسامبر 2009 (558 مشاهدات) استفاده می کند.[5] داده های مربوط به بازده اضافی در سبد بازار ، و بازده در پرتفوی SMB و HML از وب سایت Keeth French بارگیری شد. حق بیمه خطر بازار به عنوان بازده ارزش وزن در تمام سهام NYSE ، AMEX و NASDAQ (به دست آمده از پرونده های CRSP) منهای نرخ صورتحساب خزانه داری یک ماهه محاسبه می شود. همچنین از وب سایت فرانسوی 25 پرتفوی طبقه بندی شده بر اساس اندازه و سهام کتاب به بازار (از این پس SBM) است که اولین مجموعه اوراق بهادار ما را تشکیل می دهد.[6] با این حال ، برخی از نویسندگان ، مانند Lewellen و همکاران.(2010) ، استدلال كرده اند كه آزمایش های بازده اضافی به دلیل ساختار فاكتوريوياري ذات ساخت اين پرتفويوها ، مطلوب هستند. در نتیجه ، برای کاهش این تعصب ، ما تمام تست های خود را در مجموعه ای بزرگتر انجام خواهیم داد که علاوه بر 25 پرتفوی SBM ، 30 اوراق بهادار صنعت نیز توسط FAMA و فرانسوی گردآوری شده است. این همچنین به نوعی برای تحقق توصیه های ANG ، LIU و Schwarz (2009) برای استفاده از سهام به جای اوراق بهادار ارائه می شود زیرا این امر باعث ایجاد خطاهای استاندارد بدون علامت کوچکتر از برآورد حق بیمه خطر می شود.

10 در مورد متغیرهای حالت یا پیش بینی کننده ها ، با توجه به استفاده از مدل ، ما همان چهار متغیر را انتخاب می کنیم که توسط دیگران پتکووا (2006) استفاده می شود. این متغیرها خود را به تفسیر مالی واضح وام می دهند و از زمان FAMA و فرانسوی (1989) ، Dumas and Solnik (1995) و Ferson و Harvey (1999) در ادبیات رایج شده اند. این انتخاب پارسا ، هرچند که کاملاً مورد نظر خودسرانه است ، هر دو برای نشان دادن انتقاد اصلی ما از رویکرد Campbell (1996) VAR کافی است و امکان مقایسه معنی دار را فراهم می کند. سطح و شیب منحنی عملکرد که تعیین کننده های آشکار فرصت های سرمایه گذاری است ، ما به عنوان دو پیش بینی کننده اول ما سطح نرخ قبض خزانه داری سه ماهه ("tbill_l") و سطح یک اصطلاح گسترش یافته به عنوان تفاوت بین تفاوت بین بینبازده اوراق بهادار وزارت خزانه داری 10 ساله و عملکرد اوراق بهادار خزانه داری 1 ساله ("term_l"). همچنین ، شواهدی وجود دارد که نشان می دهد بازده دارایی تا حدی با سود سهام کل و اندازه گیری فشار مالی یا اقتصادی پیش بینی می شود. بر این اساس ، ما به عنوان متغیرهای حالت سوم و چهارم خود یک سود سهام را انتخاب می کنیم ، به عنوان کل سود سهام پرداخت شده در طول 12 ماه گذشته تقسیم بر ارزش واقعی نمونه کارها بازار ("DY_L") و گسترش پیش فرض به عنوان تفاوت اندازه گیری می شودبین بازده اوراق قرضه 10 ساله BAA و اوراق قرضه 10 ساله AAA ("DEF_L"). بازده سود سهام از پایگاه داده CRSP و سه پیش بینی دیگر از پایگاه داده FRED® بانک مرکزی فدرال رزرو سنت لوئیس بارگیری شد.

11 در بررسی های استحکام ارائه شده در بخش 5، از سه پیش بینی اضافی استفاده خواهیم کرد. یکی جایگزینی برای بازده سود سهام است، یعنی کل پرداخت خالص، که به عنوان سود سهام به اضافه کل خریدهای مجدد سهام با خالص انتشار سهام تقسیم بر ارزش پرتفوی بازار ("tp_L") تعریف شده و از وب سایت مایکل رابرتز دانلود شده است.[7] استفاده از آن برای مثال توسط Boudoukh و همکاران توصیه شده است.(2007). دومی اسپرد بازده ("ys_L") است که توسط هاروی (1989) معرفی شد و به عنوان تفاوت بین بازده تقسیمی اندازه گیری شده توسط "dy_L" و بازده اوراق قرضه T 10 ساله با سررسید ثابت تعریف شد که دانلود شده است. از پایگاه داده FRED®.[8] به عنوان مثال توسط Bekaert و Engstrom (2010) در آزمایش های خود از "مدل فدرال رزرو" استفاده می شود. سومین معیار نوسان بازار (" vol_L ") است که به عنوان انحراف استاندارد سالانه بازده ماهانه بازار در یک پنجره 5 ساله (60 مشاهده) محاسبه می شود. این انتخاب با انگیزه یافته های کمبل (1996)، چن (2003) و گوو و همکاران است.(2009) که، در میان دیگران، گزارش می دهند که نوسانات متغیر بازار به طور قابل توجهی بر مجموعه فرصت های سرمایه گذاری تأثیر می گذارد.