توسعه مدل های چندعاملی قیمت گذاری دارایی ها با استفاده از رویکرد رگرسیون آستانه ای و عوامل مبتنی بر ریسک اعتباری (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: پژوهش حاضر به دنبال توسعه و بهبود مدل های قیمت گذاری آستانه ای با هدف ارتقای عملکرد مدل های چندعاملی رایج در حوزه پژوهش های قیمت گذاری دارایی هاست. در سه دهه اخیر، روند توسعه مدل های قیمت گذاری در حوزه پژوهش مالی، عمدتاً بر مبنای ناهنجاری های قیمت گذاری بوده است. این مدل ها بر اساس مدل های قبلی توجیه نمی شوند و به عنوان عوامل جدید به مدل ها اضافه شده اند. این روند تکاملی به ظهور صدها عامل مبتنی بر ناهنجاری های موجود در مدل های پیشین منجر شده است. با توجه به فراوانی متغیرهای احتمالی تأثیرگذار بر بازدهی دارایی ها و اهمیت ویژه رعایت اصل «اختصار» در توسعه مدل های قیمت گذاری، ضروری است که به دنبال مدل هایی با حداقل تعداد عامل و بیشترین توضیح دهندگی مطلوب باشیم. در راستای اصل فوق، این پژوهش به دنبال توسعه مدل های قیمت گذاری آستانه ای نوین است که در آن، عامل پیشنهادی به صورت هدفمند برای بعضی از شرکت ها و نه همه آن ها مورد استفاده قرار می گیرد. با انجام آزمون های مقطعی دقیق و رگرسیون مقطعی آستانه ای، تأثیر آستانه ای متغیرهای کلیدی مانند ریسک اعتباری بر نرخ بازده مورد انتظار با توجه به متغیر آستانه نسبت بدهی، به طور جامع بررسی می شود. انتظار می رود که تأثیر متغیرهای ریسک اعتباری یا اضطراب مالی بر نرخ بازده مورد انتظار، برای سطوح مختلف بدهی دارایی ها، به طور معناداری متفاوت باشد. در صورت معنادار بودن اثر آستانه ای نسبت بدهی، می توان در آزمون های سری زمانی، عامل های مربوط به ریسک اعتباری را به طور هدفمند، تنها برای دسته ای از دارایی ها با ویژگی های مشخص استفاده کرد. هدف نهایی و اساسی این پژوهش، توسعه مدلی نوآورانه است که به جای حضور یک عامل به صورت صفر و یک در مدل قیمت گذاری، حضور عامل برای بعضی از دارایی ها را بر اساس شرایط و معیارهای مشخص در نظر بگیرد. روش: برای بررسی عملکرد مدل های قیمت گذاری آستانه ای، از داده های شرکت های بازار سرمایه ایران در بازه زمانی ۱۳۸۰ تا ۱۴۰۲ بعد از اعمال فیلترهای رایج برای آزمون مدل های قیمت گذاری استفاده شده است. به منظور بررسی اثر آستانه ای در بررسی عملکرد مدل های قیمت گذاری، از تکنیک های رگرسیون آستانه ای و برای آزمون فرضیه های پژوهش، از آزمون GRS و آماره های ، ( ) و ( ) استفاده شده است. یافته ها: نتایج به دست آمده نشان می دهد که متغیر فاصله تا نکول، به تنهایی یا در حضور سایر ویژگی ها، تحت تأثیر اثر آستانه ای نسبت بدهی قرار می گیرد؛ به طوری که رابطه معنادار و منفی (فاصله تا نکول کم معادل بازدهی مورد انتظار بالا) برای سهام با نسب بدهی بالا برقرار است و به نظر می رسد، استفاده از اثر آستانه متغیرهای تأثیرگذار بر بازدهی دارایی در رگرسیون های مقطعی، امکان بررسی دقیق تری از اثر متغیرها بر بازدهی سهام انفرادی را فراهم می آورد. همچنین اضافه شدن عامل ریسک نکول به مدل های قیمت گذاری مورد بررسی، توان توضیح دهندگی و قدرت پیش بینی مدل ها را برای دارایی های آزمون با آستانه بدهی بالا افزایش می دهد. نتیجه گیری: نتایج حاصل نشان می دهد که برای رعایت اصل اختصار در مدل های قیمت گذاری، می توان از مدل های قیمت گذاری آستانه ای، برای توسعه مدل های قیمت گذاری و قیمت گذاری بخشی از دارایی های آزمون با ویژگی ها خاص بهره برد و در توضیح دهندگی و عملکرد برون نمونه ای نتیجه مناسب را دریافت کرد.Developing "Multifactor Asset Pricing Models" Using Threshold Regression Approach and Credit Risk Factor
Objective
This study aims to develop threshold asset pricing models to enhance the performance of common multi-factor models. Over the past thirty years, asset pricing models have evolved by incorporating pricing anomalies as new factors that previous models could not explain, leading to the introduction of hundreds of such factors. This proliferation underscores the importance of the “parsimony” principle, which advocates for models with minimal factors and maximal explanatory power. Given the abundance of potential variables influencing asset returns, it is essential to seek models that balance simplicity and effectiveness. In line with this principle, this study proposes threshold asset pricing models where the proposed factors are applied selectively to certain companies rather than universally. Through cross-sectional tests and threshold cross-sectional regression analyses, the research examines the threshold effect of variables such as credit risk on expected returns, using the debt ratio as a threshold variable. It is anticipated that the impact of credit risk or financial distress on expected returns will differ across various levels of indebtedness. If the threshold effect of the debt ratio proves significant, credit risk factors can be applied selectively to specific groups of assets with particular characteristics in time-series tests. The ultimate goal is to develop a model that, instead of incorporating factors in a binary manner, considers their presence for certain assets based on threshold conditions. This approach aims to maximize explanatory power while adhering to the parsimony principle, ultimately improving the effectiveness of asset pricing models by using factors only where they are most relevant.
Methods
To evaluate the performance of threshold asset pricing models, data from companies in the Iranian capital market (2001-2023) were used after applying common filters. Threshold regression techniques investigated the threshold effect, and the GRS test along with A(|aᵢ|), A(|aᵢ|/|r̄ᵢ|), and AR², tested the research hypotheses.
Results
The results demonstrate that the distance-to-default variable, both individually and in conjunction with other characteristics, is influenced by the threshold effect of the debt ratio. Specifically, there is a significant negative relationship—where a lower distance-to-default corresponds to higher expected returns—for stocks with high debt ratios. This indicates that for companies with higher leverage, investors demand greater returns due to the increased risk of default. Utilizing the threshold effect of variables affecting asset returns in cross-sectional regressions allows for a more precise and detailed analysis of how these variables impact individual stock returns. Additionally, incorporating the default risk factor into the examined asset pricing models enhances their explanatory power and predictive ability, especially for test assets with high debt thresholds. This improvement highlights the effectiveness of considering threshold effects in the models, as it increases their ability to accurately predict returns for assets that are more susceptible to default risk due to higher levels of indebtedness.
Conclusion
The results suggest that to adhere to the parsimony principle, threshold asset pricing models can be used to develop pricing models and price a subset of test assets with specific characteristics, yielding appropriate results.