چکیده:
هدف: در تحقیق حاضر به بررسی امکان بهبود عملکرد مدلهای فاما-فرنچ در بورس تهران با استفاده از تعریف عوامل ریسک به روش های مختلف پرداخته شده است. هدف، تعیین عوامل ریسک با بیشترین قدرت پیشبینی کنندگی بازده و همچنین شناسایی مدل بهینه بوده است.روش شناسی پژوهش: با استفاده از بازدهی ماهیانه شرکتهای نمونه طی سالهای 1384 تا 1400، الگوهای بازده غیر عادی سهام بررسی شدند. سپس، از آزمون جی آر اس و رویکرد فاما-مکبث برای بررسی خطای قیمت گذاری مدل ها و اندازه گیری صرف ریسک متغیرهای به کار رفته استفاده شد. یافته ها: نتایج نشان میدهد استفاده از متغیرهای جایگزین در مدل 5 عاملی، سبب کاهش خطای قیمتگذاری میگردد. همچنین، رویکرد فاما-مکبث در برآورد صرف ریسک نشان داد دو ریسک سودآوری و سرمایهگذاری در بورس تهران قیمتگذاری نشدهاند اما سبب معنیدار تر شدن صرف ریسک عوامل بازار، اندازه و ارزش شدند.ارزش افزوده علمی: از نتایج تحقیق حاضر میتوان برای کاهش خطای فرایند قیمتگذاری داراییهای مالی استفاده کرد. همچنین میتوان از مدل بهینه معرفی شده در این تحقیق برای پیشبینی بازده سهام و طراحی استراتژیهای سرمایهگذاری مبتنی بر آن بهره برد.
Purpose: In this research, the possibility of improving the Fama - French models using new definitions of risk factors in the Tehran Stock Exchange, has been investigated. The goal is to determine the risk factors with the highest predictive power and identify the optimal model.
Methodology: Using the monthly returns of the sample firms during the 2006 to 2021 period, the abnormal stock returns were investigated. Then, using the GRS test and the Fama - Macbeth approach, we calculated the mispricing error of the models and the risk premia of each variable. The data used in the study were collected from Rahavard Novin and Codal databases.
Findings: The results reveal that including new definitions of risk factors instead of the original ones in the models can reduce the mispricing error in the Fama - French five-factor model. Moreover, Fama - Macbeth regressions showed no profitability and investment effect in the Tehran Stock Exchange, although they strengthen the risk premia of the market, size and value factors.
Originality / Value: The results of the present research can be used to reduce the error of the asset pricing process. Also, the optimal model introduced in this research can be utilized to predict stock returns and design investment strategies based on those returns