تأثیر ریسک دم در بازده بازار سهام: نقش احساسات بازار

ما پیش بینی بازگشت ریسک شدید رویداد با زمان متغیر را در نقاط مختلف توزیع بازده با استفاده از رگرسیون کمی بررسی می کنیم. ما شواهدی از قدرت پیش بینی قوی در کمیتهای پایین برای افق های پیش بینی تا یک سال می یابیم. با این حال ، در مقدار بالاتر ، نتایج ما هیچ ارتباطی بین ریسک دم و بازده اضافی بورس نشان نمی دهد. در جمع ، شواهد ، حق بیمه سهام غیر طبیعی بزرگ را توضیح می دهد ، که در دوره های سقوط شدید در قیمت سهام مشاهده می شود وقتی احساسات بازار نزولی است.

معرفی

تحقیقات در مورد تأثیر بالقوه وقایع نادر توجه قابل توجهی را به خود جلب کرده است زیرا چندین پدیده گیج کننده در بازارهای مالی را می توان با ترکیب احتمال وقایع شدید در تجزیه و تحلیل توضیح داد. تقریباً سه دهه با قدمت ، ریتز (1988) یک مدل قیمت گذاری دارایی را ایجاد می کند که می تواند اثر تصادفات بازار کم قابلیت را به خود جلب کند. نویسنده استدلال می کند که با توجه به درجات معقول و معقول از اولویت زمان و ریسک ریسک ، خطر شدید رویداد به حل پازل حق بیمه ریسک سهام که در مهرا و پرسکات (1985) مورد بحث قرار گرفته است ، کمک می کند. Barro (2006) همچنین نشان می دهد که حق بیمه بالا ، نرخ پایین ریسک و بازده سهام بی ثبات ، که معمولاً در بازارهای مالی مشاهده می شود ، می تواند هنگامی که داده های تاریخی با احتمالات فاجعه کالیبره می شوند ، توضیح داده شود.

چندین محقق متعاقباً با اجازه دادن به حق بیمه خطر چپ سمت چپ با گذشت زمان ، مدل Rietz (1988) و Barro (2006) را گسترش می دهند. در میان ادبیات موجود در این رشته ، گابایکس (2012) است که شامل شدت متغیر زمانی از بلایای طبیعی در مدل نوع Rietz-Barro است. مدل گسترده وی توضیحی را برای حق بیمه ریسک متغیر زمان ارائه می دهد که باعث نوسانات قیمت دارایی و پیش بینی بازگشت می شود. ساخته شده بر روی Rietz (1988) ، Barro (2006) و Gabaix (2012) ، Gourio (2012) خطر متغیر زمانی از یک شوک کلان اقتصادی بزرگ را در یک مدل چرخه تجارت واقعی ایجاد می کند. مدل حاصل به خوبی متناسب با داده ها است و می تواند کاهش قیمت سهام ، اشتغال ، تولید و سرمایه گذاری در طی "فاجعه" مانند افسردگی بزرگ را به خود اختصاص دهد. پس از آن ، Wachter (2013) شامل یک احتمال متغیر از یک فاجعه مصرف است که شدت آن از پرش ها به عنوان یک فرآیند ریشه مربع à la Cox ، Ingersoll و Ross (1985) در مدل مشخص می شود. یافته های وی نشان می دهد که ریسک فاجعه متغیر در زمان به توضیح بسیاری از ویژگی های بازارهای مالی کمک می کند: حق بیمه ریسک سهام متغیر زمان و پایین آمدن نرخ ریسک.

اخیراً ، کلی و جیانگ (2014) یک اندازه گیری متغیر از زمان خطر دم ، که از مقطع سهام فردی استخراج شده است ، ایجاد می کنند. نشان داده شده است که این اقدام دارای قدرت پیش بینی قوی برای بازده اضافی بورس است و قادر به پیش بینی بازده بیش از حد بازار سالانه در افق سرمایه گذاری یک ماهه ، یک ساله ، سه ساله و پنج ساله است. علاوه بر این ، میزان قرار گرفتن در معرض نمونه کارها در معرض خطر دم نیز برای پیش بینی سطح مقطع بازده سهام یافت می شود. نویسندگان گزارش می دهند که سهام در بالاترین نمونه کارها کوینتیل ، بر اساس میزان قرار گرفتن در معرض نمونه کارها در اندازه گیری ریسک دم ، مرتب شده است ، ALPHAS سه عاملی با وزن سالانه با ارزش 5. 5 ٪ بالاتر از سهام در پایین ترین نمونه کارها کوینتیل کسب کنید.

با ایجاد پیامدهای قیمت گذاری دارایی از خطر دم ، ما یک قدم جلوتر کار کلی و جیانگ (2014) را گسترش می دهیم. از آنجا که روش معمولی حداقل مربع (OLS) در تجزیه و تحلیل آنها به کار می رود ، هنگامی که بازده در میانگین توزیع بازده قرار دارد ، تأثیر خطر دم در بازده محاسبه می شود. این یافته ، گرچه آموزنده است ، اما فقط رابطه را در زمان "عادی" توصیف می کند. در مورد رابطه هیچ چیز نمی گوید وقتی که بازگشت از میانگین دور است. از آنجا که ریسک دم عمدتاً با حوادث منفی شدید همراه است ، قابل قبول است که واکنش بازارهای مالی به خطر دم نامتقارن است ، بسته به اینکه بازده در توزیع بازده قرار دارد. به عبارت دیگر ، انتظار می رود تأثیر ریسک دم در بازده سهام بسته به اینکه آیا احساسات بازار صعودی است (یعنی وقتی بازده اضافی بسیار مثبت است) یا نزولی (یعنی وقتی بازده اضافی بسیار منفی است) متفاوت است. این تمرکز مقاله ما است.

ادبیات در مورد پاسخ نامتقارن بازارهای مالی به شوک فراوان است. به عنوان مثال ، بررسی تأثیر اخبار بر نوسانات برگشتی ، نلسون (1991) و گلوستن ، جاگاناتان و Runkle (1993) نشان می دهد که بازارها نسبت به اخبار خوب نسبت به اخبار بد نسبت به اخبار بد واکنش نشان می دهند. علاوه بر این ، Chevapatrakul (2014) و Chevapatrakul (2015) هر دو نشان می دهند که بازارهای سهام بسته به سطح بازده بورس سهام ، به طور نامتقارن به تغییر در سیاست های پولی پاسخ می دهند. بررسی علیت بین حجم معاملات گذشته و بازده شاخص در کشورهای حوضه اقیانوس آرام ، Gebka و Wohar (2013) علیت غیرخطی قوی را کشف می کنند. آنها دریافتند که وقتی بازده زیاد است و در صورت کم بودن بازده ، بازده بازده مثبت است. وو و لی (2015) نشان می دهند که رابطه بازگرداندن ریسک بین المللی در ایالات متحده در بازارهای گاو نر (خرس) به طور قابل توجهی مثبت (منفی) است. از دیدگاه رفتاری ، واکنش بازارها به احساسات سرمایه گذار مبهم است. همانطور که در لی ، جیانگ و ایندرو (2002) توضیح داده شده است ، از یک طرف ، هنگامی که احساسات به طور کلی صعودی (نزولی) است ، فعالیت های معاملاتی باعث افزایش (فروش) افزایش می شود (پاییز) بالاتر (در زیر) ارزش اساسی ، از این طریقکاهش بازده مورد انتظار. از طرف دیگر ، با افزایش تقاضا برای دارایی های پرخطر به دنبال احساسات مثبت (منفی) بیشتر ، سطح کلی ریسک بازار افزایش می یابد (کاهش می یابد) و منجر به بازده مورد انتظار بالاتر (پایین تر) می شود.

برای اندازه گیری پاسخ نامتقارن بازارهای سهام به ریسک دم ، این مقاله از تکنیک رگرسیون کمی استفاده می کند ، که توسط Koenker و Bassett (1978) پیشگام شده است ، تا تأثیر خطر دم در بازده بازار اضافی را در نقاط مختلف توزیع بازده بررسی کند. این رویکرد امکان مقایسه تأثیر ریسک دم در بازده اضافی بورس را در مقادیر مختلف توزیع بازده فراهم می کند. به طور خاص ، ما این فرضیه را آزمایش می کنیم که واکنش بازارهای مالی به خطر دم در زمان "بد" (به عنوان مثال ، هنگامی که بازده ها منفی هستند و در مقدار پایین قرار دارند) با واکنش در زمان "خوب" متفاوت است (یعنی وقتی بازده مثبت است وواقع در کمیتهای فوقانی). انتخاب روش شناسی ما توسط شواهد تجربی مبتنی بر تکنیک رگرسیون کمی ایجاد می شود که نشان می دهد قابلیت پیش بینی بازده بسته به جایی که بازده در توزیع بازده قرار دارد متفاوت است و ریسک مدل سازی و بازده با استفاده از رگرسیون کمی باعث بهبود قابل توجهی نسبت به روشهای میانگین مشروط می شود. به عنوان مثال ، Baur ، Dimpfl و Jung (2012) گزارش می دهند که بازده های مثبت وابستگی منفی به بازده های گذشته نشان می دهند در حالی که بازده های منفی با وابستگی مثبت مشخص می شوند ، نشان می دهد که سرمایه گذاران بیش از حد واکنش نشان می دهند (Undereact) به اخبار کلان اقتصادی در حالت های خوب (بد). نات و بروکس (2015) با استفاده از تکنیک های رگرسیون کمی برای آزمایش رابطه بازگرداندن ریسک ایدئالیکاتیک با استفاده از داده های استرالیا (2015) دریافتند که این رابطه منفی و از نظر آماری معنی دار است فقط وقتی مدل ها با استفاده از رگرسیون کمی تخمین زده می شوند.

به عنوان پیش نمایش نتایج اصلی ما ، می فهمیم که افزایش ریسک دم باعث افزایش نزدیک مدت بازده بورس سهام اضافی می شود که بازده در میانگین و کمیتهای پایین قرار دارد. رابطه بین ریسک دم متغیر و بازده مثبت و از نظر آماری معنی دار است. در کمیتهای پایین ، شواهد ما نشان می دهد که بازارها با افزایش بازده اضافی بورس سهام تقریباً 20 ٪ در سال به دنبال افزایش تغییر یک استاندارد در اندازه گیری خطر دم متغیر ، پاسخ می دهند. با این حال ، در مقدار فوقانی توزیع بازگشت ، واکنش بازارها به خطر دم تشخیص داده نمی شود. ما همچنین می دانیم که پیش بینی بازگشت ریسک دم فراتر از افق پیش بینی یک ساله ناپدید می شود.

این مقاله از دو طریق به تحقیقات موجود کمک می کند. در مرحله اول ، مطابق با ادبیات نظری و تجربی ، نتایج ما تأثیر قابل توجهی از خطر دم در بازده سهام را تأیید می کند. با این حال ، قدرت توضیحی خطر دم فقط در دم شدید سمت چپ توزیع بازده مشهود است. نتایج حاکی از آن است که وقتی قیمت سهام به شدت کاهش می یابد ، حق بیمه خطر شرکت کنندگان در بازار برای جبران افزایش ریسک دم پایین تر ، افزایش می یابد و باعث افزایش بیشتر قیمت ها می شود. این ممکن است ماهیت مسری خطر سیستمیک و سرعتی که یک بحران نقدینگی می تواند در بخش های مختلف بازارهای مالی گسترش یابد ، توضیح دهد. ثانیا ، شواهد تجربی نشان می دهد که ، در زمان افزایش قیمت سهام ، معامله گران و سرمایه گذاران احتمال خطر وقوع رویداد را تخفیف می دهند زیرا نتایج ما نشان می دهد که تأثیر ریسک دم در بازده سهام در مقدار بالایی ناپدید می شود. این شواهد حاکی از عدم واکنش به بازارهای مالی به شوکهای منفی شدید در کشورهای خوب است. این ممکن است به همین دلیل باشد که بازارهای مالی هنگام صعود از احساسات خودداری می کنند.

این مقاله به روش زیر سازماندهی شده است. ما در مورد محاسبه خطر دم و رگرسیون کمی در بخش بعدی بحث می کنیم. بخش 3 جزئیات مجموعه داده ما را ارائه می دهد. تجزیه و تحلیل تجربی و یافته های اصلی در بخش 4 مورد بحث قرار گرفته است. بخش 5 استحکام نتایج ما را بررسی می کند. سرانجام ، بخش 6 مقاله را نتیجه می گیرد.

قطعه قطعه

اندازه گیری خطر دم

مانع اصلی تخمین خطر شدید رویداد محدود محدودیت داده ها است. از آنجا که حوادث دم به ندرت رخ می دهد ، تعیین خطر دم از یک سری زمانی یک متغیره ، یک چالش جدی را ایجاد می کند. کلی و جیانگ (2014) روشی را پیشنهاد می کنند که می تواند برای گرفتن تنوع مشترک در خطر نادر از یک استخر اوراق بهادار بزرگ بر اساس این ایده که توزیع دم در سطح شرکت توسط پویایی مشابه هدایت می شود ، استفاده کنند. تکنیک آنها دو مزیت نسبت به رویکرد مبتنی بر گزینه دارد ، بحث شده است

داده ها

برای محاسبه سری زمانی ماهانه خطر دم ، λ t ، در Eq.(2) ، ما از داده های روزانه برای کلیه سهام ذکر شده در NYSE ، AMEX و NASDAQ بین ژانویه 1973 و دسامبر 2015 استفاده می کنیم. داده ها از پایگاه داده مرکز تحقیقات در قیمت های امنیتی (CRSP) بدست می آیند. تجزیه و تحلیل تجربی ما در سری زمانی ماهانه انجام می شود زیرا اندازه گیری ریسک دم برای هر ماه از مشاهدات بازگشت روزانه محاسبه می شود. بنابراین ما به تعداد کافی از نقاط داده در محاسبه نیاز داریم

تست های مشخصات مدل

اولین قدم در تجزیه و تحلیل ما شامل انجام یک آزمون مشخصات مدل سازگار با ناهمگونی غیر پارامتری ، پیشنهاد شده توسط راسین (2006) ، برای بررسی اینکه آیا عملکرد کوانتین مشروط در Eq است.(5) به درستی مشخص شده است. 6 همانطور که در راسین (2006) تأکید شده است ، تست های مشخصات مدل

استحکام نتایج

در این بخش ، ما عملکرد پیش بینی کننده اندازه گیری خطر دم را پس از کنترل تأثیر متغیرهایی که قبلاً توسط ادبیات دانشگاهی پیشنهاد شده بود ، بررسی می کنیم تا پیش بینی کننده های خوبی از حق بیمه سهام باشند (Goyal & Welch ، 2008). به طور خاص ، ما یک عملکرد کمی دو متغیره از شکل زیر تخمین می زنیم: q τ (r m ، t | λ ˜ t - h ، x ˜ t - h) = α τ + β τ λ λ λ λ λ λ λ λ λ + γ τ x ˜ t- ساعت جایی که x ˜ t - h مقدار استاندارد شده را در زمان t - ساعت یک رگرسور اضافی در مجموعه پیش بینی کننده های جایگزین نشان می دهد:

نتیجه گیری

با استفاده از تکنیک رگرسیون کمی ، این مقاله به بررسی تأثیر ریسک دم متغیر زمان بر بازده اضافی بازار سهام در مکانهای مختلف توزیع بازده می پردازد. اندازه گیری ریسک رویداد شدید با زمان متغیر به دنبال کلی و جیانگ (2014) محاسبه می شود. با استفاده از یک مقطع بزرگ از سهام ، تکنیک آنها می تواند پویایی ریسک مشترک دم را که توسط همه بنگاه های جداگانه در نمونه تجربه شده است ، ضبط کند. یافته های ما به مثبت و آماری معنی دار اشاره دارد