مطالعه موردی از شتاب درآمدهای پیش بینی شده و انتخاب سهام در بازارهای جهانی و در حال ظهور سهام

تخصیص منابع اقتصادی کمیاب به منظور به حداکثر رساندن منافع اجتماعی در هسته اصلی توسعه اقتصادی بشر است. سهم کلیدی مارکوویتز [1] مشاهده این فعالیت قدیمی به روشی دقیق و علمی بود و سه عنصر اصلی را به خط مقدم می رساند ، یعنی ریسک ، بازگشت و همبستگی. از زمان انتشار مقاله اصلی ماركوویتز ، متخصصان سرمایه گذاری منابع قابل توجهی را در شناسایی ، درک و کسب درآمد از منابع جدید بازده غیر هماهنگ هزینه كرده اند. این مقاله با تمرکز بر بازارهای نوظهور (EM) و نشان دادن اثربخشی عوامل شتاب درآمدها در ساخت و ساز به طور قابل توجهی بهتر از اوراق بهادار بهینه سازی شده ، روایت را پیش می برد.

معرفی

تخصیص منابع اقتصادی کمیاب به منظور به حداکثر رساندن منافع اجتماعی در هسته اصلی توسعه اقتصادی بشر است. سهم کلیدی مارکوویتز [1] مشاهده این فعالیت قدیمی به روشی دقیق و علمی بود و سه عنصر اصلی را به خط مقدم ، یعنی خطر ، بازگشت و همبستگی می آورد. از زمان انتشار مقاله اصلی ماركوویتز ، متخصصان سرمایه گذاری منابع قابل توجهی را در شناسایی ، درک و کسب درآمد از منابع جدید بازده غیر هماهنگ هزینه كرده اند. این مقاله با تمرکز بر بازارهای نوظهور (EM) و نشان دادن اثربخشی عوامل شتاب درآمدها در ساخت و ساز به طور قابل توجهی بهتر از اوراق بهادار بهینه سازی شده ، روایت را پیش می برد.

تاریخچه مدیریت نمونه کارها را می توان به دو حوزه اصلی تقسیم کرد ، یعنی تلاش برای رانندگان بازگشت بهتر و نوآوری در مدیریت خطرات مرتبط با آن رانندگان. تلاش برای رانندگان بهتر می تواند از طریق شناسایی عوامل خطر جدید (به عنوان مثال فاکتورهای خطر Fama-French) ، ناهنجاری های بازار (به عنوان مثال ، ناهنجاری های فصلی) ، ناهنجاری های رفتاری (بیش از/تحت فرضیه واکنش ، لنگر انداختن و غیره) یا فنی باشد. ناهنجاری ها (حرکت). خواننده به دیمسون [2] و لوی [3] گفته می شود. همه این عوامل همچنان در فضای EM شیوع دارند. علاوه بر این ، با توجه به ناکارآمدی نسبی کلاسهای دارایی EM ، بازده این عوامل نسبت به بازارهای توسعه یافته بیشتر و همچنین بی ثبات تر است.

پیشرفت چشمگیری در توانایی ما در مدیریت خطرات نمونه کارها در چند دهه گذشته وجود داشته است. این شامل توسعه فن آوری ها برای ساختن مدل های ریسک عامل ، برآوردگرهای قابل اعتماد ماتریس کواریانس است که برای حضور در خارج از کشور قوی است و درک بهتر از مشکلات تراز فاکتور (FAP). در حالی که برخی از این عوامل همچنان در مدیریت اوراق بهادار EM مهم هستند و دیگران اهمیت بیشتری نیز دارند. به عنوان مثال ، چشم انداز خطر برای اوراق بهادار EM به مراتب پیچیده تر و پویاتر از آن برای اوراق بهادار بازار توسعه یافته است. از جمله موارد دیگر ، این بدان معنی است که یک منوی استاتیک از عوامل خطر که توسط مدلهای ریسک اساسی فرض می شود ، اغلب برای گرفتن کل طیف عوامل خطر سیستماتیک که در اوراق بهادار EM رخ می دهد ، ناکافی است. در نتیجه ، مدل های ریسک آماری با انتخاب پویا از عوامل خطر ، تمایل دارند که در مدیریت اوراق بهادار EM از نظر حاشیه ای بهتر عمل کنند (به بخش شواهد تجربی در مورد تجارت بازده ریسک مراجعه کنید).

بقیه این مقاله به شرح زیر سازماندهی شده است. در بخش چرا بازارهای نوظهور؟ ، ما برخی از دلایل قانع کننده برای سرمایه گذاری در اوراق بهادار با قرار گرفتن در معرض EM را بررسی می کنیم. ما دلایل اساسی مزایای تنوع را که به دلیل قرار گرفتن در معرض EM جمع می شوند ، برجسته می کنیم. بخش A بررسی متغیرهای اساسی و مدل سازی بازده مورد انتظار مبتنی بر رگرسیون ، مدل انتخاب امنیت ما را ارائه می دهد. در بخش ساخت اوراق بهادار کارآمد متوسط ، ما در مورد تکنیک ها برای تبدیل مدل انتخاب امنیت به یک نمونه کارها قابل سرمایه گذاری به شدت در چارچوب بهینه سازی میانگین واریانس Markowtiz بحث می کنیم. بخش شواهد تجربی در مورد تجارت بازگرداندن ریسک نتایج محاسباتی را ارائه می دهد ، و ما مقاله را با بحث در مورد پیامدهای تحقیقاتی سرمایه گذاری کاربردی نتایج ما در نتیجه گیری بخش و پیامدهای تحقیق سرمایه گذاری کاربردی نتیجه می گیریم.

چرا بازارهای نوظهور؟

تخصیص منابع اقتصادی کمیاب به منظور به حداکثر رساندن منافع اجتماعی در هسته اصلی توسعه اقتصادی بشر است. سهم کلیدی مارکوویتز [1] مشاهده این فعالیت قدیمی به روشی دقیق و علمی بود و سه عنصر اصلی را به خط مقدم ، یعنی خطر ، بازگشت و همبستگی می آورد. در مرحله بعد ، ما EM را با توجه به این سه ویژگی آماری بررسی می کنیم.

قیمت دارایی و ویژگی های اساسی اوراق بهادار اساسی در دراز مدت به طور غیرقابل تفکیک با هم مرتبط هستند. از جمله موارد دیگر ، این بدان معنی است که جستجوی منابع غیر مرتبط با بازده در نهایت در یافتن اوراق بهادار با اصول غیر همبسته جوش می یابد. اوراق بهادار EM یکی از قانع کننده ترین نمونه اوراق بهادار را با چنین خصوصیات اساسی غیر مرتبط ارائه می دهد.

به عنوان مثال ، مجموعه کشورها را در شاخص MSCI EM در نظر بگیرید. بیشتر این کشورها تا چند سال به مکانیزم بازار سرمایه رونق و قوی در دست ندارند. همانطور که مابوس در کتاب بسیار استناد شده خود [2] یادداشت می کند ، هنگامی که او قبل از اقدامات آزادسازی دولت اندونزی ، به سالن معاملات مبادله جاکارتا سفر کرد ، فقط چند نفر دیده می شود که هر روز یک جلسه چانه زنی بی نظیر برگزار می کنند. در حقیقت ، او متوجه آقا شد که یک چرت زدن بعد از ظهر روی میز خود می خورد. این یک فریاد دور از فعالیت تجاری انفجاری است که مشخصات بازارهای اندونزی امروز را نشان می دهد. تقریباً در مورد همه کشورهای EM نیز همین حرف را می توان گفت.

چشم انداز اوراق بهادار ذکر شده در صرافی های عمومی EM هم در تعداد چنین اوراق بهادار و هم در سرمایه کلی بازار آنها به سرعت تغییر کرده است. این رشد را می توان در تصویب گسترده اقدامات آزادسازی در بین کشورهای EM ردیابی کرد ، ایمان به مکانیسم بازار آزاد و گرایش به خصوصی سازی منابع اقتصادی که سالها اسیر و مورد استفاده قرار گرفته اند ، قرار گرفته اند. از آنجا که این منابع برای تبدیل شدن به سود گرایانه بازسازی می شوند ، آنها توانایی منحصر به فردی برای سرمایه گذاری در پیشرفت های فناوری در جهان غرب خواهند داشت و از این طریق جهش می کنند که چندین مرحله از تکامل تکنولوژیکی را آغاز می کنند. به عنوان مثال ، بخش ارتباطات را در نظر بگیرید. از راه دور ترین و غیرقابل دسترسی ترین مناطق در کشورهای EM می توانند از طریق فناوری بی سیم به هم متصل شوند و از این طریق نیاز به سیم کشی این مناطق به مراکز مرکزی ، یک فعالیت گران قیمت و وقت گیر را کاملاً دور بزنند. این حق بیمه بهره وری ویژگی های همبستگی بازگرداندن ریسک را به شرکتهای EM که از همتایان جهانی توسعه یافته آنها متمایز است ، تجسم می کند.

این تغییرات در چند دهه گذشته اتفاق افتاده است ، و نشان دهنده تکامل اقتصادی است که اساساً با تکامل بازارها در جهان توسعه یافته ارتباط ندارد و از این طریق نمایانگر یک تمایز ارگانیک بین این دو کلاس دارایی است. به عنوان یک نتیجه ، نتیجه می گیرد که عدم همبستگی بین بازارهای توسعه یافته و EM یک کویر آماری نیست. درعوض ، این مبتنی بر واقعیت های اساسی اقتصادی و سیاسی در نقاط مختلف جهان است که احتمالاً تا زمانی که با یکدیگر کنار بیایند ، حفظ می شوند.

اگر حق بیمه بهره وری نشان دهنده موتور رشد برای شرکتهای EM باشد ، آن موتور توسط به اصطلاح سود سهام جمعیتی دامن می زند. در حالی که رشد جمعیت در جهان توسعه یافته کند می شود ، کشورهای EM در حال تجربه بالاتر از میانگین رشد هستند که از پیشرفت در فن آوری های پزشکی منجر به پایین آمدن میزان مرگ و میر نوزادان ، نرخ پایدار باروری و طول عمر طولانی تر می شوند. از آنجا که الگوهای مصرف در این شهرستانها فراتر از نیازهای اساسی مواد غذایی ، سلامت و امنیت تکامل می یابد ، آنها یک چرخه تقاضا را شامل می شوند که خودروها ، لوازم آرایشی ، سرگرمی ، گردشگری ، الکترونیک و سایر محصولات مصرفی را ایجاد می کنند که یک چرخه فضیلت را ایجاد می کند که از هر بنگاه سود می بردقرار گرفتن در معرض مصرف EM. یک بار دیگر ، این الگوهای تقاضا بسیار مشخص و تا حد زیادی با الگوهای تقاضا در بازارهای توسعه یافته ارتباط ندارد و از این طریق اعتبار به پایداری مزایای تنوع را اضافه می کند.

اگر در دنیای EM محرک های بازگشت اساسی بی نظیر وجود داشته باشد ، آنها همچنین با ویژگی های ریسک همراه هستند که واقعاً بی نظیر هستند. این خطرات را می توان به طور گسترده ای به خطرات مداوم و گسسته طبقه بندی کرد. نمونه هایی از خطرات مداوم شامل نوسانات ذاتی الگوهای مصرف ، گرمایش بازارهای سهام عدالت منتهی به حباب های بازار عدالت ، سرمایه گذاری در بخش های خاص مانند املاک و مستغلات ، عدم وجود ساختارهای مناسب مدیریت شرکت ها منجر به مسائل مربوط به خطر اخلاقی و غیره می شود. خطرات گسسته شامل سیاسی استریسک ، بیش از حد دولت ، سیاست های مالی یا مالی بیش از حد ، بلایای زیست محیطی و غیره. خوشبختانه ، تکامل در رویکردهای کمی برای سرمایه گذاری ، راه هایی برای مدیریت هر دو نوع خطرات ارائه می دهد.

خصوصیات ریسک مداوم ، با تعریف بسیار ، به تدریج با گذشت زمان تکامل می یابد. از این رو ، مدل های ریسک کمی بر اساس داده های عقب مانده برای ضبط و کاهش این عوامل خطر کاملاً کافی هستند. نکته قابل توجه ، با توجه به پیچیدگی های فرآیندهای اقتصادی اساسی ، بازارهای EM اغلب می توانند در معرض عوامل خطر نهفته قرار بگیرند که به طور مناسب توسط مدلهای ریسک که با یک مجموعه استاتیک از عوامل خطر کار می کنند ، اسیر نمی شوند. به عنوان مثال ، یک مدل ریسک اساسی با مجموعه ای از عوامل خطر از نظر آماری می تواند در دوره های استرس بازار دارای "نقاط کور" باشد. از طرف دیگر ، مدل های ریسک آماری با انتخاب پویا از عوامل خطر که بهتر در گرفتن عوامل خطر گذرا هستند ، عمل می کنند. این تا حدودی عملکرد بهتر مدلهای ریسک آماری را در مقابل مدلهای ریسک اساسی توضیح می دهد (به بخش ساخت اوراق بهادار کارآمد با واریانس مراجعه کنید). خطرات گسسته به بهترین وجه از طریق تکنیک های متنوع سازی نمونه کارها از جمله مرزهای کشور و دارایی و نظارت بر سهم حاشیه ای در خطرات ناشی از عوامل خطر مختلف مورد بررسی قرار می گیرد.

بکارت و هاروی [3] و هاروی [4] ویژگی های ریسک-بازده EM را بررسی کردند و بازده بالاتری را نسبت به ریسک نسبت به بازارهای توسعه یافته گزارش کردند. در میان چیزهای دیگر، هاروی [4] ویژگی‌های ریسک بدون قید و شرط اوراق بهادار EM را بررسی کرد، معاوضه‌های اضافه کردن آنها به سبد اوراق بهادار جهانی را بررسی کرد و مزایای تنوع، با وجود نوسانات بالاتر طبقه دارایی EM را مستند کرد. هاروی همچنین اهمیت متغیرهای اطلاعات محلی را در تعیین بازده مورد انتظار اوراق بهادار EM در مقایسه با متغیرهای اطلاعات جهانی که در مطالعات بازار توسعه‌یافته برجسته‌تر هستند، مشخص کرد. محققان MSCI Barra در سال 2008 چشم انداز 20 ساله ای را در مورد EM ارائه کردند و خاطرنشان کردند که مالزی، برزیل، آفریقای جنوبی، تایلند، تایوان و هند بیشترین اضافه شدن را در ارزش بازار EM داشتند، 1988-2008. کشورهای EM به طور قابل توجهی از ایالات متحده، اروپا، ژاپن و جهان برای سال های 1988-1992 عملکرد بهتری داشتند، اما این کار را برای دوره 2002-2007 انجام ندادند و تقریباً بازدهی یکسانی را نسبت به آمار ریسک ایجاد کردند. آیا EM به عملکرد بهتر از بازارهای توسعه یافته ادامه داده است؟مهمتر از آن، آیا سهام قابل سرمایه گذاری در EM نسبت بازده به ریسک بالایی نسبت به سهام کشورهای توسعه یافته ایجاد کرده است؟ثانیا، و مهمتر از آن برای مدیران فعال، آیا بازده مازاد در EM با توجه به عدم نقدشوندگی نسبی آنها بیشتر است؟در این مورد، ما از دو مجموعه بازده مورد انتظار استفاده می‌کنیم، متغیر شتاب سود پیش‌بینی‌شده، CTEF، و بازده مورد انتظار جهانی ده عاملی، GLER، متغیر مورد بحث در Guerard و همکاران.[5].

مروری بر متغیرهای بنیادی و مدل‌سازی بازده مورد انتظار مبتنی بر رگرسیون

انتخاب سهام و تجزیه و تحلیل امنیت خیابان جدید تحقیق نیست. گراهام و دود [6] و ویلیامز [7] چارچوب تجزیه و تحلیل سهام را بیش از 75 سال پیش توسعه دادند و استراتژی کم ، P/E را با قیمت پایین به دست آوردند ، که در آن هیچ سرمایه گذار نباید سهام را با P خریداری کند/E که بیش از 50 ٪ بیشتر از بازار P/E بود. Basu [8] ، Dremen [9 ، 10] ، و Guerard et al.[5] اهمیت مداوم اثر P/E را مستند کرد. در سال 1991 ، Markowitz GPRD مجموعه ای از 16 متغیر مالی ، از جمله مدل P/E پایین و مدل های کامپوزیت را برای مدل های انتخاب سهام در طی یک دوره 15 ساله در ژاپن و ایالات متحده 1 آزمایش کرد. تیم Markowitz از متغیرهای نسبی استفاده می کند ، به عنوان نسبت نسبت متغیر اساسی مطلق تقسیم شده توسط میانگین 60 ماهه نسبت متغیر اساسی. آزمون GPRD نشان داد که: (1) بازده مورد انتظار مبتنی بر رگرسیون ، بازده مورد انتظار مبتنی بر رگرسیون ، از مدلهای با وزن یکسان یا بازده های مورد انتظار با حداقل مربعات بالاتر از حد ، بازده مورد انتظار است.(2) مدل ریسک مبتنی بر بازده روزانه تاریخی ، ورودی مؤثر برای تجزیه و تحلیل بهینه سازی واریانس است.(3) بهینه سازی با بازده نمونه کارها تقویت شده با محدودیت گردش مالی. یعنی محدود کردن گردش مالی سه ماهه به 10 ٪ یک مرز کارآمد تولید می کند که بالاتر از منحنی گردش مالی 20 ٪ باشد ، که بالاتر از مرزهای کارآمد محدودیت گردش مالی 30 و 40 ٪ بود. و (4) عالم سهام آزاد بازمانده از اهمیت ویژه ای برخوردار بودند ، اما برای توسعه مدل ضروری نبودند. و (5) نتایج مدل سازی باید با استفاده از آزمون تصحیح داده کاوی آزمایش شود. تکنیک رگرسیون Bisquare Beaton و Tukey [14] Outliers را مشخص کرد و داده ها را دوباره وزنه برد تا داده های با وزن دوباره با رگرسیون ریشه نهان ، LRR تجزیه و تحلیل شوند. روش Bisquare یکی از بسیاری از طرح های وزن قوی است که در [15] گزارش شده است. رگرسیون ریشه نهان ، به Gunst و Mason [16 ، 17] مراجعه کنید ، به همبستگی بین متغیرهای مستقل ، چند قطبی ، پرداخته و متغیرهای مهم (بهترین زیر مجموعه) را در تجزیه و تحلیل رگرسیون چندگانه شناسایی کرد. نویسندگان در چندین نوبت آزمایش کرده اند تا کفایت رگرسیون خطی را آزمایش کنند ، با وجود این که Beaton-Tukey Bisquare یک فرآیند غیرخطی است. 2 بلوچ و همکاران.[13] مقاله ارائه داده های اولیه تصحیح کاوی داده ها که در مطالعه داده کاوی Markowitz و Xu [18] گزارش شده است. Markowitz و Xu چندین مدل قابل آزمایش را برای حضور داده کاوی 3 ارائه دادند. تیم GPRD Markowitz در برآوردهای مرزی کارآمد و آزمایش های اصلاحات داده کاوی برای اهمیت آماری متمرکز شده است.

Guerard و همکاران.[19] مدل انتخاب سهام ایالات متحده را در بلوچ و همکاران به روز و گسترش داد.[13] شامل شتاب درآمدهای پیش بینی شده و متغیرهای حرکت قیمت 4. Guerard و همکاران.[19] از مدل انتخاب سهام به عنوان مدل بازده مورد انتظار ایالات متحده (کاربر) استفاده کرد. مدل انتخاب سهام 10 عاملی تخمین زده شده در این مطالعه:

T R T + 1 = A 0 + A 1 E P T + A 2 B P T + A 3 C P T + A 4 S P T + A 5 R E P T + A 6 R B P T + A 7 R C P T + A 8 R S P T + A 9c t e f t + a 10 p m t + e t (1)

TR = کل بازده امنیت در ماه t ؛EP = [درآمد برای هر سهم] / [قیمت هر سهم] = درآمد - نسبت قیمت ؛bp = [ارزش کتاب برای هر سهم] / [قیمت هر سهم] = کتاب - نسبت قیمت ؛CP = [جریان نقدی در هر سهم] / [قیمت هر سهم] = جریان نقدی - نسبت قیمت ؛SP = [فروش خالص برای هر سهم] / [قیمت هر سهم] = فروش - نسبت قیمت ؛rep = [نسبت EP فعلی] / [میانگین نسبت EP در پنج سال گذشته] ؛RBP = [نسبت BP فعلی] / [میانگین نسبت BP در پنج سال گذشته] ؛RCP = [نسبت CP فعلی] / [میانگین نسبت CP در پنج سال گذشته] ؛RSP = [نسبت SP فعلی] / [میانگین نسبت SP در پنج سال گذشته] ؛CTEF = شتاب درآمدهای پیش بینی شده = میانگین درآمد اجماع در هر سهم پیش بینی ، تجدید نظر و وسعت ؛PM = حرکت قیمت ؛PM71 = قیمت T - 1 / قیمت T - 7 ؛و E = اصطلاح خطای توزیع شده تصادفی.

کاربر و گلر به ترتیب "اشکال عمومی" مدل های مدیریت سرمایه مک کینلی برای سهام ایالات متحده و جهانی هستند. به منظور تصویرگری ، شکل 1 مجموعه زمانی ضرایب رگرسیون را برای دو متغیر ، BP و CTEF برای اوراق بهادار EM گزارش می دهد.

شکل 1 . سری زمانی ضرایب رگرسیون در متغیرهای BP و CTEF (اوراق بهادار EM).

Guerard و همکاران.[24] مدل کاربر را در مجموعه بزرگی از سهام جهانی برای دوره زمانی 1997-2011 به کار برد و از نظر آماری بسیار قابل توجهی از سهام و بازده اضافی گزارش داد. Guerard و همکاران.[24] به نسخه جهانی مدل بازده مورد انتظار 10 عاملی به عنوان GLER Model 5 اشاره کرد. در حقیقت ، سهام در بازارهای جهانی از انتخاب سهام در ایالات متحده فراتر رفته و مدل 6 را ثابت نگه داشته است.

عادی سازی a_حرفدو مرحله را انجام می دهد. ابتدا اجزای مهم غیر مثبت و غیر آماری را صفر می کنیم. دوم ، مؤلفه های مثبت مثبت باقی مانده نجات می یابند به طوری که آنها به 1 اضافه می شوند. صافی 12 ماهه با صافی چهار چهارم در بلوچ و همکاران سازگار است.[13]در حالی که متغیرهای EP و BP در توضیح بازده قابل توجه هستند ، اکثر عملکرد پیش بینی به سایر متغیرهای مدل مربوط می شود ، یعنی درآمد نسبی به قیمت ، قیمت نسبی به قیمت ، فروش نسبی به قیمت ، حرکت قیمتو متغیرهای پیش بینی درآمد. نتایج وزنه برداری بسیار سازگار است که مدیریت سرمایه مک کینلی یک متخصص رشد جهانی است. متغیرهای CTEF و PM 40 ٪ از وزنهای موجود در GLER Model 7 را به خود اختصاص دادند. مدل Gler بسیار شبیه به کار باب هاگن 8 است.

پزشکان در وال استریت تعداد بسیار زیادی از عوامل یا مدل را آزمایش می کنند. ما 36 متغیر یا مدل های کامپوزیت را در این تجزیه و تحلیل آزمایش می کنیم ، که بسیاری از آنها از نظر آماری معنی دار نیستند اما مورد آزمایش قرار می گیرند تا آنچه را که در نشریات صنعتی مورد بحث قرار می گیرد ، منعکس کند ، به Subramanian و همکاران مراجعه کنید.[34]Subramanian و Team Test~70 متغیر در ایالات متحده هر سه ماه. نویسندگان مرتباً Subramanian و همکاران را مرور می کنند.[34] کار و متغیرها. بسیاری از متغیرهای اضافی ما ، فراتر از مجموعه 16 متغیر در بلوچ و همکاران.[13] آزمایش شده در این مطالعه در Subramanian و همکاران مورد آزمایش قرار گرفته و آزمایش شده است.[34]

خواننده به Levy [36] و Levy [37]، Elton et al.[38]، و هاروی و لیو [39، 40]، هاروی و همکاران.[41]، هاروی [42] برای بحث های جامع تر در مورد ناهنجاری های سرمایه گذاری. ما این بخش را با بحث مختصر در مورد یک تحول جالب در مجموعه داده‌های EM که توانایی ما را برای کسب درآمد از ناهنجاری‌های سنتی بازار در فضای EM بهبود داده است، پایان می‌دهیم. پیش‌بینی‌های تحلیلگران، بدون تردید، نقش بسیار مهمی در هر فرآیند کمی ایفا می‌کنند. آنها علاوه بر اینکه مجموعه داده‌های آینده‌نگر مهمی هستند، مهم‌ترین ویژگی بنیادی هر شرکت، یعنی سود، را در معرض دید قرار می‌دهند. با توجه به عدم قطعیت ذاتی در تعیین برآوردهای آینده نگر، پوشش تحلیلگر بالاتر به طور طبیعی مطلوب است. به دلایل تاریخی، اوراق بهادار EM از پوشش تحلیلگران کمتر از رضایت‌بخشی برخوردار بوده است که اغلب توانایی ما را برای اعمال عوامل کمی سنتی در بازارهای EM محدود می‌کند. با افزایش تمرکز بر بازارهای EM، جریان های صندوق مطلوب و فعالیت معاملاتی بالاتر، پوشش تحلیلگر در بازارهای EM در حال بهبود است (شکل 2 را ببینید).

شکل 2 . تکامل پوشش تحلیلگر برای اوراق بهادار EM (بر اساس کشور).

ساخت پورتفولیوهای کارآمد میانگین واریانس

بازده مورد انتظار پرتفوی که با E (R_پ)، با گرفتن مجموع وزن امنیتی ضرب در بازده مورد انتظار مربوطه محاسبه می شود:

ریسک پرتفوی (واریانس) مجموع کوواریانس های وزنی اوراق بهادار است:

که در آن N تعداد اوراق بهادار نامزد است، w_منوزن برای امنیت i به گونه ای است که ∑ N i = 1 w i = 1، نشان می دهد که پرتفوی به طور کامل سرمایه گذاری شده است، و E (R_من) بازگشت مورد انتظار برای امنیت i است.

مدل سازی واریانس و کوواریانس را می توان با مدل عاملی نیز انجام داد. بازده اضافی کل (نسبت به نرخ بدون ریسک) برای یک مدل چند عاملی (MFM) در روش روزنبرگ برای امنیت j، در زمان t، حذف زیرنویس t برای زمان، ممکن است به این صورت نوشته شود:

بازده غیر عامل یا دارایی خاص در اوراق بهادار j, e j~، بازگشت باقیمانده اوراق بهادار پس از حذف اثرات تخمینی عوامل K است. اصطلاح f~k نرخ بازده عامل "k" است که مستقل از اوراق بهادار است و از طریق ضریب قرار گرفتن آن در برابر β بر بازده اوراق تاثیر می گذارد. عواملی که ریسک اوراق بهادار را به بهترین نحو توضیح می‌دهند، عواملی برای مدل‌سازی بازده مورد انتظار نیستند. آنها ممکن است شامل عوامل کشور، صنعت و سبک باشند. برای تخمین معادله (13) 9 می توان از دو مجموعه مدل ریسک، مدل های ریسک بنیادی یا آماری استفاده کرد. ما در این تحلیل از مدل ریسک APT Sungard استفاده می‌کنیم که از اجزای اصلی در برآورد خود استفاده می‌کند. خواننده به Guerard و همکاران ارجاع داده می شود.[24] برای شواهدی که از مدل ریسک APT و تکنیک های بهینه سازی پورتفولیو پشتیبانی می کند. بررسی گسترده مدل‌های ریسک عوامل را می‌توان در Connor et al.[50].

مارکوویتز [51] تابع هدف بهینه سازی نمونه کارها را به صورت کلی می نویسد

اگر سرمایه‌گذار بیشتر نگران ردیابی یک معیار خاص باشد، بهینه‌سازی میانگین واریانس در معادله (5) را می‌توان به‌عنوان بهینه‌سازی خطای ردیابی میانگین واریانس در معرض خطر (MVTaR) دوباره فرمول‌بندی کرد:

جایی که x_ببردار وزن معیار است. کل خطای ردیابی را می توان به خطای ردیابی سیستماتیک و خطای ردیابی خاص تجزیه کرد.

T E p 2 = ( x − x b ′ ) β C f , f β ′ ( x − x b ) + ( x − x b ) ′ Σ ( x − x b ) = T E β P 2 + T E S P 2 ( 7 )

ساخت و مدیریت پورتفولیو را می توان با تعیین تعادل بین واریانس های ردیابی سیستماتیک و خاص پورتفولیو پیاده سازی کرد 10 . محدودیت ها بخشی جدایی ناپذیر از فرآیند ساخت و ساز بهینه سازی پورتفولیو هستند زیرا خطا در تخمین بازده مورد انتظار، واریانس ها و کوواریانس ها وجود دارد.

شواهد تجربی در مورد معامله ریسک-بازده

می توان با استفاده از سهام تشکیل دهنده شاخص در کشورهای MSCI EM برای دوره زمانی ژانویه 2003 تا دسامبر 2016 پرتفوی های بهینه سازی شده ای ایجاد کرد که عملکرد بهتری نسبت به سهام در سهام غیر ایالات متحده، کل کشور های جهان سابق ایالات متحده، XUS، جدول 1 دارد. ما از میانگین واریانس استفاده می کنیم. بهینه سازی با حداکثر وزن 4٪، گردش مالی 8٪ ماهانه، آستانه 35 امتیاز پایه برای سهام، برآورد هزینه معاملات ITG از هزینه های معاملات، و مدل آماری Axioma. مرزهای کارآمد میانگین واریانس (MV) GL، XUS و EM، که حداکثر بازده را برای یک سطح معین از ریسک، یا پایین ترین سطح ریسک را برای یک سطح بازده معین نشان می دهد، برای خطاهای ردیابی هدفمند 4، 6 تخمین زده می شود. و 8 درصدپورتفولیوهای MV CTEF و GLER بازدهی فعال (زیاد) و بازده خاص (انتخاب سهام) در پورتفولیوهای GL، XUS و EM از نظر آماری معنی‌دار هستند. بازده خاص GLER EM کمی بیشتر از بازده خاص EM CTEF است، جدول 1 را ببینید.

میز 1 . شتاب پیش‌بینی سود و مدل‌سازی انتخاب سهام در جهان‌های جهانی، غیرآمریکایی و EM با استفاده از مؤلفه‌های شاخص MSCI.

پورتفولیوهای EM CTEF از لحاظ آماری در معرض شتاب و ارزش قرار دارند، به براون [54] مراجعه کنید. نمونه کارها EM Efficient Frontier بر نمونه کارها XUS تسلط دارند، به ویژه زمانی که خطاهای ردیابی هدفمند از 6٪ فراتر رود 11. چرا بازار نوظهور؟نسبت اطلاعات GLER و نسبت های شارپ در جهان EM بالاتر از XUS هستند، جدول 2 را ببینید. مهمتر از آن، نسبت های شارپ و نسبت اطلاعات با افزایش خطای ردیابی هدفمند، به ویژه در جهان EM، افزایش می یابد.

جدول 2. ویژگی های بازده، ریسک و عملکرد پرتفوی.

SML تخمینی EM بر SMLهای تخمینی XUS و GL غالب است، به شکل 3 مراجعه کنید. علاوه بر این، نمودار EM SML از خطاهای ردیابی تحقق یافته و بازده های مازاد (فعال) حتی روشن تر است. بازده اضافی در EM بسیار بالاتر از جهان های غیر آمریکایی و جهانی است.

شکل 3. خطاهای ردیابی هدفمند و بازده اضافی متوجه شده است.

پورتفولیوهای EM بازدهی فعال، نسبت‌های شارپ و نسبت‌های اطلاعاتی بالاتری را با مدل‌های ریسک اساسی تولید می‌کنند، اگرچه هر دو مدل ریسک بسیار مؤثر هستند و نسبت‌های اطلاعاتی را به مراتب بیش از 1. 00 تولید می‌کنند.

نتیجه گیری و پیامدهای تحقیق سرمایه گذاری کاربردی

سرمایه‌گذاری که به دنبال به حداکثر رساندن میانگین هندسی، نسبت شارپ یا نسبت اطلاعات است، باید سهام EM را در نظر بگیرد. سرمایه‌گذاری که می‌خواهد در مرز کارآمد باشد، باید استفاده از ریسک آماری و کاربرد عامل هم‌ترازی آلفا را در نظر بگیرد. خطاهای ردیابی هدفمند بالاتر به خطاهای ردیابی هدفمند کمتر ترجیح داده می شود. سرمایه‌گذاری که میانگین هندسی را به حداکثر می‌رساند، ثروت نهایی Latane [56] و Markowitz [57، 58] را به حداکثر می‌رساند. با توجه به اینکه سرمایه گذاران در نهایت موفق می شوند، سرمایه گذار باید 8 درصد خطاهای ردیابی را هدف قرار دهد، صبر و شکیبایی بیشتری داشته باشد و ریسک گریزی کمتری داشته باشد و ثروتمندتر از دنیا برود. شاید وارثان آنها کمتر از این انتظار نداشته باشند.

مشارکت های نویسنده

همه نویسندگان فهرست شده سهم قابل توجهی، مستقیم و فکری به این اثر داشته اند و آن را برای انتشار تایید کرده اند.

بیانیه تعارض منافع

JG و AS توسط شرکت McKinley Capital Management، LLC استخدام شدند.

پانویسها و منابع

1. گراهام و همکاران را ببینید.[11]، گراهام [12]، درمن [9، 10] و باسو [8] برای بحث در مورد مدل های قیمت پایین به درآمد و سایر مدل های اساسی، مانند ارزش دفتری، جریان نقدی و فروش. بلوخ و همکاران[13] مجموعه ای از~270 شبیه سازی GPRD مدل های سهام ایالات متحده و ژاپن. مدل‌ها بازده مازاد آماری قابل‌توجهی خارج از نمونه را در پرتفولیوها ایجاد کردند. تکنیک های رگرسیون پیچیده نه تنها آمار F در نمونه را افزایش داد، بلکه میانگین هندسی پورتفولیوهای خارج از نمونه را نیز افزایش داد. هاوگن و بیکر [20، 21] مدل ها را در چارچوب گراهام و داد تخمین زدند و اثربخشی مداوم متغیرهای بنیادی را اثبات کردند.

^Stone و Guerard از یک فرآیند سطح پاسخ برای شناسایی وزن متغیرها در مدل هشت عاملی GPRD استفاده کردند. Stone و Guerard [22] دریافتند که بیش از 85 درصد از متغیرها باید از فرم های خطی و نه درجه دوم استفاده کنند. علاوه بر این، تعاملات متغیر تخمین مدل را افزایش نداد.

3. ^ما (McKinley Capital Management) از سال 2005، نتایج آزمون مدل II DMC را در تمام تحلیل‌ها گزارش کرده‌ایم.

4. ^Guerard et al.[5] به طور گسترده در مورد اثربخشی CTEF، متغیر شتاب سود پیش‌بینی‌شده MCM، متشکل از پیش‌بینی‌های خدمات برآورد کارگزاری سازمانی (I/B/E/S)، تجدیدنظرهای پیش‌بینی، و جهت اصلاحات پیش‌بینی، گزارش داد. التون و همکاران[22] پایگاه داده I/B/E/S را ایجاد و آزمایش کرد. تجزیه و تحلیل حرکت قیمت در Guerard و همکاران آزمایش شده است.[26]. تحلیل‌های USER و GLER بر اساس کار جک براش است که در [23] خلاصه شده است.

5. ^Guerard et al.[24] یک مدل جهانی، GLER را با استفاده از معادله (1) و پایگاه داده FactSet برای اوراق بهادار جهانی طی دوره ژانویه 1999 تا دسامبر 2011 برآورد کرد. در دنیای تجارت، سالانه یا حتی فصلی به پایگاه های اطلاعاتی دانشگاهی دسترسی ندارید. بیشتر تحلیل های صنعت از پایگاه داده FactSet و پایگاه داده پیش بینی درآمد Thomson Financial (I/B/E/S) استفاده می کنند. Guerard و همکاران[24] و [25] مدل خطای ردیابی در ریسک پرتفولیو (MVTaR) برای 7500 اوراق بهادار بزرگ، از نظر ارزش بازار، برای سهام تامسون فایننشال و پایگاه داده FactSet، حدود 46،550 شرکت در دسامبر 2011، و 64،450 سهام در دسامبر. در Guerard et al.[5] مطالعه پیش بینی درآمد، Guerard و همکاران. از هر دو مدل ریسک آماری جهانی APT و Axioma استفاده کرد. ما از داده‌ها فقط همانطور که مشخص است استفاده می‌کنیم (یا دقیق‌تر، نمونه کارها ما خارج از نمونه آزمایش می‌شوند).

6. ^[26] و Guerard و همکاران.[27].

7. وزن متغیر CTEF و PM نسبت به هشت فاکتور هشت اول بزرگ هستند. متغیرهای نسبی متغیرهای "رشد" هستند به طوری که هر دو مدل مارکوویتز و مدل های GLER در جعبه های رشد گزارش سبک Zephyr رسم می کنند. چهار عامل اول GLER فاکتورهای ارزشی هستند.

8. ^Haugen [28] به درمان متغیرهای گراهام و داد در نظریه سرمایه گذاری مدرن خود ادامه داد.[29، 30] 12 مورد از مهم ترین عوامل را در بازارهای سهام ایالات متحده و در آلمان، فرانسه، بریتانیای کبیر و ژاپن بررسی کردند. متغیرهای دفتری به قیمت، سود به قیمت، فروش به قیمت و جریان نقدی به قیمت جزو بالاترین متغیرهای میانگین بازده در کشورهای مربوطه بودند. Haugen و Baker [31] مقاله ای را در جلد Guerard به افتخار هری مارکوویتز منتشر کردند که مدل های خود را به روز کرد و به طور کامل پرونده بازارهای کارآمد را از نظر نویسنده اصلی تخریب کرد. تحلیل ما و کار هاوگن شواهدی را گزارش نمی‌کند که با کار فاما و فرنچ مطابقت داشته باشد [32، 33، 35].

9. ^مجموعه اول یک مدل ریسک اساسی است ، مانند مدل فاکتور ریسک سهام عدالت در سراسر جهان (AX-WW2. 1) ، که به دنبال پیش بینی خطر متوسط افقی یا خطر 3-6 ماه پیش است. مدل ریسک اساسی Axioma از نه عامل سبک استفاده می کند: حساسیت به نرخ ارز ، رشد (درآمد تاریخی و رشد فروش) ، اهرم (بدهی به دارایی) ، نقدینگی (حجم معاملات یک ماهه تقسیم بر سرمایه بازار) ، حرکت میان مدت (تجمعیبازده سال گذشته ، به استثنای ماه قبل) ، حرکت کوتاه مدت (بازده ماه گذشته) ، اندازه (لگاریتم طبیعی سرمایه گذاری در بازار صادرکننده) ، ارزش (نسبت کتاب به قیمت و سود به قیمت) و نوسانات(میانگین سه ماه بازده مطلق تقسیم بر انحراف استاندارد مقطعی). مدل ریسک اساساً مبتنی بر Axioma از مدل ریسک MSCI Barra در روزنبرگ [43] ، روزنبرگ و ماراته ، [44] تکامل یافته است ، [44] و کاملاً در Rudd و Clasing [45] و Grinold و Kahn [46] مورد بحث قرار گرفت. مدل های ریسک مبتنی بر آماری که در آثار رول و راس [47] ، Dhrymes و همکاران ایجاد شده اند.[48] ، Dhrymes و همکاران.[48] ، و Guerard و همکاران.[49]مدل ریسک آماری Axioma ، مدل فاکتور ریسک سهام در سطح جهان ، AX-WW2. 1 ، 15 مؤلفه اصلی برای اندازه گیری ریسک تخمین می زند. به Guerard و همکاران مراجعه کنید.[27] برای مقایسه مدل های ریسک اساسی و مبتنی بر آماری مبتنی بر. Guerard و همکاران.[27] گزارش داد که مدل آماری بر مدل ریسک اساسی در تولید مجموعه بالاتری از بازده ها برای سطح مشخصی از ریسک حاکم است.

10. ^Guerard [52] از اثربخشی سیستم های Blin و Bender Apt و Sungard APT در ساخت و مدیریت نمونه کارها خبر داد. بلین و همکاران.[53] از یک مدل بتا 20 عاملی از واریانس و کوارارها بر اساس 3. 5 سال داده های بازده سهام هفتگی استفاده کرد. مدل تئوری قیمت گذاری BLIN و BENDER (APT) از نظریه فاکتور رول پیروی کرد ، اما بلین و بندر حداقل 20 عامل متعامد را تخمین زدند. منحنی های تجارت در Guerard [52] توسط متفاوت Lambda ، اندازه گیری از ریسک ، به عنوان یک متغیر تصمیم گیری نمونه کارها ایجاد شده است. با افزایش لامبدا ، بازده مورد انتظار نمونه کارها افزایش می یابد و تعداد اوراق بهادار در نمونه کارها کاهش می یابد. برنامه Guerard [52] ریسک را از نظر مفهوم "خطای ردیابی در معرض خطر" به حداقل رساند که در آن ریسک نمونه کارها سه واریانس ردیابی سیستماتیک و یک قسمت واریانس ردیابی خاص است. خواننده به بلین و همکاران گفته می شود.[53] و Guerard [52] برای توضیح بیشتر در مورد مدل خطر چند عاملی و فرآیند بهینه سازی.

11. ^ما از 150 امتیاز مبنای هزینه معاملات ، از هر طریق ، در شبیه سازی استفاده کردیم. اگر ما از Axioma Optimization با استفاده از منحنی های هزینه ITG ، که برای دوره ژانویه 2002-دسامبر 2013 در دسترس است ، استفاده کردیم ، با استفاده از 20 ٪ هزینه حجم ، هزینه های معاملات برآورد شده با ITG را 108 امتیاز پایه می یابیم. نمونه کارها Axioma EAWTAR2 در سال 2002 اندازه 500 میلیون دلار فرض شده بود که تا دسامبر 2013 به 3 میلیارد دلار رسید. بهتر از معیار AWCG با 260 امتیاز پایه با IR 0. 43 ، نسبت شارپ 0. 54 و خطر فعال 6. 03 ٪. Axioma نمونه کارها با منحنی هزینه ITG از همان شرایط شبیه سازی نمونه کارها استفاده کرد. به Borkovec و همکاران مراجعه کنید.[55] برای ارائه رویکرد ITG به اجرای نمونه کارها. ما در این تجزیه و تحلیل از فرض حفاظت از هزینه معاملات استفاده کرده ایم.

12. ^نمونه کارها MCM در زمان واقعی ، تولید 434 نقطه پایه بازده فعال ، سالانه و IR 1. 00 با مدل ریسک اساسی Axioma ، از تاریخ 31 مارس 2011 در رده های برتر همسالان خود قرار می گیرد. به Guerard و Chettiappan مراجعه کنید. "مقدار فعال: تحقیقات سرمایه گذاری کاربردی در بازارهای نوظهور" ، مجله سرمایه گذاری ، آینده.

منابع

1. Markowitz Hm. انتخاب نمونه کارها. J Finance (1952) 7: 77-91.