رشته مدیریت-دانلود پایان نامه درباره بازده مورد انتظار

دانلود پایان نامه

است.(عادل آذر ، 1382) همچنین میانه (median) یکی دیگر از شاخص های مرکزی است و مقداری است که 50% داده های جامعه پایین تر از آن و 50% بالاتر از آن قرار بگیرند به طور کلی از آن به عنوان اندازه تمایل به مرکز توزیع هایی که شکل آنها نا متقارن است استفاده می شود (همان منبع، ص39) شاخصهای بعدی کمینه و بیشینه (maxوmin) از ساده ترین معیارهای گرایش به مرکز اند که max نشان دهنده بزرگترین مشاهده وmin نشانگر کوچکترین مشاهده است. شاخص دیگر انحراف معیار از مهمترین پارامترهای پراکندگی می باشد که از طریق جذر گرفتن از واریانس بدست می آید. به عبارتی دیگر انحراف معیار نوعی سنجش پراکندگی برای یک توزیع احتمال یا متغیر تصادفی بوده و نماینده پخش‌شدگی مقادیر آن حول مقدار میانگین است. انحراف معیار را معمولاً با ( ) حرف کوچک سیگما نشان می‌دهند. پس این شاخص نشان دهنده متوسط نوسان مشاهدات از میانگین آنهاست.

نگاره 4-2 آمار توصیفی متغیر های پژوهش
Ri-RF(بازده اضافی سهام)
(متغیر وابسته)
RM-RF
(متغیر مستقل)
SMB (متغیرمستقل)
HML
(متغیرمستقل)
WML
(متغیرمستقل)
میانگین(mean)
-0.146612
 0.209338
-0.006706
-0.010539
 0.073180
میانه(median)
-0.144949
 0.238268
-0.014948
-0.011512
 0.071139
ماکزیمم(max)
 0.078632
 0.666765
 0.038751
 0.008582
 0.106301
مینیمم(min)
-0.741549
-0.305950
-0.035044
-0.027651
 0.045021
انحراف معیار(std.dev)
 0.071613
 0.380572
 0.028192
 0.011874
 0.024603
نگاره 4-2 ارقام توصیفی را دربارهی سطح متوسط بازده سهام برای هر طبقه از متغیرها نشان می دهد. میانگین بازده اضافی سهام برای کل پرتفوی منفی (-0.146612) است، مقدار منفی آن نشان دهنده این است که تعداد مشاهدات منفی نمونه بیشتر از تعداد مشاهدات مثبت بوده است و انحراف معیار بازده مورد انتظار سهام ( بازده اضافی سهام)  0.071613است، در حالی که حداکثر و حداقل بازده سهام  0.078632 و -0.741549 می باشد. میانگین بازده اضافی بازار، عامل اندازه (SMB)، عامل نسبت ارزش دفتری به بازار (HML) و عامل گشتاوری (WML) به ترتیب  0.209338، -0.006706،-0.010539 ، 0.073180 است و انحراف معیار متغیرهای مستقل MKT، SBM، HML، WML به ترتیب  0.380572، 0.028192 ،  0.011874،  0.024603می باشد. حداکثر و حداقل متغیر های مستقل MKT، SBM، HML، WML همانطور که نگاره4-2 نشان می دهد به ترتیب ( 0.666765، -0.305950)، (  0.038751،-0.035044)، (  0.008582،-0.027651)، ( 0.106301،0.045021) است.
نمودار پراکندگی مشاهدات
شاخص های پراکندگی میزان پراکندگی یا تغییراتی را که در بین داده‌های یک توزیع (نتایج تحقیق) وجود دارد، نشان می‌ دهند. دامنه تغییرات، انحراف چارکی، واریانس و انحراف استاندارد شاخص هایی هستند که به همین منظور در تحقیقات مورد استفاده قرار می ‌گیرند. در نمودارهای پراکندگی زیر نیز حداقل و حداکثر مشاهدات متغیر های ( Ri-RF، Rm-RF ،SMB، HML ،WML ) همانطوری که در نگاره 4-2 آمده بود را نشان می دهد. به عنوان مثال حداکثر بازده مورد انتظار سهام( Ri-RF ) در نمودار 4-1 نشان دهنده 0.07 و حداقل آن -0.7 است.
نمودار 4-1پراکندگی متغیر بازده اضافی سهام
در نمودار 4-2 حداکثر بازده اضافی بازار (Rm-RF) 0.66 و حداقل آن-0.30 است.
نمودار 4-2 پراکندگی متغیر بازده اضافی بازار(بتا)

در نمودار 4-3 همانطوری که مشاهده می گردد حداکثر SMB 80.03و حداقل آن-0.035 است.
نمودار4-3 پراکندگی متغیر عامل اندازه
در نمودار 4-4 حداکثر متغیر مستقل عامل نسبت ارزش دفتری به بازار(اHML ) 0.008 و حداقل آن -0.027 است.
نمودار4-4 پراکندگی متغیر عامل ارزش
در نمودار4-5 حداکثر متغیر مستقل عامل گشتاوری(WML) 0.10و حداقل این متغیر0.04 است.
نمودار4-5 پراکندگی عامل گشتاوری
نمودار توزیع فراوانی مشاهدات
هیستوگرام متداول ترین نموداری است که برای داده های کمی رسم می شود. برای رسم هیستوگرام ابتدا حدود طبقات جدول توزیع فراوانی را روی محور افقی به صورت پیوسته نشان داده و محور عمودی را بر اساس فراوانی مطلق، فراوانی نسبی و یا درصد مدرج می نماییم. در همین نمودار همانطور که مشخص است علاوه بر هیستوگرام، نمودار چند ضلعی هم ترسیم شده است. نمودار چند ضلعی نموداری است که نقطهی میانی هر طبقه روی محور افقی و فراوانی نسبی یا مطلق هر یک از نقاط میانی روی محور عمودی ان نشان داده می شود. متناظر با هر نمایندهی طبقه و فراوانی آن یک نقطه در صفحه مشخص می شود که طول آن نماینده طبقه و عرض آن برابر با فراوانی آن طبقه است (عادل آذر85). نمودار های هیستوگرام متغیر وابسته بازده اضافی سهام (Ri-RF) و متغیر های مستقل بازده اضافی بازار (Rm-RF)، عامل اندازه (SMB) و عامل ارزش (HML) و عامل گشتاوری (WML) در نمودار 4-6 مشاهده می شود.
نمودار4-6 توزیع فراوانی مشاهدات
نمودار چارک-چارک مشاهدات
در این نمودار ها چارک اول، چارک دوم و چارک سوم متغیرها به نمایش در آمده است چارک اول مقداری است که 25 درصد داده ها و مشاهدات از آن کوچکتر و 75 درصد داده ها از آن بزرگتر هستند. چارک دوم مقداری است که نیمی از داده ها از آن کوچکتر و نیمی از داده ها از آن بزرگتر هستند که به آن میانه نیز می گویند. چارک سوم نیز مقداری است که 75 درصد داده ها از آن کوچکتر و 25% داده ها از آن بزرگتر هستند و همانطوری که درنگاره 4-2 میانه های متغیر ها ذکر شد در این نمودارها نیز تمام مشاهدات که بر اساس چارکها مرتب شده اند به نمایش در آمده اند به عنوان مثال میانه متغیر SMB -0.01 است که در نمودار نیز (پراکنش های وسطی هر نمودار) به همین مقدار به نمایش در آمده است.
نمودار4-7 چارک مشاهدات
پراکنش تمام مشاهداتی که برابر میانه هستند حول میانه ترسیم شده اند و به همین ترتیب میانه بازده اضافی سهام (Ri-RF) -0.1 ، بازده اضافی بازار (MKT)  0.2که به صورت یک نقطه (سومین پراکنش) در نمودار نشان داده شده است میانه HML -0.01 و میانه WML 0.07 میباشد که در نمودار 4-7 نیز کاملاً مشخص است.
4-3 آزمون فرضیه
برای بررسی آزمون فرضیه با استفاده از روش panel data مدل های تحقیق با متغیر وابسته (بازده سهام) و متغیر های مستقل MKT، SMB، HML، WML مورد برآورد قرار می گیرند.
4-4 آزمون بررسی معنی داری ضرایب همبستگی
ضریب همبستگی جهت تعیین این نکته مورد استفاده قرار می گیرد که آیا رابطه معنی داری بین دو متغیر وجود دارد یا خیر. ضریب همبستگی صرفا جهت بررسی وابستگی خطی بین دو متغیر استفاده میشود از لحاظ آماری اگر متغیر مستقل و متغیروابسته مستقل باشند ضریب همبستگی آنها صفر است. هرچند عکس آن صادق نیست بدین معنی که اگر حتی ضریب همبستگی بین متغیر ها صفر باشد نمی توان گفت متغیر ها مستقل اند.
بر حسب مقدار بدست آمده برای r، در مورد رابطه بین متغیر مستقل و متغیروابسته، می توان گفت:
الف –اگر -1 r0باشد، رابطه بین متغیر مستقل و متغیروابسته معکوس می باشد.
ب-اگر 1 r0 باشد، رابطه متغیر مستقل و متغیروابسته مستقیم می باشد.
ج- اگر r|=1 | باشد رابطه بین متغیر مستقل و متغیروابسته کامل و اگر r=0رابطه خطی وجود ندارد و در غیر این دو صورترابطه بین متغیر مستقل و متغیروابسته ناقص است.
همانطوری که در نگاره 4-3 قابل مشاهده است ضریب همبستگی بین متغیر ها صفر نیست و رابطه بین متغیر بازده سهام با بتا (MKT) مستقیم و رابطه بین بازده سهام و SMB، HML، WML معکوس است.
نگاره 4-3 جدول ضرایب همبستگی
همبستگی
RI-RF 
RM-RF 
SMB 
HML 
WML 
RI-RF 
1.000000
RM-RF 
0.220858
1.000000
SMB 
-0.131792
-0.653463
1.000000
HML
-0.226565
-0.694796
0.512204
1.000000
WML
-0.063804
-0.426441
0.653914
0.268057
1.000000
قدرت توضیح دهندگی بازده اضافی سهام بیشتر از عامل نسبت ارزش دفتری به ارزش بازار،عامل اندازه و همچنین عامل گشتاوری است.نکته ای که باید در اینجا توجه داشت این است که حتی در صورتیکه r دارای مقدار غیر صفر باشد نیز ممکن است ضریب همبستگی جامعه صفر باشد. از این رو باید ضریب همبستگی جامعه را مورد آزمون قرار دهیم این آزمون به صورت زیر تعریف می شود:
H0: =0همبستگی معنی داری وجود ندارد
H1:0همبستگی معنی داری وجود دارد
نتایج به دست آمده به این نحو تحلیل می شود که در صورتی که سطح معنی داری کوچکتر از 5% باشد فرض 0 Hرد می شود و همبستگی معنی داری بین دو متغیر وجود دارد و اگر سطح معنی داری بزرگتر از 5% باشد فرض 0H پذیرفته می شود و فرض H1 رد می شود.
نگاره 4-4 سطح معنی داری ضرایب همبستگی
سطح معنی داری همبستگی
RI-RF
متغیر وابسته 
RM-RF
متغیر مستقل 
SMB
متغیر مستقل
HML 
متغیر مستقل
WML
متغیر مستقل 
RI-RF  (بازده اضافی سهام)
…….
RM-RF  (بازده اضافی بازار)
0.0109
SMB  (عامل اندازه)
0.1320
0.0000
HML (عامل نسبت ارزش دفتری به بازار)
0.0090
0.0000
0.0000
WML (عامل گشتاوری)
0.4673
0.0000
0.0000
0.0019
……
همانطو
ری که قابل مشاهده است سطح معنی داری متغیر SMB و بازده سهام ، WML و بازده سهام بزرگتر از 5% است وفرض 1H رد می شود و همبستگی معنی داری بین دو متغیر وجود ندارد.
4-5 آزمون دوربین واتسون
این آزمون به منظور بررسی استقلال خطاها از یکدیگر(تفاوت بین مقادیر واقعی و مقادیر پیش بینی شده توسط معادله رگرسیون) استفاده می شود. درصورتی که فرضیه استقلال خطاها رد شود و خطاها با یکدیگر همبستگی داشته باشد امکان استفاده از رگرسیون وجود ندارد و چنانچه این آماره در بازه 1.5تا 2.5 قرار گیرد فرض H0 آزمون عدم همبستگی بین خطاها پذیرفته می شود و در غیر این صورت H0 رد میشود. (همبستگی بین خطاها وجود دارد)
نگاره 4-5 آزمون دوربین واتسون
مدل اول
(3-1)
CAPM
مدل دوم
(3-2)
SCAPM
مدل سوم
(3-3)
KCAPM
مدل چهارم
(3-4)
TFPM
مدل پنجم
(3-5)
STFPM
مدل ششم
(3-6)
KTFPM
مدل هفتم
(3-7)

FFPM
مدل هشتم
(3-8)

دانلود پایان نامه

اینجا فقط تکه های از پایان نامه به صورت رندم (تصادفی) درج می شود که هنگام انتقال از فایل ورد ممکن است باعث به هم ریختگی شود و یا عکس ها ، نمودار ها و جداول درج نشوند.

برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید

رشته مدیریت همه موضوعات و گرایش ها : صنعتی ، دولتی ، MBA ، مالی ، بازاریابی (تبلیغات – برند – مصرف کننده -مشتری ،نظام کیفیت فراگیر ، بازرگانی بین الملل ، صادرات و واردات ، اجرایی ، کارآفرینی ، بیمه ، تحول ، فناوری اطلاعات ، مدیریت دانش ،استراتژیک ، سیستم های اطلاعاتی ، مدیریت منابع انسانی و افزایش بهره وری کارکنان سازمان

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

SFFPM
مدل نهم
(3-9)
KFFPM
2.008602
1.995219
2.002254
2.013167
2.082952
2.120744
1.699606
2.068547
2.071951
با استناد به اطلاعات نگاره 4-5 این آماره برای مدل های یک تا 9 به ترتیب برابر با (2.008602، 1.99، 2.00، 2.01، 2.08، 2.12، 1.69، 2.06، 2.07) است که نشان دهندهی این است تمام آماره ها در بازه 1.5 تا2.5 قرار می گیرند. بنابراین فرض H0 آزمون برای تمام مدلها (عدم همبستگی بین خطاها) تایید میشود.
4-6 آزمون معنی دار بودن R2 برای مدل ها
ضریب تعیین (R2) برای تعیین اینکه چه میزان از تغییرات متغیر وابسته توسط متغیر مستقل مشخص می شود، استفاده می شود که همان مجذور ضریب همبستگی است. انتخاب بهترین مدل بر مبنای بالاترین ضریب تعیین است.
نگاره 4-6 معنی داری R2 برای مدل ها
مدل ها
ضریب تعیین
ضریب تعیین تعدیل شده
سطح معنی داری
مدلCAPM
0.173745
0.167390
0.000001
مدلSCAPM
0.188946
0.176372
0.000001
مدلKCAPM
0.194041
0.175152
0.000004
مدلTFPM
0.200843
0.182113
0.000002
مدلSTFPM
0.292520
0.270237
0.000000
مدلKTFPM
0.299351
0.271548
0.000000
مدل FFPM
0.203009
0.177907
0.000008
مدل SFFPM
0.271413
0.242501
0.000000
مدل KFFPM
0.342225
0.310651
0.000000
در توضیح نگاره 4- 6 می توان اشاره کرد که مدل CAPM می تواند30.17 از تغییرات بازده مورد انتظار سهام را توضیح دهد. برای مدل SCAPM، افزایش کل عامل چولگی توانایی مدل را در برآورد نرخ بازده مورد انتظار افزایش می دهد، که ارزش متوسط ضریب تعیین برای کل پورتفوی 0.188 بود. برای مدل KCAPM افزودن کل عوامل کشیدگی توانایی مدل در برآورد نرخ بازده مورد انتظار را افزایش می دهد و مقدار متوسط ضریب تعیین برای کل پورتفوی 0.194 بود.
مدل سه عامله (پنل3-4) مقدار ضریب تعیین متوسط (0.200843) بهتری از مدل یک عامله در برآورد نرخ بازده مورد انتظاردارد. با افزودن چولگی در مدل سه عامله، مجموع متوسط توانایی مدل ها را برای برآورد نرخ بازده مورد انتظار سهام به 0.292520 افزایش می دهد. افزودن کشیدگی به مدل سه عامله علاوه بر چولگی (پنل4-4) توانایی مدلها برای برآورد بازده متوسط سهام مورد انتظار را تا 0.299351 در مجموع افزایش داد.
در مدل چهار عامله (پنل 3-7) مقدار ضریب تعیین متوسط نسبت به مدل سه عاملی فاما و فرنچ افت می کند و مقدار آن به 0.203009 می رسد. افزایش شاخص چولگی در مدل 4 عامله متوسط مقدار کلی ضریب تعیین را تا 0.271413 افزایش می دهد. افزودن کشیدگی جایگزین در مدل چهار عامله (پنل 3-9) متوسط مقدار کلی ضریب تعیین به0.342225 افزایش می یابد که به طور قابل توجهی مدل های دیگر را تحت تاثیر قرار می دهد. به طور کل می توان از اطلاعات حاصله این نتیجه را گرفت که مدل قیمت گذاری چهار عامله با افزودن کشیدگی (KFFPM) در توضیح تغییرات بازده مورد انتظار سهام با مشاهدهی ضریب تعیین کل مدل ها یا هر پورتفوی بهتر از سایر مدلها بوده است. این مدل نشان می دهد که نه فقط عوامل بازار در برآورد جایگزین های ریسک کافی نیستند بلکه عوامل اندازهی شرکت، نسبت BE/ME، گشتاور، چولگی و کشیدگی هم موثرند.
تفاوت بین ضریب تعیین و ضریب تعیین تعدیل شده می تواند ناشی از حجم نمونه و تعداد متغیرها باشد در صورتی که نمونه کوچک باشد، ضریب تعیین تعدیل شده برای تفسیر مناسبتر است با بزرگتر شدن حجم نمونه این دو ضریب به هم نزدیک می شوند. با افزودن تعداد متغیر ها به مدل رگرسیون، مقدار ضریب تعیین ممکن است افزایش یابد برای جلوگیری از این وضعیت و کنترل تورش از ضریب تعیین تعدیل شده استفاده می گردد. همان طوری که قابل مشاهده است مدل KFFPM بالاترین ضریب تعیین را به خود اختصاص داده است و بهترین مدل محسوب شده است.
H0: b=0رابطه خطی معنی داری بین متغیرهای مستقل و متغیر وابسته وجود ندارد
H1: b رابطه خطی معنی داری بین متغیرهای مستقل و متغیر وابسته وجود دارد 0
نحوه تحلیل آزمون معنی داری R2 برای مدل ها :
چنانچه سطح معنی داری کوچکتر از 5% باشد فرض H0 رد می شود و فرض مقابل H1 پذیرفته می شود. نتایج رگرسیون وهمانطوری که نگاره4-5 نشان می دهد سطح معنی داری تمام مدل ها کوچکتر از 5% است، پس فرض H0 برای تمام مدل ها رد می شود که نشان می دهدرابطه خطی معنی داری بین متغیر های مستقل و متغیر وابسته در مدل ها وجود دارد. کمتر بودن ضریب تعیین تعدیل شده مدل FFPM از مدل سه عامله فاما و فرنچ نشان دهندهی این است که افزودن متغیر WML به مدل فاما و فرنچ بر خلاف بورسهای سایر کشورها نمی تواند توضیح بهتری برای تغییرات بازده داشته باشد. پس هر آنچه که در بازار های نیمه کارا صدق کند ممکن است در بازار ضعیف صدق نکند. مدل 3-9 نشان میدهد که با افزودن چولگی و کشیدگی به مدل FFPM متغیرهای مستقل تغییرات بازده سهام را بهتر توضیح می دهند. مدل 3-9 نشان می دهد متغیرهای مستقل MKT ، SMB ، HML، WML با افزودن چولگی و کشیدگی 34% از تغییرات بازده سهام را مشخص می کند و به عبارتی دیگر 34% از تغییرات بازده سهام در بازار بورس تهران در دوره زمانی 86-89 به اطلاعات حسابداری واکنش نشان می دهد. پس 66% تغییرات بازده سهام توسط اطلاعات حسابداری و متغیرهای این تحقیق توضیح داده نشده است و با پارامترهایی مشخص می شود که ارتباطی با اطلاعات حسابداری و متغیرهای محاسبه شده در این تحقیق ندارد.
نتایج مدل CAPM : همانطوری که در نگاره4-7 مشاهده می گردد و قبلا ذکر گردید ضریب تعیین (R-squared) این مدل در دورهی چهار ساله 86-89 در آماره های موزون(وزنی) 17% است که بدین معنی است که فقط 17 درصد تغییرات بازده مورد انتظار سهام با متغیر RM_RF توضیح داده می شود.
نگاره 4-
7 مدل

دیدگاهتان را بنویسید