درک حرکت و معکوس ☆

حرکت سهام، برگشت بلندمدت، و سایر ویژگی های بازده گذشته که بازده آتی را پیش بینی می کنند، بتای تحقق یافته آینده را نیز پیش بینی می کنند، که نشان می دهد این ویژگی ها جبران ریسک متغیر با زمان را در بر می گیرند. ما این استدلال را با یک مدل قیمت گذاری عامل شرطی رسمی می کنیم. با استفاده از تجزیه و تحلیل مؤلفه های اصلی ابزاری، ما عوامل نهفته را با بارهای عامل متغیر با زمان که به ویژگی های شرکت قابل مشاهده بستگی دارد، تخمین می زنیم. ما نشان می دهیم که بارهای عامل در طول زمان، حتی در افق های کوتاهی که پدیده تکانه در آن عمل می کند (یک سال) به طور قابل توجهی تغییر می کند، و این تنوع، حق بیمه شرطی قابل اعتمادی را که توسط سایر مدل های عاملی که معمولاً در ادبیات استفاده می شود، از دست می دهد. برآوردهای ما از مواجهه با ریسک مشروط می تواند کسری قابل توجه از بازده معکوس حرکت و بلندمدت را توضیح دهد و می تواند برای ایجاد پیش بینی های بازده حتی قوی تر استفاده شود.

معرفی

از زمان معرفی آن توسط جگادش و تیتمن (1993)، ناهنجاری حرکت همواره در میان موضوعاتی که به طور کامل تحقیق شده اند در اقتصاد مالی رتبه بندی شده است. این اساس استراتژی های اجرا شده در سراسر صنعت مدیریت دارایی را تشکیل می دهد و زیربنای طیف گسترده ای از صندوق های سرمایه گذاری مشترک و محصولات مبادله ای است. علیرغم نفوذ گسترده آن بر حرفه مالی، حرکت یک پدیده مرموز باقی مانده است. انواع نظریه های مثبت، چه رفتاری و چه عقلانی، برای توضیح حرکت ارائه شده است، اما هیچ کدام به طور گسترده پذیرفته نشده اند. 1 مومنتوم همچنین یکی از معدود ناقضان قابل اعتماد مدل های قیمت گذاری تجربی رایج دارایی ها مانند مدل پنج عاملی فاما و فرنچ (2015) است، و تحقیقات هنوز ریسکی را شناسایی نکرده است که بتواند حق بیمه بازده مقطعی مرتبط با آن را توضیح دهد. عملکرد قیمت اخیردر نتیجه، شتاب اغلب محور بحث در مورد کارایی بازار است.

هدف از این مقاله ، ارزیابی مجدد ناهنجاری حرکت از طریق لنز مدل های قیمت گذاری دارایی تجربی شرطی است. چه مقدار از حق بیمه حرکت را می توان با قرار گرفتن در معرض خطر مشروط توضیح داد؟یافته اصلی ما این است که تغییر در حق ریسک مشروط سهام به شدت با حرکت از طریق قرار گرفتن در معرض فاکتور مختلف ، که بر تغییر در حق ریسک به دلیل حرکت حاکم است ، به شدت در ارتباط است. در داده های ما ، استراتژی حرکت کلاسیک (quintile minus infood quintile پایین سهام طبقه بندی شده در گذشته T - 2 تا T - 12 ماه بازده خام) بازده قابل توجهی سالانه 8. 3 ٪ را به دست می آورد. با این حال ، هنگامی که ما در معرض سایر فاکتورهای قیمت گذاری شده از مدل مشروط خود قرار می گیریم ، استراتژی حرکت باقیمانده (که در مورد مؤلفه باقیمانده بازده های غیر مرتبط با فاکتورهای مشروط) سودهای حاشیه ای 4. 4 ٪ در سال ایجاد می کند. در مقابل ، مرتب سازی سهام در مؤلفه پیش بینی شده بازده آنها که از مدل های مشروط ناشی می شود ، سود حرکت را به دست می آورد که سه تا چهار برابر بزرگتر است. با استفاده از تجزیه و تحلیل در اطراف ، بخش عمده ای از اثر حرکت بی قید و شرط توسط عواملی که ما از مدل مشروط خود تخمین می زنیم به خوبی توضیح داده شده است. در حالی که استراتژی حرکت دارای آلفا سالانه قابل توجهی از 9. 2 ٪ ( t-stat = 3. 0) با توجه به عوامل استاتیک و فاکتورهای فرانسوی (2015) است ، آلفا آن با توجه به عوامل پویا ما منفی و ناچیز است (آلفا ا ز-3. 2 ٪با t-stat = -1. 2).

با ساخت دقیق عواملی که با دقت بیشتری نشان دهنده تجارت مجدد ریسک مشروط و با مشخصات مناسب برای بتاهای مشروط متغیر زمان بر روی این عوامل است ، نشان می دهیم که بازده حرکت در معرض خطرات مشترک قرار دارد. در حالی که ما اولین کسی نیستیم که مدل های خطر شرطی را به عنوان توضیحی برای حرکت امتحان و بررسی کنیم (کنراد ، کائول ، 1998 ، جگادیش ، تیتمن ، 2002 ، گروندی ، مارتین ، 2001 ، آردیا ، شیواکومار ، 2002) یا معکوس های طولانی مدت (Kothariو Shanken ، 1992) ، روش ما برای استخراج حق بیمه خطر مشروط در توضیح این پدیده های بازگشت گذشته بسیار موفق تر است. ما بررسی و توضیح می دهیم که چگونه و چرا برآوردهای ما به این موفقیت دست می یابند.

ما ابتدا یک شرط لازم را ایجاد می کنیم تا با یک مدل قیمت گذاری فاکتور قابل توضیح باشد که حرکت در معرض خطر فاکتور قرار می گیرد. ما نشان می دهیم که حرکت یک پیش بینی قوی از بتاهای تحقق یافته آینده در بازگشت بازار و همچنین سایر عوامل محبوب قیمت گذاری دارایی (به عنوان مثال ، FAMA و فرانسوی ، مدل پنج عاملی 2015) است. قدرت پیش بینی کننده ویژگی حرکت برای بتاهای آینده از نظر آماری و اقتصادی قوی است. به عنوان مثال ، ضریب پیش بینی تخمین زده شده برای بتا بازار نشان می دهد که وقتی یک سهام از صدک 10 از ویژگی حرکت به صدک 90 می رسد ، بتا بازار آن 0. 20 افزایش می یابد. این یک نشانه اولیه است که حرکت در معرض خطر مشروط را ضبط می کند. به همین ترتیب ، معکوس بلند مدت ، یکی دیگر از ویژگی های بازگشت گذشته ، قدرت پیش بینی مشابهی برای بتا دارد ، اما وارونگی کوتاه مدت قدرت قابل ملاحظه ای برای پیش بینی بتا دارد. پیوند بین بازده های گذشته متوسط و بلند مدت و بتاس آینده نشان می دهد که حق بیمه مرتبط با حرکت و معکوس های بلند مدت ممکن است حداقل تا حدودی با قرار گرفتن در معرض خطر مشروط مرتبط باشد. با این حال ، میزان افزایش بتا در بازار مشروط به تنهایی برای توضیح گسترش بازده بین سهام بالا و پایین (یا معکوس بلند مدت) کافی نیست. از این رو ، یک نسخه مشروط از مدل قیمت گذاری دارایی سرمایه (CAPM) قادر به توضیح این بازده ها نیست.

برای بررسی دقیق آیا پیش بینی بتا از نظر کمی الگوهای بازده مرتبط با روند قیمت را معقول می کند ، ما به یک مدل قیمت گذاری دارایی با بیش از عامل بازار نیاز داریم. برای بررسی این ایده ، ما یک مدل قیمت گذاری فاکتور مشروط عمومی از فرم r i ، t + 1 = β i ، t ′ f t + 1 + ϵ i ، t + 1 ، e t [r i ، t + 1] = β i را تجزیه و تحلیل می کنیم.، t ′ λ t. در این چارچوب ، بازده مورد انتظار شرطی μ I ، T فقط از قرار گرفتن در معرض (β I ، T) به مجموعه ای از عوامل خطر مشترک و حق بیمه عامل مرتبط (λ t ≡ e t [f t + 1]) محدود می شود. حداقل ، یک مدل موفق باید سه واقعیت مرتبط با ناهنجاری های بازگشت گذشته را توضیح دهد: (1) گسترش بزرگ در بازده متوسط حدود 9 ٪ در سال برای سهام در بالاترین میزان بازده یک سال گذشته نسبت به پایین ترین بازده هاQuintile یا از نظر میانگین بازده در هر واحد خطر ، نسبت شارپ در حدود 0. 50 سالانه.(2) که یک میانگین متحرک 12-2 ماهه پیش بینی های بازگشت بهتری نسبت به پنجره های متوسط در حال حرکت ایجاد می کند. و (3) الگوی معکوس بلند مدت بسیار مهم که فراتر از یک سال اتفاق می افتد.

برای لحظه ای نسخه استاتیک Eq را در نظر بگیرید.(1) به طوری که μ i ، t = β i ′ λ برای همه t. یک شرط به تنهایی - یک گسترش به اندازه کافی بزرگ در β I - می تواند میانگین بازده بزرگ Momentum را گسترش دهد. اما این شرط همچنین دلالت بر این دارد که یک پنجره متوسط بسیار طولانی در حال حرکت بهترین تخمین β I را ارائه می دهد ، زیرا برای یک بتا استاتیک افق طولانی تر داده های بیشتری را برای تخمین بتا فراهم می کند. این دلالت نشان می دهد که ویندوزهای طولانی تر از بازده های گذشته باید بهترین پیش بینی کننده های بازده آینده را ارائه دهند ، که با الگوی شناخته شده در داده هایی که حرکت در افق های میانی بهترین عملکرد را دارد ، مانند بازگشت استاندارد 12 ماهه استاندارد در اکثر مطالعات است. اجرای سنتی حرکت 12 ماهه ترجیح می دهد ترکیبات سهام به سرعت گردش مالی در پنجه های بالا و پایین را به سرعت انجام دهد. احتمال تجربی انتقال سهام از کوینتیل های شدید تقریباً 38 ٪ در ماه است. این انتقال به سادگی نویز نیست - به طور متوسط در حال حرکت ویندوز به طور مکانیکی گردش مالی را کاهش می دهد ، بلکه قدرت پیش بینی را نیز کاهش می دهد. واژگونی بلند مدت مجموعه ای از نیازهای پویا مشابه را در رفتار بتا ایجاد می کند.

پیامدهای این حقایق این است که هویت سهام با بالاترین و کمترین بازده مورد انتظار مشروط با گذشت زمان تغییر می کند (به سرعت). برای یک مدل عاملی مانند (1) برای مطابقت با داده ها ، باید یک مدل مشروط باشد. با نگه داشتن فاکتور Premia ثابت ، بتاس پویا (β I ، T) باعث تغییر در پانل μ i ، t s می شود. این تغییر لیست سهام در بالا و پایین توزیع μ I ، T را به ویژه هنگامی که چندین عامل وجود دارد ، می کند.

در حالی که مدل های فاکتور مشروط توضیحات مفهومی بالقوه را برای حرکت و سایر الگوهای روند قیمت ارائه می دهند ، اما یک چالش برآورد دشوار است. یکی از گزینه های تخمین استفاده از عوامل قابل مشاهده و تخمین بتای نورد است. با این حال ، عوامل قابل مشاهده ممکن است اشتباه شناخته شوند - به ویژه اگر به عنوان عوامل مشروط در هنگام ساخت آنها به عنوان فاکتورهای بی قید و شرط (به عنوان مثال ، فاکتورهای Fam a-French) ساخته شوند ، و Betas Rolling ممکن است "تعصب است. بشرگزینه دیگر تخمین بتای تحقق یافته ماهانه از داده های فرکانس بالاتر (به عنوان مثال ، روزانه) است. اما با تنها 20 مشاهدات روزانه در هر ماه ، بتاهای تحقق یافته پر سر و صدا هستند و گسترش به چند ماه است که استحکام بالقوه را بازگرداند. بعلاوه ، هیچ یک از این موارد مشکل اشتباه در عوامل قابل مشاهده را برطرف نمی کند.

درعوض ، ما از رویکرد مدل سازی فاکتور مشروط کلی و همکاران پیروی می کنیم.(2019) ، از این پس KPS ، که از روش تجزیه و تحلیل مؤلفه های اصلی ابزار (IPCA) برای برآورد فاکتورهای نهفته و قرار گرفتن در معرض فاکتور با پارامتر کردن β I ، T به عنوان تابعی از ویژگی های دارایی قابل مشاهده استفاده می کنند. این مدل با تهویه بتاس در مورد ویژگی های متغیر زمان قابل مشاهده ، می تواند به سرعت قرار گرفتن در معرض خطر را بر اساس اخبار مشخصه به روز کند. و با برآورد عوامل مرتبط با قرار گرفتن در معرض خطر مشروط ، IPCA از استفاده از عوامل از پیش تعیین شده که مستعد شناسایی هستند ، آزاد می شود. KPS نشان می دهد که مدل های فاکتور شرطی که از طریق IPCA تخمین زده می شوند ، در توصیف سطح مقطع ریسک و بازده در مقایسه با گزینه های پیشرو (مانند فاکتورهای FAM A-French با بتای نورد) پیشرفت های قابل توجهی ارائه می دهند.

ما می دانیم که برآوردهای μ i ، t i p c a = β i ، t ′ از مدل فاکتور مشروط ما پیشرفت های پیش بینی بازگشت اقتصادی و از نظر آماری قابل توجهی را در اثر تأثیر سنتی ارائه می دهد. ما رگرسیون پیش بینی کننده پانل خارج از نمونه را برای مقایسه توانایی پیش بینی بازده برآوردهای بازده مورد انتظار مبتنی بر مدل خود در برابر قدرت پیش بینی کننده حرکت و خصوصیات معکوس انجام می دهیم. به عنوان مثال ، پانل سطح سهام R2 بر اساس حرکت ، 0. 01 ٪ بر اساس وارونگی بلند مدت و 0. 32 ٪ بر اساس μ I ، T I P C A 0. 02 ٪ در ماه است. علاوه بر این ، مفصل R 2 از رگرسیون دو متغیره شامل هر دو μ I ، T I P C A و Momentum نیز 0. 32 ٪ است. به عبارت دیگر ، سهم حرکت در درک بازده مورد انتظار سهام متغیر زمان پس از حسابداری برای جبران ریسک فاکتور مشروط ناچیز است. اثربخشی حرکت سهام و استراتژی های معکوس بلند مدت تا حد زیادی با قرار گرفتن در معرض فاکتور مشروط توضیح داده شده است ، و مرتب سازی بر اساس برآورد بازده مورد انتظار مشروط ، پیش بینی بازده بسیار قوی تر را نسبت به انواع حرکت ساده ایجاد می کند. به عنوان مثال ، استراتژی حرکت شرکتی بزرگ کوتاه مدت کوتاه در نمونه ما 8. 3 ٪ در سال است (با T-statistic 3. 30 و نسبت شارپ سالانه 0. 48). اما استراتژی کوتاه مدت ناشی از بازده فاکتور مشروط ، میانگین بازده 33. 6 ٪ در سال را ایجاد می کند (با T-statistic 14. 5). بنابراین ، این مدل نه تنها در توضیح رفتار بازده مورد انتظار نسبت به ویژگی های روند قیمت موقت مؤثرتر است ، بلکه جبران خسارت را برای قرار گرفتن در معرض فاکتور نیز می گیرد که بخش بزرگی از اثر حرکت را توضیح می دهد و می تواند بازده حتی قوی تر و دقیق تری داشته باشدقابلیت پیش بینی

سوال تحقیق ما بیشتر با چهار پیش ساز در ادبیات مربوط به حرکت و معکوس های بلند مدت مرتبط است. اول ، کنراد و کائول (1998) نشان می دهند که اختلاف در بازده مورد انتظار سهام می تواند سود حرکت را توضیح دهد. جگادش و تیتمن (2002) علیه این تفسیر استدلال می كنند زیرا این مبتنی بر انتظارات بی قید و شرط است كه نشان می دهند به اندازه كافی پراکنده نیستند تا بازده شتاب را توضیح دهند. علاوه بر این ، همانطور که در بالا ذکر شد ، توضیحی مبتنی بر انتظارات بی قید و شرط ، باعث ایجاد خفگی در لیست سهام درگیر در استراتژی حرکت نمی شود و قادر به توضیح نتیجه برگشت بلند مدت نیست. از طرف دیگر ، توضیحی مبتنی بر انتظارات مشروط می تواند و این الگوهای را توضیح می دهد. 2

دوم ، گروندی و مارتین (2001) بازده را به یک مؤلفه ریسک سیستماتیک (که به عنوان قرار گرفتن در معرض سه فاکتور و فرانسوی ، 1993) و باقیمانده های خاص سهام ضبط شده است ، تجزیه می کنند و می دانند که پدیده حرکت کاملاً با حرکت در بازده باقیمانده هدایت می شود. ما می دانیم که نتیجه گیری Grundy و Martin (2001) به احتمال زیاد توسط اشتباه مدل فاکتور هدایت می شود-در مورد آنها به دلیل بتای پنجره نورد بر عوامل قابل مشاهده. با استفاده از یک مدل با بتاس آهسته و عوامل نادرست ، همه تضمین می کند که باقیمانده ها تنوع مهم در بازده های مورد انتظار را به ارث می برند ، و این تصور گمراه کننده را به وجود می آورند که حرکت از ویژگی بازده های خاص است. در مقابل ، هنگامی که به عوامل نهفته و پویایی بتا مشروط اجازه می دهیم شواهد ضعیفی از حرکت باقیمانده پیدا می کنیم. ما استدلال می کنیم و نشان می دهیم که این مشخصات مدل تصفیه شده است که منجر به نتیجه گیری متفاوت از گروندی و مارتین (2001) می شود.

سوم ، وتریا و شیواکومار (2002) بازده سهام را به یک مؤلفه باز می گردند که با متغیرهای پیش بینی کننده کلان و یک شوک غیرقابل انکار پیش بینی می شود. آنها نتیجه می گیرند که بازده حرکت به بهترین وجه از طریق بازده مورد انتظار مشروط پیش بینی شده توسط متغیرهای کلان اقتصادی و نه از طریق باقیمانده ، به بهترین وجه ضبط می شود. آنها حدس می زنند که پروکسی های مؤلفه قابل پیش بینی برای حق ریسک فاکتور پویا (بر خلاف نتیجه گیری گروندی و مارتین ، 2001). با این حال ، آنها این حدس را آزمایش نمی کنند. علاوه بر این ، فاکتورهای کلان از پیش تعیین شده نیز زمینه ای را برای شناسایی غلط فراهم می کنند و ممکن است قرار گرفتن در معرض خطر مشروط را ضبط نکنند. مقاله ما پیوند صریح مفقود شده بین بازده حرکت و قرار گرفتن در معرض خطر فاکتور را ارائه می دهد.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 شواهدی را ایجاد می کند که نشان می دهد روند قیمت قرار گرفتن در معرض خطر ، که زمینه را برای مدل ما فراهم می کند. بخش 3 مشخصات مدل فاکتور شرطی ما و رویکرد تخمین IPCA را توصیف می کند. بخش 4 یافته های اصلی ما را نشان می دهد که تغییر در بازده مورد انتظار ناشی از قرار گرفتن در معرض خطر مشروط باتلاق هایی که به دلیل حرکت و اثرات معکوس است. برای کامل بودن ، ما همچنین نشان می دهیم که بتاهای مشروط بخشی از معکوس کوتاه مدت را توضیح می دهند ، اگرچه ما وارونگی کوتاه مدت را به عنوان یک پدیده عمدتاً جداگانه و نقدینگی مشاهده می کنیم. بخش 5 به استحکام نتایج ما در طول ابعاد مختلف بررسی می شود و بخش 6 نتیجه گیری از تحلیل ما را ارائه می دهد.

قطعه قطعه

بازده های گذشته پیش بینی بتاها

در این بخش ما واقعیت تلطیف شده ای را نشان می دهیم که بازده گذشته سهام گذشته سهام پیش بینی می کند که بتاهای تحقق یافته آینده خود در مورد عوامل خطر کل باشد.

مدل ها

ما یک مدل قیمت گذاری فاکتور مشروط را برای سهام فردی فرض می کنیم و زنده ماندن مدل را برای توضیح حرکت مشاهده شده و اثرات معکوس بلند مدت برای بازده مورد انتظار بررسی می کنیم. شرط بندی از طریق بارهای عاملی وارد مدل ما می شود ، که ما مشخص می کنیم تابعی از ویژگی های شرکت قابل مشاهده است. همانطور که ویژگی های یک شرکت در حال تحول است ، در معرض خطر مشروط آن و در نتیجه بازده مورد انتظار مدل آن نیز انجام می شود. از دیدگاه مدل ، هرگونه پایداری نسبی در

آیا یک مدل مشروط می تواند حرکت و معکوس را توضیح دهد؟

ما توانایی IPCA را در توضیح حرکت در تعداد زیادی از مشخصات و مجموعه داده ها ، چه در نمونه و چه در خارج از نمونه ارزیابی می کنیم. ما همچنین بررسی می کنیم که چگونه یافته های ما هنگام استفاده از طیف وسیعی از پنجره های شکل گیری جایگزین به غیر از 2-12 متفاوت است و می دانیم که انتظارات مشروط مبتنی بر مدل ما بخش بزرگی از پدیده های معکوس و طولانی مدت را توضیح می دهد. ما همچنین نشان می دهیم که واژگونی کوتاه مدت یک پدیده مشخص است که توسط IPCA اسیر نشده است.

استحکام و تجزیه و تحلیل بیشتر

در این بخش ، استحکام نتایج خود را در چندین بعد در نظر می گیریم. اول ، ما خود را به عنوان ابزاری محروم می کنیم و با توجه به غنای اطلاعات ابزاری باقیمانده ، اهمیت مقایسه ای آن را تجزیه و تحلیل می کنیم. دوم ، ما این تمرین را نه تنها از بین بردن شتاب تکرار می کنیم بلکه هر ویژگی را بر اساس بازده گذشته از بین می بریم. سوم ، ما مدل FAM A-French ابزار را تخمین می زنیم تا بررسی کنیم که آیا قرار گرفتن در معرض خطر مشروط همچنان به توضیح بازده حرکت در زمان ادامه می دهد

نتیجه

حرکت و وارونگی پیش بینی کننده های شناخته شده بازده بازار آینده است. ما نشان می دهیم که این ویژگی های بازگشت گذشته به شدت پیش بینی کننده قرار گرفتن در معرض تحقق سهام در برابر عوامل خطر مشترک است. این واقعیت شواهد مستقیمی است که نشان می دهد استراتژی های روند قیمت تا حدودی به عنوان جبران خسارت برای قرار گرفتن در معرض فاکتور مشترک قابل توضیح هستند. با انگیزه از این مشاهده ، ما نقش روند قیمت را به عنوان اطلاعات تهویه مطبوع در یک مدل قیمت گذاری فاکتور مشروط تمام عیار بررسی می کنیم. با استفاده از IPCA برای برآورد