انتشارات دانشگاه تهران تحقیقات مالی 1024-8153 28 2 2026 06 22 Credit Risk Factor Pricing in the Iranian Capital Market: A Geske Model-Based Approach قیمت‌‌گذاری عامل ریسک اعتباری در بازار سرمایۀ ایران با رویکرد مبتنی بر مدل گسک 558 597 106185 10.22059/frj.2025.393298.1007729 FA مهناز خراسانی دانشجوی دکتری، گروه مالی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. 0000-0003-0880-9261 غلامحسین گل ارضی دانشیار، گروه مدیریت بازرگانی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. 0000-0002-0677-7422 سید کاظم ابراهیمی دانشیار، گروه حسابداری، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران. 0000-0002-7227-6407 سعید فتحی استاد، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. 0000-0001-8067-2437 Journal Article 2025 04 12 <strong>Objective</strong> Excessive reliance on debt financing in a company’s capital structure increases its credit risk and, consequently, the likelihood of bankruptcy. Since shareholders are considered the residual claimants of the company, the financing method and capital structure composition can significantly influence expected returns and the pricing process of securities issued by the firm. Accordingly, this study aims to examine the role of the credit risk factor in asset pricing models and evaluate its explanatory power in explaining stock returns in the Iranian capital market.     <strong>Methods</strong> In this study, to obtain a comprehensive measure of credit risk, the Geske model—an advanced extension of the Merton model—was employed. Accordingly, the probability of default for companies’ total debt was first estimated based on the Geske model using numerical algorithm techniques. After calculating the probability of default, the credit risk factor was defined based on the difference in returns between companies with high and low probabilities of default. Next, the hedging regression method was used to examine the role of the credit risk factor in explaining stock and bond returns. In the next step, the credit risk factor was added to the asset pricing factor models, and by running time series regressions on a large set of test assets, the explanatory power of the extended models with the credit risk factor was evaluated and tested in comparison with conventional asset pricing models. Finally, to examine the robustness and stability of the results and to more accurately assess the predictability of credit risk factor loadings in explaining cross-sectional excess returns, a two-stage Fama-Macbeth test was used. In the first stage of this test, time-varying factor loadings for the credit risk factor were calculated using time series regressions on asset pricing factor models. Then, in the second stage, cross-sectional regression was performed for excess returns relative to the factor loadings estimated in the first stage. Finally, the credit risk factor price was determined as the average of the estimated coefficients from the cross-sectional regression. To achieve this goal, data from companies listed on the Tehran Stock Exchange and the Iranian OTC market between 2004 and 2023, and a diverse set of test assets, including portfolios sorted based on various company characteristics, were used.   <strong>Results</strong> The results of the spanning regression indicate that the credit risk factor contains unique and significant information that cannot be explained by other factors included in asset pricing models. Furthermore, the results of the time-series regression tests and model performance evaluation criteria demonstrate that incorporating the credit risk factor into multifactor asset pricing models enhances their explanatory power in explaining the returns of the test assets. Also, the results of the Fama-Macbeth test show that the time series average of the coefficients related to the credit risk factor is positive and significant, indicating a positive risk premium for this factor. These findings indicate that investors receive excess returns in exchange for accepting higher credit risk, and this factor is positively priced in the Iranian capital market.   <strong>Conclusion</strong> The findings of this study show that adding credit risk factor to asset pricing models significantly increases the power of these models in explaining fluctuations in returns of financial assets and stocks and also increases their forecasting accuracy. Also, the results indicate that credit risk, as a systematic and unavoidable factor that is a function of the company's economic environment, is reflected in stock returns by taking a positive risk premium and increases the expected return of stocks.   <strong>هدف:</strong> استفادۀ بیش از حد از بدهی در ساختار سرمایۀ شرکت‌ها باعث می‌شود تا ریسک اعتباری شرکت‌ها و در نتیجه، احتمال ورشکستگی آن‌ها افزایش یابد. با توجه به اینکه سهام‌داران، مالک باقی‌ماندۀ شرکت به‌حساب می‌آیند، می‌توان گفت که چگونگی تأمین مالی شرکت یا ترکیب ساختار سرمایۀ شرکت، بر بازده مورد انتظار سهام‌داران و فرایند قیمت‌گذاری سهام شرکت‌ها مؤثر است. بر همین اساس، این پژوهش با هدف بررسی نقش عامل ریسک اعتباری در مدل‌های قیمت‌گذاری دارایی‌ها و ارزیابی قدرت توضیح‌دهندگی این عامل در تبیین بازده سهام در بازار سرمایه ایران انجام شده است. روش: در این پژوهش، به‌منظور دستیابی به معیاری جامع برای سنجش ریسک اعتباری، از مدل گسک که نسخه‌ای پیشرفته و توسعه‌یافته از مدل مرتون محسوب می‌شود، بهره گرفته شده است. در این راستا، ابتدا با استفاده از تکنیک‌های الگوریتم‌های عددی، احتمال نکول کل بدهی شرکت‌ها بر اساس مدل گسک محاسبه شد. پس از محاسبه احتمال نکول، عامل ریسک اعتباری، بر مبنای تفاوت بازدهی شرکت‌های دارای احتمال نکول بالا و پایین تعریف شد. در ادامه، به‌منظور بررسی نقش عامل ریسک اعتباری در تبیین بازده سهام و اوراق بهادار، از روش رگرسیون پوششی استفاده شد. در گام بعدی، عامل ریسک اعتباری به مدل‌های عاملی قیمت‌گذاری دارایی‌ها افزوده شد و با اجرای رگرسیون‌های سری زمانی روی مجموعه گسترده‌ای از دارایی‌های آزمون، قدرت توضیح‌دهندگی مدل‌های بسط‌یافته با عامل ریسک اعتباری، در مقایسه با مدل‌های متداول قیمت‌گذاری دارایی‌ها، ارزیابی و آزمون شد. در نهایت، به‌منظور بررسی استحکام و پایداری نتایج و ارزیابی دقیق‌تر قابلیت پیش‌بینی بارهای عاملی ریسک اعتباری در تبیین بازده مازاد مقطعی، از آزمون دومرحله‌ای فاما ـ مکبث بهره گرفته شد. در مرحلۀ نخست این آزمون، با بهره‌گیری از رگرسیون‌های سری زمانی روی مدل‌های عاملی قیمت‌گذاری دارایی‌ها، بارهای عاملی متغیر با زمان برای عامل ریسک اعتباری محاسبه شد. سپس در مرحلۀ دوم، رگرسیون مقطعی برای بازده مازاد نسبت به بارهای عاملی برآوردشده در مرحلۀ نخست اجرا شد و در نهایت، قیمت عامل ریسک اعتباری به‌عنوان میانگین ضرایب برآوردشده از رگرسیون مقطعی به‌دست آمد. برای تحقق این هدف، از داده‌های شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران و فرابورس ایران، در بازۀ زمانی ۱۳۸۳ تا ۱۴۰۲ و مجموعه‌ای متنوع از دارایی‌های آزمون، شامل پرتفوی‌های مرتب شده بر اساس ویژگی‌های مختلف شرکت‌ها، استفاده شد. یافته‌ها: نتایج انجام رگرسیون پوششی نشان می‌دهد که عامل ریسک اعتباری، حاوی اطلاعات منحصربه‌فرد و معناداری است که توسط سایر عوامل مدل‌های عاملی قیمت‌گذاری دارایی‌ها قابل توضیح و تبیین نیست. علاوه‌براین، بر اساس نتایج آزمون‌های رگرسیون سری زمانی و معیارهای ارزیابی عملکرد مدل‌ها، افزودن عامل ریسک اعتباری به مدل‌های چندعاملی قیمت‌گذاری دارایی‌ها، موجب بهبود توان توضیح‌دهندگی این مدل‌ها در تبیین بازده دارایی‌های آزمون می‌شود. همچنین، نتایج آزمون فاما ـ مکبث نشان می‌دهد که میانگین ضرایب بارهای عاملی ریسک اعتباری مثبت و معنادار است که از صرف ریسک مثبت برای این عامل حکایت می‌کند. این یافته‌ها نشان می‌دهد که سرمایه‌گذاران در ازای پذیرش ریسک اعتباری بیشتر، بازده مازاد دریافت می‌کنند و این عامل به‌طور مثبت در بازار سرمایه ایران قیمت‌گذاری می‌شود. نتیجه‌گیری: یافته‌های این پژوهش نشان می‌دهد که افزودن عامل ریسک اعتباری به مدل‌های قیمت‌گذاری دارایی‌ها، به‌طور معناداری باعث افزایش قدرت این مدل‌ها در تبیین نوسان‌های بازده دارایی‌های مالی و سهام و نیز افزایش دقت پیش‌بینی آن‌ها می‌شود. همچنین، نتایج حاکی از آن است که ریسک اعتباری به‌عنوان یک عامل سیستماتیک و اجتناب‌ناپذیر که تابعی از محیط اقتصادی شرکت است، با گرفتن صرف ریسک مثبت در بازده سهام منعکس و باعث افزایش بازده مورد انتظار سهام می‌شود. https://jfr.ut.ac.ir/article_106185_f246492e2b34bf5c4a3e27b89c2a0325.pdf