دانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815324120220522Robust Portfolio Optimization by Applying Multi-objective and Omega-conditional Value at Risk Models Based on the Mini-max Regret Criterionبهینهسازی سبد سهام استوار با بهکارگیری مدلهای چند متغیره و امگا- ارزش در معرض ریسک شرطی بر پایه ملاک حداقل حداکثر پشیمانی1178770310.22059/frj.2021.287379.1006913FAسعیدشیرکونداستادیار، گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.1111-1111-1111-1111حمیدرضافدائیدانشجوی دکتری، گروه مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.Journal Article20190821<strong>Objective:</strong> To produce a proper reaction when confronted with market uncertainties (booms and busts), before making any investment decisions, investors and financial institutions tend to obtain some level of assurance about the market’s future and also the market’s probable feedback on their performance in the future. This study seeks to identify optimized robust portfolios with the best performance in the face of market uncertainties than can minimize the investors’ regret about their portfolio selection.<br /><strong>Methods:</strong> To create optimal portfolios, in the study, scenarios pertaining to various market situations based on daily returns of the Tehran Stock Exchange Price Index (TEDPIX) were designed, and the particle swarm optimization algorithm and minimax regret criterion were applied. This study also explored the application of multivariate objective functions and the Omega Conditional Value at Risk ratio as the fitting functions in particle mass optimization. To calculate optimal portfolios, the data from 50 companies on Tehran Stock Exchange (TSE) from 2009 to 2016 were analyzed. Also, the data from the year 2017 were evaluated as out of sample data.<br /><strong>Results:</strong> Research findings indicated optimized robust portfolios in monthly periods had higher information ratios and lower tracking errors than the benchmark portfolios.<br /><strong>Conclusion:</strong> Making market scenarios and applying the minimax regret criterion improves the performance of optimized robust portfolios. Additionally, compared with the semi-variance benchmark model, applying the multi-objective function and Omega-Conditional Value at Risk ratio in portfolio optimization leads to improve performance of the robust portfolios.<strong>هدف:</strong> سرمایهگذاران و نهادهای مالی، تمایل دارند که در انتخاب سرمایهگذاری، از آینده و همچنین، نحوه عملکرد خود اطمینان نسبی داشته باشند؛ به نحوی که در موقعیتهای عدم قطعیت (رونق و رکود بازارها) عملکردهای مناسبی انجام دهند. این پژوهش بهدنبال یافتن سبد سهام بهینه ـ استواری است که در شرایط مختلف بازار، بهترین عملکرد را داشته باشد و پشیمانی سرمایهگذار از انتخاب سبد سهام را به حداقل رساند.<br />روش: بهمنظور بهدستآوردن سبد سهام بهینه، از سناریوبندی وضعیتهای مختلف بازار، بر اساس بازده روزانه شاخص کل بورس اوراق بهادار تهران و بهکارگیری الگوریتم بهینهسازی توده ذرات و ملاک حداقل حداکثر پشیمانی استفاده شده است. همچنین در این پژوهش، توابع هدف چندمتغیره و امگا ـ ارزش در معرض ریسک شرطی، بهعنوان توابع برازش در بهینهسازی توده ذرات بهکار گرفته شده است. از دادههای 50 شرکت بورسی، طی سالهای 1388 تا 1395، برای محاسبه سبدهای سهام بهینه و دادههای سال 1396 بهعنوان خارج از نمونه، برای آزمون سبدهای سهام بهدستآمده استفاده شده است.<br />یافتهها: نتایج بهدستآمده نشان میدهد که در بازه ماهانه، سبدهای سهام بهینه استوار در مقایسه با سبد سهام معیار، نسبت اطلاعاتی بیشتر و خطای ردیابی کمتری دارند.<br />نتیجهگیری: سناریوبندی بازار و بهکارگیری ملاک حداقل حداکثر پشیمانی، عملکرد سبدهای سهام بهینه استوار را بهبود میدهد. همچنین، نتیجه مقایسه مدل معیار میانگین نیمواریانس با تابع چندمتغیره و ضریب امگا ـ ارزش در معرض ریسک شرطی برای بهینهسازی سبد سهام، نشان داد که تابع چندمتغیره و ضریب امگا ـ ارزش در معرض ریسک شرطی به بهبود بیشتری در عملکرد سبدهای سهام استوار منجر میشود.https://jfr.ut.ac.ir/article_87703_354a6f781f465edcd4444ae256d02100.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815324120220522Using a Graph-based Method for Detecting the Optimal Turning Points of Financial Time Seriesبهکارگیری روشی مبتنی بر گراف برای شناسایی نقاط عطف بهینه سری زمانی مالی18368770410.22059/frj.2021.327413.1007219FAفاطمهیزدانیکارشناس ارشد، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان، اصفهان، ایران.0000-0002-4492-4219مهدیخاشعیاستادیار، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان، اصفهان، ایران.سید رضاحجازیاستاد، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان، اصفهان، ایران.Journal Article20210805<strong>Objective:</strong> One of the concerns of financial market investors is adopting a profitable trading strategy, which is based on profitable turning points (TPs). To achieve this target, it is necessary to predict TPs. The first step for predicting TPs is to detect TPs from the history of the corresponding time series. The profitability of the predicted TPs depends on the profitability of the detected TPs. Hence, the academic literature has always tried to enhance the performance of TPs detection methods or improve the profitability of the detected TPs. Yet, to the best of our knowledge, none of the existing methods can detect the most profitable and optimal TPs. The current paper aims to fill this research gap.
<strong>Methods:</strong> Our proposed method seeks the optimal TPs from the history of time series, by implementing the detection problem in the context of the graph and solving it by searching the longest path.
<strong>Results:</strong> The proposed graph-based TPs detection method, in contrast to the existing detection methods, is able to detect the optimal TPs from the history of the corresponding financial time series. The optimality of this method is based on its graph-based specific structure. In this method, the only potentially valuable trading points (breakpoints, i.e., BPs) are considered as the corresponding graph's vertices and connections between the entire pair of BPs form the corresponding graph's edge set. Considering the vertex and edge set, the proposed graph-based TPs detection method optimizes the detection process, by finding the longest path existing in the corresponding graph and extracting the vertices existing in the longest path (as the optimal TPs). It is worth noticing that due to the structure of the corresponding graph, the longest path is equal to the most profitable set of BPs and the most profitable trading strategy available in the history of time series. Hence, the vertices existing in the longest path are the most profitable and the optimal TPs.
<strong>Conclusion:</strong> To evaluate the performance of the proposed graph-based TPs detection method, it was applied to real-world data set, and thereafter its detection results were benchmarked against other detection models. Constraints considered for modeling the proposed graph-based TPs detection method were applied to the comparative detection models, as well. These constraints included the possibility of short-selling the financial asset, the impossibility of detecting consecutive buying or selling TPs, and considering no time value for the investment money. Results from applying the proposed method to NASDAQ and New York Stock Exchange indicated the efficiency of the proposed method in the problem of detecting the optimal TPs. Besides, comparison results revealed the superiority of the proposed graph-based TPs detection method, in comparison with other detection models available in the<strong><em> </em></strong>existing literature.<strong>هدف:</strong> اتخاذ استراتژی معاملاتی سودده، یکی از دغدغههای سرمایهگذاران بازار مالی است. این استراتژی، بر پایه نقاط معاملاتی یا نقاط عطفِ سودده شکل میگیرد و لازمه دستیابیِ به آن، پیشبینی نقاط عطف است. گام نخست در راستای پیشبینی نقاط عطف، شناسایی نقاط عطف موجود در گذشته سری زمانی است. میزان سوددهی نقاط عطف پیشبینیشده، به میزان سوددهی نقاط عطف شناسایی شده بستگی دارد. به همین دلیل، ادبیات موضوع همواره در راستای ارتقای عملکرد روشهای شناسایی نقاط عطف یا افزایش میزان سوددهی نقاط عطف شناسایی شده، تلاش کرده است. با این حال تا جایی که میدانیم، هیچیک از روشهای موجود، قابلیت شناسایی سوددهترین نقاط عطف یا نقاط عطف بهینه را ندارد. مقاله حاضر، با هدف برطرفسازی این شکاف تحقیقاتی تدوین شده است.
روش: مدل پیشنهادی در این مقاله، با پیادهسازی مسئله شناسایی نقاط عطف در بستر گراف و حل آن با جستوجوی طولانیترین مسیر، نقاط عطف بهینه را شناسایی میکند.
یافتهها: مدل پیشنهادی، بر خلاف روشهای شناسایی موجود در ادبیات، قابلیت شناسایی نقاط عطف بهینه موجود در گذشته سری زمانی مالی را دارد.
نتیجهگیری: بهمنظور نشاندادن عملکرد مدل پیشنهادی، ابتدا مدل روی بازارهای بورس نزدک و نیویورک پیادهسازی و نتایج آن با بهترین مدلهای شناسایی موجود در ادبیات موضوع مقایسه شد. نتایج بهدستآمده، برتری عملکرد مدل پیشنهادی را نسبت به سایر مدلها نشان میدهد.https://jfr.ut.ac.ir/article_87704_711330eadc364a1e92e73e48b80eca97.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815324120220522Mutual Fund Transaction Costs and Their Effect on Funds Performanceهزینههای معاملاتی صندوقهای سرمایهگذاری مشترک در سهام و اثر آن بر عملکرد صندوقها37608770510.22059/frj.2021.317357.1007130FAعلیابراهیم نژاداستادیار، گروه اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه صنعتی شریف، تهران، ایران.سید مهدیبرکچیاناستادیار، گروه اقتصاد، مؤسسه عالی آموزش و پژوهش در مدیریت و برنامهریزی، تهران، ایران.حامدمرادیاندانشجوی کارشناسی ارشد، گروه مالی، دانشگاه کوئینز، کینگستون، کانادا.0000-0003-3521-8950Journal Article20210201<strong>Objective:</strong> Iranian mutual funds’ average turnover rate stood at 330% in the years from 2001 to 2007. Such a high rate could lead to excessive trading costs for investors without necessarily bringing in high returns. The goal of this paper is to estimate transaction costs and examine their effect on the performance of the funds.
<strong>Methods:</strong> In addition to the explicit costs of trading such as transaction taxes and commissions, there are other, implicit, components such as bid-ask spread and price impact which are harder to compute and less recognized by investors. This paper used high frequency (tick-by-tick) trade and limit order book data, as well as the hand-collected quarterly holding and trading data for a sample of Iranian equity mutual funds to estimate the aforementioned trading costs. Then, the effect of trading costs on the risk-adjusted fund returns was examined using the four-factor alpha as our proxy.
<strong>Results:</strong> Funds understudy spend on average 11% of their AUM annually on trading costs which is a considerable amount in comparison to their return (15.6%), during the sample period. The present study found no significant effect of trading costs on the funds’ performance in the sample. However, during the subperiod of 2013-2014, a negative and significant relationship was discovered between them.
<strong>Conclusion:</strong> As the obtained results of the present study proved, more trading activities of the Iranian fund managers’ do not lead to higher returns; accordingly a high trading volume generates only enough excess return to offset the associated transactions costs.<strong>هدف:</strong> صندوقهای سرمایهگذاری ایران، طی سالهای 1390 تا 1396، سالانه بهطور متوسط 330 درصد گردش معاملاتی داشتهاند. انجام معاملات آن هم در ابعاد بزرگ، هزینههای معاملاتی شایان توجهی را به سرمایهگذاران تحمیل میکند؛ اما همیشه به سود منجر نمیشود. هدف این پژوهش، تخمین هزینههای معاملاتی صندوقهای سرمایهگذاری ایران و کشف رابطه این هزینهها با عملکرد صندوقهاست.
روش: علاوه بر مالیات و کارمزد که شناختهشدهتر هستند، هزینههای ناشی از شکاف مظنه خرید و فروش و هزینههای ناشی از معاملات بزرگ (اثر قیمتی) نیز وجود دارد که محاسبات آنها پیچیدهتر است. در این پژوهش، بهکمک دادههای با تواتر بالای معاملات سهام و دفتر سفارشها و همچنین، اطلاعات صورتهای مالی فصلی 15 صندوق سرمایهگذاری سهامی در ایران که بهصورت دستی جمعآوری و استفاده شدهاند، دو هزینه یادشده برآورد شد؛ سپس به بررسی اثر هزینههای معاملاتی روی بازدهی تعدیلشده با ریسک صندوقها (آلفای چهار عاملی) پرداخته شد.
یافتهها: صندوقهای تحت مطالعه، سالانه بهطور متوسط معادل 11 درصد ارزش صندوق را صرف مجموع هزینههای معاملاتی ناشی از معاملات سهام بورسی میکنند. این مقدار، در مقایسه با بازدهی سالانه صندوقها در بازه زمانی تحقیق که معادل 6/15 درصد است، چشمگیر تلقی میشود. همچنین در کل بازه زمانی مورد مطالعه، رابطه معناداری بین هزینههای معاملاتی و عملکرد صندوقها وجود ندارد، هرچند که در زیربازه سالهای 1392 تا 1393، این اثر منفی و معنادار بهدست آمده است.
نتیجهگیری: معاملات زیاد مدیران صندوقهای سرمایهگذاری در ایران، قادر نیست عملکرد آنها را بهبود دهد و در بهترین حالت، هزینههای معاملاتی را پوشش میدهد.https://jfr.ut.ac.ir/article_87705_94adf7a6b2b3229fdd79d691f546b4a7.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815324120220522The Impacts of Investor Sentiment on Liquidity and its Volatility: Evidence from Tehran Stock Exchangeبررسی تأثیر احساسات سرمایهگذاران بر نقدشوندگی بازار و نوسان آن در بورس اوراق بهادار تهران61808770610.22059/frj.2021.328773.1007231FAمحمد ابراهیمآقابابائیاستادیار، گروه مدیریت مالی و مهندسی مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران.الهامعلییانکارشناس ارشد مدیریت مالی، گروه مهندسی مالی، دانشکده علوم مالی، دانشگاه خوارزمی، تهرانJournal Article20210912<strong>Objective:</strong> Behavioral finance and market microstructure studies showed that investor sentiment has a positive and meaningful effect on liquidity. The purpose of this study is to investigate the effect of the Aggregate Sentiment Index (ASI) on liquidity and its volatilities and to examine the symmetry of news (shocks) on the Tehran Stock Exchange (TSE).
<strong>Methods:</strong> The available academic literature on liquidity proposes a wide set of indices and proxies to measure the different characteristics and dimensions of liquidity. In this study, four indices were employed to measure the various dimensions of liquidity including Transaction Cost, Volume-Based Measure<strong><em> </em></strong>(Trading Volume), and price-impact characteristics. Accordingly, the indices of turnover and trading volume were related to the transaction costs dimension, the Amihud illiquidity ratio was related to Volume-Based Measure<strong><em> </em></strong>(Trading Volume), and the High-Low Spread index was related to the price impact characteristic.<strong><em> </em></strong>Irrational Aggregate Sentiment Index (ASI) was formed using nine indirect (institutional) indices for measuring investor sentiment using Principal Component Analysis (PCA) and the GARCH model was used to investigate asymmetry. The E-GARCH and T-GARCH models were also employed to investigate the asymmetry of news (shocks).
<strong>Results:</strong> The achieved results proved no significant relation between Turnover and Trading<strong><em> </em></strong>Volume indices but the strong impact of Amihud illiquidity ratio on investor sentiment. The findings also indicated the effects of shocks as asymmetric, i.e., optimistic (positive) shocks have greater effects than pessimistic (negative) shocks.<strong><em> </em></strong>Positive shocks cause a decrease in volatilities and an increase in liquidity.
<strong>Conclusion:</strong> Since Amihud’s illiquidity ratio is mostly affected by investor sentiment, policymakers can increase liquidity and decrease price volatility by controlling investor sentiment.<strong>هدف:</strong> مطالعات صورتگرفته در زمینه مالی رفتاری و ریزساختارهای بازار، نشان میدهد که میان احساسات سرمایهگذار و نقدشوندگی بازار ارتباط مثبت و معناداری وجود دارد. هدف این مقاله، بررسی تأثیر شاخص جامع احساسات سرمایهگذار بر نقدشوندگی سهام و نوسانهای آن و همچنین، بررسی تقارن یا عدم تقارن اخبار (شوکهای) مثبت و منفی در بورس اوراق بهادار تهران است.
روش: ادبیات نقدشوندگی مجموعه وسیعی از شاخصهای نقدشوندگی را پیشنهاد میکند که برای اندازهگیری ویژگیها و ابعاد مختلف نقدینگی ارائه میشود. بنابراین، در این پژوهش از چهار معیار نقدشوندگی برای دریافت ابعاد مختلف نقدشوندگی استفاده شده است که عبارتاند از: هزینههای معاملاتی، اندازهگیری بر مبنای حجم (فعالیتهای معاملاتی) و ویژگیهای تأثیر قیمت. در این راستا، دو معیار گردش معاملات و حجم معاملات، به بُعد هزینههای معاملاتی؛ معیار عدم نقدشوندگی آمیهود، به بُعد اندازهگیری بر مبنای حجم (فعالیتهای معاملاتی) و معیار شکاف قیمتی، به ویژگی تأثیر قیمت مرتبط هستند. احساسات سرمایهگذاران با استفاده از 9 معیار غیرمستقیم سنجش احساسات سرمایهگذاری اندازهگیری شده و بهکمک روش تحلیل مؤلفه اساسی، شاخص جامع احساسات تشکیل شده است. برای بررسی تقارن این تأثیر، از مدل GARCH و برای بررسی عدم تقارن از مدلهای E-GARCH و T-GARCH استفاده شده است.
یافتهها: یافتههای پژوهش نشان داد که دو معیار گردش معاملات و حجم معاملات با احساسات سرمایهگذاران ارتباط ضعیفی دارد و عدم نقدشوندگی آمیهود از احساسات سرمایهگذاران بیشترین تأثیر را میپذیرد. همچنین، نتایج از نامتقارن بودن تأثیر شوکها حکایت میکند؛ بهگونهای که شوکهای مثبت نسبت به شوکهای منفی تأثیر بیشتری دارد. از آنجا که شوکهای مثبت در بازار باعث کاهش تلاطمهای بازار میشود، میتوان با ایجاد احساسات خوشبینانه (مثبت)، نقدشوندگی در بازار را افزایش و تلاطمهای نقدشوندگی بازار را کاهش داد.
نتیجهگیری: با توجه به اینکه معیار عدم نقدشوندگی آمیهود، از احساسات سرمایهگذاران بیشترین تأثیر را میپذیرد، سیاستگذاران با کنترل احساسات سرمایهگذاران میتوانند نقدشوندگی بازار را افزایش و نوسان قیمتی را کاهش دهند.https://jfr.ut.ac.ir/article_87706_3d30fd6aa4bf997c1d1f7a0e72375419.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815324120220522An Explanation Model of Regime Shifts in the Tehran Stock Exchange by Smooth Transfer Regressionتبیین مدل تعویض رژیم بازده شاخص بورس اوراق بهادار تهران با استفاده از رگرسیون انتقال ملایم (STR)811038775510.22059/frj.2021.324056.1007187FAغلامحسیناسدیدانشیار، گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.محمد اسمعیلفدائی نژاددانشیار، گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.حمیدفاروقیدانشجوی دکتری، گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.0000-0001-8772-3065Journal Article20210531<strong>Objective:</strong> Stock markets are extremely volatile and contain only a small predictable component that may still be economically justifiable and could be translated into substantial utility gains for a risk-averse investor. Moreover, the degree of return predictability varies over time and the predictive power of some instruments appears to be diminishing in recent decades. Presumably, the structural relationship between economic predictor variables and future stock returns is time-varying<strong><em> </em></strong>or regime-dependent. Identifying the prevailing macroeconomic state and risk regime is thus highly beneficial for meaningful portfolio management. Therefore, the purpose of this paper is to develop a model for switching regimes in the Tehran Stock Exchange (TSE) index return and to determine the transit variables among economic and financial variables.<br /><strong>Methods:</strong> The approach used in this paper is based on the smooth transition regression model. Therefore, the statistical data of the 2006-2019<strong> </strong>period<strong> </strong>were used, based on the frequency of seasonal data for TEDPIX returns and economic and financial variables including inflation rate, interest rate, GDP, exchange rate, oil price, money supply, price-to-earnings (P/E) ratio, and price-to-book (P/B) ratio.<br /><strong>Results:</strong> The fitted model showed that the rate of return on the Tehran Stock Exchange index continuously switches from a lower inefficient regime to an upper inefficient one. This study confirmed the relationship between explanatory variables and stock returns is nonlinear and the existence of multiple regimes governing the, return of the TSE index as well as the importance of accounting for nonlinearity and the cyclical behavior of stock returns.<br /><strong>Conclusion:</strong> According to the obtained results index returns and explanatory variables have a nonlinear and asymmetric relationship and among the explanatory variables of economic and financial, the exchange rate is a transition variable. The regression coefficients during the establishment of the low fluctuations regime and higher fluctuations regime are different. Same as previous studies, the current analysis featured a range of important financial and macroeconomic factors for determining the behavior of stock returns. The results provided evidence that the real significance of the influence of factors such as exchange rate is only revealed once regimes are explicitly modeled.<strong>هدف:</strong> این مقاله بهدنبال تبیین مدل برای شناسایی رژیمهای حاکم بر بازده شاخص بورس اوراق بهادار تهران و تشخیص عامل تغییر رژیم یا به بیان دیگر، تغییر رفتار بازدهی شاخص است.<br />روش: رویکرد استفادهشده در این مقاله، رگرسیون غیرخطی انتقال ملایم (STR) از مدلهای تعویض رژیم بوده است. بدین منظور، از اطلاعات آماری بهدستآمده از دادههای فصلی برای بازده شاخص بورس اوراق بهادار تهران، متغیرهای اقتصادی و مالی در بازه زمانی 1385 تا 1398 استفاده شده است.<br />یافتهها: مدل برآورد شده در این پژوهش نشان میدهد که بازدهی شاخص بهطور مکرر از رژیم کمنوسان به رژیم پُرنوسان یا برعکس تغییر وضعیت میدهد. رابطه غیرخطی متغیرهای توضیح با بازده سهام و وجود رژیمهای چندگانه تببینکننده بازدهی شاخص بورس اوراق بهادار تهران تأیید شد.<br />نتیجهگیری: نتایج بهدستآمده حاکی از این است که رابطه بازدهی شاخص با عوامل تبیینکننده آن، بهشکل غیرخطی و نامتقارن است و از میان متغیرهای توضیح کلان اقتصادی و مالی، نرخ ارز متغیر انتقال یا عامل تعویض رژیم حاکم بر بازده است. در مدل برآوردی، رابطه میان بازدهی شاخص و متغیرهای توضیح در دوران استقرار رژیمهای اول و دوم که بهترتیب نوسان کمنرخ ارز و نوسان بالای نرخ ارز را نشان میدهد، متفاوت بوده است.https://jfr.ut.ac.ir/article_87755_4ed582a768ecb9ab64712dd2498a1a3a.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815324120220522Pairs Trading; A Comparison between Student-t and Vine Copulasمعاملات جفتی؛ مقایسه رویکردهای فاصلهای و کاپیولا1041338775310.22059/frj.2021.325404.1007200FAمریمدولودانشیار، گروه مدیریت مالی و بیمه، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.اردوانیزدیکارشناس ارشد، مدیریت کسبوکار، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران.0000-0002-5334-8559Journal Article20210630<strong>Objective:</strong> The main purpose of the present research was to compare the performance of pairs trading based on the Vine Copula, Student's t Copula, and Distance approaches. This was done for the first time on the Tehran Stock Exchange (TSE). The main advantage of the Copula approach over other common approaches in pairs trading, such as the Distance approach, is that in this approach it is not necessary for the stock return distribution to follow the Gaussian distribution.
<strong>Methods:</strong> In the Distance approach, for each sample stock, a stock with the same price behavior was selected, the undervalued stock was bought and the rest was sold. In the Copula approach, first, similar stocks were selected using the traditional and geometric approach. Then Copula functions were fitted among stocks. In Vine Copula, different families of Copula were fitted and the best Copula was determined based on the Akaike Information Criterion (AIC). Then, the pairs with the most mean-reverting characteristic was selected and transferred to the trading period, in order to execute appropriate trading positions. Finally, the return, Sharp ratio, Value at Risk (VaR), maximum drawdown of the Distance approach strategies, the Student's t Copula and the Vine Copula, were compared. The performance of the pairs trading strategy was tested according to the downtrend and non-downtrend conditions of the stock market.
<strong>Results:</strong> Both Copula approach strategies produced higher returns and Sharp ratios than the Distance approach and the Tehran Stock Exchange Index (TEDPIX). However, the Distance approach had a lower performance than the TEDPIX. The annual returns of the Vine Copula strategy, Student's t Copula strategy, and Distance approach stood at 194, 171, and 20 percent, respectively. The Sharp ratios of these three strategies were 0.79, 0.70 and -0.04, respectively. Also, the performance of pairs trading strategy in non-downtrend market conditions was better than downtrend market conditions.
<strong>Conclusion:</strong> As expected, due to the many advantages of the Copula approach over the Distance approach, both strategies based on the Copula approach produced higher returns and sharper ratio than the Distance approach. Also, due to the greater flexibility of the Vine Copula in modeling the dependence structure, this Copula could produce a higher return and Sharp ratio than the Student's t Copula.<strong>هدف:</strong> هدف اصلی پژوهش حاضر، مقایسه عملکرد استراتژی معاملات زوجی مبتنی بر رویکرد کاپیولای واین با کاپیولای تیاستیودنت و رویکرد فاصلهای است که برای نخستین بار در بورس اوراق بهادار تهران انجام میشود. مزیت اصلی کاپیولا نسبت به سایر رویکردهای رایج معاملات زوجی نظیر فاصلهای، آن است که لزومی ندارد تابع توزیع بازده سهام، از توزیع گوسی پیروی کند.
روش: در رویکرد فاصلهای، برای هر سهم نمونه، سهام با رفتار قیمتی مشابه انتخاب شده و سهم ارزانتر، خریداری و سهام دیگر، فروخته شده است. در رویکرد کاپیولا، ابتدا سهام مشابه بهکمک دو رویکرد متعارف و هندسی انتخاب و پس از آن، میان سهام مشابه تابع کاپیولا برازش میشود. در کاپیولای واین، خانوادههای مختلف کاپیولا برازش شده و بر اساس معیار اطلاعات آکائیک، بهترین کاپیولا تعیین میشود. در ادامه، مجموعه سهامی که بیشترین ویژگی بازگشت به میانگین را دارد، انتخاب و به دوره معاملاتی منتقل میشود تا موقعیتهای معاملاتی مناسب اخذ شود. در نهایت، سه استراتژی کاپیولای واین، کاپیولای تیاستیودنت و رویکرد فاصلهای از منظر بازده، نسبت شارپ، ارزش در معرض خطر، بیشترین کاهش بازده مقایسه میشود. همچنین، عملکرد استراتژی معاملات زوجی با توجه به شرایط نزولی/ غیرنزولی بازار آزمون شده است.
یافتهها: رویکرد کاپیولا در هر دو استراتژی کاپیولای واین و تیاستیودنت، بازده و نسبت شارپ بالاتری نسبت به رویکرد فاصلهای و شاخص بورس اوراق بهادار تهران ایجاد میکند؛ در حالی که رویکرد فاصلهای، عملکرد پایینتری نسبت به شاخص بورس دارد. بازده سالیانه استراتژی کاپیولای واین، کاپیولای تیاستیودنت و رویکرد فاصلهای، بهترتیب برابر 194، 171 و 20 درصد و نسبت شارپ این سه استراتژی برابر با 79/0، 70/0 و 04/0- است. همچنین عملکرد استراتژی معاملات زوجی در شرایط غیرنزولی بازار بهتر از شرایط نزولی است.
نتیجهگیری: همان طور که انتظار میرفت، با توجه به مزایای متعدد رویکرد کاپیولا، هر دو استراتژی مبتنی بر رویکرد کاپیولا، در مقایسه با رویکرد فاصلهای، بازده و نسبت شارپ بالاتری ایجاد کردهاند. همچنین با توجه به انعطاف بیشتر کاپیولای واین در مدلسازی ساختار وابستگی دنبالهای، این کاپیولا توانست بازده و نسبت شارپ بالاتری نسبت به کاپیولای تیاستیودنت ایجاد کند.
https://jfr.ut.ac.ir/article_87753_45abdb98fa9898aaac764afdbc5ec09d.pdfدانشکده مدیریت دانشگاه تهرانتحقیقات مالی1024-815324120220522Explaining and Proposing a Market Liquidity Prediction Model in Tehran Stock Exchangeتبیین و ارائه مدلی برای پیشبینی نقدشوندگی سهام در بورس اوراق بهادار تهران1341568775410.22059/frj.2021.323611.1007184FAبابکمرادیدانشجوی دکتری، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.جمالبحری ثالثاستادیار، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.https://orcid.org/00سعیدجبارزادهکنگرلوییدانشیار، گروه حسابداری، دانشکده علوم انسانی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.علیآشتاباستادیار، گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.Journal Article20210609<strong>Objective:</strong> In this study, a market liquidity prediction model is proposed for the Tehran Stock Exchange (TSE) by identifying the factors affecting liquidity.
<strong>Methods:</strong> Based on the data of 154 Tehran Stock Exchange (TSE)-listed companies for the 2009–2020 period, the values of 23 factors were extracted and divided into two clusters. The partial least squares structural equation modeling (PLS-SEM) technique was employed to validate the variables extracted through the evaluation criterion and to determine their power to explain changes.
<strong>Results:</strong> The relationships among the variables were evaluated by machine learning models. The results indicated the 10 variables of abnormal cash flow, abnormal discretionary expenses, accrual estimation error, the difference between fulfilled and expected working capitals, free float, auditor’s tenure, audit fees, auditor’s market share, conservatism, and change of auditor to have the greatest effect on clustering. Finally, the best machine learning model was selected through training and testing. Applying the logistic regression model showed that for the calculated value of a dependent variable greater than or equal to 3.391, the illiquidity of the company’s shares is definite, and for the calculated value of the dependent variable less than 3/391, the liquidity of shares of the company is definite. Finally, the best machine learning model was selected through training and testing.
<strong>Conclusion:</strong> Based on library studies, 89 different liquidity criteria have been used around the world in the studies on the subject of liquidity and various classifications, including measures with more or less frequency and one-dimensional or multi-dimensional measures. There is less agreement on the best measure and the correlation among most of these measures indicating that the use of an inappropriate measure may lead to incorrect conclusions. Using Minitab software, the dependent variable was compared with 5 commonly used criteria (measures) known in library studies (Liu measure, Amihud illiquidity measure, zero measure, number of trading day measure, and trading volume measure). The results confirm the statistically significant difference between the widely used and newly obtained measures. It should be noted that the dependent variable was extracted using non-supervisory patterns in machine learning software and a statistically significant difference between the widely used criteria and the obtained variable was proved. Thus, the resulting variable is a criterion for liquidity. According to the results, the independent variables explain more than 72 percent of the changes in liquidity. Moreover, the neural network model was more capable of prediction than the other machine learning models. In fact, it was proved as the best liquidity prediction model with 99.32 percent of the fitness accuracy.<strong>هدف:</strong> پژوهش حاضر با شناسایی عوامل مؤثر بر نقدشوندگی، مدلی برای پیشبینی وضعیت نقدشوندگی سهام، در بازار اوراق بهادار تهران ارائه کرده است.
روش: 23 عامل مشخصشده در مطالعات کتابخانهای، بر اساس دادههای 154 شرکت فعال در فاصله زمانی 1388 تا 1398 استخراج و در قالب دو خوشه افراز شد. با استفاده از معادلات ساختاری با رویکرد حداقل مربعات جزئی، اعتبار متغیرهای شناساییشده با معیار حاصل از خوشهبندی ارزیابی شد.
یافتهها: ارزیابی ارتباط متغیرها در مدلهای یادگیری ماشینی نشان داد که جریان نقدی غیرعادی، هزینه اختیاری غیرعادی، خطای تخمین اقلام تعهدی، تفاوت بین سرمایه در گردش تحقق یافته و موردانتظار، سهام شناور آزاد، دوره تصدی حسابرس، حقالزحمه حسابرسی، سهم بازار حسابرس، محافظهکاری و تغییر حسابرس، در خوشهبندی بیشترین تأثیر را دارند. سرانجام بهترین مدل یادگیری ماشینی، بر اساس آموزش و آزمون انتخاب شد.
نتیجهگیری: نتایج نشان میدهد که متغیرهای مستقل، بیش از 72 درصد از تغییرات نقدشوندگی را توضیح میدهند. همچنین مدل شبکههای عصبی در مقایسه با سایر مدلهای یادگیری ماشینی، توان پیشبینی بیشتری دارد و با 32/99 درصد صحت برازش، مناسبترین مدل پیشبینی نقدشوندگی است.https://jfr.ut.ac.ir/article_87754_ce6c49ad8d94bffb9742940a76106bd4.pdf