ارائه مدل ترکیبی برآورد بازده مورد انتظار با استفاده از الگوریتم ژنتیک

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مالی ـ بانکداری، دانشکده مدیریت، دانشگاه تهران، ایران

2 کارشناس ارشد، گروه مهندسی مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

چکیده

هدف: از مدل‎های پرکاربرد در برآورد نرخ بازده مورد انتظار، مدل قیمت‎گذاری دارایی سرمایه‎ای است. در مدل قیمت‎گذاری دارایی سرمایه‎ای استاندارد، ضریب بتا ثابت و رابطه بین بازده سهام و بازده بازار خطی فرض می‎شود، در حالی ‎که در بازارهای مالی این امکان وجود دارد که با تغییر هزینه ـ منفعت سرمایه‌گذاران در خصوص بازده و ریسک، ضریب بتا نسبت به زمان متغیر شده و همچنین در محیط غیرخطی، تخمین ضریب بتا به‎صورت خطی ناسازگار و  با اریب همراه شود. بنابراین استفاده از مدل‎های دیگر در برآورد بازده موردانتظار ضروری به نظر می‎رسد.
روش: در این پژوهش علاوه‎بر مدل قیمت‎گذاری دارایی سرمایه‎ای استاندارد، از مدل‎های رگرسیون آستانه‎ای و رگرسیون کرنل به‎منظور برآورد مدل قیمت‎گذاری دارایی سرمایه‎ای استفاده شده است. با توجه به اینکه اساس هر یک از مدل‎های یادشده را مفروضات متفاوتی شکل می‎دهد، در این پژوهش تلاش شده است که با استفاده از الگوریتم ژنتیک و در بازه زمانی 1387 تا 1396 به ارائه مدل ترکیبی به‎منظور برآورد بازده مورد انتظار پرداخته شود.
یافته‎ها: بازده مورد انتظار از طریق مدل­های قیمت­گذاری دارایی سرمایه­ای استاندارد، آستانه­ای، رگرسیون کرنل موضعی و ترکیب هر سه مدل مذکور، برآورد شده و نتایج آن با بازده تحقق­یافته مقایسه شدند. از شاخص میانگین مجذور خطا برای سنجش قدرت پیش‌بینی مدل­های تحقیق استفاده شده است. همچنین، به‎کمک آزمون مقایسه زوجی روی شاخص میانگین مجذور خطا مدل­های تحقیق با یکدیگر مقایسه شده­اند.
نتیجه‎گیری: نتایج نشان می‎دهد که در نظر گرفتن مدل ترکیبی موجب شده است قدرت پیش‎بینی بازده تحقق‎یافته در مقایسه با سایر مدل‌های تحقیق افزایش یابد.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Developing a Hybrid Model to Estimate Expected Return Based on Genetic Algorithm

نویسندگان [English]

  • Mehdi Asima 1
  • Amir Ali Abbaszadeh Asl 2
1 PhD. Candidate, Department of Banking Finance, Faculty of Management, University of Tehran, Tehran, Iran
2 M.Sc. Department of Financial Engineering, Faculty of Management, University of Tehran, Iran
چکیده [English]

Objective: Capital asset pricing model (CAPM) has been among the most common models to estimate the expected return. In the standard CAPM model, a) the beta coefficient is fixed and b) the relationship between stock returns and market returns is assumed to be linear. While in financial markets, it is possible that the beta coefficient varies over time by changing the cost-benefit analysis on returns and risks, and also in a nonlinear environment, the beta coefficient estimate will be linearly inappropriate and oblique. Therefore, it seems necessary to use other models in estimating expected return.
Methods: In this study, in addition to the standard CAPM model, the threshold regression and kernel regression models were used to estimate the CAPM model. Considering that the basis of each of these models is based on different assumptions; therefore, this research has tried to use a genetic algorithm in the time period from 2008 to 2017 to propose a hybrid model in order to estimate the expected return.
Results: Expected return was calculated using standard CAPM, threshold regression, kernel regression and the hybrid model of these three models, and the results were compared with the realized returns. The mean square error (MSE) index was used to measure the predictive power of research models. Using the paired t-test on the mean square error, the research models were compared with each other.
Conclusion: The results show that applying the hybrid model increases the predictive power of realized return compared to other research models.

کلیدواژه‌ها [English]

  • : Genetic Algorithm
  • Hybrid Model
  • Local Kernel Regression
  • Standard Capital Asset Pricing Model
  • Threshold Regression
آسیما، مهدی؛ علی ‎عباس‎زاده اصل، امیر (1395). مقایسه عملکرد مدل‌های قیمت‌گذاری دارایی سرمایه‌ای خطی و غیرخطی در بورس اوراق بهادار تهران. مدلسازی ریسک و مهندسی مالی، 1(1)، 114-128.
آسیما، مهدی؛ علی‎عباس‎زاده اصل، امیر (1396). آیا بتای زمان‌متغیر، قیمت‌گذاری دارایی را بهبود می‌بخشد؟ شواهدی از بورس تهران. مدلسازی ریسک و مهندسی مالی، 2(2)، 263-277.
رجبی، مهسا؛ خالوزاده، حمید (1393). بهینه‌سازی و مقایسۀ سبد سهام در بورس اوراق بهادار تهران با بهره‎مندی از الگوریتم‌های بهینه‌سازی تکاملی چندهدفه. تحقیقات مالی، 16(2)، 253-270.
فلاح‎پور، سعید؛ محمدی، شاپور؛ صابونچی، محمد (1397). مقایسه مدل قیمت‎گذاری دارایی سرمایه‌ای شرطی با بتای متغیر نسبت به زمان، از طریق مدل قیمت‎گذاری دارایی سرمایه‎ای استاندارد. تحقیقات مالی، 20(1)، 17-32.
نیکوسخن، معین (1397). ارائه یک مدل ترکیبی بهبود‌یافته با انتخاب وقفه‌های خودکار برای پیش‎بینی بازار سهام. تحقیقات مالی، 20(3)، 389-408.
References
Abdymomunov, A. & Morley, J. (2011). Time variation of CAPM betas across market volatility regimes. Applied Financial Economics, 21(19), 1463-1478.
Akdeniz, L., & Dechert, W. D. (2008). The equity premium in Brock's asset pricing model. Journal of Economic Dynamics and Control, 31(7), 2263-2292.
Akdeniz, L., Altay-Salih, A., & Caner, M. (2003). Time-varying betas help in asset pricing: the threshold CAPM. Studies in Nonlinear Dynamics & Econometrics, 6(4), 1-18.
Arısoy, Y. E., Altay-Salih, A., & Akdeniz, L. (2015). Aggregate volatility expectations and threshold CAPM. The North American Journal of Economics and Finance, 34, 231-253.
Asima, M., Ali Abbaszade Asl, A. (2017). Does Time-Varying Beta Improve Asset Pricing? Evidence from TSE. Journal of Risk modeling and Financial Engineering, 2(2), 263-277. (in Persian)
Asima, M., Ali Abbaszadeh Asl, A. (2016). A Comparison between Performance of Linear and Nonlinear Capital Asset Pricing Models in TSE. Journal of Risk modeling and Financial Engineering, 1(1), 114-128. (in Persian)
Balcilar, M., Bekiros, S., & Gupta, R. (2017). The role of news-based uncertainty indices in predicting oil markets: a hybrid nonparametric quantile causality method. Empirical Economics, 53(3), 879-889.
Bansal, R., & Viswanathan, S. (1993). No arbitrage and arbitrage pricing: A new approach. The Journal of Finance, 45(4), 1231-1262.
Bansal, R., Hsieh, D.A. Viswanathan, S., (1993). A New Approach to International Arbitrage Pricing. Journal of Finance, 48(5), 1719-1747.
Black, F. (1972). Capital market equilibrium with restricted borrowing. The Journal of Business, 45(3), 444-455.
Blundell, R., Duncan, A. (1991). Kernel Regression in Empirical Microeconomics. The Journal of Human Resources, (33),62-87.
Bodie, Z., Kane, A., Marcus, A. (2010). Investments. McGraw-Hill.
Cai, Z., Ren, Y., Yang, B. (2015). A Semiparametric Conditional Capital Asset Pricing Model. Journal of Banking and Finance, 61, 117-126.
Chapman, D. (1997). Approximating the Asset Pricing Kernel. Journal of Finance, 52(4), 1383-1410.
Chkili, W., Aloui, C., Masood, O., Fry, J. (2011). Stock Market Volatility and Exchange Rates in Emerging Countries: A Markov-State Switching Approach. Emerging Markets Review, 12, 272–292.
Dagenais, M. G. (1969). A threshold regression model. Econometrica. Journal of Econometric Society, 37(2), 193-203.
Epanechnikov, V. (1969). Nonparametric Estimates of a Multivariate Probability Density. Theory of Probability and Its Applications, 14(1),153-158.
Erdos, P., Ormos, M., Zibriczky, D. (2011). Nonparametric and Semiparametric asset pricing. Journal of Economic Modelling, 28 (3), 1150-1162.
Fallahpour, S., Mohammadi, S., Sabunchi, M. (2018). Analysis of Conditional Capital Asset Pricing Model with Time Variant Beta using Standard Capital Asset Pricing Model. Financial Research Journal, 20(1), 17-32. (in Persian)
Fan, J., Yao, Q. (2003). Nonlinear Time Series: Nonparametric and Parametric Methods. New York, Springer-Verlag.
Ferson, W. E. (1989). Changes in expected security returns, risk, and the level of interest rates. The Journal of Finance, 44(5), 1191-1217.
Ferson, W. E., & Harvey, C. R. (1991). The variation of economic risk premiums. Journal of political economy, 99(2), 385-415.
Ferson, W. E., & Harvey, C. R. (1993). The risk and predictability of international equity returns. Review of financial Studies, 6(3), 527-566.
Ferson, W. E., & Harvey, C. R. (1999). Conditioning variables and the cross section of stock returns. The Journal of Finance, 54(4), 1325-1360.
Ferson, W. E., & Korajczyk, R. A. (1995). Do arbitrage pricing models explain the predictability of stock returns? Journal of Business, 68(3), 309-349.
Gomez-Gonzalez, J.E., Sanabria-Buenaventura, E.M. (2014). Nonparametric and Semiparametric Asset Pricing: An Application to The Colombian Stock Exchange. Journal of Economic Systems, 38(2), 261-268.
Hansen, B. E. (1996). Inference when a nuisance parameter is not identified under the null hypothesis. Econometrica: Journal of the econometric society, 64(2), 413-430.
Hansen, B. E. (2000). Sample splitting and threshold estimation. Econometrica, 68(3), 575-603.
Hardle, W., Muller, M., Sperlich, S., Werwatz, A. (2004). Springer series in statistics: Nonparametric and Semiparametric models. Springer -Verlag.
Harvey, C. R. (2001). The specification of conditional expectations. Journal of Empirical Finance, 8(5), 573-637.
Huang, C. F. (2012). A hybrid stock selection model using genetic algorithms and support vector regression. Applied Soft Computing, 12(2), 807-818.
Huang, H. C. (2000). Tests of regimes-switching CAPM. Applied Financial Economics, 10(5), 573-578.
Jagannathan, R., & Wang, Z. (1996). The conditional CAPM and the cross‐section of expected returns. The Journal of finance, 51(1), 3-53.
Kristjanpoller, W., & Minutolo, M. C. (2018). A hybrid volatility forecasting framework integrating GARCH, artificial neural network, technical analysis and principal components analysis. Expert Systems with Applications, 109, 1-11.
Lintner, J. (1965). The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. The review of economics and statistics, 47(1), 13-37.
Mossin, J. (1966). Equilibrium in a capital asset market. Econometrica. Journal of the econometric society, 34(4), 768-783.
Nadaraya, E.A. (1964). On Estimating Regression. Theory of Probability and its Application, 9(1), 141-142.
Nikusokhan, M. (2018). An Improved Hybrid Model with Automated Lag Selection to Forecast Stock Market. Financial Research Journal, 20(3), 389-408. (in Persian)
Rajabi, M., Khaloozadeh, H. (2014). Optimal Portfolio Prediction in Tehran Stock Market using Multi-Objective Evolutionary Algorithms, NSGA-II and MOPSO. Financial Research Journal, 16(2), 253-270. (in Persian)
Ramsey, J. B. (1969). Tests for specification errors in classical linear least-squares regression analysis. Journal of the Royal Statistical Society. Series B (Methodological), 31(2), 350-371.
Rather, A. M. (2014). A hybrid intelligent method of predicting stock returns. Advances in Artificial Neural Systems. Available https://www.hindawi.com/journals/aans/2014/ 246487/.
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The journal of finance, 19(3), 425-442.
Stapleton, R.C., Subrahmanyam, M.G. (1986). The Market Model and Capital Asset Pricing Theory: a note. Journal of Finance, 38(5), 1637-1642.
Tsay, R. (2010). Analysis of Financial Time Series. John Wiley & Sons.
Watson, G.S. (1964). Smooth Regression Analysis. Sankhya series, (26), 359-372.
Whitley, D. (1994). A genetic algorithm tutorial. Statistics and computing4(2), 65-85.
Yayvak, B., Akdeniz, L., & Altay-Salih, A. (2015). Do time-varying betas help in asset pricing? Evidence from Borsa Istanbul. Emerging Markets Finance and Trade, 51(4), 747-756.