ایجاد شاخصی برای عدم اطمینان مالی با استفاده از مدل پنج‌عاملی فاما و فرنچ در فضای حالت با الگوریتم فیلتر کالمن

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مدیریت مالی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

2 دانشیار، گروه مدیریت مالی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

چکیده

هدف: با توجه به اینکه عدم قطعیت یکی از رویدادهای مهم در روند توسعه علم اقتصاد و مدیریت محسوب می‌شود، شایسته‌ است که برای درک عمیق و دقیق آن وقت گذاشته شود. فعالان بازارهای مالی، همواره با عدم اطمینان‌های آینده مواجهند، به بیان دیگر، عدم اطمینان، بخش جدایی‌ناپذیر بازارهای مالی است و آشنایی با این مفهوم و ‌‌درک آن برای تمامی فعالان بازار ضروری است. بنابراین هدف نخست پژوهش، کمّی‌سازی عدم اطمینان و هدف نهایی، تدوین شاخصی از عدم اطمینان مالی برای بورس اوراق بهادار تهران است.
روش: در این پژوهش برای کمّی‌سازی عدم اطمینان، در گام نخست، برازش مدل پنج‌عاملی فاما و‌ فرنچ به دو روش فضای حالت با الگوریتم فیلتر کالمن و روش حداقل مربعات معمولی با هم مقایسه شده است تا مدل مناسبی برای فیلتر کردن نوسان‌های شرطی از سری نوسان‌های بازدهی ارائه شود.
یافته‌ها: برای مقایسه برازش مدل پنج‌عاملی فاما و فرنچ به دو روش فضای حالت با الگوریتم فیلتر کالمن و حداقل مربعات معمولی، از معیارهای اطلاعاتی همراه با رویکرد دیبولد و ماریانو استفاده شد. نتایج این مقایسه، از برتری تخمین به‌روش فضای حالت با الگوریتم فیلتر کالمن حکایت کرد. بعد از انتخاب مدل مناسب، نوسان‌های شرطی بازدهی هر پرتفوی از سری نوسان‌های بازدهی فیلتر شد تا معیار مناسب‌تری از عدم اطمینان به‌دست آید، در این راستا، از بازدهی 18پرتفوی استفاده شد که بر اساس طبقه‌بندی‌های صورت‌گرفته از متغیرهای عامل اندازه، عامل ارزش دفتری به ارزش بازاری، عامل سودآوری و عامل سرمایه‌گذاری به دست آمدند.
نتیجه‌گیری: در آخر از مؤلفه‌های عدم اطمینان استخراج‌شده به‌صورت ماهیانه میانگین گرفته شد تا شاخص مدنظر به دست ‌آید. این شاخص شرایط تحت عدم اطمینان به‌وقوع‌پیوسته در گذشته را به‌وضوح نمایان می‌کند.

کلیدواژه‌ها


عنوان مقاله [English]

Creating an Index to Measure Financial Uncertainty Using the Fama-French Five-factor Model in State Space by the Kalman Filter Algorithm

نویسندگان [English]

  • Kaoos Mohammadzadeh 1
  • Mehdi Heydari 2
1 MSc. Student, Department of Financial Management, Faculty of Economic and Management, University of Urmia, Urmia, Iran.
2 Associate Prof., Department of Financial Management, Faculty of Economic and Management, University of Urmia, Urmia, Iran.
چکیده [English]

Objective: The primary purpose of this study is to quantify uncertainty and consequently develop an indicator of financial uncertainty for the Tehran Stock Exchange (TSE). Since paying attention to uncertainty is of importance in the development of economics and management, it is worth acquiring a deep and accurate understanding of it. Financial market participants are always faced with uncertainties about the future; therefore, getting familiar with the concept and understanding it is necessary for all market participants.
Methods: In the present study, conditional fluctuations were filtered from the series of efficiency fluctuations in order to obtain a more appropriate criterion for expressing uncertainty. According to recent studies, the Fama-French five-factor model can explain 69 to 93% of cross-sectional changes in expected returns. Accordingly, in this study, the estimation of this model was initially compared with two methods of ordinary least squares and state space by the filter-Kalman algorithm to obtain a suitable model for filtering conditional fluctuations. In this study, state space by  Kalman filter algorithm and ordinary least squares method for selecting the appropriate model for filtering conditional fluctuations from the series of efficiency fluctuations was compared in the first step to quantify the uncertainty from the fitting of the 5-factor model of Fama and French in two ways.
Results: Information criteria along with Debold and Mariano approaches for comparing the fit of the 5-factor model of Fama and French with two methods of state space by Kalman filter algorithm and ordinary least squares were used. The results indicated the superiority of state space estimation by Kalman filter algorithm. After selecting the appropriate model, the conditional performance fluctuations of each portfolio were filtered from the series of yield fluctuations to obtain a more appropriate measure of uncertainty. In this regard, the returns of 18 portfolios were used based on the classifications of variables; size factor, book value to market value factor, profitability factor, and investment factor.
Conclusion: Finally, the extracted uncertainty components were averaged monthly to obtain our index. This index clearly showed the conditions under uncertainty that occurred continuously in the past.
Practicability: To prevent the reduction of investment and the outflow of capital, as well as the loss of shareholders, government, and governmental institutions, including the stock exchange can use this index in times of uncertainty by increasing the use of financial instruments, proper pricing of securities, as well as other methods that control uncertainty to reduce investment. Researchers who study the relationship between economic and financial variables with uncertainty are advised instead of using different criteria to express uncertainty, they should use the approach used in this research, which shows uncertainty better, in order to reach better results.
Limitations: The index in this study was obtained based on the observance of the data frequency on a monthly basis, so this index is weak in explaining the uncertainties that have a short-term impact on the market. Since in creating the index, the average components of uncertainty were used and they showed the general uncertainty of the market, comparing the results with the uncertainty of companies individually may provide different results.

کلیدواژه‌ها [English]

  • Kalman filter
  • State space
  • The 5-factor model of Fama - French
  • Uncertainty
بابالویان، شهرام و مظفری، مهردخت (1394). مقایسه قدرت پیش بینی مدل پنج عاملی فاما و فرنچ با مدل های چهار عاملی کارهارت و q-عاملی HXZ در تبیین بازده سهام. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 9(30)، 17-32.
باقرزاده، حجت الله؛ سالم، علی اصغر (1394). رابطه بین دوره‌ای ریسک و بازده با استفاده از هم‏بستگی‏های شرطی پویا و تغییرات زمانی بتا. تحقیقات مالی، 17(39)، 1-20.
بزرگ اصل، موسی؛ مسجدموسوی. میرسجاد (1395). تبیین مدل پنج عاملی فاما و فرنچ با تأکید بر فرضیه چرخه زندگی شرکت. پژوهش‌های کاربردی در گزارشگری مالی، 5(9)، 93-118.
حجازی، رضوان؛ قیطاسی، روح اله؛ کریمی، محمد باقر (1390). هموارسازی سود و عدم اطمینان اطلاعاتی. بررسیهای حسابداری و حسابرسی، 18(63)، 63-80.
حصارزاده، رضا؛ اعتمادی، حسین؛ آذر، عادل؛ رحمانی، علی (1395). طراحی مدل کمینه‌سازی عدم اطمینان بر اساس معیارهای کیفیت داده‌های حسابداری.  مطالعات تجربی حسابداری مالی، 13(50)، 89-136.
حکمت،‏ هانیه؛ رحمانی، علی؛ ملانظری، مهناز؛ موسوی، میرحسین؛ قالیباف اصل، حسن (1399). مدل‏های ایستا و پویا و ارزیابی کارایی بازار سهام شرکت‏های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی. 22(4)، 476-495.
حمیدیان، نرگس؛ عرب صالحی، مهدی؛ امیری،‏ هادی (1399). بررسی واکنش سرمایه‌گذاران به سود غیرمنتظره در شرایط عدم اطمینان بازار. فصلنامه علمی مدیریت دارایی و تأمین مالی، 8(1)، 41-56.
حیدری، حسن؛ ملابهرامی، احمد (1392). برآورد پویای ریسک سیستماتیک بازدهی قیمت سهام صنعت خودرو و ساخت قطعات بر اساس مدل‌های چندمتغیره ناهمسان واریانس و حالت ـ فضا. فصلنامه اقتصاد مقداری، 10(3)، 21-54.
خلیلی، حمیدرضا؛ سعیدیان راد، بهمن؛ صامتی، اردلان (1392). تصمیم‌گیری و سرمایه‌گذاری استراتژیک در شرایط عدم اطمینان (با تمرکز بر سرمایه‌گذاری در بورس). تهران: سازمان انتشارات جهاد دانشگاهی.
راعی، رضا؛‏ هاشمی، سیدمحمد امیر (۱۳۹۵). تخصیص دارایی استوار بر اساس پیش‌بینی‏های روش‏های اقتصادسنجی (ARMA و GARCH) و فرض عدم اطمینان بازده و کواریانس. تحقیقات مالی، ۱۸(۳)، 415-436.
سدیدی، مهدی؛ ابراهیم درده، سجاد (1390). عدم اطمینان محیطی و استفاده مدیران از اقلام تعهدی اختیاری. فصلنامه مطالعات تجربی حسابداری مالی، 9(32)، 103-119.
سعیدیان راد، بهمن؛ صامتی، اردلان و خلیلی، حمیدرضا (1392). تصمیم‌گیری و سرمایه‌گذاری استراتژیک در شرایط عدم اطمینان بورس (با تمرکز بر سرمایه‌گذاری در بورس اوراق بهادار). (چاپ اول)، تهران: سازمان انتشارات جهاد دانشگاهی.
عباسی نژاد، حسین؛ محمدی، شاپور؛ بهروزی ایزد موسی، وحید (1390). محاسبه بازده بدون ریسک بازارهای مالی ایران به روش فیلتر کالمن. تحقیقات اقتصادی، 46(96)، 155-180.
عباسیان، عزت‌اله؛ ذولفقاری، مریم (1392). تحلیل پویای کارایی سطح ضعیف در بورس اوراق بهادار تهران توسط فیلتر کالمن. فصلنامه پژوهش‏ها و سیاست‏های اقتصادی، 21(65)، 231-254.
عیوضلو، رضا؛ قهرمانی، علی؛ عجم، علیرضا (۱۳۹۵). بررسی عملکرد مدل پنج عاملی فاما و فرنچ با استفاده از آزمون GRS. تحقیقات مالی، ۱۸(۴)، 691-714.
کرم‌صالحی، اله؛ بزرگمهریان، شاهرخ؛ صالحی، برزو (1394). ارزیابی توانایی مدل پنج عاملی فاما و فرنچ در پیش‌بینی بازده سهام ارزشی و رشدی. بررسی حسابداری، 2(8)، 35-52.
کیانی، علی و اسلاملوئیان، کریم (۱۳۹۵). بررسی تأثیر فرکانس داده‏ها بر قدرت پیش‌بینی الگوهای با حافظه بلندمدت و کوتاه‌مدت: کاربرد در تلاطم بازار جهانی نفت. فصلنامه مطالعات اقتصاد انرژی، ۱۲(۵۰)، 1-24.
گل ارضی، غلام‌حسین؛ چهره نگار، اشکان (1394). مقایسه عملکرد روش فضای حالت با روش حداقل مربعات معمولی OLS در برازش مدل سه عاملی فاما و فرنچ برای پیش‌بینی بازده، در بورس اوراق بهادار تهران. فصلنامه علمی ـ پژوهشی مدیریت دارایی و تأمین مالی، 3(2)، 69-78.
نجفی، امیرعباس؛ نوپور، کبری؛ قهطرانی، علیرضا (۱۳۹۶). بهینه‌سازی بازه‌ای سبد سهام با سنجه ریسک ارزش در معرض خطر مشروط. تحقیقات مالی، ۱۹(1)، 157-172.
References
Abbasian, E., Zolfaghari, M. (2013). Dynamic Analysis of Weak Efficiency in the Tehran Stock Exchange, Using the Kalman Filter, Journal of Economic Research and Policies, 21(65), 231-254. (in Persian)
Abbasinejad, H., Mohammadi, Sh., Behrouzi Izadmusa, V. (2012). Calculating Risk Free Rate of Return In Iranian Financial Market Using Kalman-Filter Method,  Journal of Economic Research (Tahghighat- E- Eghtesadi), 46(96), 155-180. (in Persian)
Ahir, H., Bloom, N., & Furceri, D. (2022). The world uncertainty index (No. w29763). National bureau of economic research.
Altig, D., Baker, S., Barrero, J. M., Bloom, N., Bunn, P., Chen, S., ... & Thwaites, G. (2020). Economic uncertainty before and during the COVID-19 pandemic. Journal of Public Economics, 191, 104274.‏
Avellán, G., González-Astudillo, M., & Salcedo Cruz, J. J. (2022). Measuring uncertainty: A streamlined application for the Ecuadorian economy. Empirical economics, 62(4), 1517-1542.‏
Babalooyan, S., Mozaffari, M. (2016). To Compare the Explanatory Power of the Five-Factor Fama French Model with Carhart and q-Factor Models: Evidences from Tehran Stock Exchange. Financial Knowledge of Securities Analysis, 9(30), 17-32. (in Persian)
Bagherzadeh, H. A., Salem, A. S. (2015). The Intertemporal Relationship between Risk and Return with Dynamic Conditional Correlation and Time-Varying Beta, Financial Research, 17(39), 1-20. (in Persian)
Baker, S. R., Bloom, N., & Davis, S. J. (2012). Has economic policy uncertainty hampered the recovery? Becker Friedman Institute for Research in Economics Working Paper, (2012-003).‏
Baker, S. R., Bloom, N. & Davis, S. J. (2016). Measuring economic policy uncertainty. The quarterly journal of Economics, 131(4), 1593-1636.
Baltussen, G., Van Bekkum, S., & Van Der Grient, B. (2018). Unknown unknowns: uncertainty about risk and Stock returns. Journal of Financial and Quantitative Analysis, 53(4) 1615-1651.
Bianchi, F. (2016). Methods for measuring expectations and uncertainty in Markov-switching models. Journal Of Econometrics, 190(1), 79-99.
Bozorg Asl, M., Masjed Mousavi, M. S. (2017). Fama and French Five-Factor Model with Emphasis on Firm's Life Cycle Hypothesis, Applied Research in Financial Reporting, 5(9), 93-118. (in Persian)
Carriero, A., Clark, T. E., & Marcellino, M. (2018). Measuring uncertainty and its impact on the economy. Review of Economics and Statistics, 100(5), 799-815.
Chulia, H., Guillen, M., & Uribe, J. M. (2017). Measuring uncertainty in the stock market. International Review of Economics & Finance, 48, 18-33.
Dai, P. F., Xiong, X., & Zhou, W. X. (2021). A global economic policy uncertainty index from principal component analysis. Finance Research Letters, 40, 101686.‏
Drukker, D. M., & Gates, R. B. (2011). State space methods in stata. Journal of Statistical Software, 41(10), 1-25.
Eyvazloo, R., Ghahramani, A., Ajam, A. (2017). Analyzing the Performance of Fama and French Five-factor Model Using GRS Test. Financial Research Journal, 18(4), 691-714. doi: 10.22059/jfr.2017.62587. (in Persian)
Fan, Q., & Zhang, X. j. (2012). Accounting Conservatism, Aggregation, and Information Quality. Journal of Accounting Research , 1-33.
Frankel, A., & Kamenica, E. (2019). Quantifying information and uncertainty. American Economic Review, 109(10), 3650-80.‏
Gillmann, N., & Kim, A. (2021). Quantification of Economic Uncertainty: a deep learning approach.‏
Golarzi, G.H., Chehrenegar, A. (2015). Comparing Accuracy of State Space Model and Ordinary Least Squares (OLS) in Predicting Stock Return by Fama and French Three-Factor Model in Tehran Stock Exchange, Asset Management and Financing, 3(2), 69-78. (in Persian)
Hamidian, N., Arabsalehi, M., Amiri, H. (2020). Analysis of Investors’ Reaction to Unexpected Earnings Under Market Uncertainty, Asset Management and Financing, 8(1), 41-56.
 (in Persian)
Heidari, H., Molabahrami, A. (2015). Dynamic Estimation of Capital Asset Pricing Model based on Dynamic General Equilibrium Framework: Application of MGARCH and State-Space Models, Quarterly Journal of Quantitative Economics, 10(3), 21-54. (in Persian)
Hejazi, R., Gheytasi, R., Karimi, M. B. (2011). Income Smoothing and Information Uncertainty, The Iranian Accounting and Auditing Review, 18(63), 63-80. (in Persian)
Hekmat, H., Rahmani, A., Mola Nazari, M., Mosavi, M. H., Ghalibaf Asl, H. (2020). Static & Dynamic Models & Stock Market Efficiency Evaluation of T.S.E. Listed Companies’. Financial Research Journal, 22(4), 476-495. (in Persian)
Hesarzadeh, R., Etemadi, H., Azar, A., Rahmani, A. (2016). Modeling of Minimizing Uncertainty Based on Accounting Data Quality Proxies. Empirical Studies in Financial Accounting, 13(50), 89-136. (in Persian)
Ji, Z., Chang, V., Lan, H., Robert Hsu, C. H., & Valverde, R. (2020). Empirical Research on the Fama-French Three-Factor Model and a Sentiment-Related Four-Factor Model in the Chinese Blockchain Industry. Sustainnability, 12(12), 51-70.
Jurado, K., Ludvigson, S. C., & Ng, S. (2013). Measuring uncertainty: supplementary material. NBER working paper, 19456.‏
Jurado, K., Ludvigson, S. C., & Ng, S. (2015). Measuring uncertainty. American Economic Review, 105(3), 1177-1216.
Karam Salehi, A., Bozorgmehrian, Sh., Salehi, B. (2015). An Assessment of Fama and French's Five-factor Model to Forecast the Return of the Growth and Value Stock. Journal of Iranian Accounting Review, 2(8), 35-52. (in Persian)
Kiani, A., Eslamloueyan, K. (2016). The Impact of Different Data Frequency on Prediction Powers of Various Short- and Long Memory Models: an application to Oil Market Volatility, Quarterly Energy Economics Review, 12(50), 1-24. (in Persian)
Meyer, B., Mihaylov, E., Barrero, J. M., Davis, S. J., Altig, D., & Bloom, N. (2022). Pandemic-era uncertainty. Journal of Risk and Financial Management, 15(8), 338.‏
Najafi, A. A., Nopour, K., Ghatarani, A. R. (2017). Interval Optimization In Portfolio Selection with Conditional Value At Risk, Financial Research, 19(1), 157-172. (in Persian)
Raei, R. & Hashemi, A. (2016). Robust Asset Allocation Based on Forecasts of Econometric Methods (ARMA & GARCH) and Uncertainty for Return & Covariance, Financial Research, 18(3), 415-436. (in Persian)
Sadidi, M., Ebrahimidardeh, S. (2012). Environmental Uncertainty and the Manager's use of Discretionary Accruals, Journal of Empirical Studies in Financial Accounting, 9(32), 103-119. (in Persian)
Saeedian Rad, B., Sameti, A., Khalili, H. R. (2014). Decision making & strategic investment under uncertainty (With concentration on investing in stock exchange). Tehran: Scientific Information Database. (in Persian)
Solberger, M., & Spånberg, E. (2020). Estimating a dynamic factor model in EViews using the Kalman Filter and smoother. Computational Economics, 55(3), 875-900.‏