One of the main concerns of investors is the evaluation of the return on investment, which is conducted using various models such as the CAPM (single-factor model), Fama-French three/five-factor models, and Roy and Shijin’s six-factor model and other models known as multi-factor models. Despite the widespread use of these models, their major drawbacks include sensitivity to unexpected changes, sudden shocks, high turbulence of price bubble, and so on. To eliminate such negatives, the multi-factor model using the penalty function method is used, in which, instead of averaging, the optimization and avoidance of the effects of abnormal changes and other factors affecting the capital market are considered. In order to evaluate stock returns, it is possible to select effective factors, to simulate and develop a model appropriate to the conditions governing the capital market in Iran. In the present study, by forming portfolios of investments and identifying and refining effective factors, the classification and estimation of the hybrid model of penalty and multi-factor (P & PCA) functions were performed based on the functional data during 2007-2017. The results of this study indicated that the extensive use of the simulation algorithm for the penalty function in the form of P & PCA estimation method improves the efficiency of multi-factor methods in stock return evaluation, and that the use of the hybrid algorithm of penalty and multi-factor functions, compared to the exclusive use of multi-factor models, brings a higher accuracy in estimating stock returns. Manuscript profile

پژوهش حاضر باهدف طراحی مدل رژیم سوییچینگ مارکوف در راستای ارزیابی قیمتگذاری دارایی و ابهام در بازار سهام ایران به انجام رسیده است. جهت برآورد مدل مارکوف به روش حذفی سیستماتیک 130 شرکت انتخاب و بر پایه عملکرد 1400 به دودسته 50 شرکت برتر و شرکت‌های نا برتر تقسیم و مبتنی بر فرایندهای تصادفی جهت تعیین رژیم‌های مارکوف، پورتفوی‌های سرمایه‌گذاری تشکیل‌شده و بر پایه برآورد مارکوف رژیم‌های صعودی و نزولی تعریف و پارامترهای مارکوف برآورد گردیدند. برآورد رگرسیونی ارتباط بین بازده و عوامل مؤثر در شرکت‌های تحت بررسی صرف‌نظر از دسته‌بندی‌ها نشان داد که بین ریسک، درجات ابهام نرمال و لاپلاس با بازده ارتباط معکوس (تأثیر منفی) وجود داشته و عوامل تعیین‌کننده صرف ریسک بازار، بازده دارایی، بازده سرمایه، نوسان سود، جریانات نقدی، ارزش شرکت، نقد شوندگی دارایی‌ها، فرصت‌های رشد، گردش دارایی و اندازه شرکت، با بازده سهام ارتباط معنی‌داری داشته‌اند. در بین شرکت‌های برتر بازده اضافی (صرف ریسک سهام) کمتر معمولاً با نوسانات ریسک کمتر و درجه ابهام بالاتر همراه بوده و صرف ریسک سهام بالاتر با نوسانات ریسک بالاتر و درجه ابهام کمتر همراه است. Manuscript profile

ارزیابی سهام بر مبنای ریسک و بازده در ارتباط با دارایی های سرمایه ای (سهام) یکی از مسائل حائز اهمیت است. غالب الگوهای چندعاملی بر مبنای ارزیابی یکی از معیارهای بازده و ریسک تعریف شده اند، در حالی که الگوی پیشنهادی به طور همزمان به ارزیابی بازده و ریسک می پردازد. الگوهای چند عاملی ایستا بوده و تغییرات پویا در طی بازه های زمانی متاثر از عوامل پنهان را بیان نمی کنند. در این پژوهش نوسانات پیش بینی نشده در بازده سهام در تابع جریمه (پنالتی) بعنوان عوامل پنهان تعریف شد. با استفاده از شبیه سازی رگرسیون پویای فاما-مک بث در برآورد پارامترهای تاثیرگذار و تفکیک اثرات عوامل پنهان و آشکار موثر بر بازده و ریسک سهام، برآورد دقیق تری ارائه نمود. بر اساس تحلیل حوزه دانش و تحلیل محتوی، عوامل موثر بر بازده سهام شناسایی و بر مبنای تولرانس ها موثرترین عوامل مشتمل بر سنجه های بازار به عنوان عوامل آشکار، پالایش شد. در نهایت الگوی پیشنهادی تلفیقی (P-PCA) در پیش بینی ریسک (ارزش در معرض خطر) سرمایه گذاری، مورد استفاده قرار گرفت. نتایج تحقیق نشان داد که الگوی مزبور در بلند مدت اثرات عوامل پنهان و موثر بر بازده سهام را بهتر بیان کرد و ریسک سرمایه گذاری را با دقت مناسب و مشابه الگوهای واریانس شرطی نظیر آرچ و گارچ پیش بینی نمود. Manuscript profile