مقایسه توانایی الگوریتم یادگیری ماشین آدابوست در تبیین نابهنجاری اقلام تعهدی با استفاده از مدل های آربیتراژ، قیمت گذاری دارایی های سرمایه ای و پنج عاملی فاما و فرنچ

تبیین نابهنجاری اقلام تعهدی و جستجوی عوامل ایجاد آن در بازار سرمایه از موضوعات مهم در حوزه مالی است؛ زیرا اثبات وجود نابهنجاری های اقلام تعهدی در بازار سرمایه می تواند از لحاظ علمی مدل های قیمت گذاری سهام را به چالش کشیده و نقش عواملی غیر از ریسک سیستماتیک در پیش بینی بازده در بازار را برجسته کند؛ از اینرو هدف اصلی این پژوهش، مقایسه توانایی الگوریتم یادگیری ماشین آدابوست در تبیین نابهنجاری اقلام تعهدی با استفاده از مدل های آربیتراژ، قیمت گذاری دارایی های سرمایه ای و پنج عاملی فاما و فرنچ است. برای دستیابی به هدف پژوهش، نمونه ای متشکل از ۱۲۰ شرکت پذیرفته شده در بورس اوراق تهران طی دوره زمانی ۱۳۸۷-۱۳۹۸ با استفاده از الگوریتم یادگیری ماشین آدابوست بررسی شده است. نتایج پژوهش نشان داد اگر تاثیر نابهنجاری اقلام تعهدی بر بازده سهام در نظر گرفته شود، ریسک های حاصل از مدل های آربیتراژ، قیمت گذاری دارایی های سرمایه ای و مدل پنج عاملی فاما و فرنچ کاهش پیدا خواهد کرد و در نتیجه به قیمت واقعی سهام نزدیک تر خواهد بود که این امر باعث افزایش اعتماد سرمایه گذاران می شود؛ لذا اضافه شدن نابهنجاری اقلام تعهدی در مدل های مالی آربیتراژ، قیمت گذاری دارایی های سرمایه ای و مدل پنج عاملی فاما و فرنچ، منجر به بهبود در ارزیابی بازده سهام می شود و نابهنجاری اقلام تعهدی در بورس اوراق بهادار تهران وجود دارد. نتایج نشان داد نابهنجاری اقلام تعهدی توسط مدل پنج عاملی فاما و فرنج در ارزیابی بازده سهام بهتر توضیح داده می شود. به بیانی دیگر، توان پیش بینی مدل پنج عاملی فاما و فرنچ نسبت به مدل آربیتراژ و قیمت گذاری دارایی های سرمایه ای بیشتر است.

کلیدواژه ها:

Accrual Anomaly ، Arbitrage Pricing Model ، Capital Assets Pricing Model ، Fama-French Five-Factor Model