خانه / مقالات انگلیسی با ترجمه / حسابداری / مقاله انگلیسی تحلیل تکنیکال و پیش بینی سود سهام

مقاله انگلیسی تحلیل تکنیکال و پیش بینی سود سهام

مقالات مرتبط با این موضوع
مقالات انگلیسی ترجمه شده حسابداری

مقالات ترجمه شده مدیریت مالی

مقالات ترجمه شده مدیریت سود

مقالات ترجمه شده بازار سهام

دانلود رایگان مقاله بیس انگلیسی 

کد محصول: H384

قیمت فایل ترجمه شده: برای اطلاع از هزینه و مدت زمان انجام ترجمه با پشتیبانی وب سایت تماس حاصل نمایید (۰۹۳۷۲۵۵۵۲۴۰)

تعداد صفحه انگلیسی:  ۶۸

سال نشر: ۲۰۱۸

عنوان فارسی:

مقاله انگلیسی حسابداری ۲۰۱۸ :  تحلیل تکنیکال و پیش بینی سود سهام: رویکرد تعدیل شده

عنوان انگلیسی:

Technical analysis and stock return predictability: An aligned approach

چکیده فارسی:

این مقاله یک ارزیابی تجربی از قابلِ پیش بینی بودن بازار سهام کل ایالات متحده بر اساس یک شاخص تحلیل تکنیکال (فنی) جدید ارائه می دهد که مولفه های اضافی غیر متعارف را در شاخص های تکنیکال حذف می کند. یافته ها نشان داد  شاخص جدید از نظر آماری و  اقتصادی در تعیین قدرت پیش بینی کنندگی نمونه مورد مطالعه و خارج از نمونه  نقش مهمی دارد  و نسبت به شاخص های شناخته شده تکنیکال و متغیرهای کلان اقتصادی به مراتب عملکرد بهتری دارد. علاوه بر این، می تواند بازده سبد سهام مقطعی که بر اساس اندازه، ارزش، میزان رشد یا افت  و صنعت دسته بندشی شده را پیش بینی کند و سود قابل توجهی برای سرمایه گذاران میانگین واریانس (سرمایه گذارانی که بر اساس روش تئوری میانگین واریانس سرمایه گذاری می کنند)  ایجاد می کند. تجزیه بازده سهام مبتنی بر اتورگرسیون برداری نشان می دهد که منشا اقتصادی قدرت پیش بینی، عمدتا از تغییرات زمانی در جریان نقدی آینده (یعنی کانال جریان نقدی) می آید.

Abstract

This paper provides an empirical evaluation of the U.S. aggregate stock market predictability based on a new technical analysis index that eliminates the idiosyncratic noise component in technical indicators. I find that the new index exhibits statistically and economically significant in-sample and out-of-sample predictive power and outperforms the well-known technical indicators and macroeconomic variables. In addition, it can predict cross-sectional stock portfolio returns sorted by size, value, momentum, and industry and generate substantial utility gains for a mean-variance investor. A vector autoregression-based stock return decomposition shows that the economic source of the predictive power predominantly comes from time variations in future cash flows (i.e., the cash flow channel).

Introduction

Changes in future excess stock returns affect many fundamental areas of finance, from portfolio theory to capital budgeting (e.g., Spiegel, 2008; Cochrane, 2011). Theoretically, the latent factors that drive the systematic variation of stock returns are not directly observable; therefore, researchers have proposed many predictors as proxies for these unobservable latent factors. Examples include valuation ratios, such as the dividend yield (Campbell and Viceira, 2002; Campbell and Yogo, 2006), the dividend payout ratio (Campbell and Shiller, 1988, 1998; Lamont, 1998), and book-to-market ratio (Kothari and Shanken, 1997; Pontiff and Schall, 1998), as well as nominal interest rates (Fama and Schwert, 1977; Ang and Bekaert, 2007), the inflation rate (Nelson, 1976; Campbell and Vuolteenaho, 2004), term spreads (Campbell, 1987; Fama and French, 1988), and stock market volatility (Guo, 2006). Welch and Goyal (2008), however, show that most of the economic predictors from the literature fail to generate consistently superior out-of-sample forecasts of the U.S. equity premium, and they attribute the weak predictability to their structural instability. Consequently, recent studies have devoted more attention to the application of technical indicators, a widely used strategy by market traders and investors for modern quantitative portfolio management and investment issues (e.g., Chincarini and Kim, 2006).

Technical analysis, going back at least as early as Cowles (1933), uses past prices, trading volume, and other past available data to identify price trends believed to persist into the future.1 Brock, Lakonishok, and LeBaron (1992) and Lo, Mamaysky, and Wang (2000) find strong evidence of return predictability when using technical analysis, primarily based on a moving average strategy. Similarly, Neely et al. (2014) report that technical indicators and the popular macroeconomic variables from Welch and Goyal (2008) capture different types of information that is relevant for predicting aggregate market returns.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Time limit is exhausted. Please reload the CAPTCHA.