پارس پروژه پرتال خدمات دانشگاهی
این مقاله ISI به زبان انگلیسی از نشریه الزویر مربوط به سال ۲۰۱۸ دارای ۶۸ صفحه انگلیسی با فرمت PDF می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی و بخشی از ترجمه فارسی مقاله موجود می باشد.
کد محصول: H384
سال نشر: ۲۰۱۸
نام ناشر (پایگاه داده): الزویر
نام مجله: Journal of Financial Markets
نوع مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۶۸ صفحه PDF
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
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه ی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H384)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
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 بندی 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.
| مقالات مرتبط با این موضوع |