hisse senedi getiri modelleri bir kıyaslama
DESCRIPTION
salih kurucan,hisse senedi getiri modelleri,kesikli karma normal dağılımlar,normal dağılımlar,student dağılımTRANSCRIPT
HİSSE SENEDİ GETİRİ
MODELLERİ BİR KIYASLAMA
Model Of Stock Returns A Comparison
Stanley J. KON
The Journal of Finance, March 1984
Ahmet Salih Kurucan
1
Amaç
• Bu çalışma, hisse senetlerinin günlük getiri ve
endekslerinin normal dağılımlarında gözlenen
ortalamadan aşırı sivrilik (skewness) ve basıklık,
fat tails (kurtosis) açıklamak için kesikli karma
normal dağılım (Discrete mixture of normal
distributions) kullanılmasını önermektedir.
2
Amaç
• Çalışmada ayrıca, kesikli karma normal dağılımlar ile
student model (t-testi) arasında hangi modelin
kullanımının daha iyi olduğunu gösteren ampirik bir test
yapılmıştır.
• t-dağılımı görüntü olarak fat tails dağılımına
benzediğinden, gerçek piyasa verilerini normal dağılıma
göre daha iyi açıklayabileceği düşünülmektedir.
• Bu nedenle kesikli karma normal dağılım modellerine
alternatif model olarak sürülen ise “student model (t
testi)”dir.
3
Makale Bölümleri
• Giriş Kısmı
1. Kesikli Karma Normal Dağılımlar Hipotezi
2. Kesikli Karma Normal Dağılımlar için Genel Bir Model
3. Ampirik Bulgular
4
Normallik Varsayımı
• Hisse senedi fiyat değişimlerinin normal dağılım gösterdiği
kabulü finansal literatürde bir çok model için temel
oluşturur.
• Birçok ekonometrik teknikte genellikle normallik varsayımı
ve parametre durağanlığı gereklidir.
• Dow Jones Endüstriyel hisseleri ile bağımsız hisse
senetlerinin günlük getirileri üzerinde Eugene Fama
tarafından yapılan normallik hipotezi; Dow Jones
hisselerinin daha basık olduğunu ortaya çıkarmıştır.
5
Aylık ve Günlük Veriler
• Blattberg ve Gonedes stable model ile student modeli hisse
senedi fiyatları üzerinde karşılaştırmışlar ve aylık verilerin
normallik varsayımına daha uygun olduğunu belirtmişlerdir.
• Bu nedenle, finans literatüründe birçok araştırmada aylık veriler
kullanılmıştır. Son zamanlarda ise, bilgi etkisini izole etmek ve
gözlem sayısını çoğaltarak çalışmaların sağlamlığını artırmak
için günlük veriler kullanılmaktadır.
• Roll ve Ross tarafından yapılan çalışmada, varlık fiyatlama
modellerinde gözlem sayısını çoğaltmanın istatistiksel olarak
güvenirliliği arttırdığı belirtilmiştir.
•
6
Kararlı Pareto (Stable Paretian)
• Finansal teorideki bu modellerin geçerliliği büyük ölçüde
bu kabulün doğruluğuna bağlıdır. Hisse senedi getirilerinin
dağılımının normal değil leptokurtic olduğu ampirik
çalışmalarla tespit edilmiştir.
• Bir başka ifadeyle, hisse senedi fiyat değişimlerinin
dağılımı normal dağılım ile mukayese edildiğinde,
kuyruklarda beklenenden daha fazla gözlem sayısı
bulunmaktadır. Bu nedenle, finansal karar verme
açısından geleneksel istatistiksel araçlar yanıltıcı sonuçlar
doğurabilir.
7
Kararlı Pareto (Stable Paretian)
• Hisse senedi fiyat değişimleri normal dağılıma uymadığı
için stable Paretian dağılımı ile tanımlanabileceği
bilinmektedir.
• Fakat; Blattberg, Genodes, ve Hagerman yaptığı
çalışmarda; Paretian hipotezi ile uyumlu olmayan
sonuçlar elde etmişlerdir.
8
Student Model
• Blattberg ve Gonedes’in Dow Jones 30 hissesi üzerinde
günlük veriler kullanarak yaptığı bir çalışma student
modelin, simetrik stable paritan modelden daha güvenilir
olduğunu göstermiştir.
• Fakat, iki modelde kesin çözüm değildir. Bu çalışmada
bunlar aday model olarak değerlendirilmemiştir.
9
Varsayımlardan Kopmalar
• Bonnes haftalık getiriler üzerinden yaptığı çalışmada;
Sermaye yapısı değişimi öncesi ve sonrasında, fiyat
değişimi parametrelerinin değiştiğini bulmuştur.
• Ayrıca, sermaye yapısı değişimi öncesi ve sonrasında,
serinin genel olarak normallikten daha fazla uzaklaştığını
bulmuştur.
• Bunun ötesinde, Christie yaptığı çalışmada; hisse senedi
getirilerinin standart sapmasının, faaliyet ve finansal
kaldıracın artan bir fonksiyonu olduğunu tespit etmiştir. Bu
finansal kaldıraç etkisini doğrulamaktadır.
10
Varsayımlardan Kopmalar
• Şirketlerin çeyrek dönem faaliyet bilgilerinin açıklanması
parametre değişimlerine yol açmaktadır.
• Ayrıca sermaye artırımı, karpayı ödemesi, varlık alımı gibi
bilgilerin kamuya açıklandığı dönemde getirilerde varyans
artacaktır ve varsayımlara uygunluk olumsuz
etkilenecektir.
11
Bazı çalışmalar
• Officer ve Hsu et al. Tarafından yapılan çalışmalarda 2.Dünya Savaşı öncesi ve sonrası ele alınan alt dönemlerde hisse senetlerinin varyanslarının ciddi oranda arttığı gözlenmiştir.
• French, Gibbons, Hess ve Fama tarafından yapılan bir başka çalışmaya göre; Pazartesi günlerinin getirilerinin standart sapmasının haftanın diğer günlerindeki getirilerin standart sapmasından daha yüksek olduğu sonucuna ulaşılmıştır.
• Hafta sonlarında haftanın diğer günlerine göre bilgiye ulaşmak için daha fazla zaman olması nedeniyle Pazartesi günleri yatırımcıların daha radikal kararlar alması şeklinde desteklenmiştir.
• Keim yaptığı çalışmada, Ocak ayının ilk işlem gününde, durağan olmayan aşırı getiriler olduğunu tespit etmiştir.
12
Karma Dağılım
• Bu parametreler marko kompenentler olarak birden fazla
normal dağılım ile açıklanabilir. Mesela, aşağıdaki gibi bir
veri seti ayrıştırılarak, iki farklı dağılım ile açıklanabilir ve
ampirik olarak belirlenecek katsayılar ile ağırlıklı olarak
birleştirilerek tek bir dağılım elde edilebilir.
13
1. Kesikli Karma Normal Dağılımlar
Hipotezi • Bu çalışmanın amacı hisse senedi getirilerinin istatistiksel
modeli olarak kesikli karma dağılımlar işlemine geçerlilik
kazandıracak ampirik bulguları bulmaktır.
• N=1,2,3,4 ve 5 normal dağılımdan oluşan karma normal
dağılım modelleri oluşturulmuştur.
• Çalışmada 2 Temmuz 1962 ile 31 Aralık 1980 arasında
Dow Jones’ta işlem gören 30 hisse senedinin günlük
getirileri kullanılmıştır. Ayrıca S&P 500 ve equal-weighted
(EW) ve value-weighted (VW) endekslerinin getirileri
analize dahil edilmiştir.
14
1. Kesikli Karma Normal Dağılımlar
Hipotezi • Toplam gözlem sayısı 4639’dur
• 7 hisse senedi için 4 bileşenli, 11 hisse senedi için 3
bileşenli, geriye kalan 12 hisse senedi için ise 2 bileşenli
kesikli karma normal dağılım modeli oluşturulmuştur.
15
1. Kesikli Karma Normal Dağılımlar
Hipotezi • Gözlemlenen getiriler normal dağılabilir ancak zamanla
parametreler değişebilir.
• Sermaye yapısı değişimi, devralmalar, hisse bölünmesi
veya harici market olayları ile hafta gününün etkisi ve
şirket faaliyet raporu ve kar payı gibi mevsimsel açıklanan
veriler nedeniyle normal dağılım modelinin güncellenmesi
gerekir.
• Bu çalışmada bu iki tipteki olayların etkisini incelemek için
endeksler;
• Birinci tip olaylar için; yıla göre,
• Dönemsel olaylar için; haftanının gününe göre,
• İki tip etkiyi hesaplamak için; yıla ve haftanın gününe göre
alt bölümlere ayrılmıştır.
16
17
1. Kesikli Karma Normal Dağılımlar
Hipotezi • Bütün bu 3 endeks, 0,01 anlamlılık düzeyinde önemli oranda
çarpıklık (skewness) ve basıklık (fat tails) göstermiştir.
• Çarpıklık, zaman serisinin ortalama değerdeki değişim ile ve
basıklık ise varyanstaki değişim ile tutarlı olduğu
gözlemlenmiştir.
• Endekslerin alt bölümlere ayrılması, verilerin durağan normal
dağıldığını gösteren 𝑯𝟎 hipotezinin reddedilmesi tüm örneğe
göre zorlaşmıştır.
• Alt bölümlere ayrılması sonucunda kurtosis katsayısı
azalmıştır.
18
1. Kesikli Karma Normal Dağılımlar
Hipotezi
• 18 yıllık S&P getirilerini içeren 90 alt dönem veri setinden sadece 8 alt dönemde normallik 𝑯𝟎 hipotezi reddedilmiş,
• Değer ağırlıklı (VW) endekste normallik 𝑯𝟎 hipotezi 9 alt dönemde reddedilmiş,
• Eşit ağırlıklı (EW) endekste 26 alt dönemde normallik 𝑯𝟎 hipotezi reddedilmiştir.
• EW’de daha çok reddin olması küçük firmaların daha az sürpriz bilgi yayınladığı şeklinde yorumlanmıştır.
19
2.Kesikli Karma Normal Dağılımlar için Genel Bir Model
• Kesikli karma normal dağılım modeli, sürekli olmayan
ancak yapısal, konjönktürel değişikliklere ve
dönemsel değişiklere imkan vermelidir.
• Oluşturulacak olan normal dağılım modelinde N
normal dağılım sayısı ise 3N-1 sayıda parametre
tanımlanması gerekir.
• Hisse senedi getirileri model seçiminde; maximum
likelihood estimation işlemi kesikli karma normal
dağılım modeli için önerilmiş ve test edilmiştir.
20
3. Ampirik Bulgular
• Tablo 1’de gösterilen 30 hisseden 26 tanesinde pozitif
çarpıklık gözlenmiş ve 30 hissenin tamamında ciddi
oranda pozitif çarpıklık (skewness) ve basıklık katsayısı
(kurtosis) belirlenen 3.18 değerinden çok yüksek çıkmıştır,
bu fat tails ifade etmektedir..
• Tablo 1 örneklemdeki bütün hisse senedi ve endeksler
için açık bir şekilde durağan normal dağılım hipotezini
reddetmektedir.
21
3. Ampirik Bulgular
• Normal dağılım hipotezinin reddedilmesi sonucu N=2,3,4
ve 5 bileşenli kesikli karma normal dağılım modelleri
oluşturulmuş ve bu modellerin tamamında %1 anlamlılık
düzeyinde normallik varsayımı sağlanmıştır.
• %5 anlamlılık düzeyinde ise 7 hisse için 4 bileşenli; 11
hisse için 3 bileşenli ve 12 hisse için ise 2 bileşenli kesikli
karma normal dağılım modellerinde normallik varsayımı
sağlanmıştır. 3 endeksin tamamına 3 bileşenli karma
normal dağılım modeli uygulanarak normallik varsayımı
sağlanmıştır.
22
Tablo 2 – Durağanlık Testi
23
3. Ampirik Bulgular
• Durağanlık testlerinde ise 2 bileşenli normal dağılım modelinde 30 hissenin 27’si, ve 3 endeksten 2’si %5 anlamlılık düzeyinde durağanlık 𝑯𝟎 hipotezi reddedilmiştir.
• 12 hisse için oluşturulan 3 bileşenli karma normal dağılım modelinde ve 7 hisse için oluşturulan 4 bileşenli karma normal dağılım modelinde durağanlık olmadığı gözlenmiş ve bu durum hisseler için hesaplanan çarpıklık katsayısı ile tutarlı sonuç vermiştir.
24
Student ve Karma Dağılım
• Student dağılım ile karma dağılımlar karşılaştırıldığında;
• 3,4 ve 5’li kesikli karma normal dağılım modelleri için 30 hisse senedinden 19’u ve 3 endeksin tümü kesikli karma normal dağılımlar hipotezi ile daha iyi açıklanabilmiştir.
• Diğer 11 hisse senedi için ise sadece 2’li karma normal dağılımın sonuçları alınmıştır. Bu sonuçlara göre 7 hisse senedi student modeli ile daha iyi açıklanırken diğer dört hisse senedi karma normal dağılım modeline daha uygundur.
• 30 hisse senedinden 23 tanesi ve 3 endeks karma dağılım modeli ile, diğer 7 hisse senedi için ise student modele uygundur.
25
26
27