مدل داده های تابلویی برای قیمت (Panel Data Pricing Model)، در ریاضیات (Mathematics)
انواع مدل های قیمت گذاری (Pricing Models) را در آموزش زیر شرح دادیم :
مدل داده های تابلویی برای قیمت (Panel Data Pricing Model) :
مدل داده های تابلویی (Panel Data Model) که به آن داده های ترکیبی یا طولی نیز گفته می شود، روشی آماری برای تحلیل داده هایی است که شامل مشاهدات چندین واحد (مانند شرکت ها، افراد، کشورها) در چندین دوره زمانی هستند. در قیمت گذاری، از این مدل ها برای تحلیل عوامل مؤثر بر قیمت در طول زمان و بین واحدهای مختلف استفاده می شود. داده های تابلویی مزایای زیادی نسبت به داده های مقطعی یا سری زمانی دارند.
فرمول عمومی مدل داده های تابلویی:
\[ Y_{it} = \alpha + \beta X_{it} + u_{it} \]که در آن:
\[ Y_{it} \]
: متغیر وابسته برای واحد i در زمان t (مثلا قیمت سهام شرکت i در سال t)
\[ X_{it} \]
: متغیرهای مستقل برای واحد i در زمان t
\[ \alpha \]
: عرض از مبدأ مشترک
\[ \beta \]
: بردار ضرایب
\[ u_{it} \]
: جمله خطا
انواع مدل های داده های تابلویی:
مدل اثرات ثابت (Fixed Effects - FE): فرض می کند هر واحد (شرکت) دارای ویژگی های خاص و ثابتی است که با متغیرهای مستقل همبستگی دارد. این ویژگی ها با عرض از مبدأهای متفاوت برای هر واحد مدل می شوند.
مدل اثرات تصادفی (Random Effects - RE): فرض می کند تفاوت های بین واحدها تصادفی و ناهمبسته با متغیرهای مستقل هستند. این مدل کاراتر از FE است اما در صورت نقض فرض، اریب می شود.
مدل بین (Between Model): میانگین های هر واحد را در طول زمان بررسی می کند.
مدل درون (Within Model): تغییرات درون هر واحد در طول زمان را بررسی می کند (معادل اثرات ثابت).
🔑 آزمون هاسمن (Hausman Test):
برای انتخاب بین مدل اثرات ثابت و اثرات تصادفی استفاده می شود. اگر p-value کوچک باشد (معمولا <0.05)، اثرات ثابت مناسب تر است. در غیر این صورت، اثرات تصادفی ترجیح داده می شود.
مراحل تحلیل داده های تابلویی برای قیمت گذاری:
گام ۱: جمع آوری داده های تابلویی (مثلا قیمت سهام ۵۰ شرکت در ۵ سال)
گام ۲: تمیزکاری داده ها و مدیریت داده های گمشده
گام ۳: انتخاب متغیرهای مستقل (عوامل مؤثر بر قیمت مانند سود هر سهم، اندازه شرکت، نسبت بدهی)
گام ۴: برآورد مدل های Pooled OLS، FE و RE
گام ۵: انجام آزمون های تشخیصی (F-test برای FE، LM test برای RE، Hausman test)
گام ۶: انتخاب مدل مناسب و تفسیر ضرایب
گام ۷: بررسی فروض کلاسیک (ناهمسانی واریانس، خودهمبستگی)
گام ۸: استفاده از نتایج برای تصمیم گیری قیمتی یا پیش بینی
مثال: عوامل مؤثر بر قیمت سهام شرکت ها:
📘 مثال:
داده های ۱۰۰ شرکت پذیرفته شده در بورس برای سال های ۱۳۹۵ تا ۱۴۰۰ جمع آوری شده است. متغیر وابسته: لگاریتم قیمت سهام. متغیرهای مستقل:
EPS: سود هر سهم
Size: لگاریتم دارایی های شرکت
Leverage: نسبت بدهی به دارایی
ROE: بازده حقوق صاحبان سهام
نتایج برآورد با مدل اثرات ثابت:
\[ \ln(Price_{it}) = 0.5 + 0.3 \ln(EPS_{it}) + 0.2 Size_{it} - 0.4 Leverage_{it} + 0.1 ROE_{it} \]تفسیر:
با افزایش ۱٪ در EPS، قیمت سهام به طور متوسط ۰.۳٪ افزایش می یابد.
با افزایش ۱ واحدی نسبت بدهی، قیمت سهام ۰.۴٪ کاهش می یابد.
این ضرایب پس از کنترل اثرات ثابت شرکت ها (ویژگی های خاص هر شرکت) به دست آمده اند.
مزایای داده های تابلویی:
کنترل ناهمگنی فردی (ویژگی های ثابت و مشاهده نشده)
افزایش درجه آزادی و کاهش همخطی بین متغیرها
امکان مطالعه پویایی های تغییرات در طول زمان
تفکیک اثرات درون واحدی و بین واحدی
معایب و محدودیت ها:
مشکلات مربوط به داده های گمشده و نامتوازن
پیچیدگی در انتخاب مدل مناسب
احتمال خودهمبستگی و ناهمسانی واریانس در طول زمان
نیاز به دوره زمانی کافی برای تخمین قابل اعتماد
کاربردها در قیمت گذاری:
تحلیل عوامل بنیادی مؤثر بر قیمت سهام شرکت ها
بررسی اثر سیاست های مالی و اقتصادی بر قیمت مسکن در شهرهای مختلف
مدل سازی قیمت گذاری پویا در صنایع مختلف
مطالعه اثر ویژگی های محصول بر قیمت (هدانیک پرایسینگ با داده های تابلویی)
ارزیابی عملکرد صندوق های سرمایه گذاری در طول زمان
