Název:
Chybné ocenění akcií s nízkou tržní kapitalizací a vysokým dluhem
Překlad názvu:
Mispricing in leveraged value small-capitalization stocks
Autoři:
Picálek, Jan ; Hronec, Martin (vedoucí práce) ; Novák, Jiří (oponent) Typ dokumentu: Diplomové práce
Rok:
2022
Jazyk:
eng
Abstrakt: [eng][cze] We study returns in the universe of leveraged value small-capitalization stocks, a universe with historically significant exposure to common risk factors. We sep- arate future winners and losers within this universe of risky stocks by adopting machine-learning-based mispricing strategy. The strategy considers 34 stock- level characteristics to predict 1-month-ahead returns and construct a long- short portfolio accordingly. The portfolio yields abnormal risk-adjusted re- turns of 0.42% per month out-of-sample, uncovering statistically significant mispricing. The machine-learning algorithm is trained on leveraged value small- capitalization stocks, so it captures universe-specific nonlinearities and variable interactions. The nonlinear effects and predictive power of individual variables are extracted and presented as well. We found no evidence of a relationship between the magnitude of the mispricing and credit cycles, or market volatility. JEL Classification G11, G12, G14, Keywords Anomalies, Predictability of returns, Asset pricing tests, Leveraged equities, Value stocks Title Mispricing in leveraged value small-capitalization stocksZkoumáme výnosy hodnotových akcií s vysokým zadlužením a nízkou tržní kap- italizací, tj. akcií s historicky značnou expozicí vůči běžným rizikovým fak- torům. Za použití strojového učení vybíráme z množiny těchto rizikových akcií ty, jež by se měly v budoucnu nadměrně zhodnotit. V rámci této strategie zohledňujeme 34 akciových charakteristik a predikujeme budoucí výnosy jed- notlivých akcií, na jejichž základě pak každý měsíc sestavujeme long-short port- folio. Nadměrná výnosnost strategie 0.42% za měsíc i přes úpravu o riziko na testovacím vzorku dat ukazuje, že chybné ocenění je statisticky signifikantní. Použitý algoritmus strojového učení se učil na množině hodnotových akciích s vysokým dluhem a nízkou tržní kapitalizací, a zachycuje vztahy specifické pro tuto množinu, včetně vztahů nelineárních a interakcí jednotlivých proměnných. Tyto nelineární vztahy a prediktivní schopnost jednotlivých proměnných jsou extrahovány a následně i prezentovány. Mezi mírou chybného ocenění a kred- itními cykly či tržní volatilitou jsme nenašli žádnou spojitost. Klasifikace JEL G11, G12, G14, Klíčová slova Anomálie, Prediktabilita výnosů, Testy oceňovacích modelů, Zadlužené společnosti,...
Klíčová slova:
Anomálie; Hodnotové akcie; Prediktabilita výnosů; Testy oceňovacích modelů; Zadlužené společnosti; Anomalies; Asset pricing tests; Leveraged equities; Predictability of returns; Value stocks