نسبت نوسان نزولی/صعودی
factor.formula
نسبت نوسان نزولی/صعودی (DUVR):
در اینجا:
- :
بازده سهام i در زمان t که معمولاً با استفاده از بازده لگاریتمی محاسبه می شود، یعنی $r_{it} = \ln(P_{it}/P_{it-1})$، که در آن $P_{it}$ قیمت سهام i در زمان t است.
- :
میانگین بازده سهام i در طول دوره مشاهده است که به صورت $\bar{r_i} = \frac{1}{T} \sum_{t=1}^{T} r_{it}$ محاسبه می شود، که در آن T تعداد کل دوره های زمانی در دوره مشاهده است.
- :
تعداد روزهای دوره مشاهده که در آن بازده سهام i بزرگتر یا مساوی میانگین بازده $\bar{r_i}$ است، یعنی تعداد روزهای با بازده صعودی.
- :
تعداد روزهای دوره مشاهده که در آن بازده سهام i کمتر از میانگین بازده $\bar{r_i}$ است، یعنی تعداد روزهای با بازده نزولی.
- :
مجموع مربعات اختلافات بین بازده تمام بازده های نزولی (بازده های کمتر از میانگین بازده) سهام i در طول دوره مشاهده و میانگین بازده، نوسان بازده نزولی را اندازه گیری می کند، که به عنوان واریانس نزولی نیز شناخته می شود.
- :
مجموع مربعات اختلافات بین بازده تمام بازده های صعودی (بازده های بزرگتر یا مساوی میانگین بازده) سهام i در طول دوره بررسی و میانگین بازده، نوسان بازده صعودی را اندازه گیری می کند، که به عنوان واریانس صعودی نیز شناخته می شود.
factor.explanation
نسبت نوسان نزولی/صعودی (DUVR) با مقایسه نوسان نزولی و نوسان صعودی، عدم تقارن توزیع بازده سهام را اندازه گیری می کند. ماهیت این نسبت، اندازه گیری ریسک چولگی منفی توزیع بازده است، یعنی اینکه آیا نوسان بازده منفی بزرگتر از نوسان بازده مثبت است یا خیر. هرچه مقدار DUVR بالاتر باشد، نوسان نزولی نسبت به نوسان صعودی بیشتر است و احتمال سقوط شدید قیمت سهام بیشتر است. این ریسک نامتقارن معمولاً به عنوان یک ریسک سیستماتیک در نظر گرفته می شود و سرمایه گذاران برای تحمل این ریسک، حق بیمه ریسک بالاتری را مطالبه می کنند.
لازم به ذکر است که در محاسبه این عامل معمولاً از لگاریتم استفاده می شود، هدف این است که دامنه عددی را محدود کرده و از ناپایداری مدل ناشی از مقادیر بیش از حد جلوگیری شود. در عین حال، تبدیل لگاریتمی تا حدودی اثر هموارسازی داده ها را نیز دارد.
در کاربردهای عملی، می توان از بازه های زمانی مختلفی برای محاسبه این عامل استفاده کرد، مانند روزانه، هفتگی، ماهانه و غیره. بازه های زمانی مختلف ممکن است منجر به تفاوت در مقادیر عامل و قدرت پیش بینی شوند. علاوه بر این، این عامل اغلب در ترکیب با عوامل دیگر برای بهبود اثر پیش بینی استفاده می شود.