Tỷ lệ Biến động Giảm/Tăng
factor.formula
Tỷ lệ Biến động Giảm/Tăng (DUVR):
trong đó:
- :
Lợi nhuận của cổ phiếu i tại thời điểm t thường được tính bằng lợi nhuận logarit, tức là $r_{it} = \ln(P_{it}/P_{it-1})$, trong đó $P_{it}$ là giá của cổ phiếu i tại thời điểm t.
- :
Lợi nhuận trung bình của cổ phiếu i trong giai đoạn quan sát được tính bằng $\bar{r_i} = \frac{1}{T} \sum_{t=1}^{T} r_{it}$, trong đó T là tổng số kỳ thời gian trong giai đoạn quan sát.
- :
Số ngày trong giai đoạn quan sát mà lợi nhuận của cổ phiếu i lớn hơn hoặc bằng lợi nhuận trung bình $\bar{r_i}$, tức là số ngày có lợi nhuận tăng.
- :
Số ngày trong giai đoạn quan sát mà lợi nhuận của cổ phiếu i nhỏ hơn lợi nhuận trung bình $\bar{r_i}$, tức là số ngày có lợi nhuận giảm.
- :
Tổng bình phương độ lệch giữa lợi nhuận của tất cả các lợi nhuận giảm (lợi nhuận nhỏ hơn lợi nhuận trung bình) của cổ phiếu i trong giai đoạn quan sát và lợi nhuận trung bình đo lường sự biến động của lợi nhuận giảm, còn được gọi là phương sai giảm.
- :
Tổng bình phương độ lệch giữa lợi nhuận của tất cả các lợi nhuận tăng (lợi nhuận lớn hơn hoặc bằng lợi nhuận trung bình) của cổ phiếu i trong giai đoạn kiểm tra và lợi nhuận trung bình đo lường sự biến động của lợi nhuận tăng, còn được gọi là phương sai tăng.
factor.explanation
Tỷ lệ biến động giảm/tăng (DUVR) đo lường sự bất đối xứng của phân phối lợi nhuận cổ phiếu bằng cách so sánh biến động giảm và biến động tăng. Bản chất của tỷ lệ này là đo lường rủi ro độ lệch âm của phân phối lợi nhuận, tức là liệu biến động lợi nhuận âm có lớn hơn biến động lợi nhuận dương hay không. Giá trị DUVR càng cao, biến động giảm càng lớn so với biến động tăng và giá cổ phiếu càng có nhiều khả năng giảm mạnh. Rủi ro bất đối xứng này thường được coi là rủi ro hệ thống và các nhà đầu tư sẽ yêu cầu một mức bù rủi ro cao hơn để chịu rủi ro này.
Cần lưu ý rằng việc tính toán yếu tố này thường lấy logarit, mục đích là để thu hẹp phạm vi số và tránh sự không ổn định của mô hình do các giá trị quá lớn. Đồng thời, phép biến đổi logarit cũng có tác dụng làm mịn dữ liệu ở một mức độ nhất định.
Trong các ứng dụng thực tế, có thể sử dụng các khung thời gian khác nhau để tính toán yếu tố này, chẳng hạn như hàng ngày, hàng tuần, hàng tháng, v.v. Các khung thời gian khác nhau có thể dẫn đến sự khác biệt về giá trị yếu tố và khả năng dự đoán. Ngoài ra, yếu tố này thường được sử dụng kết hợp với các yếu tố khác để cải thiện hiệu quả dự đoán.