A Comparative Analysis of Four-Factor Model and Three-Factor Model in the Nigerian Stock Market
Notice bibliographique
Résumé
The study investigates if the three-factor model explains variation in expected returns of stocks on the Nigerian Stock Exchange (NSE); and also ascertains if the four-factor model explains the variation in expected returns of stocks on the NSE better than the three-factor model. The study use a sample size of 139 stocks with continuous trading on the NSE for the period January 2007 to December 2014 to construct 10 portfolios on the bases of size, value and returns. By means of multiple OLS regression analysis method with the aid of StataC13 software the analysis was done. The empirical analysis reveals that the three-factor model explains cross sectional variation in expected returns in the NSE. Also, the study shows that the size effect, value effect as well as momentum effect is present in the market. Comparing the four-factor model with three-factor model, shows that the four-factor model have better explanatory power than the three-factor model in explaining returns in the Market. It is recommended that equity investors, fund/portfolio managers and investment advisers should embed in their operational strategies the explanatory power of market beta, size and value as well as momentum on stock/portfolio returns to enable them build up trading strategies that minimize loss and maximize returns. Market regulators and policy makers should ensure appropriate measures are in place to improve market viability and liquidity in order to enhance the depth and breathe of the market.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».