ریسک تنزیل اشاره دارد به ریسک یک دارایی یا پورتفولیو در مورد یک سناریوی ناسازگار اقتصاد. در صورت مطلوب بودن این سناریو، عدم قطعیت بالایی وجود خواهد داشت. شیوۀ نامتقارن ریسک تنزیل در برابر عدم اطمینان رو به بالا (صعودی) توسط سرمایه گذاران برای مدت طولانی در میان متخصصین و محققین دانشگاهی پذیرفته شده است (به عنوان مثال، روی، ۱۹۵۲؛ مارکوویتز، ۱۹۵۹)، و منجر به توسعه مفاهیم جدیدی در حوزۀ قیمت گذاری دارایی و مدیریت ریسک شده است، مفاهیمی مانند ارزش در معرض خطر و کمبود یا کاستی مورد انتظار. نظریه های رفتار عقلانی نیز بسط و توسعه یافته اند، نظریه هایی که در آنها سرمایه گذاران در توابع مطلوبیت خود، وزن و تأکید بیشتری را بر شرایط نامساعد بازار قرار می دهند. این نظریه ها شامل چارچوب لحاظ شده در بخش پایانی باوا و لیندبرگ (۱۹۷۷)، مغایرت زیان کانمن و تروسکی (۱۹۷۹) در نظریۀ انتظار و مغایرت ناامیدی گول (۱۹۹۱) که توسط زین و روتلگ (۲۰۱۰) تعمیم داده شده است. این نظریه ها ریسک های تنزیل قیمت گذاری شده در تعادل بازار سرمایه را نشان می دهند. ما پیش بینی های مقطعی از مدل قیمت گذاری دارایی مبتنی بر مصرف را محاسبه و آزمون می کنیم. مدلی که در آن سرمایه گذار، ترجیحات ناامیدی را (GDA) عمومیت می بخشد و عدم اطمینان اقتصاد کلان، طی زمان در حال تغییر است. در یک محیط بدون اختلال انحراف معیار، دو عامل قیمت گذاری می شوند: بازده بازار ( ) و تغییر در نوسانات بازار (Δ ). این بدین معناست که سرمایه گذاران به سرمایه گذاری در دارایی نیاز دارند. اولین مورد پاداش برای تغییر همگام با بازده بازار است، Cov ( , ), که همراستا با پیش بینی CAPM است. دومین مورد، جبران خسارت یا پاداش برای تغییر همگام با تغییرات در نوسانات بازار است،. Δ Cov ( . این مورد قبلا توسط مطالعات تجربی که ریسک نوسان بودن در بخش سراسری است را نشان داده است. (به عنوان مثال انگ و همکاران، ۲۰۰۶b؛آدریان و روزنبرگ، ۲۰۰۸). بخش اصلی سهم و کمک نظری ما در این است که نشان دهیم هنگامی که اضطراب ناخوشایندی به چارچوب اضافه می شود، سرمایه گذاران به سهم پاداش اضافی به عنوان جبران برای مواجهه با عوامل ریسک ناشی از ناامیدی نیاز دارند. نخستین پاداش، جبران خسارت برای کوواریانسI(D) Cov ( است. عامل کاهش یعنی I(D) اگر مقدار نا امیدی صفر باشد، مقدار یک را به خود می گیرد. این مدل نشان می دهد که ناامیدی (D) ممکن است به دو دلیل تعیین شود: کاهش قابل ملاحظه ای در بازده بازار یا افزایش نوسانات بازار. دومین پاداش، جبران همکاری با تعامل از بازده بازار وعامل کاهش I (D) Cov ( است . این عامل نشان دهنده حرکات بازده بازار در سطح پایین است و ما به عنوان عامل رکود بازار به آن اشاره می کنیم. عامل جانبی پاداش سوم، جبران خسارت وارده با تعامل از تغییرات در نوسانات بازار و عامل کاهش، I (D) Δ Cov ( . این عامل نشان دهنده تغییرات در نوسانات بازار در رکود است و ما به عنوان نوسان به آن اشاره می کنیم. در مورد کلی، تنظیم ما به این طریق منجر به یک مدل عامل عامل می شود. اگرچه پنج مورد عوامل در مدل وجود دارد، تنها دو سری زمانی، بازده بازار (RW) و تغییرات در بازار Δ است که برای ساخت این عوامل مورد نیاز است: عامل رکود به عنوان یک تابع از این دو سری، و دو عامل کاهش به سادگی با عامل رکود ساخته شده است . ما همچنین نشان می دهیم که اگر سرمایه گذار نماینده دارای انعطاف پذیری نامحدود باشدجایگزینی بین زمانی، سپس نوسانات بازار در مدل نقش ندارد و رویداد ناامید کننده به کاهش ارزش بازار در زیر یک آستانه مرجع کاهش می یابد. این مورد خاص مربوط به یک مدل سه بعدی با بازار، کسادی و عوامل کاهش ارزش بازار است .پیامدهای مقطعی از ریسک ریسک پیش بینی شده، توسط آنگ و همکاران (۲۰۰۶a) و لیتاو و همکاران (۲۰۱۴ ) از جمله مهم ترین آنها است. مدل سه بعدی ما این مدل ها را از هر دو این مطالعات، با محدودیت های خاصی در مورد پاداش مربوط به عامل کاهش ما به طور صریح این محدودیت ها را به دست می اورد و با داده های آنها مقابله می کند . نتایج ما نشان می دهد که محدودیت های اعمال شده در معرض های ریسک نزولی آنگ و همکاران ۲۰۰۶ و لتو و همکاران ۲۰۱۴ از لحاظ تجربی پشتیبانی نمی شود. بنابراین، مدل سه بعدی ما پیشرفت قابل توجهی در توضیح بخش های مختلف بازده دارایی ها را فراهم می کند، حتی اگر هر سه مدل دقیقا همان اطلاعات را استفاده می کنند. مدل پنج عامل کلی بیشتر بر نقش نوسان در درک ریسک های ریسک تاکید می کند. به نظر ما، توجه کمی به ریسک کاهش نوسان در مقاله داده شده است. ما استدلال می کنیم که ریسک ناپایداری نوسان نیز یکی از عوامل مهم در توضیح مقطع بازده دارایی است، زیرا مدل پنج عامل در مقایسه با مدل سه عامل بهبود بیشتری پیدا می کند. ما از روش متداول آنی (GMM) برای بررسی تجربی عملکرد مدل های سه و پنج عامل استفاده می کنیم. دارایی های آزمون معیار ما دارایی های مختلفی هستند که از سهام ایالات متحده تشکیل شده است، سهام گزینه شاخص بر اساس نوع، بلوغ و پولی و سهام ارز با توجه به نرخ بهره مربوطه آنها مرتب شده است. این سهام ناهمگونی زیادی را در بازده های متوسط آنها نشان می دهد و از این رو برای آزمون های قیمت گذاری دارایی های مقطعی مناسب هستند. نتایج تجربی اصلی مقاله مربوط به قیمت گذاری عوامل ریسک ناامیدی است. همه عوامل مرتبط با ناامیدی دارای پاداش قابل توجهی هستند و علائم روی قیمت ریسک مطابق با پیش بینی های نظری است. با توجه به اشتباهات قیمت گذاری، زمانی که در همه طبقه های دارایی به طور مشترک مورد آزمایش قرار می گیرند، مدل سه بعدی ما با یک خطای قیمت متوسط خطی (RMSPE) 20 بنیادی (bps) در هر ماه، بهبود قابل ملاحظه ای بر CAPM با یک RMSPE 50bps داشته است . اشتباهات قیمت گذاری مربوط به مدل های ریسک نزول انگ و همکاران ۲۰۰۶a 28bps و لتو همکاران ۲۰۱۴ b (33 bps) به طور قابل توجهی بالاتر از مدل سه بعدی است. مدل عامل عامل ما با RMSPE با سرعت bps17 عمدتا یک مدل دو عامل با بازده بازار و تغییرات در نوسانات بازار با RMSPE با سرعت ۲۷ bps است. علاوه بر این، مدل FEA FDA چهار عامل کارهارت (۱۹۹۷) در تمام طبقه های دارایی به جز سهام سهاماجرا می کند . همچنین، مدل GDA به دلیل انگیزه مبتنی بر قیمت تعادلی تعادلی پویا و مبتنی بر نظریه های تصمیم گیری رفتاری، به جای انگیزه های ناشی از آنومالی های قیمت دارایی، منافع خود را دارد. این یافته ها اهمیت ریسک مربوط به ناامیدی در مقطع بازده دارایی ها را نشان می دهد. نتایج ما شدیدا برای استفاده از طبقه های دارایی های اضافی و سهام تست، به مشخصات متفاوتی از رویداد ناامید کننده و همچنین اقدامات جایگزین نوسانات بازار است. این مطلب به مقاله در حال توسعه کمک می کند که برای حمایت از تعمیم اخیر توسط روتلگ و زین (۲۰۱۰) از اصطلاحات اصلی چارچوب گول ۱۹۹۱ نوسان ماسوس کننده بدیهی تلاش کند. در مقاله، ترجیحات GDA وجود دارد و به نظر می رسد در مدل های تعادلی مبتنی بر مصرف به طور عمده با هدف توضیح رفتار سری زمانی بازار سهام کل، و به ندرت در مطالعات قیمت گذاری دارایی های مقطعی باشد. یک استثناء، دلیکوراس (۲۰۱۷) است که همچنین مقیاس مقطعی یک مدل مبتنی بر مصرف با تنظیمات ناامیدی را مطالعه می کند .چندین تفاوت بین تحقیق ما و دلیکوروس (۲۰۱۷) وجود دارد. اول، او از یک داده های مصرف روزانه و سه ماهه استفاده می کند. در مقابل، مصرف ما را به گونه ای جایگزین می کنیم شبیه کمپبل (۱۹۹۳)، و به بازده بازار متکی است. سپس می توانیم از مشکلات بالقوه اندازه گیری در داده های مصرف شده حمایتی توسط ویلکاکس (۱۹۹۲)، یا تاخیر دوباره حمایت از مصرف به اخبار بازار مالی به عنوان بحث پارکر و جولارد (۲۰۰۵) پرهیز کرده و مدل را در فرکانس ماهانه با استفاده از داده های بازده بازار تست کنید. دوم، او از نسخه اصلی نوسان ناامیدی گول (۱۹۹۱) استفاده می کند، در حالی که ما ازنسخه عمومی روتلگ و زین (۲۰۱۰) استفاده می کنیم. نتایج ما، با توجه به تفاوت آستانه ناامیدی، نشان می دهد که نسخه تعمیم یافته در یک مورد مناسب تر است. نمایندگی سوم، دلیکوروس (۲۰۱۷) متغیر نوسانگر ثابت دروازه مصرف را در نظر می گیرد، در حالی که تنظیم ما همچنین اجازه می دهد تا برای زمان متغیر عدم اطمینان از اقتصاد کلان داشته باشیم. این ویژگی از لحاظ تجربی پشتیبانی می شود (به عنوان مثال، بنسال و همکاران، ۲۰۰۵)، و مزایای مربوط به نوسانات در مدل مقطعی ما را افزایش می دهد . در نهایت، از آنجا که ما دریافت می کنیم پیامدهای مقطعی در قالب یک مدل عامل و به جای بازده به بازار است