साइज़ इफ़ेक्ट: क्या स्मॉल कैप अभी भी बेहतर प्रदर्शन करते हैं?

मुख्य निष्कर्ष

स्मॉल-कैप प्रीमियम वास्तविक है, लेकिन शुरुआती शोध की तुलना में कहीं अधिक सशर्त है। Rolf Banz ने 1981 में साइज़ इफ़ेक्ट को सबसे पहले प्रलेखित किया, और Fama तथा French ने 1993 में अपने तीन-फ़ैक्टर मॉडल में इसे शामिल किया। तब से, अमेरिकी शेयर बाज़ार में शुद्ध साइज़ प्रीमियम काफ़ी कमज़ोर हो गया है। हालांकि, जब स्मॉल कैप पर क्वालिटी या वैल्यू फ़िल्टर लगाए जाते हैं, तो एक सार्थक और स्थायी प्रीमियम फिर से उभरता है। उभरते बाज़ारों में, जहां सूचना विषमता अधिक है, अंतर्राष्ट्रीय साक्ष्य अधिक सहायक है।

मूल खोज

1981 में, Rolf Banz ने अनुभवजन्य वित्त के सबसे प्रभावशाली शोधपत्रों में से एक प्रकाशित किया। 1936 से 1975 तक NYSE स्टॉक का विश्लेषण करते हुए, उन्होंने पाया कि बाज़ार पूंजीकरण के आधार पर सबसे छोटे पंचमक के शेयरों ने सबसे बड़े पंचमक की तुलना में काफ़ी अधिक जोखिम-समायोजित रिटर्न अर्जित किया। अंतर कम नहीं था -- साइज़ प्रीमियम वार्षिक औसतन लगभग 3 से 5 प्रतिशत था।

यह खोज दो कारणों से क्रांतिकारी थी। पहला, इसने कैपिटल एसेट प्राइसिंग मॉडल (CAPM) को चुनौती दी, जो भविष्यवाणी करता था कि केवल मार्केट बीटा ही क्रॉस-सेक्शनल रिटर्न अंतर की व्याख्या करेगा। दूसरा, इसने सुझाव दिया कि एक सरल, अवलोकन योग्य विशेषता -- कंपनी का आकार -- रिटर्न की भविष्यवाणी कर सकती है।

Fama और French ने 1993 के अपने ऐतिहासिक शोधपत्र में मार्केट और वैल्यू (HML) फ़ैक्टर के साथ SMB (Small Minus Big) फ़ैक्टर पेश करके साइज़ इफ़ेक्ट को औपचारिक रूप दिया। यह तीन-फ़ैक्टर मॉडल पोर्टफ़ोलियो प्रदर्शन मूल्यांकन का मानक ढांचा बन गया।

साक्ष्य: अतीत और वर्तमान

साइज़ प्रीमियम ने अलग-अलग चरणों से गुज़रा है, और स्मॉल-कैप झुकाव पर विचार करने वाले निवेशकों के लिए इन चरणों को समझना आवश्यक है।

कई पैटर्न स्पष्ट हैं। प्रकाशन-पूर्व प्रीमियम बाद की तुलना में काफ़ी बड़ा था। लार्ज-कैप ग्रोथ स्टॉक द्वारा प्रभुत्व वाले 1990 के दशक के अंत और 2010 के दशक स्मॉल कैप के लिए विशेष रूप से प्रतिकूल रहे। और ऐतिहासिक प्रीमियम का बड़ा हिस्सा Keim (1983) द्वारा सबसे पहले प्रलेखित जनवरी प्रभाव में केंद्रित है।

प्रीमियम क्यों सिकुड़ा?

साइज़ इफ़ेक्ट के प्रकाशन-पश्चात क्षरण पर व्यापक अकादमिक बहस हुई है।

प्रकाशन प्रभाव। सबसे सीधा स्पष्टीकरण यह है कि निवेशकों ने विसंगति के बारे में सीखा और इसे ट्रेड करके समाप्त कर दिया। स्मॉल-कैप फ़ंड और ETF में पूंजी प्रवाह ने गलत मूल्य निर्धारण को कम किया।

माइक्रो-कैप केंद्रीकरण। Israel और Moskowitz (2013) ने दिखाया कि ऐतिहासिक साइज़ प्रीमियम का अधिकांश हिस्सा बहुत छोटे, कम तरल शेयरों में केंद्रित था जो बड़े पैमाने पर व्यापार करना महंगा या असंभव है। इन्हें हटाने पर प्रीमियम नाटकीय रूप से सिकुड़ जाता है।

बाज़ार संरचना में सुधार। दशमलवीकरण, इलेक्ट्रॉनिक ट्रेडिंग और विश्लेषक कवरेज में वृद्धि ने उन सूचना विषमताओं को कम किया जो कभी स्मॉल-कैप निवेश के पक्ष में थीं।

नमूना अवधि संवेदनशीलता। साइज़ इफ़ेक्ट विश्लेषण की शुरुआत और समाप्ति तिथियों के प्रति बहुत संवेदनशील है।

सशर्त साइज़ इफ़ेक्ट

आधुनिक शोध की सबसे महत्वपूर्ण खोज यह है कि साइज़ एक सशर्त फ़ैक्टर के रूप में सबसे अच्छा काम करता है -- यानी, स्मॉल कैप मुख्य रूप से तब बेहतर प्रदर्शन करते हैं जब उन्हें अन्य अनुकूल विशेषताओं के साथ जोड़ा जाता है।

साइज़ + वैल्यू

Fama और French के अपने डेटा से पता चलता है कि स्मॉल-वैल्यू स्टॉक ने स्मॉल-ग्रोथ स्टॉक की तुलना में काफ़ी बड़ा प्रीमियम दिया है। 1926 से 2024 तक, अमेरिकी स्मॉल-वैल्यू स्टॉक ने लार्ज-ग्रोथ स्टॉक से प्रति वर्ष लगभग 4 से 5 प्रतिशत अधिक कमाया, जबकि स्मॉल-ग्रोथ स्टॉक ने वास्तव में कम प्रदर्शन किया। साइज़ प्रीमियम बड़े पैमाने पर स्मॉल-वैल्यू प्रीमियम है।

साइज़ + क्वालिटी

Asness, Frazzini, Israel, Moskowitz और Pedersen (2018) ने प्रदर्शित किया कि क्वालिटी को नियंत्रित करने पर साइज़ इफ़ेक्ट मज़बूत बना रहता है। मुख्य अंतर्दृष्टि: स्मॉल-कैप शेयरों में उच्च उत्तोलन, कम लाभप्रदता या सट्टेबाज़ी वाले व्यवसाय मॉडल वाली निम्न-गुणवत्ता कंपनियों का अनुपातहीन हिस्सा शामिल है। ये "जंक" शेयर समग्र स्मॉल-कैप प्रीमियम को नीचे खींचते हैं।

लाभप्रदता, आय स्थिरता या उत्तोलन के आधार पर छांटने पर, उच्च-गुणवत्ता स्मॉल कैप लार्ज कैप पर मज़बूत प्रीमियम देते हैं। साइज़ इफ़ेक्ट काम करता है; बस जंक से बचना होगा।

साइज़ + मोमेंटम

स्मॉल कैप मोमेंटम के साथ भी प्रभावी रूप से जुड़ते हैं। स्मॉल-कैप शेयरों में मोमेंटम प्रभाव अधिक मज़बूत होता है, संभवतः इसलिए कि छोटी, कम-अनुसरित कंपनियों में सूचना धीमी गति से फैलती है।

अंतर्राष्ट्रीय साक्ष्य

साइज़ इफ़ेक्ट के लिए अंतर्राष्ट्रीय साक्ष्य आम तौर पर अकेले अमेरिकी डेटा की तुलना में अधिक सहायक है।

विकसित बाज़ार। यूरोपीय, जापानी और ऑस्ट्रेलियाई बाज़ारों के अध्ययन अमेरिका की तुलना में अधिक स्थायी, मध्यम साइज़ प्रीमियम पाते हैं। इन बाज़ारों में छोटी कंपनियों के लिए विश्लेषक कवरेज अनुपात कम होना एक कारण हो सकता है।

उभरते बाज़ार। साइज़ इफ़ेक्ट का सबसे मज़बूत साक्ष्य उभरते बाज़ारों से आता है। अधिक सूचना विषमता, कम संस्थागत स्वामित्व और कम कुशल मूल्य खोज स्मॉल-कैप प्रीमियम के लिए अधिक उपजाऊ वातावरण बनाते हैं।

देशों के बीच पैटर्न। साइज़ प्रीमियम उन देशों में अधिक होता है जहां वित्तीय बाज़ार कम विकसित हैं, विश्लेषक कवरेज कम है और निवेशक सुरक्षा कमज़ोर है।

व्यावहारिक कार्यान्वयन

साइज़ प्रीमियम हासिल करने के इच्छुक निवेशकों के लिए कई कार्यान्वयन संबंधी बातें महत्वपूर्ण हैं।

क्वालिटी फ़िल्टर लगाएं। बस सबसे छोटे शेयर न खरीदें। लाभप्रदता, कम उत्तोलन और आय स्थिरता के लिए स्क्रीन करें। क्वालिटी फ़िल्टर के बिना समान-भार स्मॉल-कैप इंडेक्स में विश्वसनीय रूप से बेहतर प्रदर्शन के लिए बहुत अधिक जंक होता है।

तरलता जोखिम प्रबंधित करें। व्यापक बिड-आस्क स्प्रेड, कम ट्रेडिंग वॉल्यूम और उच्च मार्केट इम्पैक्ट लागत लागू करने योग्य प्रीमियम को कम करती है। बहुत छोटे पोर्टफ़ोलियो का प्रबंधन न कर रहे हों तो माइक्रो कैप की बजाय स्मॉल कैप पर ध्यान दें।

धैर्य रखें। साइज़ प्रीमियम असमान रूप से आता है। स्मॉल कैप विस्तारित अवधि के लिए कम प्रदर्शन कर सकते हैं। न्यूनतम 7 से 10 वर्ष की निवेश अवधि उचित है।

अंतर्राष्ट्रीय विविधीकरण पर विचार करें। अमेरिकी स्मॉल-कैप एक्सपोज़र को अंतर्राष्ट्रीय स्मॉल कैप, विशेष रूप से उभरते बाज़ारों के साथ जोड़ना, व्यापक अवसर और संभावित रूप से अधिक विश्वसनीय प्रीमियम प्रदान करता है।

सीमाएं

साइज़ इफ़ेक्ट अनुभवजन्य वित्त में सबसे विवादित विषयों में से एक बना हुआ है। संशयवादी तर्क देते हैं कि मूल खोज आंशिक रूप से माइक्रो-कैप, जनवरी प्रभाव और अनुकूल नमूना अवधि द्वारा संचालित सांख्यिकीय कलाकृति थी। समर्थक भी शुद्ध प्रीमियम के कमज़ोर होने को स्वीकार करते हैं। स्मॉल-कैप शेयर तरलता जोखिम, वित्तीय संकट जोखिम और उच्च अस्थिरता सहित मार्केट बीटा से परे वास्तविक जोखिम वहन करते हैं। सशर्त साइज़ इफ़ेक्ट अधिक मज़बूत है, लेकिन सक्रिय स्टॉक चयन या फ़ैक्टर स्क्रीनिंग की आवश्यकता होती है जो जटिलता और लागत जोड़ती है।