تحلیل اثرات سرریز بین بازارهای نفت و بورس اوراق بهادار تهران در طول مقیاس‌های چندگانه زمانی؛ (با استفاده از مدل VAR-GARCH-BEKK بر پایه موجک )
محورهای موضوعی : اقتصاد مالیمحمد شریف کریمی 1 , مریم حیدریان 2 , شهرام دهقان جبار آبادی 3
1 - استادیار گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران.
2 - دانشجوی دکتری اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران
3 - کارشناس ارشد علوم اقتصادی، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران
کلید واژه: stock exchange, Wavelet, واژه‌های کلیدی: اثرات سرریز, بازار نفت, بورس اوراق بهادار, موجک, GARCH-BEKK. طبقه بندی JEL : C10, E00, G10 Keywords: Spillover Effects, Oil market, GARCH-BEKK,
چکیده مقاله :
نوسانات قیمت نفت به عنوان یک متغیر برون زای قدرتمند، بسیاری از متغیرهای اقتصاد، از جمله شاخص قیمت سهام را می تواند تحت تأثیر قرار دهد. در این راستا، مطالعه حاضر در تلاش است با استفاده از مدل های گارچ چند متغیره شامل مدل بابا، انگل، کرونر و کرافت (GARCH-BEKK) بر پایه روش موجک، اثرات سرریز بین بازارهای نفت و بورس اوراق بهادار تهران را به تفکیک دوران قبل از تحریم، بعد از تحریم و بعد از برجام به صورت مقیاس های چندگانه مورد بررسی قرار دهد. در این پژوهش از داده های قیمت نفت خام اوپک و شاخص کل بازار بورس اوراق بهادار طی دوره زمانی بیست وسوم آذرماه 1387 الی نوزدهم بهمن ماه 1396 و به صورت هفتگی استفاده شده است. نتایج نشان می دهد، تأثیرات سرریز میان بازارها در دورههای زمانی متفاوت و با توجه رخدادهای اقتصادی-سیاسی متغیر است و میتواند یکطرفه، دوطرفه و یا اصلا وجود نداشته باشد. به طوری که در دوره اول (قبل از شروع تحریم های نفتی) به صورت یکطرفه از بازار نفت به بازار بورس، در دوره دوم (دوران تحریم) به صورت دوطرفه در کوتاه مدت و در بلندمدت یکطرفه از بازار نفت به بازار بورس بوده است و در نهایت در دوره سوم (بعد از برجام) دارای رابطه یکطرفه از بازار نفت به بازار بورس بوده است. این نتایج به وضوح به وابستگی اقتصاد ایران به نفت و اثرات آن بر بازارهای مختلف مالی از جمله بورس اوراق بهادار اشاره دارد. لذا به سیاست گذاران و سرمایه گذاران پیشنهاد می شود تصمیمات خود را براساس زمان و اتفاقات دوره انجام دهند تا از حداکثر مطلوبیت خود دور نشوند. Abstract Oil price volatility as a powerful exogenous variable, can affect many economic variables, including stock price index. In this regard, the present study is analyzed spillover effects between oil and Stock Tehran exchange markets using multivariate GARCH models such as Baba, Engle, Kraft and Kroner (GARCH-BEKK) based on wavelet method and by resolution to before sanctions, after sanctions and after Brjam (Joint Comprehensive Plan of Action) as multiple scales. In this study, used OPEC crude oil price data and total stock market index during of December 13, 2008 to February 8, 2018 and weekly. The results show that spillover effects between markets in different periods, with the attention of economic-political events, can be varied and can be unilateral, two-sided, or not at all. So that in the first period (before start of oil sanctions), as one-sided from oil market to stock exchange, in the second period (the sanction period), in the short run and in the long run one-sided from oil market to stock market and finally, in the third period (after the Brjam), there was a one-sided relationship from oil market to stock market. These results clearly point to Iran's dependence on oil and its effects on various financial markets, including stock exchanges. Therefore, policy makers and investors are encouraged to make their own decisions based on the time and events of the course in order not to deprive them of their maximum utility.
فهرست منابع
1) ابونوری، اسمعیل، عبدللهی، محمدرضا، و حمزه، مصطفی (1391). ارزیابی پویاییهای رابطه بین نرخ ارز و شاخص سهام بورس تهران با استفاده از مدل گارچ دو متغیره. فصلنامه پژوهشنامه بازرگانی, 65-86.
2) صمدی، سعید، شیرانی فخر، زهره و داورزاده، مهتاب (1386). بررسی میزان اثرپذیری شاخص سهام بورس اوراق بهادر تهران از قیمت جهانی نفت و طلا (مدلسازی و پیشبینی). فصلنامه بررسیهای اقتصادی, 4(2)، 52-25.
3) عباسینژاد، حسین و ابراهیمی، سجاد (1392)، اثر نوسانهای قیمتی بر بازده بورس اوراق بهادار تهران. فصلنامه پژوهشها و سیاستهای اقتصادی، 21(68)، 108-83.
4) فعلی، عاطفه (1395)، بررسی سرریز تلاطم بازده نفت بر بازدهی صنایع منتخب در بازار بورس اوراق بهادار تهران (رویکرد تجزیه واریانس)، پایاننامه کارشناسی ارشد رشته مهندسی سیستمهای اقتصادی- اجتماعی، دانشگاه خوارزمی.
5) بتشکن، محمدهاشم، صادقی شاهدانی، مهدی، سلیمی، محمدجواد و محسنی، حسین (1396)، سرریز نوسانات بر بورس اوراق بهادار، فصلنامه پژوهشها و سیاستهای اقتصادی، 84(25)، 189-165.
6) ثقفی، علی و قنبریان، رضا (1394)، بررسی رابطه پویا بین قیمت نفت و شاخصهای بازار سرمایه در ایران. فصلنامه تحقیقات مدلسازی اقتصادی، 5(20).
7) Bae, K. H., Karolyi, G. A., & Stulz, R. M. (2003). A New Approach to Measuring Financial Contagion. Review of Financial Study, 717-763.
8) Bollerslev, T., Chou, R. Y., & Kroner, K. F. (1992). ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence. Journals of Econometrics, 5-59.
9) Efimova, O., & Serletis, A. (2014). Energy Markets Volatility Modeling Using GARCH. Energy Economics, 264-273.
10) Engle, R. F., & Kroner, K. F. (1995). Multivariate Simultaneous Generalized ARCH. Econometric Theory, 122-150.
11) Gallegati, M., & Gallegati, M. (2007). Wavelet Variance Analysis of Output in G7 Countries. Study Nonlinear Dynamic Econom.
12) Gallegati, M., Ramsey, J. B., & Semmler, W. (2014). Interest Rate Spreads and Output: A Time Scale Decomposition Analysis Using wavelets. Comput. Statistical Data Analysis, 283-290.
13) Karali, B., & Ramirez, O. A. (2014). Macro Determinants of Volatility and Volatility Spillover in Energy Markets. Energy Economics, 413-421.
14) Khalfaoui, R., Boutahar, M., & Boubaker, H. (2015). Analyzing Volatility Spillovers and Hedging between Oil and Stock Markets: Evidence from Wavelet Analysis. Energy Economics, 540-549.
15) Mensi, W., Beljid, M., Boubaker, A., & Managi, S. (2013). Correlations and Volatility Spillovers across Commodity and Stock Markets: Linking energies, food, and gold. Econ. Modell 32, 15-22.
16) Nazlioglu, s., Soytas, U., & Gupta, R. (2015). Oil Prices and Financial Stress: A Volatility Spillover Analysis. Energy Policy 82, 278-288.
17) Papapetrou, E. (2001). Oil Price Shocks, Stock Market, Economic Activity and Employment in Greece. Energy Econ. 23, 511-532.
18) Wang, L. J., An, H. Z., Liu, X. J., & Huang, X. (2016). Selecting Dynamic Moving Average Trading Rules in Crude Oil Futures Markets Using a Genetic Approach. Appl. Energy 162, 1608-1618.
19) Gonzalez-Rivera, G.; Lee, T. H. and S. Mishra (2004), "Forecasting Volatility: A Reality Check Based on Option Pricing, Utility Function, Value-at-risk, and Predictive Likelihood", International Journal of Forecasting, 20(4), pp. 645-629.
20) Soriano, Pilar and F.G. Climent (2006), “Region versus Industry Effects: Volatility Transmission”, Financial Analysts Journal, 62(6), pp. 52-64.
21) Arouri, M.E.H.; Lahiani, A. and D.K. Nguyen (2011), "Return and Volatility Transmission between World Oil Prices and Stock Markets of the GCC Countries", Economic Modelling, 28(4), pp. 1815-1825.
22) Diebold, F. X. and K. Yilmaz (2012), "Better to Give than to Receive: Predictive Directional Measurement of Volatility Spillovers", International Journal of Forecasting, 28(1), pp. 58-66.
23) Aboura, S. and J. Chevallier (2015), "Volatility Returns with Vengeance: Financial Markets vs. Commodities", Research in International Business and Finance. No. 33, pp. 334-354.
24) Apergis, N. and S.M. Miller (2009), "Do Structural Oil-market Shocks Affect Stock Prices?", Energy Economics, No. 31, pp. 569-575.
25) Liu, X., An. H., Huang, Sh., and Wen, Sh., (2017). The evolution of spillover effects between oil and stock markets across multi-scales using a wavelet-based GARCH–BEKK model. Physica A 465 (2017) 374–383.
یادداشت‌ها