سرایت پویایی توپولوژیکی درشبکه بازار سهام ایران

محورهای موضوعی : دانش سرمایه‌گذاری

صمد صداقتی ¹ , روح اله فرهادی ² , میرفیض فلاح شمس ³

1 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاداسلامی، تهران، ایران
2 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاداسلامی، تهران، ایران .
3 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاداسلامی، تهران، ایران.

تاریخ دریافت : 1399/10/23 تاریخ پذیرش : 1400/02/18 تاریخ انتشار : 1403/01/01

کلید واژه: شبیه سازی اپیدمیک, شبکه های پیچیده, سرایت مالی, بازار سهام,

چکیده مقاله :

سرایت در بازارهای مالی به دلایل پیوندهای بنیادی وغیر بنیادی می توانند سطح ریسک بازارها را افزایش داده و حتی به تخصیص ناکارای منابع مالی منجر شودلذابدلیل اهمیت سرایت برای سرمایه گذاران دراین بازارها، در تحقیق حاضر با استفاده از مدلسازی اپیدمیک مبتنی بر شبکه، پویایی های سرایت در بازار سهام ایران در دوره سالهای 1390 تا 1398 در دو مقیاس کوتاه مدت و بلندمدت مورد تجزیه و تحلیل گرفته است. برای این منظور ابتدا شبکه همبستگی 46 گروه بازار سهام ایران ساخته شده و سپس با استفاده از شبیه سازی پویایی های سرایت در دومقیاس تحلیل شده است. نتایج تحقیق نشان می دهد که وسعت و سرعت انتشار سرایت در کوتاه مدت بسیار بیشتر از بلندمدت است و در بلندمدت تعداد قابل توجهی از گروه ها مصون از سرایت می توانند باشند. اگرچه در بلندمدت سرعت بازگشت به وضعیت قبل از سرایت کمتر از کوتاه مدت است.

چکیده انگلیسی:

Contagion in financial markets takes place both because of fundamental or non-fundamental reasons like herd behaviors that can increase market risk levels and even end in inefficient allocation of financial resources. Thus, understanding the contagion and its dynamics will be critical for the participants of financial market. Hence, using network-based epidemic modeling, the study examined the dynamics of contagion in the Iranian stock market from 2011 to 2019 and short-term and long-term scales. To this end, first the correlation network of 46 Iranian stock market groups was developed and then analyzed using short-term and long-term contagion dynamics simulations. The results showed that the extent and speed of contagion is much higher in the short-term than in long-term and in long-term a significant number of groups can be immune to the contagion. However, in long-term the rate of return to pre-contagion status is shorter than in short-term

منابع و مأخذ:

• Chang, G. D., & Cheng, P. C. (2016). Evidence of cross-asset contagion in US markets. Economic Modelling, 58, 219-226.


• Cipriani, M., & Guarino, A. (2008). Herd behavior and contagion in financial markets. The BE Journal of Theoretical Economics, 8(1).


• Dornbusch, R., Park, Y. C., & Claessens, S. (2000). Contagion: understanding how it spreads. The World Bank Research Observer, 15(2), 177-197.


• ECB, Financial market contagion, Financial Stability Review, December 2005.


• Forbes, K. J., & Rigobon, R. (2002). No contagion, only interdependence: measuring stock market comovements. The journal of Finance, 57(5), 2223-2261.


• Gai, P., & Kapadia, S. (2010). Contagion in financial networks. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 466(2120), 2401-2423.


• Glasserman, P., & Young, H. P. (2015). How likely is contagion in financial networks?. Journal of Banking & Finance, 50, 383-399.


• Glick, R., & Rose, A. K. (1999). Contagion and trade: Why are currency crises regional?. Journal of international Money and Finance, 18(4), 603-617.


• Kaminsky, G. L., & Reinhart, C. M. (2000). On crises, contagion, and confusion. Journal of international Economics, 51(1), 145-168.


• Kelly, Morgan, and Cormac O Grada. "Market Contagion: Evidence from the Panics of 1854 and 1857." American Economic Review, 90 (5): 1110-1124.


• Kodres, L. E., & Pritsker, M. (2002). A rational expectations model of financial contagion. The journal of finance, 57(2), 769-799.


• Kolaczyk, E. D., & Csárdi, G. (2014). Statistical analysis of network data with R (Vol. 65). New York, NY: Springer.


• Longstaff, F.A. (2002), “The flight-to-liquidity premium in US treasury bond prices”, National bureau of economic research.


• Masson, P. (1999). Contagion:: macroeconomic models with multiple equilibria. Journal of International Money and Finance, 18(4), 587-602.


• Nneji, O., Brooks, C., & Ward, C. (2013). Commercial real estate and equity market bubbles: Are they contagious to REITs?. Urban Studies, 50(12), 2496-2516.


• Shive, S. (2010). An epidemic model of investor behavior. Journal of Financial and Quantitative Analysis, 169-198.


• Rösch, C.G. and Kaserer, C. (2013), “Market liquidity in the financial crisis: the role of liquidity commonality and flight-to-quality”, Journal of Banking and Finance, Vol. 37 No. 7, pp. 2284-2302.


• Zhang, W., Zhuang, X., & Lu, Y. (2020). Spatial spillover effects and risk contagion around G20 stock markets based on volatility network. The North American Journal of Economics and Finance, 51, 101064.


• Zhou, Q., Sun, S., & Liu, Q. (2019). The capital flow of stock market studies based on epidemic model with double delays. Physica A: Statistical Mechanics and its Applications, 526, 120733.


• Caporin, M., Gupta, R., & Ravazzolo, F. (2021). Contagion between real estate and financial markets: A Bayesian quantile-on-quantile approach. The North American Journal of Economics and Finance, 55, 101347.


• Fijorek, K., Jurkowska, A., & Jonek-Kowalska, I. Financial contagion between the financial and the mining industries–Empirical evidence based on the symmetric and asymmetric CoVaR approach. Resources Policy, 70, 101965.


• Wang, H., Yuan, Y., Li, Y., & Wang, X. (2020). Financial contagion and contagion channels in the forex market: A new approach via the dynamic mixture copula-extreme value theory. Economic Modelling, 94, 401-414.


• Feng, Y., & Li, X. (2021). The Cross-Shareholding Network and Risk Contagion from Stochastic Shocks: An Investigation Based on China’s Market. Computational Economics, 1-25.


• Dong, Y., Wang, J., & Chen, T. (2019). Price linkage rumors in the stock market and investor risk contagion on bilayer-coupled networks. Complexity, 2019.


• Zhu, Y., Yang, F., & Ye, W. (2018). Financial contagion behavior analysis based on complex network approach. Annals of Operations Research, 268(1), 93-111.