شبکه پیچیده تاثیر ویروس کرونا (کووید-19) بر متغیرهای کلان اقتصادی و سقوط بازارهای بورس سهام
الموضوعات :
متین صانعی فر
1
,
پرویز سعیدی
2
,
ابراهیم عباسی
3
,
حسین دیده‌خانی
4
1 - گروه مهندسی مالی، واحد علی‌آباد‌کتول، دانشگاه آزاد اسلامی، علی‌آباد‌کتول، ایران.
2 - گروه مدیریت و حسابداری، واحد علی آباد کتول، دانشگاه آزاد اسلامی، علی اباد کتول ،ایران.
3 - گروه حسابداری و مالی، دانشگاه الزهرا ، تهران، ایران.
4 - گروه مهندسی مالی، واحد علی‌آباد‌کتول، دانشگاه آزاد اسلامی، علی‌آباد‌کتول، ایران.
الکلمات المفتاحية: متغیرهای اقتصادی, کووید 19, شبکه پیچیده, ویروس کرونا, بازارهای بورس سهام,
ملخص المقالة :
شیوع ویروس کرونا منجر به واکنش‌های منفی شدید بازارهای بورس سهام در کشورهای مختلف شده است، همچنین تاثیرات جانبی این ویروس سبب ریزش قیمت بسیاری از متغیرهای کلان اقتصادی در سطح جهان بوده است، این موارد توجه گسترده تحلیلگران و سرمایه‌گذاران را در جهت اثرات منفی گسترش این ویروس بر بازارهای سهام معطوف کرده است. هدف پژوهش ایجاد شبکه پیچیده اثر ویروس کرونا بر بازار بورس سهام 75 کشور به‌همراه متغیرهای نفت، طلا، نقره و مس می‌باشد. نتایج نشان می‌دهد که بهم پیوستگی اقتصاد مدرن بازارهای سهام و متغیرهای اقتصادی، بحران بهداشتی را به یک بحران اقتصادی در سطح جهان تبدیل کرده است. ویروس کرونا به‌طور مستقیم بر 35 درصد بازارهای بورس تاثیر منفی گذاشته است، این ویروس بیشترین تاثیر را بر بازارهای بورس کشورهای اروپایی و آسیایی گذاشته است، همچنین کمترین تاثیر بر بازارهای بورس کشورهای عربی و آفریقایی بوده است. ویروس کرونا به طور غیر‌مستقیم با تاثیر‌گذاری بر متغیرهای اقتصادی باعث سقوط بازارهای بورس شده است، کاهش بی‌سابقه قیمت نفت سبب افت 56 درصد بازارهای بورس شده است و نوسانات قیمت طلا بر 29 درصد این بازارها تاثیرگذار بوده است. کاهش قیمت نقره و مس بین 25 تا 32 درصد بازارهای سهام را با ریزش مواجه کرده است.
_||_
1) Ismail Pourmoghadam Hadi, Mohammadi Taimur, Faqhi Kashani Mohammad, Shakri Abbas (2017). "Presenting a new index to reflect stock market behavior using complex network analysis approach". Financial Economics Quarterly, 13th year, number 46. 25-39
2) Albulescu, C. (2020a). Coronavirus and financial volatility: 40 days of fasting and fear. arXiv preprint arXiv:2003.04005.
3) Albulescu, C. (2020b). Coronavirus and oil price crash. Available at SSRN 3553452.
4) Birch, J., A.A. Pantelous, and K. Zuev, The maximum number of 3-and 4-cliques within a planar maximally filtered graph. Physica A: Statistical Mechanics and its Applications, 2015. 417: p. 221-229.
5) Barratt, A., & Weigt, M. (2000). On the properties of small-world network models. The European Physical Journal B-Condensed Matter and Complex Systems, 13(3), 547-560.
6) Bollobás, B. (1981). The diameter of random graphs. Transactions of the American Mathematical Society, 267(1), 41-52.
7) Brandes, U. (2001). A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25(2), 163-177.
8) Drożdż, S., Grümmer, F., Ruf, F., & Speth, J. (2001). Towards identifying the world stock market cross-correlations: DAX versus Dow Jones. Physica A: Statistical Mechanics and its Applications, 294(1-2), 226-234.
9) George, S., & Changat, M. (2017). Network approach for stock market data mining and portfolio analysis. Paper presented at the 2017 International Conference on Networks & Advances in Computational Technologies (NetACT).
10) Gormsen, N. J., & Koijen, R. S. (2020). Coronavirus: Impact on stock prices and growth expectations. University of Chicago, Becker Friedman Institute for Economics Working Paper (2020-22).
11) Helbing, D. 2013. Globally networked risks and how to respond. Nature, 497(7447), 51.
12) Li, F., Identifying asymmetric movements of international stock market returns. Journal of Financial Econometrics, 2013. 12(3): p. 507-543.
13) Mantegna, R.N., Hierarchical structure in financial markets. The European Physical Journal B-Condensed Matter and Complex Systems, 1999. 11(1): p. 193-197.
14) Newman, M. E. (2005). A measure of betweenness centrality based on random walks. Social networks, 27(1), 39-54.
15) Nobi, A., Lee, S., Kim, D. H., & Lee, J. W. (2014). Correlation and network topologies in global and local stock indices. Physics Letters A, 378(34), 2482-2489.
16) Nie, C.-X. and F.-T. Song, Constructing financial network based on PMFG and threshold method. Physica A: Statistical Mechanics and its Applications, 2018. 495: p. 104-113.
17) Pereira, E., Ferreira, P., & de Borges Pereira, H. B. (2020). COVID-19 in Stock Markets: A Complexity Perspective
18) Ramelli, S., & Wagner, A. F. (2020). Feverish stock price reactions to covid-19.
19) Selmi, R., & Bouoiyour, J. (2020). Global Market's Diagnosis on Coronavirus: A Tug of War between Hope and Fear.
20) Sornette, D. 2017. Why stock markets crash: critical events in complex financial systems. Princeton University Press.
21) Tumminello, M., Aste, T., Di Matteo, T., & Mantegna, R. N. (2005). A tool for filtering information in complex systems. Proceedings of the National Academy of Sciences, 102(30), 10421-10426.
22) Vandewalle, N., P. Boveroux, and F. Brisbois, Domino effect for world market fluctuations. The European Physical Journal B-Condensed Matter and Complex Systems, 2000. 15(3): p. 547-549.
23) West, D., Introduction to Graph Theory, Prntice-Hall. Englewood Cliffs, NJ, 2001.
24) Wagner, A. F. 2020. What the stock market tells us about the post-COVID-19 world. Nature Human Behavior. https://doi.org/10.1038/s41562-020-0869-y
25) Yan, B., Stuart, L., Tu, A., & Zhang, T. (2020). Analysis of the Effect of COVID-19 on the Stock Market and Potential Investing Strategies. Available at SSRN 3563380.
