"تحلیل تأثیر پویایی نفت، طلا و شاخص بورس بر اقتصاد ایران: رهیافتی نوین با الگوی SVAR-DCC-GARCH"

الموضوعات : Financial engineering

تارا حیدری ¹ , میر فیض فلاح ² , هاشم نیکومرام ³ , فریدون رهنمای رودپشتی ⁴ , غلامرضا زمردیان ⁵

1 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مدیریت بازرگانی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه مدیریت بازرگانی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
5 - گروه مدیریت بازرگانی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

تاريخ الإرسال : 20 الثلاثاء , صفر, 1445 تاريخ التأكيد : 11 الخميس , ربيع الثاني, 1445 تاريخ الإصدار : 25 السبت , ذو الحجة, 1446

الکلمات المفتاحية: شاخص بورس, نوسانات اقتصادی, خودرگرسیون برداری, تحلیل پویا, ناهمسانی شرطی تعمیم یافته چندمتغیره,

ملخص المقالة :

در اقتصاد جهانی، قیمت نفت به عنوان یکی از شاخص‌های اصلی تغییرات نرخ ارز مورد توجه قرار گرفته است. این اهمیت به دلیل معاملات بین‌المللی نفت با دلار آمریکا صورت می‌پذیرد. مقاله حاضر رابطه پویایی میان قیمت نفت، طلا و شاخص بورس ایران در بازه زمانی 1370 تا 1401 با الگوی SVAR-DCC-GARCH بررسی می‌کند. نتایج نشان می‌دهد افزایش رشد شاخص سهام ممکن است قیمت طلا را افزایش دهد، اما تأثیری بر بازار نفت ندارد. افزایش در بازار طلا و نفت تأثیر قابل توجهی در بازار سهام ایران ندارد و جالب است که ارتباط مشخصی میان بازار نفت و طلا وجود ندارد. این نتایج در طول نوسانات زمانی تغییر می‌کنند. در نهایت، با استفاده از الگوی SVAR-DCC-GARCH، این مقاله به تحلیل رابطه پویایی بین قیمت نفت، طلا و شاخص بورس در اقتصاد ایران می‌پردازد و نتایج نشان می‌دهد که این رابطه در شرایط مختلف با عنصر زمان تغییر می‌کند، که موجب فهم بهتر از تأثیر تغییرات در این شاخص‌ها بر اقتصاد ایران خواهد شد.

نص كامل:



فصلنامه مهندسی مالی و مدیریت اوراق بهادار شماره چهل و هشتم / پائیز 1400

 

"تحلیل تأثیر پویایی نفت، طلا و شاخص بورس بر اقتصاد ایران: رهیافتی نوین با الگوی SVAR-DCC-GARCH"

چکیده

 در اقتصاد جهانی، قیمت نفت به عنوان یکی از شاخص‌های اصلی تغییرات نرخ ارز مورد توجه قرار گرفته است. این اهمیت به دلیل معاملات بین‌المللی نفت با دلار آمریکا صورت می‌پذیرد. مقاله حاضر رابطه پویایی میان قیمت نفت، طلا و شاخص بورس ایران در بازه زمانی 1370 تا 1401 با الگوی SVAR-DCC-GARCH بررسی می‌کند. نتایج نشان می‌دهد افزایش رشد شاخص سهام ممکن است قیمت طلا را افزایش دهد، اما تأثیری بر بازار نفت ندارد. افزایش در بازار طلا و نفت تأثیر قابل توجهی در بازار سهام ایران ندارد و جالب است که ارتباط مشخصی میان بازار نفت و طلا وجود ندارد. این نتایج در طول نوسانات زمانی تغییر می‌کنند. در نهایت، با استفاده از الگوی SVAR-DCC-GARCH، این مقاله به تحلیل رابطه پویایی بین قیمت نفت، طلا و شاخص بورس در اقتصاد ایران می‌پردازد و نتایج نشان می‌دهد که این رابطه در شرایط مختلف با عنصر زمان تغییر می‌کند، که موجب فهم بهتر از تأثیر تغییرات در این شاخص‌ها بر اقتصاد ایران خواهد شد.

 

 

کلیدواژه ها: تحلیل پویا، خودرگرسیون برداری، ناهمسانی شرطی تعمیم یافته چندمتغیره، نوسانات اقتصادی، شاخص بورس

 

 

 

 

مقدمه

تحلیل تأثیرات نوسانات قیمت نفت، طلا و شاخص بورس بر اقتصاد و بازارهای مالی یکی از مسائل اساسی و جذاب در عرصه اقتصاد و مالی می‌باشد. نفت به‌عنوان منبع عمده‌ای از درآمد و نقدینگی در اقتصاد‌های جهانی به‌شمار می‌رود و تغییرات قیمت آن تأثیرات وسیعی بر سایر قطاع‌ها و شاخص‌های اقتصادی دارد. همچنین، طلا به‌عنوان یکی از ابزارهای مهم سرمایه‌گذاری و نگهداری ارزش در دوران نوسانات اقتصادی به‌شمار می‌آید. در عین حال، شاخص‌های بورس نیز به‌عنوان نماینده‌های اصلی عملکرد اقتصادی و مالی یک کشور به‌شمار می‌آیند.در این میان، اقتصاد ایران به‌عنوان یکی از کشورهایی با اهمیت نفتی بالا و بازارهای مالی پویا و پیچیده، تأثیرات این تغییرات را به‌طور ویژه تجربه می‌کند. تحلیل تأثیرات این تغییرات در اقتصاد ایران از اهمیت ویژه‌ای برخوردار است، زیرا تأثیرات این تغییرات می‌توانند از تورم و نرخ ارز تا سلامت بازارهای مالی و سرمایه‌گذاری‌ها را شکل دهند.

به‌منظور تحلیل رابطه پویایی بین قیمت نفت، طلا و شاخص بورس در اقتصاد ایران و همچنین تأثیرات آن بر تعاملات اقتصادی و مالی، در این مقاله از یک رویکرد تحلیلی پیشرفته استفاده می‌شود. الگوی SVAR-DCC-GARCH که تلفیقی از مدل‌های انتشار متغیرهای پنهان (SVAR)، مدل‌های همبستگی شرطی دینامیکی (DCC) و مدل‌های جارچ (GARCH) است، به تحلیل دقیق تأثیرات تغییرات نفت، طلا و شاخص بورس در دوره زمانی موردنظر از سال 1370 تا 1401 می‌پردازد.برخورداری از این ابزار تحلیلی پیشرفته به ما امکان می‌دهد تا اثرات انتقالی و دینامیکی این تغییرات را در بین متغیرهای اقتصادی و مالی ایران بررسی کرده و تأثیر زمان و نوسانات بازار را به‌طور دقیقتر ارزیابی کنیم. همچنین، این مقاله به‌منظور افزایش دقت و قابلیت پیش‌بینی نتایج، از داده‌های جدید و به‌روز اقتصاد ایران پس از سال 2020 استفاده می‌کند.در بررسی عناصر مؤثر بر نوسانات بازار سهام، تغییرات قیمت نفت و نوسانات آن در رابطه با بازده بازار سهام مورد توجه قرار گرفته است، چرا که نقش اساسی قیمت نفت خام در توسعه اقتصادی و سیاسی کشورهای صنعتی و نوظهور، قابل رؤیت است. مبنای نظری رابطه بین نوسانات قیمت نفت و بازار سهام، این است که تغییرات قیمت نفت بر متغیرهای کلان اقتصادی مانند تورم، رشد اقتصادی و غیره و در پی آن بر سود مورد انتظار بازار سهام تأثیر می گذارد. به عنوان مثال، افزایش قیمت نفت منجر به کاهش تولید می‌شود، زیرا نهاده‌ها گران‌تر می‌شوند و مستقیماً به افزایش سطح تورم منجر می­شود و این امر باعث کاهش درآمد مورد انتظار سرمایه‌گذاران از بازار سهام می‌شود. از این رو، این رابطه توسط سیاستگذاران و و همچنین توسط مدیران پورتفوی که به دنبال مزایای تنوع بین المللی هستند، به دقت رصد می شود، زیرا نفت به عنوان محرک اصلی فعالیت­های صنعتی و اقتصادی در نظر گرفته می شود (آیدوگان¹ و همکاران، 2017). با این فرض که عاملان اقتصادی منطقی هستند، بسیار راحت است که مدیران سرمایه­گذاری، با ترکیب نفت و سهام به جای سرمایه گذاری در یکی از این دو، در راستای به حداقل رساندن ریسک، پرتفوی سرمایه­گذاری را بهینه کنند. برای سیاستگذاران، تدوین برنامه‌های اقدام مناسب برای کاهش مؤثر هرگونه اثرات بالقوه شوک‌های نوسانات نفتی و جلوگیری از سرایت مالی، به‌ویژه در دوره‌های بحران، به نحوه مدل‌سازی ساختاری انتقال نوسانات بستگی دارد (بوری²، 2015).

علیرغم گستردگی مطالعات موجود در زمینه رابطه بین بازار کالا و بازار سهام، مطالعه ای که به تحلیل رابطه پویا بین بازار نفت، بازار طلا و بازار سهام در اقتصاد ایران با تکیه بر الگوی ترکیبی زمانی پرداخته باشد، صورت نگرفته است و از این رو، پژوهش حاضر بر آن است تا با پرداختن به این موضوع، خلأ موجود را پوشش دهد. در ادامه، ما به‌طور دقیقتر به مدل‌سازی رابطه پویایی میان قیمت نفت، طلا و شاخص بورس با استفاده از الگوی SVAR-DCC-GARCH می‌پردازیم و نتایج تحلیل‌های ما را ارائه می‌دهیم.

پیشینه پژوهش

علیرغم اینکه حجم قابل توجهی از ادبیات در مورد رابطه بین بازار کالا و بازارهای سهام وجود دارد، بین اقتصاددانان و دانشگاهیان درباره این رابطه اتفاق نظر وجود ندارد. مطالعه جونز و کاول³ (1996) اولین مطالعه ای بود که واکنش چهار بازار سهام توسعه یافته (کانادا، ژاپن، بریتانیا و ایالات متحده) به شوک های نفتی را با استفاده از یک مدل ارزش فعلی استاندارد بررسی کرد. آنها دریافتند که تغییرات قیمت نفت خام تأثیر منفی قابل توجهی بر بازده بازار سهام دارد و تغییرات در بازده سهام را می توان تا حدی با تأثیر حرکت قیمت نفت بر جریان های نقدی جاری و آتی به حساب آورد. به طور مشابه، مطالعات بعدی به نتایج موازی با جونز و کاول (1996) رسیدند و کشف کردند که تغییرات قیمت نفت تأثیر منفی بر بازده سهام دارد. در مقابل، برخی دیگر، رابطه مثبتی را بین قیمت نفت و بازده سهام نشان دادند، در حالی که هیچ ارتباط معناداری توسط هوانگ⁴ و همکاران (1996)، وی⁵ (2003) و کانگ⁶ و همکاران (2008) یافت نشد.

فان⁷ و همکاران (2015) دریافتند که تغییرات قیمت نفت بر بازارهای کشورهای صادرکننده و واردکننده نفت، تأثیر متفاوتی می­گذارد. بولدانوف⁸ و همکاران (2016) همبستگی مشروط زمانی متغیر بین قیمت نفت (قیمت نفت خام برنت) و نوسانات بازار سهام برای کشورهای واردکننده نفت و صادرکننده نفت را در بازه زمانی ژانویه 2000 تا دسامبر 2014 مورد مطالعه قرار دادند. در مطالعه تجربی آنها، نویسندگان شش اقتصاد عمده واردکننده/صادرکننده نفت، یعنی کانادا، روسیه و نروژ (سه کشور صادرکننده نفت) و ایالات متحده، چین و ژاپن (سه کشور واردکننده نفت) را با تکیه بر مدل خانواده BEKK به منظور مطالعه رابطه زمان متغیر بازار سهام نفت برای اقتصادهای واردکننده و صادرکننده نفت به کار گرفتند. یافته های تجربی، پویایی متغیر با زمان برای کشورهای واردکننده و صادرکننده نفت را به نمایش گذاشت. به طور مشابه، آیدوگان و همکاران (2017) با تکیه بر یک مدل چند متغیره cDCC-GARCH و داده های روزانه از ژانویه 2005 تا فوریه 2016 برای به دست آوردن همبستگی پویا بین نفت خام و بازده بازار سهام استفاده کردند. یافته‌های اصلی این تحقیق نشان می‌دهد که همبستگی متغیر زمانی بین قیمت نفت و سهام برای کشورهای واردکننده نفت بیشتر از کشورهای صادرکننده نفت است. خالفوری و همکاران (2019) با استفاده از داده‌های روزانه در بازه زمانی ژانویه 2010 تا دسامبر 2016، سرریز نوسان بین بازار نفت و بازار سهام کشورهای واردکننده و صادرکننده نفت را با استفاده از نسخه های متقارن و نامتقارن مدل های DCC و cDCC بررسی کردند و نشان می دهد که کشورهای واردکننده نفت به شدت تحت تاثیر شوک های تاخیری قیمت نفت هستند و شواهد کمتری از وابستگی متقابل بین بازارهای سهام برای کشورهای واردکننده و صادرکننده نفت وجود دارد. آکوک و سیسویر⁹ (2019) رابطه پویا بین نفت، طلا و بازده بازار سهام در ترکیه را با استفاده از نسخه های مختلف چارچوب SVAR-DCC-GARCH بررسی کرد و نتایج آنها از حضور هم‌جنبش و سرریز نوسانات متغیر با زمان از طلا و نفت به بازار سهام ترکیه پشتیبانی می‌کند. 

احمد و هو¹⁰ (2020) از یک مدل سه متغیره VAR-BEKK-GARCH برای بررسی رابطه پویا بین بازار سهام چین، بازارهای کالا و قیمت جهانی نفت استفاده می‌کند و تعامل قابل‌توجه بازده یک‌طرفه از بازار سهام چین و بازار جهانی نفت به شاخص‌های کالاهای کلیدی در چین را نشان می دهد. سرور¹¹ و همکاران (2020) تلاش می‌کند تا سرریز نوسان بین بازده نفت و بازار سهام (یعنی کراچی، شانگهای و بمبئی) را با استفاده از یک مدل دو متغیره BEKK-GARCH که دوره 1997 تا 2014 را پوشش می‌دهد، بررسی کند. آنها نقش مهم شوک‌های تاریخی و نوسانات یک بازار را بر نوسانات فعلی خود بازار در هر سه بازار نفت و سهام تایید کرده‌اند. وین¹² و همکاران (2022) از روش رگرسیون کمی MODWT-Vine برای مطالعه وابستگی پویا و اثرات سرایت ریسک در بین بازار بین‌المللی نفت، بازار کالای چین و بازار سهام چین در مقیاس‌های زمانی متعدد استفاده کردند و نشان دادند که برای مقیاس زمانی اصلی، همبستگی مثبت بین نفت و سهام با تأثیر بازار کالای چین کاهش می‌یابد. دای¹³ و همکاران (2022) با ترکیب روش تحلیل موجک با روش سرریز نوسانات فرکانس زمانی، تغییرات سرریز بازار کالاهای چین، بازار سهام، قیمت نفت خام، عدم قطعیت سیاست اقتصادی و شاخص تمایل سرمایه گذاران را در چشم انداز کوتاه مدت، میان مدت و بلند مدت بررسی کردند و نشان دادند، درجه زیادی از سرریز در میان معاملات آتی کالاهای مختلف در چین وجود دارد که به طور قابل توجهی در طول شیوع رویدادهای بحران اقتصادی بزرگ و رویدادهای بهداشت و ایمنی افزایش می یابد. ژو¹⁴ و همکاران (2022) رویکرد خودرگرسیون بردار پارامتر متغیر با زمان را برای بررسی تعاملات نوسانات پویا بازارهای سهام، کالا و کربن در چین، با تمرکز ویژه بر اثرات شوک‌های رویداد شدید بر تعاملات بازار، اتخاذ می‌کند و نشان می­دهد، یک علیت گرنجر دو طرفه بین نوسانات بازار سهام و کالا مشاهده می شود، در حالی که این بازارها به صورت یک طرفه گرنجر باعث نوسانات بازار کربن می شوند.

فرضیات پژوهش

با توجه به دیدگاه­های موجود در زمینه رابطه بین بازار طلا، بورس و نفت، فرضیاتی به شرح ذیل، تدوین شده و مورد آزمون قرار گرفتند:

1.       بین نوسانات قیمت نفت و بازدهی شاخص قیمت بورس اوراق بهادار تهران رابطه معناداری وجود دارد.

2.       بین نوسانات قیمت طلا و بازدهی شاخص قیمت بورس اوراق بهادار تهران رابطه معناداری وجود دارد.

3.       بین نوسانات قیمت نفت و نوسان قیمت طلا در ایران رابطه معناداری وجود دارد.

روش شناسی پژوهش

در مطالعه حاضر با تکیه بر الگوی VAR-DCC-GARCH به تحلیل تقابل بین بازار نفت، طلا و بورس اوراق بهادار در بازه زمانی 1370 تا 1401 پرداخته شده است. این همبستگی های پویا سرریزهای نوسان بین متغیرها را نشان می دهد. روش شناسی تجربی به این صورت است که ابتدا مدل VAR ساختاری چند متغیره، به متغیرهای رشد قیمت نفت، رشد قیمت طلا و رشد شاخص سهام، برازش داده شده و باقیمانده ها به دست آمدند. سپس، باقیمانده ها استاندارد شدند و در نهایت، فرآیند DCC-GARCH برآورد شده و همبستگی های پویا ارزیابی شدند. به منظور تعیین نوع ساختار بین متغیرها، آزمون علیت بوت استرپ با استفاده از مدل VAR سه متغیره صرف نظر از ثابت بودن یا نبودن متغیرها اعمال می شود. مدل ساختاری نیز با توجه به نوع علیت بین متغیرها تعریف می­شود و در صورتی که متغیری نتواند هیچ یک از متغیرهای مورد بررسی را تحت تأثیر قرار دهد، نقش علیت آن از مدل حذف می­شود.

اگر الگوی رگرسیون خودبرداری از درجه p در مقیاس k بعدی به صورت معادله (1) تعریف شود،

 

 

که در آن،  بردارهای متغیرهای قابل مشاهده،  ماتریس ضرایب و  بردار ضرایب ثابت است. مدل VAR مبتنی بر فرض ثبات (معکوس­پذیر) است. بردار  باقیمانده های الگو هستند که دارای میانگین صفر و واریانس ثابت هستند و همبستگی سریالی بین آنها وجود ندارد. ماتریس غیرمنفرد B اثرات آنی شوک های ساختاری  را بر روی متغیرهای سیستم نشان می دهد. 

مدل SVAR یک مدل ساختاری است که شکل تقلیل­یافته الگوی VAR است و در این الگو، محدودیت برای A و B می تواند اضافه شود. بسته به محدودیت های اعمال شده، سه نوع مدل SVAR قابل تشخیص است:

·       مدل A: B روی IK تنظیم شده است (حداقل تعداد محدودیت ها برای شناسایی است).

·        مدل A: B روی IK تنظیم شده است (حداقل تعداد محدودیت هایی که برای شناسایی اعمال می شود مانند مدل A است).

·       مدل AB: محدودیت ها را می توان روی هر دو ماتریس قرار داد (حداقل تعداد محدودیت ها برای شناسایی  است.

در مطالعه حاضر، محدودیت بر روی ضرایب الگو اعمال شده است.

مدل DCC-GARCH که عضوی از خانواده GARCH چند متغیره است، از این باقیمانده های استاندارد شده برای تخمین همبستگی های شرطی پویا استفاده می کند. انگل و کرونر¹⁵ (1995) یک مدل GARCH چند متغیره (M-GARCH) را برای مدل‌سازی انتقال نوسانات بین متغیرهای چندگانه معرفی کردند. این روش می تواند به طور مؤثر همبستگی مشروط بین دارایی ها را برآورد کند. مشکل اساسی در تخمین مدل های M-GARCH این است که تعداد پارامترهایی که باید تخمین زده شوند بسیار زیاد است و با افزایش تعداد متغیرها به صورت تصاعدی افزایش می­یابد. برای غلبه بر این مشکل انگل¹⁶ و همکاران (1990) و بولرسلیو¹⁷ (1990) یک مدل GARCH همبستگی شرطی ثابت (CCC-GARCH) را معرفی کردند. مدل CCC-GARCH فرض می‌کند که همه همبستگی‌های شرطی بین متغیرهای مختلف ثابت است. با این حال، همبستگی مشروط ممکن است در طول زمان تغییر کند زیرا آنها توسط نوسانات مشروط به روز می شوند. برای حل مشکل ابعاد در M-GARCH و مشکل همبستگی ثابت در CCC-GARCH، انگل (2002) مدل همبستگی شرطی پویا (DCC-GARCH) را توسعه داد که فرض همبستگی شرطی ثابت را آسان می کند و امکان همبستگی های متغیر با زمان را فراهم می کند که با توجه به مقادیر گذشته متغیرها قابل اندازه گیری هستند. در مدل DCC-GARCH، تعداد پارامترها به صورت نمایی افزایش نمی‌یابد، بلکه به صورت خطی افزایش می‌یابد و در نتیجه مشکل ابعاد حل می‌شود. با توجه به این امر که حرکت مشترک بین قیمت کالاها و بازار سهام ماهیت متفاوتی نسبت به زمان دارد، استفاده از روش DCC GARCH چند متغیره با زمان مناسب است.

در الگوی VAR(SVAR)-DCC-GARCH، مدل VAR(SVAR) برای برآورد معادله میانگین شرطی الگوی DCC-GARCH استفاده می­شود.

تجزیه و تحلیل داده ها

در این بخش به تجزیه و تحلیل داده های گردآوری شده پرداخته می­شود. بررسی­ها نشان می­دهد که کمترین شاخص سهام در سال 1372 و بیشترین آن در سال 1399 بوده است. این شاخص از سال 1370 تا 1399 به طور متوسط، روندی صعودی را طی کرده است. قیمت سکه در سال 1371 دارای کمترین مقدار و در سال 1395 دارای بیشترین مقدار بوده است و به طور متوسط، روندی صعودی را طی کرده است. قیمت نفت در سال 1370 دارای کمترین مقدار و در سال 1397 دارای بیشترین مقدار بوده است و از سال 1397 تا 1399 دارای روندی نزولی بوده است.

 روند تغییر متغیرها در نمونه مورد بررسی در نمودار (1) نشان داده شده است. با توجه به نمودار تغییر همزمان متغیرها می­توان بیان داشت با توجه به روند تغییر متغیرها نمی­توان نوع ارتباط بین متغیرها را تفسیر کرد.

 

نمودار 1 روند تغییر متغیرها در نمونه کشورهای مورد بررسی

 

قبل از تخمین مدل SVAR، برای حضور ریشه‌های واحد از آزمون‌های دیکی-فولر (ADF)، فیلیپس-پرون (PP) و کویتکوفسکی-فیلیپس-اشمیت-شین (KPSS) استفاده شده است. فرضیه صفر آزمون‌های ADF و PP این است که این سری دارای ریشه واحد است، در حالی که فرضیه صفر آزمون KPSS ریشه واحد نیست.

جدول 1 آزمون ریشه (واحد منبع: یافته های پژوهشگر)

	ADF	PP	KPPS
Stock	-801/4(01/0)	-87/72(01/0)	001/2(01/0)
Gold	-113/4(01/0)	-1/111(01/0)	016/1(01/0)
Oil	-512/5(01/0)	-21/97(01/0)	841/0(01/0)

 

نتایج مندرج در جدول 2 نشان می­دهد که تمام سری های لگاریتمی پایا هستند و از آنها برای تخمین مدل SVAR استفاده می شود. 

به منظور بررسی این مسئله که کدام متغیرها علت و معلول یکدیگر هستند، از آزمون علیت گرانجر مبتنی بر بوت استرپ استفاده شده است که نتایج آن در جدول 2  نشان داده شده است.

جدول 2 آزمون علیت گرانجر (واحد منبع: یافته های پژوهشگر)

	Stock	Gold	Oil
Stock	----	515/3(008/0)	118/1(348/0)
Gold	244/1(292/0)	----	863/0(483/0)
Oil	424/0(791/0)	483/0(747/0)	----

با توجه به نتایج بدست آمده از آزمون علیت گرانجر مندرج در جدول 2، تغییرات شاخص سهام می­تواند بر قیمت طلا تأثیرگذار باشد و علیت گرانجر بین سایر متغیرها وجود ندارد.

به منظور بررسی وجود اثرات ناهمسانی در الگوی VARدر راستای صحت استفاده از الگوهای ناهمسانی واریانس، از آزمون ARCH-LM استفاده شده است. مقدار معناداری آزمون از 05/0 کمتر است که دلالت بر مناسب بودن استفاده از الگوهای ناهمسانی واریانس دارد. همچنین، از معیارهای اطلاعاتی آکائیک (AIC)، شوارتز-بیزین (SC) و حنان-کوئین (HQ) برای تنظیم طول وقفه بهینه مدل‌ SVAR و الگوی GARCH استفاده شده است و نتایج در جدول 3 ارائه شده است.

جدول 3 تعیین وقفه بهینه الگو (واحد منبع: یافته های پژوهشگر)

الگو	AIC	SC	HQ	ARCH-LM
VAR(1)	-917/16*	-686/16*	-823/16*	79/353(00/0)
VAR(2)	-872/16	-468/16	-708/16	------
VAR(3)	-885/16	-308/16	-650/16	------
VAR(4)	-830/16	-080/16	-525/16	------
GARCH(0,1)	-968/1	-930/1	-953/1	------
GARCH(1,1)	-495/2*	-439/2*	-472/2*	------
GARCH(0,2)	-957/1	-900/1	-958/1	------

 

با توجه به مقادیر محدودیت به دست آمده از آزمون علیت گرانجر و وقفه بهینه، الگوی SVAR به مشاهدات برازش داده شد. مقادیر برآوردشده ضرایب رگرسیونی الگوی SVAR در بررسی روابط بین متغیرها در جدول 4 نشان داده شده است.

 

 

 

 

جدول 4 برازش الگوی SVAR (واحد منبع: یافته های پژوهشگر)

	StockGrowth		OilGrowth		GoldGrowth
	ضریب ذگرسیونی	معناداری	ضریب ذگرسیونی	معناداری	ضریب ذگرسیونی	معناداری
StockGrowth(-1)	616/0	000/0***	----	----	063/0	029/0*
OilGrowth(-1)	----	----	303/0	000/0***	----	----
GoldGrowth(-1)	----	----	----	----	240/0	001/0***
(***) معناداری در سطح اطمینان 99%؛ (**) معناداری در سطح اطمینان 95%؛ (*) معناداری در سطح اطمینان 90%
F	67/99***		43/16***		812/8***
	580/0		292/0		298/0

 

نتایج برازش الگوی SVAR به مشاهدات مندرج در جدول 4، نشان می­دهند که مقدار معناداری آزمون F از 01/0 کمتر است و با اطمینان 99% می­توان بیان داشت، الگو معنادار است و حداقل یکی از متغیرهای مستقل الگو بر وابسته تأثیرگذار است. رشد شاخص سهام، قیمت نفت و قیمت طلا در دوره قبل می­تواند منجر به افزایش رشد در دوره های آتی شود و این اثر در بازار سهام بیشتر از بازار طلا و نفت است. همچنین، افزایش رونق در بازار سهام، تأثیر مثبت و معناداری بر رشد قیمت طلا دارد ولی بر بازار نفت تأثیرگذار نیست. علاوه بر این بین بازار نفت و بازار طلا نیز پیوند معناداری وجود ندارد.

 توابع پاسخ ضربه ای (آنی)، تاثیر تکانه های واحد ایزوله را بر روی متغیرهای سیستم با توجه به وقفه پاسخی مشخص، توصیف می­کنند. نتایج به دست آمده از تابع پاسخ آنی متغیرها نسبت به یکدیگر در نمودار 2 نشان داده شده است. 

 

 

نمودار 2 نمودار عکس العمل آنی متغیرهای الگو نسبت به یکدیگر (الگوی SVAR) (واحد منبع: یافته های پژوهشگر)

نمودار عکس العمل آنی متغیرها نسبت به یکدیگر، گواه وجود ارتباط بین بازار سهام و بازار طلا و واکنش بازار طلا نسبت به تغییرات بازار سهام است.

برای نشان دادن سهم عوامل مختلف در ایجاد یک انحراف استاندارد در هر یک از متغیرهای الگو، تجزیه واریانس خطای پیش‌بینی (FEVD) استفاده شده است. بر خلاف تابع پاسخ ضربه ای که اثرات شوک یک متغیر را بر روی متغیرهای دیگر نشان می دهد، FEVD سهم سایر متغیرهای درون زا را برای ایجاد یک شوک انحراف استاندارد در هر متغیر نشان می دهد. نتایج نشان می­دهد که هر متغیر تحت تأثیر کدام منطقه و متغیر است.

 

نمودار 3 نمودار تجزیه واریانس خطای پیش‌بینی(واحد منبع: یافته های پژوهشگر)

 

تجزیه واریانس خطای پیش­بینی، گواه این مطلب هستند که 100% تغییرات متغیر رشد سهام توسط خود متغیر ایجاد می­شود، ولی نوسانات رشد سهام می­تواند منجر به تغییرات رشد قیمت نفت و قیمت طلا شود.

با توجه به نتایج به دست آمده از روابط در الگوی SVAR، در نهایت به برازش الگوی SVAR-DCC-GARCH به مشاهدات پرداخته شد. نتایج به دست آمده از برازش الگوی DCC-GARCH در جدول 4 نشان داده شده است.

جدول 5 برازش الگوی DCC-GARCH، VAR-DCC-GARCH و SVAR-DCC-GARCH(واحد منبع: یافته های پژوهشگر)

 

با توجه به نتایج به دست آمده از برازش الگوی DCC-GARCH، اثر ناهمسانی واریانس در سری­های زمانی مورد بررسی و نیز اثر DCC معنادار است. مجموع پارامترهای  و  در الگوهای سری زمانی از عدد یک کوچکتر است که دلالت بر نیکویی الگوی سری زمانی دارد. همبستگی شرطی بین متغیرهای مورد بررسی در قالب نمودار 4 نشان داده شده است.

 

نمودار 4 نمودار همبستگی شرطی بین بازار نفت، طلا و سهام(واحد منبع: یافته های پژوهشگر)

نمودار همبستگی شرطی بین بازار نفت، طلا و سهام گواه این مطلب هستند که همبستگی بین متغیرها از روند ثابتی پیروی نمی­کنند و در طی زمان، نوسان دارند. این امر، اهمیت ارزیابی پیوند بین متغیرها با تکیه بر الگوهای متغیر زمانی را آشکار می­سازد. نتایج بررسی همبستگی شرطی گواه این مطلب هستند که وجود نقاط مشابه با همبستگی یکسان در پیوند بین بازار سهام و بازار طلا از سایر پیوندها، بیشتر است و این امر وجود همسانی در ارتباط و استنباط به این پیوندها را در طی زمان، آشکار می سازد.

با توجه به معیارهای نیکویی برازش AIC، SC و HQ و باقیمانده های الگوهای مورد مطالعه مندرج در نمودار 5، الگوهای برازش داده شده دارای قابلیت مشابهی هستند و اختلاف بسیار کمی بین دقت آنها وجود دارد. همچنین، افزودن یک الگوی رگرسیون خودبرداری نمی­تواند دقت الگو را بهبود بخشد.

 

نمودار 5 نمودار باقیمانده های الگوهای مورد مطالعه برای متغیرهای رشد قیمت نفت، طلا و سهام (واحد منبع: یافته های پژوهشگر)

 

بحث و نتیجه گیری

در دنیای امروز، تحلیل‌های مرتبط با ارتباطات اقتصادی و مالی بین مختلفی مانند نفت، طلا و بورس، اهمیت چشمگیری دارد. این تحلیل‌ها نه تنها برای اقتصاد‌دانان و محققان، بلکه برای سیاست‌گذاران، سرمایه‌گذاران و جامعه اقتصادی به طور کلی اهمیت دارند. به عنوان نمونه، می‌توان این موضوع را با مسائل روز و چالش‌های جاری ارتباط داد:

۱. تأثیرات تحریم‌ها و تغییرات سیاست‌های جهانی: با توجه به ماهیت منابعی مثل نفت و طلا که از تحریم‌ها و تغییرات سیاست‌های جهانی تحت تأثیر قرار می‌گیرند، تحلیل اینکه چگونه این تغییرات در بازار نفت و طلا تأثیری بر بازارهای مالی دارند، می‌تواند بسیار جذاب و مفهومی باشد.

۲. تنش‌ها و تغییرات منطقه‌ای: تنش‌ها و تغییرات منطقه‌ای نیز می‌توانند به تغییرات در بازار نفت و طلا و در نهایت بازارهای مالی منجر شوند. تحلیل این تأثیرات در مقابل تحلیل‌های شما، می‌تواند به درک عوامل مختلف موثر در رشد و نزولات بازارها کمک کند.

۳. پایداری اقتصادی: تأثیرات قیمت نفت، طلا و شاخص بورس بر پایداری اقتصادی کشورها از جمله ایران به طور جدی مورد توجه قرار دارد. تحلیل این تأثیرات و نقش آنها در تعادل اقتصادی می‌تواند به جهت‌گیری سیاست‌های اقتصادی کمک کند.

۴. سبک‌های سرمایه‌گذاری و ریسک: در شرایط نوسانات بازار، تحلیل رابطه بین نفت، طلا و بورس می‌تواند به سرمایه‌گذاران کمک کند تا بهترین سبک‌های سرمایه‌گذاری و ریسک را در این بازارها انتخاب کنند.

۵. تعاملات بین‌المللی و روابط اقتصادی: تحلیل ارتباطات مالی و اقتصادی بین مختلفی مانند نفت و طلا بازارها و شاخص‌های بورس، نقش تعاملات بین‌المللی و همچنین تأثیر روابط دیپلماتیک را نشان می‌دهد.

با توجه به این ارتباطات و تأثیرات، این مقاله که به تحلیل این رابطه پویایی میان قیمت نفت، طلا و شاخص بورس در اقتصاد ایران با تکیه بر الگوی SVAR-DCC-GARCH پرداخته است، به‌وضوح با مسائل جاری و مهم اقتصادی و مالی جهانی ترکیب می‌شود.نتایج به دست آمده از بررسی­ها نشان دادند که افزایش رشد شاخص سهام می­تواند منجر به افزایش قیمت طلا شود و بر بازار نفت تأثیری ندارد؛ بازار سهام، تحت تأثیر رشد بازار طلا و نفت قرار نمی­گیرد و همچنین، هیچگونه پیوندی بین بازار نفت و بازار طلا وجود ندارد. همچنین، نتایج نشان دادند که پیوند بین متغیرهای مورد بررسی تحت تأثیر عنصر زمان قرار می­گیرد و این رابطه در همه شرایط یکسان نیست و در نوسان است.

با توجه به یافته­ها، بازار سهام از بازار نفت و بازار طلا تأثیر نمی­پذیرد و با توجه به دیدگاههای موجود و مطالعات انجام شده در این زمینه و تناقضات موجود، می­توان بیان داشت بازار سهام ایران از یک الگوی اقتصادی مشخص پیروی نمی­کند و با توجه به نوسانات موجود در قیمت، این امر نشاندهنده یک حباب در بازار سهام ایران و نیاز به رفع نواقص موجود در این بازار از طریق حذف معاملات ناآگاهانه و رفتار توده­وار در این بازار است. در حقیقت، رشد یکباره و سقوط ناگهانی بازار سهام بدون تأثیرپذیری از سایر مشخصه های اقتصادی و سایر بازارهای موجود، دلالت بر گسترش رفتار توده­وار در این بازار دارد. همچنین، با توجه به وجود پیوند بین بازار سهام و بازار طلا و نوسانات موجود در بازار طلا و بازار سهام، می­توان بیان داشت که طلا نسبت به سهام می­تواند به عنوان دارایی مالی با ریسک کمتر و ابزار پوششی مناسبتری نسبت به اوراق بهادار، قلمداد شود.

منابع

1.       Ahmed, A. D., & Huo, R. (2021). Volatility transmissions across international oil market, commodity futures and stock markets: Empirical evidence from China. Energy Economics, 93, 104741.

2.       Akkoc, U., & Civcir, I. (2019). Dynamic linkages between strategic commodities and stock market in Turkey: Evidence from SVAR-DCC-GARCH model. Resources Policy, 62, 231-239.

3.       Arfaoui, M. & Rejeb, A. (2017). Oil, gold, US dollar and stock market interdependencies: a global analytical insight. European Journal of Management and Business Economics, 26(3), 278-293.

4.       Arouri, M.E.H., Lahiani, A., Nguyen, D.K., (2015). World gold prices and stock returns in China: insights for hedging and diversification strategies. Econ. Modell,  44, 273–282.

5.       Arouri, M.E.H., Nguyen, D.K., (2010). Oil prices, stock markets and portfolio investment: evidence from sector analysis in Europe over the last decade. Energy Policy 38 (8), 4528–4539.

6.       Aydoğan, B., Tunç, G., & Yelkenci, T. (2017). The impact of oil price volatility on net-oil exporter and importer countries’ stock markets. Eurasian Economic Review, 7(2), 231-253.

7.       Aye, G.C., Carcel, H., Gil-Alana, L.A., Gupta, R., (2017). Does gold act as a hedge against inflation in the UK? Evidence from a fractional cointegration approach over 1257 to 2016. Resour. Pol. 54, 53–57.

8.       Baur, D.G., Lucey, B.M., (2010). Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Financ. Rev. 45 (2), 217–229.

9.       Baur, D.G., McDermott, T.K., (2010). Is gold a safe haven? International evidence. J. Bank. Financ, 34 (8), 1886–1898.

10.       Bjørnland, H.C., (2009). Oil price shocks and stock market booms in an oil exporting country. Scot. J. Polit. Econ. 56 (2), 232–254.

11.       Bollerslev, T., (1990). Modelling the coherence in short-run nominal exchange rates: a multivariate generalized ARCH model. Rev. Econ. Stat. 498–505.

12.       Boubaker, H., Raza, S.A. (2017). A wavelet analysis of mean and volatility spillovers between oil and BRICS stock markets. Energy Econ, 64, 105–117.

13.       Bouri, E. (2015). Return and volatility linkages between oil prices and the Lebanese stock market in crisis periods. Energy, 89, 365-371.

14.       Boyer, M.M., Filion, D. (2007). Common and fundamental factors in stock returns of Canadian oil and gas companies. Energy Econ, 29 (3), 428–453.

15.       Chittedi, K.R. (2012). Do oil prices matters for Indian stock markets? An empirical analysis. J. Appl. Econ. Bus. Res, 2 (1), 2–10.

16.       Cong, R.-G., Wei, Y.-M., Jiao, J.-L., Fan, Y. (2008). Relationships between oil price shocks and stock market: an empirical analysis from China. Energy Policy, 36 (9), 3544–3553.

17.       Dai, Z., Zhu, J., & Zhang, X. (2022). Time-frequency connectedness and cross-quantile dependence between crude oil, Chinese commodity market, stock market and investor sentiment. Energy Economics, 114, 106226.

18.       Engle, R. F. (2002). Dynamic conditional correlation. Journal of Business & Economic Statistics, 20(3), 987–1007.

19.       Engle, R.F., Kroner, K.F. (1995). Multivariate simultaneous generalized ARCH. Econom. Theor, 11 (1), 122–150.

20.       Hoffmanna, A., Post, T., Pennings, J., (2013). Individual investor perceptions and behavior during the financial crisis. J. Bank. Financ, 37 (1), 60–74.

21.       Huang, J., Tang, Y., & Chen, S. (2018). Energy demand forecasting: combining cointegration analysis and artificial intelligence algorithm. Mathematical Problems in Engineering, 2018.

22.       Jones, C. M., & Kaul, G. (1996). Oil and the stock markets. The Journal of Finance, 51(2), 463–491.

23.       Jones, C.M., Kaul, G., (1996). Oil and the stock markets. J. Financ. 51 (2), 463–491.

24.       Kang, W., Ratti, R.A., Yoon, K.H., (2015). The impact of oil price shocks on the stock market return and volatility relationship. J. Int. Financ. Mark. Inst. Money, 34, 41–54.

25.       Kumar, S., (2017). On the nonlinear relation between crude oil and gold. Resour. Pol. 51, 219–224.

26.       Lin, B.,P.K., Appiah, M.O., (2014). Oil price fluctuation, volatility spillover and the Ghanaian equitymarket:Implication for portfolio management and hedging effec-tiveness. Energy Econ, 42, 172–182.

27.       Malmendier, U., Nagel, S., 2011. Depression babies: do macroeconomic experiences affect risk-taking?. Q. J. Econ, 126 (1), 373–416.

28.       Melvin, M., Sultan, J., (1990). South African political unrest, oil prices, and the time varying risk premium in the gold futures market. J. Futures Mark. 10 (2), 103–111.

29.       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.

30.       Phan, D. H. B., Sharma, S. S., & Narayan, P. K. (2015). Stock return forecasting: Some new evidence. International Review of Financial Analysis, 40, 38–51.

31.       Reboredo, J.C., (2013). Is gold a hedge or safe haven against oil price movements?. Resour. Pol. 38 (2), 130–137.

32.       Sarwar, S., Tiwari, A. K., & Tingqiu, C. (2020). Analyzing volatility spillovers between oil market and Asian stock markets. Resources Policy, 66, 101608.

33.       Sreekanth, D., Veni, L.K. (2014). Causal relationship between gold price and nifty–an empirical study in Indian context. Asian J. Res. Bank Finance 4 (5), 253–265.

34.       Wei, C. (2003). Energy, the stock market, and the putty-clay investment model. The American Economic Review, 93(1), 311–323.

35.       Wen, F., Liu, Z., Dai, Z., He, S., & Liu, W. (2022). Multi-scale risk contagion among international oil market, Chinese commodity market and Chinese stock market: A MODWT-Vine quantile regression approach. Energy Economics, 109, 105957.

36.       Zhang, Y.J., Wei, Y.M. (2010). The crude oil market and the gold market: evidence for cointegration, causality and price discovery. Resour. Pol. 35 (3), 168–177.

37.       Zhao, L., Liu, W., Zhou, M., & Wen, F. (2022). Extreme event shocks and dynamic volatility interactions: The stock, commodity, and carbon markets in China. Finance Research Letters, 47, 10264.

 

 

 

        

 

 

 

 

---

[1]  Aydogan

[2]  Bouri

[3]  Jones and Kaul

[4]  Huang

[5]  Wei

[6]  Cong

[7]  Phan

[8]  Boldanov

[9]  Akkoc & Civcir

[10]  Ahmed & Huo

[11]  Sarwar

[12]  Wen

[13]  Dai

[14]  Zhao

[15]  Engle & Kroner

[16]  Engle

[17]  Bollerslev

---