بررسی شکست‌های ساختاری و آشفتگی در بازار ارز بر سرریز نوسانات بین بازار ارز و بورس اوراق بهادار تهران
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
علیرضا عرفانی
1
,
محمد مهدی قلی زاده
2
1 - دانشیار دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه سمنان، سمنان ،ایران.
2 - پژوهشگر، پژوهشکده امور اقتصادی و دارایی، تهران، ایران(نویسنده مسئول).
کلید واژه: آشفتگی بازار ارز, سرریز نوسانات, نرخ ارز, عملکرد بورس تهران, شکست‌های ساختاری,
چکیده مقاله :
با توجه به نوسانات و آشفتگی‌های شدید ارزی در اقتصاد ایران که سرمایه‌گذاری‌های فعالان بازار سرمایه را تحت شعاع قرار داده مقاله حاضر با هدف ارائه درک صحیح از نحوه جابجایی نوسانات بین بازارها در کشور تهیه شده است. در این مقاله از نرخ ارز در بازار آزاد (برخی دوره‌ها بازار سیاه) به عنوان یک متغیر و شاخص کل بورس تهران به عنوان متغیر دوم در قالب مدل واریانس ناهمسانی شرطی چند متغیره (MGarch) استفاده نموده‌ایم. نتایج بررسی‌های صورت گرفته، با استفاده از آزمون شکست و ریشه واحد GLS-Based، در دوره آذر ۱۳۸۷ تا پایان دیماه ۱۳۹۸، وجود پنج شکست ساختاری در سری زمانی را نشان می‌دهد که در سطح بازدهی مانا هستند. همچنین بررسی‌ها با استفاده از مدل‌های DCC و FDCC نشان می‌دهد بین دوبازار در طول دوره سرریز نوسان وجود دارد، و این سرریز در صورت لحاظ کردن شکست‌های ساختاری عملکرد متفاوتی را از خود نشان می‌دهد که درک بهتر از آن می‌تواند مورد توجه فعالان بازار سرمایه قرار گیرد.
This article has studied several fluctuations in the Iranian currency market and multiple turmoils in the economy that have not only wiped out Iranians private savings but also affected financial market activists to provide a better understanding of fluctuations' movement between markets. To doing so, we used the exchange rate in the open market (in some periods, the black market) as one variable and the Tehran Stock Exchange Index (TEDPIX) as a second in the form of multivariate conditional heterogeneity variance (MGarch) model. According to the results, the time series suggests multiple structural breaks from Dec. 2018 to Jan. 2020. Using the so-called GLS-Based unit root test, we observed five structural breaks that produced stationary problems at the level and no evidence of stationary problems at the return of the data. Also, by using DCC and FDCC models we confirm that there is a fluctuation between the two markets during the period. This overflow shows a different performance if structural failures are considered.
* ابونوری، اسمعیل. عبداللهی، محمدرضا. حمزه، مصطفی.(1391). ارزیابی پویایی‌های رابطه بین نرخ ارز و شاخص سهام بورس اوراق بهادار تهران با استفاده از مدل گارچ دومتغیره. فصلنامه پژوهشنامه بازرگانی،17(65):86-65
* عرفانی، علیرضا و الوندی، کاظم (۱۳۹۶)، بررسی تاثیر بحران مالی ۲۰۰۷ بر سرریز نوسانات بین قیمت سهام و نرخ ارز در ایران، پایان‌نامه کارشناسی ارشد، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان.
* صباغ کرمانی, مجید, شقاقی شهری, وحید. (1384). عوامل موثر بر نرخ ارز واقعی در ایران (رهیافت خودرگرسیون برداری). پژوهشنامه اقتصادی (16) 5: 37-76
* کریم زاده، مصطفی. (۱۳۸۵). بررسی رابطه بلندمدت شاخص قیمت سهام بورس با متغیرهای کلان پولی با استفاده از روش همجعی در اقتصاد ایران. فصلنامه پژوهشهای اقتصادی ایران، ۸ (۲۶): ۵۴-۴۱.
* هاشمی, میرکی, & فؤاد. (2015). تأثیر ریسک آشفتگی مالی بر اثر اندازه و اثر ارزش. راهبرد مدیریت مالی, 3(1), 71-88.
* Aloui, C. (2007). Price and volatility spillovers between exchange rates and stock indexes for the pre-and post-euro period. Quantitative Finance, 7(6), 669-685.
* Aydemir, O., & Demirhan, E. (2009). The relationship between stock prices and exchange rates: Evidence from Turkey. International Research Journal of Finance and Economics, 23(2): 207-215.
* Bai, J., & Perron, P. (2003). Computation and analysis of multiple structural change models. Journal of applied econometrics, 18(1), 1-22.
* Beer, F., & Hebein, F. (2008). An Assessment of the stock market and exchange rate Dynamics in industrialized and emerging markets. International Business & Economics Research Journal (IBER), 7(8).
* Becketti, S., & Sellon Jr, G. H. (1989). Has financial market volatility increased. Economic Review, 74, 17-30.
* Branson, W. H. (1976). Portfolio equilibrium and monetary policy with foreign and non-traded assets. Institute for International Economic Studies, University of Stockholm.
* Branson, W. H. (1981). Macroeconomic determinants of real exchange rates (No. w0801). National Bureau of Economic Research.
* Bonga, W. G. (2019). Stock Market Volatility Analysis using GARCH Family Models: Evidence from Zimbabwe Stock Exchange. MPRA Paper, (94201).
* Carrion-i-Silvestre, J., Kim, D., & Perron, P. (2009). GLS-Based Unit Root Tests with Multiple Structural Breaks under Both the Null and the Alternative Hypotheses. Econometric Theory, 25(6), 1754-1792
* Chau, F., Deesomsak, R., & Wang, J. (2014). Political uncertainty and stock market volatility in the Middle East and North African (MENA) countries. Journal of International Financial Markets, Institutions and Money, 28, 1-19.
* Dornbusch, R., & Fisher, S. (1980). Exchange Rates and the Current Account. American Economic Review.
* Döpke, J., Hartmann, D., & Pierdzioch, C. (2008). Real-time macroeconomic data and ex ante stock return predictability. International Review of Financial Analysis, 17(2), 274-290.
* Edwards, F. R. (1988). 5 Policies to Curb Stock Market Volatility.
* Engle, R. F., & Susmel, R. (1993). Common volatility in international equity markets. Journal of Business & Economic Statistics, 11(2), 167-176.
* Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 987-1007.
* Gavin, M. (1989). The stock market and exchange rate dynamics. Journal of international money and finance, 8(2), 181-200.
* Hemanth Kumar, P., & Patil, S. B. (2015). Estimation & forecasting of volatility using ARIMA. In ARFIMA and Neural Network based techniques, Souvenir of the 2015 IEEE International Advance Computing Conference (Vol. 10, pp. 992-997).
* Hult, G. T. M., Hurley, R. F., & Knight, G. A. (2004). Innovativeness: Its antecedents and impact on business performance. Industrial marketing management, 33(5): 429-438.
* Jakobsen, J. S. (2018). Modeling Financial Market Volatility: A Component Model Perspective. Institut for Økonomi, Aarhus Universitet.
* Jaworski, B. J., & Kohli, A. K. (1993). Market orientation: antecedents and consequences. Journal of marketing, 57(3): 53-70.
* King, M., Sentana, E., & Wadhwani, S. (1990). Volatiltiy and links between national stock markets (No. w3357). National Bureau of Economic Research.
* Lin, W. L., & Ito, T. (1994). Price volatility and volume spillovers between the Tokyo and New York stock markets. In The Internationalization of Equity Markets (pp. 309-343). University of Chicago Press.
* Lyons, R. K. (2001). The microstructure approach to exchange rates (Vol. 333). Cambridge, MA: MIT press.
* Morelli, D. (2002). The relationship between conditional stock market volatility and conditional macroeconomic volatility: Empirical evidence based on UK data. International Review of Financial Analysis, 11(1), 101-110.
* Murphy, J. J. (1999). Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. Penguin.
* Perron, P. (2017). Unit roots and structural breaks.
* Schwert, G. W. (1989). Why does stock market volatility change over time?. The journal of finance, 44(5), 1115-1153.
* Sahoo, S., Behera, H., & Trivedi, P. (2018). Volatility spillovers between forex and stock markets in India. RBI Occasional Papers, 38(1 & 2), 33-63.
* Smith Jr, C. W. (1988). Market volatility: Causes and consequences. Cornell L. Rev., 74, 953.
* Tille, C., Stoffels, N., & Gorbachev, O. (2001). To what extent does productivity drive the dollar?. Current Issues in Economics and Finance, 7(8).
* Yilmaz, K. (2010). Return and volatility spillovers among the East Asian equity markets. Journal of Asian Economics, 21(3), 304-313.
_||_