Investigating return and volatility spillovers among selected industries of the Iranian stock market: TVP-VAR Extended Joint and DCC-GARCH approaches

Subject Areas : Financial Economics

Hadi Esmaeilpour Moghadam ¹ , Emad Sharifbagheri ²

1 - Assistant Professor, Department of Economics, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran, (Crossponding Authur), [e-mail]
2 - Master Student, Department of Economics, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran, [e-mail]

Received: 2024-07-24 Accepted : 2024-09-23 Published : 2024-10-05

Keywords: Spillover, Stock, TVP-VAR Extended Joint, Dynamic Conditional Correlation, Risk JEL Classification: C32, C58, G11,

Abstract :

Understanding the transmission of shocks and fluctuations among financial assets is crucial for effective risk management by investors. This study analyzes the dynamics of return spillovers and turbulence propagation across 15 industries in the Tehran Stock Exchange from October 12, 2009, to May 15, 2024. Employing the extended joint vector autoregression framework with time-varying parameters (TVP-VAR Extended Joint), we examine return spillovers, while turbulence spillovers are investigated using the dynamic conditional correlation (DCC-GARCH) approach. Our findings reveal several insights: Firstly, return shocks and turbulence in the network exhibit distinct dynamics. Secondly, the systemic risk resulting from turbulence transmission indicates tighter and more intricate interconnections among industries compared to return transmission. Thirdly, apart from the dominant investment industry, which serves as a major transmitter of shocks and fluctuations in both analyses, the pharmaceutical, construction, and food industries also emerge as significant net transmitters. Finally, the study confirms a strong dynamic synergistic relationship between basic metals and metal minerals throughout the study period.

References:

- ابونوری، اسمعیل و ضیاء¬الدین، حامد (1399). بازدهی و تلاطم بین قیمت جهانی نفت و شاخص بازار سهام در کشورهای عضو اوپک. مدلسازی اقتصادی، 14(49)، 24-1.
- علمی، زهرا، ابونوری، اسمعیل، راسخی؛ سعید و شهرازی، محمدمهدی (1393). اثر شکست‏های ساختاری در نوسانات بر انتقال تکانه و سرریز نوسان میان بازارهای طلا و سهام ایران. مدلسازی اقتصادی، 8(26)، 73-57.
- زراعتی، منصوره، صوفی مجیدپور، مسعود، محمودزاده، محمود و فتح¬آبادی، مهدی (1402). آثار نامتقارن تکانه‌های بازار سهام بر بازار ارز در ایران: کاربردی از مدل خودهم‌بستگی پویای شرطی و APARCH. مدلسازی اقتصادی، 17(62)، 58-37.
- دهباشی، وحید، محمدی، تیمور، شاکری، عباس و بهرامی، جاوید (1399). واکنش بازارهای ارز، سهام و طلا نسبت به تکانه های مالی در ایران: با تاکید بر اثرات سرریز تلاطم. پژوهشهای اقتصادی ایران، 25(83)، 27-1.
- محمدی¬نژاد پاشاکی، محمدباقر، صادقی شریف، سیدجلال و اقبال¬نیا، محمد (1402). بررسی و تحلیل اثرهای سرریز بین بازارهای سهام، ارز، طلا و کامودیتی: مدل VARMA-BEKK-AGARCH. تحقیقات مالی، 25(1)، 109-88.
- احمدی، حمیدرضا، هاشمی¬نژاد، سیدمحمد و محمودی، محمد (1404). بررسی سرریز ریسک بازار رمز ارزها با بازارهای مالی داخلی. دانش سرمایه¬گذاری، 14(53)، 574-551.
- محسنی، حسین و اعرابی، عارف (1402). اثر سرریز بازارهای گاز طبیعی، نفت خام و ارز بر شاخص سهام شرکت‌های تولید برق در ایران. فصلنامه پژوهش¬های سیاست¬گذاری وبرنامه¬ریزی انرژی، 9(4)، 33-1.
- Aboonouri, E. & Ziaoddin, H. (2020). Return and Volatility of International Oil Price and Stock Index in OPEC Member Countries. Economic Modeling, 14(49), 1-24. (in Persian)
- Adekoya, O. B. & Oliyide, J. A. (2021). How COVID-19 drives connectedness among commodity and financial markets: evidence from TVP-VAR and causality-inquantiles techniques. Resources Policy, 70, 101898.
- Ahmadi, H. R., Hasheminezhad, S. M. & Mahmoodi, M. (2025). Investigating the risk spillover of cryptocurrency market with domestic financial markets. Investment Knowledge, 14(53), 551-574. (in Persian)
- Andries, A. M. & Galasan, E. (2020). Measuring financial contagion and spillover effects with a state-dependent sensitivity value-at-risk model. Risks, 8(1), 5.
- Antonakakis, N., & Gabauer, D. (2017). Refined measures of dynamic connectedness based on TVP-VAR (MPRA Paper 78282). Munich, Germany: University Library of Munich.
- Antonakakis, N., Gabauer, D., Gupta, R., & Plakandaras, V. (2018). Dynamic connectedness of uncertainty across developed economies: A time-varying approach. Economics Letters, 166, 63–75.
- Antonakakis, N., Chatziantoniou, I. & Gabauer, D. (2020). Refined measures of dynamic connectedness based on time-varying parameter vector autoregressions. Journal of Risk and Financial Management, 13(4), 84.
- Antonakakis, N., Chatziantoniou, I., Floros, C. & Gabauer, D. (2018). The dynamic connectedness of UK regional property returns. Urban Studies, 55(14), 3110–3134.
- Awartani, B. & Maghyereh, A. I. (2013). Dynamic spillovers between oil and stock markets in the gulf cooperation council countries. Energy Economics, 36, 28–42.
- Balcilar, M., Gabauer, D. & Umar, Z. (2021). Crude Oil futures contracts and commodity markets: new evidence from a TVP-VAR extended joint connectedness approach. Resources Policy, 73, 102219.
- Basher, S. A., Haug, A. A. & Sadorsky, P. (2018). The impact of oil-market shocks on stock returns in major oil-exporting countries. Journal of International Money and Finance, 86, 264–280.
- Billio, M., Getmansky, M., Lo, A.W. & Pelizzon, L. (2012). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Journal of financial economics, 104(3), 535–559.
- Bisias, D., Flood, M., Lo, A. W. & Valavanis, S. (2012). A survey of systemic risk analytics. Annu. Rev. Financ. Econ., 4(1), 255–296.
- Bollerslev, T. (1986), Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
- Bouri, E., Cepni, O., Gabauer, D. & Gupta, R., (2021). Return connectedness across asset classes around the COVID-19 outbreak. International review of financial analysis, 73, 101646.
- Beirne, J., Caporale, G. M., Schulze-Ghattas, M., & Spagnolo, N. (2013). Volatility spillovers and contagion from mature to emerging stock markets. Review of International Economics, 21(5), 1060–1075.
- Briere, M., Chapelle, A. & Szafarz, A., (2012). No contagion, only globalization and flight to quality. Journal of international Money and Finance, 31(6), 1729–1744.
- Chatziantoniou, I., Gabauer, D., et al., (2021). EMU-Risk Synchronisation and Financial Fragility Through the Prism of Dynamic Connectedness. Technical Report, University of Portsmouth, Portsmouth Business School, Economics and Finance.
- Dehbashi, V., Mohammadi, T. , Shakeri, A. & Bahrami, J. (2020). The Responses of Stock, Gold and Foreign Exchange Markets to Financial Shocks: VAR-MGARCH Approach. Iranian Journal of Economic Research, 25(83), 1-27. (in Persian)
- Diebold, F. X. & Yilmaz, K. (2009). Measuring financial asset return and volatility spillovers, with application to global equity markets. The Economic Journal, 119(534), 158–171.
- Diebold, F. X. & Yilmaz, K. (2012). Better to give than to receive: predictive directional measurement of volatility spillovers. International Journal of forecasting, 28(1), 57-66.
- Diebold, F. X. & Yilmaz, K. (2014). On the network topology of variance decompositions: Measuring the connectedness of financial firms. Journal of econometrics, 182(1), 119-134.
- Dua, P. & Tuteja, D. (2016). Financial crises and dynamic linkages across international stock and currency markets. Economic Modelling, 59, 249–261.
- Engle, R. (2002). Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models. Journal of Business & Economic Statistics, 20(3), 339–350.
- Elmi, Z., Aboonouri, E., Rasekhi, S. & Shahrazi, M. M. (2014). The Influence of Volatility Structural Changes on Shock Transmission and Volatility Spillover between Gold and Stock Markets in Iran. Economic Modeling, 8(26), 57-73. (in Persian)
- Fang, S., & Egan, P. (2018). Measuring contagion effects between crude oil and Chinese stock market sectors. The Quarterly Review of Economics and Finance, 68, 31–38.
- Gabauer, D. & Gupta, R. (2018). On the transmission mechanism of country-specific and international economic uncertainty spillovers: Evidence from a TVP-VAR connectedness decomposition approach. Economics Letters, 171, 63-71.
- Gabauer D. (2020). Volatility impulse response analysis for DCC-GARCH models: The role of volatility transmission mechanisms. Journal of Forecasting, 39(5), 788-796.
- Hoesli, M., & Reka, K. (2013). Volatility spillovers, comovements and contagion in securitized real estate markets. Journal of Real Estate Finance and Economics, 47(1), 1–35.
- Kang, S. H., McIver, R. & Yoon, S. M. (2017). Dynamic spillover effects among crude oil, precious metal, and agricultural commodity futures markets. Energy Economics, 62, 19–32.
- Lastrapes, W. D. & Wiesen, T. F., (2020). The joint spillover index. Economic Modelling, 94, 681-691.
- Le Pen, Y. & Sévi, B. (2010). Volatility transmission and volatility impulse response functions in European electricity forward markets. Energy Economics, 32(4), 758–770.
- Maggi, M., Torrente, M.-L. & Uberti, P. (2020). Proper measures of connectedness. Annals of Finance, 16(4), 547–571.
- Mishra, A. K., & Ghate, K. (2022). Dynamic connectedness in non-ferrous commodity markets: evidence from India using TVP-VAR and DCC-GARCH approaches. Resources Policy, 76, 102572.
- Mohammadinejad Pashaki, M. B., Sadeghi Sharif, S. & Eghbalnia, M. (2023). Investigating and Analyzing the Spillover Effects among Stock, Currency, Gold, and Commodity Markets: VARMA-BEKK-AGARCH Approach. Financial Research, 25(1), 88-109. (in Persian)
- Mohseni, H. & Aarabi A. (2024). The spillover effect of natural gas, crude oil, and currency markets on the electricity utilities sector index in Iran. Quarterly Journal of Energy Policy and Planning Research, 9(4), 1-33. (in Persian)
- Nazlioglu, S., Erdem, C., & Soytas, U. (2013). Volatility spillover between oil and agricultural commodity markets. Energy Economics, 36, 658–665.
- Oztek, M. F. & Ocal, N. (2017). Financial crises and the nature of correlation between commodity and stock markets. International Review of Economics & Finance, 48, 56–68.
- Pesaran, H. H. & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics letters, 58(1), 17–29.
- Philippas, D. & Siriopoulos, C. (2013). Putting the “C” into crisis: contagion, correlations and copulas on EMU bond markets. Journal of International Financial Markets, Institutions and Money, 27, 161–176.
- Torrente, M. L. & Uberti, P. (2021). Connectedness versus diversification: two sides of the same coin. Mathematics and Financial Economics, 15(3), 1–17.
- Wang, Y. S. & Chueh, Y. L. (2013). Dynamic transmission effects between the interest rate, the US dollar, and gold and crude oil prices. Economic Modelling, 30, 792–798.
- Xiao, B., Yu, H., Fang, L. & Ding, S. (2020). Estimating the connectedness of commodity futures using a network approach. Journal of Futures Markets, 40(4), 598–616.
- Zeraati, M., Soufi, M., Mahmoudzadeh, M. & Fathabadi, M. (2023). Asymmetric Effects of Stock Market shocks on Foreign Exchange Market in Iran: Application of DDC and APARCH Models. Economic Modeling, 17(62), 37-58. (in Persian)

Full-Text:



Economic Modeling sanad.iau.ir/journal/eco

 

Original Article

Investigating return and volatility spillovers among selected industries of the Iranian stock market: TVP-VAR Extended Joint and DCC-GARCH approaches

Hadi Esmaeilpour Moghadam¹, Emad Sharifbagheri²

DOI

Abstract Understanding the transmission of shocks and fluctuations among financial assets is crucial for effective risk management by investors. This study analyzes the dynamics of return spillovers and turbulence propagation across 15 industries in the Tehran Stock Exchange from October 12, 2009, to May 15, 2024. Employing the extended joint vector autoregression framework with time-varying parameters (TVP-VAR Extended Joint), we examine return spillovers, while turbulence spillovers are investigated using the dynamic conditional correlation (DCC-GARCH) approach. Our findings reveal several insights: Firstly, return shocks and turbulence in the network exhibit distinct dynamics. Secondly, the systemic risk resulting from turbulence transmission indicates tighter and more intricate interconnections among industries compared to return transmission. Thirdly, apart from the dominant investment industry, which serves as a major transmitter of shocks and fluctuations in both analyses, the pharmaceutical, construction, and food industries also emerge as significant net transmitters. Finally, the study confirms a strong dynamic synergistic relationship between basic metals and metal minerals throughout the study period.

Received: 24/07/2024   Accepted: 23/09/2024   Keywords: Spillover, Stock, TVP-VAR Extended Joint, Dynamic Conditional Correlation, Risk   JEL Classification:  C32, C58, G11

 

 

1.       Introduction

Recent shifts in the global economy have underscored the mechanisms by which economic shocks transmit across diverse markets. The enduring repercussions of the Great Recession starting in 2009 and the preceding financial crisis of 2007-2008 continue to affect the world economy, emphasizing the critical focus on understanding shock transmission among economic entities. This study explores the spillover effects of returns and volatility among different industries within the Iranian stock market. It represents the first comprehensive investigation into simultaneous analysis of both return and volatility spillovers across various sectors of the Iranian stock market. 

 

2.       Research method and data

This study employs two advanced econometric techniques to assess inter-industry connections in the Iranian stock market: the extended joint vector autoregression with time-varying parameters (TVP-VAR Extended) for return spillovers and the dynamic conditional correlation method in a conditional heteroskedastic variance framework (DCC-GARCH) for volatility spillovers. These methodologies allow for a thorough evaluation of spillover levels, considering both overall connectivity and net effects. The TVP-VAR Extended approach is particularly robust, as it does not rely on a rolling window and is less sensitive to outliers, thus accommodating changes in variables over time and providing a detailed monitoring of financial market fluctuations. This adaptability is crucial for effective risk management, accounting for time-varying variances and covariances. Furthermore, the extended joint vector autoregression framework enhances the traditional joint connection method by normalizing row sums more intuitively, enabling the calculation of bidirectional connections. This refinement is crucial for highlighting the relative strengths of these connections and aligns closely with the study’s analytical goals.

To conduct a comprehensive analysis of yield spillover dynamics and inter-network turbulence in the Iranian stock market, daily data from 15 stock market indices were collected. The study covers the period from October 12, 2009, to May 15, 2024, encompassing industries such as petroleum products, basic metals, metallic minerals, chemicals, rubber, non-metallic minerals, sugar, food, investment, pharmaceuticals, automobiles, banking, insurance and pensions, mass construction and housing, and ceramic tiles. These industries collectively represent over 80% of the total market capitalization. Data were sourced from the Tehran Stock Exchange website and extracted using web scraping techniques facilitated by the Python programming language. This rigorous approach ensures the accuracy and consistency of the dataset, crucial for robust empirical analysis and informed decision-making in financial markets.

 

3.       Analysis and discussion

The findings from the extended joint TVP-VAR method reveal that the investment sector significantly influences the returns of various industries, notably impacting sectors such as metal minerals and chemical products. Moreover, a robust correlation is observed between the housing industry and industries providing raw materials like tiles, ceramics, and basic metals. Smaller sectors, such as sugar and ceramic tiles, demonstrate significant sensitivity to external factors due to the consumer-oriented nature of their products. The bidirectional relationships among basic metals, metal minerals, and chemical products indicate mutual influence among these industries. These findings are supported by the DCC-GARCH results, which highlight that financial sectors within the country act as net sources of turbulence. Specifically, the investment industry emerges as a dominant player, exerting both direct and indirect effects on other sectors. Conversely, industries focused on primary goods production, including rubber, tiles and ceramics, petroleum products, and metallic and non-metallic minerals, tend to be net recipients of turbulence within this network.

The pharmaceutical, housing (construction), and food industries are also significant contributors to yield shocks and turbulence, as revealed by both methodologies. The TVP-VAR analysis estimates the average total connections among these industries at 51.58%, indicating a high likelihood of yield shock contagion and substantial systemic risk. Notably, recent data from the past three years show that the spillover of return shocks exceeds 60%, underscoring growing concerns about systemic risk escalation. The DCC-GARCH approach further reinforces this, reporting a 64.36% measure that underscores the strong interdependence among these key industries.

These findings collectively highlight the complex interplay of sectors within the Iranian stock market, emphasizing the critical role of the investment industry and the vulnerabilities of sectors involved in producing essential goods. The insights gleaned from this analysis provide valuable implications for risk management strategies and policy decisions aimed at enhancing market stability and resilience against external shocks.

 

4.       Conclusion  

The findings of this research carry significant implications for both investors and policymakers in the Iranian stock market. To effectively address these implications, we propose a series of policy recommendations aimed at bolstering market resilience and mitigating risks associated with economic shock transmission.

A primary recommendation involves the establishment of early warning systems capable of preemptively identifying financial shocks by analyzing market data and detecting unusual volatility patterns. These systems, equipped with advanced algorithms and analytical platforms, would provide critical alerts to regulatory bodies and market participants, thereby enhancing supervisory measures and potentially averting financial crises. Investors can mitigate risk through portfolio diversification, spreading investments across various industries to safeguard capital against economic shocks. Supporting this strategy, initiatives in investor education, advisory services, and the development of risk analysis tools are essential. Intelligent investment platforms offering precise and timely analyses can further empower investors to make informed decisions and diversify portfolios effectively. Government support for vulnerable industries is paramount. Measures such as financial assistance, tax incentives, and the establishment of support funds would bolster stability and foster growth in these sectors. Enhanced supervision of the financial and investment sectors, coupled with improved transparency in inter-industry communications, is critical. Transparency initiatives, including robust data platforms and regular reporting, empower stakeholders to make informed decisions. Utilizing technologies such as blockchain to enhance transparency and oversight of financial transactions can significantly mitigate systemic risks.

Furthermore, fostering innovation and enhancing productivity through investments in research and development (R&D), along with organizing specialized conferences and exhibitions, can enhance industry competitiveness and resilience to economic fluctuations. Implementing these recommendations will contribute to a more resilient and stable Iranian stock market, capable of navigating and mitigating the impacts of economic shocks while fostering sustainable growth and investor confidence. 

 

Funding 

This research received no funding support.

 

Declaration of Competing Interest

The author has no conflicts of interest to declare that are relevant to the content of this article.

 

Acknowledgments 

We extend our gratitude to the anonymous reviewers for their valuable comments, which greatly contributed to improving our work.

 

 

 

 

 

 

 

 

 

 

 

 

---

[1] * Assistant Professor, Department of Economics, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran, (Crossponding Authur), [e-mail]

[2] **  Master Student, Department of Economics, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran, [e-mail]

How to Cite: Esmaeilpour Moghadam, H. & Sharifbagheri, E. (2024). Investigating return and volatility spillovers among selected industries of the Iranian stock market: TVP-VAR Extended Joint and DCC-GARCH approaches. Economic Modeling, 18(65): 135-165.

پژوهشی                   

بررسی سرریز‌های بازده و تلاطم میان صنایع منتخب بازار سهام ایران: رویکردهای TVP-VAR Extended Joint و DCC-GARCH

هادی اسماعیل‌پور مقدم¹،  عماد شریف‌باقری²

DOI

تاریخ دریافت: 03/05/1403 تاریخ پذیرش: 02/07/1403   واژگان کلیدی:  سرریز، سهام،  TVP-VAR Extended Joint,  همبستگی شرطی پویا، ریسک طبقه‌بندی JEL: G11 ،C58 ،C32

چکیده اطلاعات مربوط به سرریز شوک‌ها و نوسانات بین دارایی­های مالی، نقشی حیاتی در مدیریت ریسک برای سرمایه‌گذاران ایفا می‌کند. این مقاله با هدف ارائه تحلیل پویایی سرریز بازده و تلاطم میان شبکه‌ای از 15 صنعت متفاوت در بورس اوراق بهادار تهران، در بازه زمانی بین 20 مهر ماه 1388 تا 26 اردیبهشت ماه 1403 انجام شده است. در این مقاله، از چارچوب خودرگرسیون برداری اتصال مشترک بسط‌یافته با پارامترهای زمان متغیر (TVP-VAR Extended Joint) برای تحلیل سرریزهای بازده و از رویکرد همبستگی شرطی پویا (DCC-GARCH) برای بررسی سرریزهای تلاطم استفاده می­شود. یافته‌های این مطالعه نشان می‌دهد که اولاً شوک‌های بازده و تلاطم موجود در شبکه لزوماً با یکدیگر برابر نیستند؛ ثانیاً میزان ریسک سیستمیک حاصل از انتقال تلاطم، بیانگر ارتباطات تنگاتنگ و پیچیده بین صنایع نسبت به انتقال بازده است و ثالثاً علاوه بر صنعت سرمایه‌گذاری که بزرگ­ترین انتقال‌دهنده شوک‌های بازدهی و تلاطم در بین صنایع مورد بررسی است، صنایع دارویی، ساخت‌وساز و غذایی نیز در هر دو رویکرد به‌عنوان فرستنده خالص شوک و نوسانات ظاهر شده‌اند. درنهایت، وجود یک رابطه هم­حرکتی پویای قوی بین فلزات اساسی و کانی­های فلزی طی دوره مورد مطالعه تأیید شد.

 

 

 

1.‌ مقدمه

تحولات اخیر اقتصاد جهانی موجب توجه به مکانیسم­های سرریز شده است که چگونگی گسترش شوک­های اقتصادی در بازارهای مختلف را توضیح می­دهد. با توجه به اینکه پیامدهای رکود بزرگ سال 2009 و بحران مالی سال­های  2008-2007، هنوز در اقتصاد جهانی موج می‌زند، سرریز شوک‌ها در بین واحدهای اقتصادی در حال حاضر به یک علاقه و نگرانی عمده تبدیل شده است (بیلیو و همکاران³، 2012). از این رو، بررسی مکانیسم­های سرریز برای سیاستگذاران برای ایجاد یک سیستم هشدار اولیه ضروری است. بدین منظور، بسیاری از محققان، روش‌هایی را در تلاش برای تحقق این موضوع توسعه داده‌اند (دیبولد و یلماز⁴، 2014 ، 2009). از معروف­ترین این تلاش­ها، روش اتصال⁵ مبتنی بر مدل VAR است که درحال حاضر، توجه زیادی را در ادبیات اقتصادی به خود جلب کرده و برای بررسی موضوعاتی مانند وابستگی متقابل بازار سهام و سرریزهای نوسانات به­کار گرفته شده است (بوبک و همکاران⁶، 2011؛ آنتوناکاکیس و گابور⁷، 2017؛ آنتوناکاکیس و همکاران⁸، 2018؛ گابور و گوپتا⁹، 2018). در مدیریت و سنجش ریسک، اتصال، نقش مهمی ایفا می­کند که در دهه­های اخیر، سرریزها به­صورت کمی از طریق آن سنجش شده­اند؛ زیرا شاخص مهمی از همبستگی بین عوامل بازار است (دیبولد و یلماز، 2014، 2012؛ شیائو و همکاران¹⁰، 2020).

اتصال، با ریسک سیستماتیک و سیستمیک مرتبط است (آندریس و گالاسان¹¹، 2020). ریسک سیستماتیک ریسک بازار است و با تغییر در سیاست‌های مالی و پولی، چرخه‌های تجاری، جنگ‌ها، بلایای طبیعی و تغییرات رژیم ایجاد می‌شود. ریسک سیستماتیک عمدتاً به شرایط کلان اقتصادی مرتبط است. با این­حال، ریسک سیستمیک به انتقال شوک‌های مربوط به بازار دارایی‌ها، مرتبط می‌شود. به­طور کلی، ریسک سیستمیک را می­توان به عنوان ریسک مرتبط با ورشکستگی مشاغل، مؤسسات مالی، بخش­ها، صنایع یا به­طور کلی اقتصاد تعریف کرد (بیسیاس و همکاران¹²، 2012؛ مگی و همکاران¹³، 2020؛ تورنت و اوبرتی¹⁴، 2021). ریسک سیستمیک با سرایت ریسک موجب گسترده­شدن بحران‌های مالی می­شود (آندریس و گالاسان، 2020). از آنجایی که اتصال، میزان وابستگی­های متقابل بین اجزای یک سیستم را اندازه­گیری می­کند (مگی و همکاران، 2020)، به­عنوان روشی برای بررسی سرایت در شبکه‌ای از متغیرها (مانند بازارها یا صنایع) و شناسایی ریسک سیستمیک استفاده می­شود (تورنت و اوبرتی، 2021).

مقاله حاضر به بررسی سرریز بازده و تلاطم میان صنایع مختلف بازار سهام ایران می­پردازد. این مطالعه، اولین مطالعه­ای است که به­طور هم­زمان به بررسی سرریز هر دو جنبه بازده و تلاطم میان صنایع مختلف بازار سهام ایران می­پردازد. افزون بر آن، این مطالعه برای سنجش اتصال بازده، از رویکرد خودرگرسیون برداری اتصال مشترک بسط‌یافته با پارامترهای زمان متغیر (TVP-VAR Extended Joint) استفاده می­کند و به­منظور تجزیه و تحلیل اتصال تلاطم، از رویکرد همبستگی شرطی پویا در واریانس ناهمسانی شرطی خودرگرسیونی تعمیم‌یافته (DCC-GARCH) استفاده می­کند. از مزیت­های این رویکرد این است که ارزیابی سطح سرریز به گونه‌ای انجام می­شود که هم اتصال کلی و هم خالص را در نظر می‌گیرد و امکان بررسی کامل ماهیت روابط متقابل و درنتیجه ریسک‌های بازار را فراهم می‌کند که به طور فزاینده‌ای در اقتصاد و امور مالی استفاده شده است (لی­پن و سوی¹⁵، 2010؛ نازلیقلو و همکاران¹⁶، 2013؛ بیرن و همکاران¹⁷، 2013؛ هوسلی و رکا¹⁸، 2013). هم­چنین این روش، توانایی تطبیق با تغییرات متغیرها را در طول زمان و درنتیجه نظارت دقیق‌تر بر نوسانات بازار مالی را دارد که برای مدیریت ریسک بسیار ضروری است. از آن­جایی که مدیریت سرمایه­گذاری به­گونه­ای فعال و پویا صورت می­گیرد، نتایج پژوهش با استفاده از روش مذکور، امکان مدیریت فعال سرمایه­گذاری را فراهم می­آورد. با استفاده از این روش، می‌توان به­طور مداوم بر تغییرات بازار نظارت کرد و در صورت لزوم اقدامات اصلاحی انجام داد؛ این امر به­ویژه در شرایط بحرانی و ناپایدار بازار، اهمیت بیشتری می­یابد. این امر به سیاستگذاران کمک می‌کند تا به­طور مؤثرتر به تغییرات بازار واکنش نشان دهند و از بحران‌های احتمالی جلوگیری کنند. در ادامه مقاله، بخش دوم به مرور پیشینه تحقیق می­پردازد؛ بخش سوم داده­ها و رویکرد اقتصادسنجی به­کاررفته را توصیف می­کند و بخش چهارم، یافته‌های تجربی به­دست آمده از تجزیه و تحلیل مدل را ارائه می­دهد و در نهایت، بخش پنجم، به نتیجه‌گیری می­پردازد.

 

2.‌ مروری بر ادبیات

بخش بزرگی از ادبیات مالی به دنبال بررسی تأثیر سرریز بازده و تلاطم بین طبقات دارایی مختلف است. بنابراین، درک اینکه چگونه بازارهای مالی مختلف با یکدیگر ارتباط دارند، برای متخصصان مدیریت ریسک و سرمایه‌گذاران بسیار جالب است که به­دنبال تنوع‌سازی برای مدیریت صحیح ریسک‌های مرتبط با چنین بازارهایی هستند (بریر و همکاران¹⁹، 2012). در مطالعات داخلی نیز به این موضوع توجه شده است. نتایج پژوهش­های علمی و همکاران (1393)، دهباشی و همکاران (1399) و محمدی­نژاد پاشاکی و همکاران (1402)، سرریز نوسانات میان دو بازار طلا و سهام ایران را تأیید کردند. ابونوری و ضیاء­الدین (1399) با بررسی همبستگی بین بازده سهام و بازدهی قیمت نفت و همچنین سرریز تلاطم میان این دو بازار در ده کشور عضو اوپک نشان داد تغییرات قیمت نفت با بازدهی بازار سهام در کشورهای عضو اوپک همبستگی مثبت دارد. نتایج مطالعه زراعتی و همکاران (1402) در بررسی آثار نامتقارن تکانه­های مثبت و منفی و تکانه­های بزرگ بازار سهام بر نرخ ارز در ایران، نشان داد واکنش نرخ ارز نسبت به تکانه مثبت و منفی بازار سهام نامتقارن است. نتایج پژوهش محسنی و اعرابی (1402) مؤید رابطه معنادار میان حلقه‌های قیمت منابع انرژی، نرخ ارز و قیمت سهام شرکت‌های تولید برق در ایران بود. نتایج مطالعه احمدی و همکاران (1404) حاکی از تأیید سرریز میان بیت­کوین، سهام و طلا بود.

در مطالعات بین­المللی نیز این موضوع بررسی شده است. مطالعات متعددی وجود دارد که انتشار ریسک مرتبط با شوک‌های بازده و تلاطم را در بازارهای مالی بررسی کرده­اند (بیلیو و همکاران²⁰، 2012؛ فیلیپاس و سیریوپولوس²¹، 2013؛ دوا و توتجا²²، 2016؛ اوزتک و اوکال²³، 2017). نتایج مطالعه اوارطانی و مغیره²⁴ (2013) وجود سرریزهای دوطرفه بین بازارهای نفت و سهام را تأیید کرد. مطالعه وانگ و چوئه²⁵ (2013) نیز انتقال سرریز را بین بازارهای نفت و طلا تأیید کردند. شبکه کالاهای کشاورزی، فلزات گرانبها و نفت خام در مطالعه کانگ و همکاران²⁶ (2017) بررسی و مشخص شد آثار سرریز در طول بحران مالی سال 2008 به­طور قابل­ملاحظه­ای افزایش یافته است. نتایج بررسی سرریزهای ناشی از بازار نفت در پژوهش­های بشر و همکاران²⁷ (2018) و فانگ و اگان²⁸ (2018) نشان داد که این سرریزها می‌تواند به­طور قابل­توجهی بر بازار سهام کشورهای صادرکننده نفت تأثیر گذارد. بررسی سرریزها در بازار املاک منطقه‌ای بریتانیا در مطالعه آنتوناکاکیس و همکاران (2018) با استفاده از چارچوب زمان متغیر نشان داد که یک دلیل مهم برای نوسانات در بازده دارایی‌ها، سرریزهای ناشی از شوک‌های بازده دارایی­های بین منطقه‌ای است. عدم اطمینان سیاست پولی در مطالعه گابور و گوپتا (2018) یکی از دلایل مهم سرریزها بین کشورها نشان داده شد. تجزیه و تحلیل سرریزهای بازده بین بازارهای مالی در طول کووید-19 با استفاده از روش TVP-VAR در مطالعه لنگ و همکاران²⁹ (2024)، الیدی و ادیکویا³⁰ (2021) و بوری و همکاران³¹ (2021) نشان داد که بیماری همه­گیر، محرک مهمی برای اتصال بین این بازارهاست. مطالعه بالسیلار و همکاران³² (2021) نیز نقش قابل­توجه بحران­های مالی جهانی را در روابط متقابل بین نفت خام و کالاهای کشاورزی تأیید کرد. چن و همکاران³³ (2024) تعامل عدم­قطعیت­های مختلف را در بازارهای مالی بررسی کردند و اثر آنها را قابل­توجه دانستند. ارتباط بین بازارهای کالایی کشاورزی نیز در مطالعه مالهوترا و همکاران³⁴ (2024) بررسی گردید. یافته­ها از بزرگ­تر بودن آثار سرریز کوتاه­مدت نسبت به میان­مدت و بلندمدت بود. میشرا و قطه³⁵ (2022) نشان دادند که روی، سرب و نیکل فرستنده‌های شوک­ها هستند که بر بازده فلزات دیگر در شبکه تأثیر می‌گذارند. شنگ و هاموری³⁶ (2024) با بررسی ارتباط بین بازارهای نفت، طلا و سایر بازارهای مالی نشان دادند نفت به­عنوان انتقال­دهنده شوک­ها عمل می­کند.

 

 

3. روش پژوهش

1-3. سرریز بازده

روش پیشنهادی دیبولد و یلماز (2012)، یکی از محبوب­ترین تکنیک­های اقتصادسنجی برای بررسی اتصال است؛ با این­حال، یکی از محدودیت­های این رویکرد این است که به­شدت به اندازه پنجره غلطان وابسته است. آنتوناکاکیس و همکاران (2020)، میانگین مربعات خطای پیش­بینی VAR³⁷ را به­عنوان معیاری برای انتخاب اندازه بهینه پنجره غلتان³⁸ پیشنهاد کردند. در مقابل، لاستراپس و ویسن³⁹ (2020) از شاخص سرریز مشترک⁴⁰ به عنوان رویکردی جایگزین یاد کردند. پژوهش حاضر بر پایه روش بالسیلار و همکاران (2021) استوار است. در این مقاله، نتایج با بهره­گیری از روش خودرگرسیون برداری با پارامتر متغیر با زمان⁴¹ (TVP-VAR) و یکپارچه‌سازی آن با تکنیک اتصال مشترک بسط یافته⁴²، حاصل می­شود. رویکرد کلی اتصال TVP-VAR با در نظر گرفتن یک وقفه، به صورت زیر نوشته می­شود:

(1)         

(2)                                                                                                                 

که بردار  و  به عنوان بردارهای  بعدی و ماتریس  به عنوان یک ماتریس چندبعدی ، هستند. متعاقباً، مدل TVP-VAR براساس قضیه والد⁴³ به­صورت   ارائه می­شود که در این مدل  است و  نشان­دهنده شوک نوفه سفید متقارن با ماتریس کوواریانس  متغیر در زمان است که به­صورت  نمایش داده می­شود. بنابراین، خطای پیش­بینی در مرحله L به­صورت زیر محاسبه می­شود:

                                                

                                                                                                          (3)                          

در مرحله بعد، ماتریس کوواریانس خطای پیش­بینی را می­توان به­صورت زیر نوشت:

(4)

چارچوب پیشنهادی براساس تجزیه واریانس خطای پیش­بینی تعمیم­یافته مقیاس­شده⁴⁴(GFEVD) توسط پسران و شین⁴⁵ (1998) است. چاتزانتونیو و همکاران⁴⁶ (2021)، بر این نکته صحه گذاشتند که GFEVD بهترین رویکرد موجود برای این موضوع است. این تجزیه واریانس، که با نماد  نشان داده می‌شود، تأثیر یک شوک در متغیر j بر روی متغیر 𝑖 را اندازه‌گیری می‌کند:

در مدل تعمیم­یافته،  برداری  از صفرهای انتخابی است که موقعیت 𝑖 ام آن برابر با 1 است.  نشان­دهنده کاهش متناسب در واریانس خطای پیش­بینی L مرحله­ای متغیر 𝑖 است که ناشی از شرطی شدن شوک­های آینده متغیر j است. در صورتی که ، باید به یک مجموعه سطری 1 نرمال تبدیل شود که به آن جدول سرریز تعمیم‌یافته⁴⁷  گفته می­شود (دیبولد و یلماز، 2014؛ 2012؛ 2009). این جدول، شامل تأثیرات کل شبکه از سایر متغیرها⁴⁸ بر متغیر 𝑖 و هم­چنین اتصال جهتی یک شوک از متغیر 𝑖 به دیگران⁴⁹ در شبکه است:

(7)

(8)                                                                                            

بررسی اثر جهتی خالص⁵⁰ متغیر 𝑖 بر شبکه به­صورت زیر محاسبه می‌شود:

(9)

شاخص اتصال کل⁵¹، میزان اتصال به شبکه، یا ریسک بازار را نشان می‌دهد:

(10)

در سطح تحلیلی عمیق‌تر، سرریزهای خالص زوجی⁵² که جهت‌دار هستند، به صورت زیر است:

(11)                

اگر ، نشان‌دهنده تأثیر قابل­توجه متغیر 𝑖 بر متغیر j است. در تکنیک اتصال مشترک بسط­یافته، فرض می­شود که   و   هم ارز هم هستند؛ به­طوری که شرایط ذیل تحقق باید:

(12)     

(13)

(14)                                                                         

به منظور تحقق این شرایط، ضروری است که رویکرد مقیاس‌بندی تعمیم داده شود (بالسیلار و همکاران، 2021). درنتیجه، ضریب مقیاس η برای هر سطر متفاوت خواهد بود که این امر به ایجاد معادلات زیر منجر می‌شود:

(15)

(16)

که سه شرط زیر باید رعایت شوند:

                                                                                                                         (17)                                                                                                                                (18) 

(19)                                                                                                    

با امکان تغییر پارامتر مقیاس‌بندی در هر سطر، معیارهای اتصال جهتی کل خالص و زوجی به­صورت زیر است: 

(20)

(21)                                                                                               

این روش جایگزینی منطقی برای رویکرد اولیه اتصال است که برخلاف رویکرد اولیه، نیازی به انتخاب پنجره غلتان ندارد و کمتر به داده‌های دورافتاده حساس است. همچنین، این روش توانایی تطبیق با تغییرات متغیرهای مختلف در طول زمان و نظارت دقیق‌تر بر نوسانات بازار مالی را دارد. این امر به­دلیل متغیر بودن واریانس­ها و کوواریانس‌ها در طول زمان است که برای مدیریت ریسک بسیار ضروری است. بالسیلار و همکاران (2021) مشکل نرمال‌سازی جمع سطرها⁵³ را در روش اتصال بسط‌یافته که در مطالعه اصلی اتصال مشترک لاستراپس و ویسن (2020) معرفی شده بود، به روشی طبیعی و انعطاف‌پذیرتر بسط دادند که امکان محاسبه اتصالات دوطرفه را فراهم می‌کند. 

 

2-3. سرریز تلاطم

مدل DCC-GARCH معرفی شده توسط انگل⁵⁴ (2002) به­شرح زیر است:

(22)     

(23)

(24)

مفاهیم همبستگی شرطی پویا و واریانس شرطی زمان ­متغیر با ابعادی برابر  به­ترتیب با نمادهای  و  نشان داده می‌شوند.  و  با ابعادی برابر  به­ترتیب میانگین شرطی و باقیمانده خطای استاندارد را نشان می‌دهند. بولرسلف⁵⁵ (1986) با ارائه مدل‌های GARCH، روش شبیه‌سازی  برای سری‌های زمانی را معرفی کرد. با معادلات زیر، پارامترهای مربوط به همبستگی­های شرطی پویا محاسبه می­شوند:

(25)

(26)

ماتریس‌های واریانس و کوواریانس باقی‌مانده‌های استاندارد شده که با  و  مشخص می‌شوند، ماتریس‌های   بعدی هستند که بدون د­ر نظرگرفتن شرطی یا غیرشرطی بودن، باید معین مثبت باشند. شوک‌های غیرمنفی با استفاده از پارامترهای پایداری مدل‌سازی می‌شوند که با  و  نشان داده می‌شوند؛ به­طوری­که مجموع این پارامترها همیشه کوچک‌تر از 1 است. تابع پاسخ ضربه‌ای تلاطم⁵⁶ (VIRF)، که توسط گابور (2020) ارائه شده، برای درک تأثیر شوک‌های تجربه‌شده توسط متغیر 𝑖از نوسانات متغیر j است:

(27)

پس از ایجاد VIRF، مرحله بعدی محاسبه مقادیر تجزیه واریانس خطای پیش‌بینی تعمیم‌یافته (GFEVD) است:

(28)

به­طوری که:   و  . مشابه بخش قبل، از GFEVD برای سنجش واریانس مقادیر اتصال به­صورت زیر استفاده می‌شود:

(29)                                                                                                    

(30)                                                                                                   

(31)                                                                                                 

(32)

که به ترتیب، ارتباط جهتی مبتنی­بر واریانس کل از متغیر 𝑖 به سایر،اتصال جهت کل از سایرین به 𝑖، ارتباط جهتی خالص مرتبط با 𝑖 بسته به نوسانات و شاخص اتصال کل (TCI) را نشان می­دهند.

 

4.‌ برآورد مدل و تجزیه و تحلیل یافته‌ها 

1-4. آمار توصیفی متغیرها

برای ارائه تحلیل جامعی از پویایی سرریز بازده و تلاطم میان شبکه‌ای در بازار سهام ایران، داده‌های روزانه‌ شاخص 15 صنعت بورسی از 20 مهرماه 1388 تا 26 اردیبهشت ماه 1403 جمع‌آوری شده است. صنایع منتخب در این تحقیق به­دلیل دسترسی به داده‌های منظم با تواتر روزانه، شامل فرآورده­های نفتی، فلزات اساسی، کانی‌های فلزی، شیمیایی، لاستیک، کانی­های غیر‌فلزی، قند و شکر، صنایع غذایی، سرمایه­گذاری، دارویی، خودرو، بانک، بیمه و بازنشستگی، انبوه­سازی، مسکن، کاشی و سرامیک هستند که بیش از 80 درصد از ارزش کل بازار را تشکیل می‌دهند. این مشاهدات که از وب­سایت بازار بورس اوراق بهادار تهران استخراج شده، با استفاده از روش خراش سایت⁵⁷ و زبان برنامه‌نویسی پایتون گردآوری شده­اند. در ابتدا، داده‌های سری زمانی در این پژوهش به­صورت بازده لگاریتمی به شکل  محاسبه شده­اند که  نشان­دهنده بازده و p  نیز شاخص قیمت صنعت است. در ادامه، نتایج آزمون­های ریشه واحد متغیرها به دو روش ای‌آر‌اس⁵⁸ و دیکی‌فولر تعمیم یافته⁵⁹ در جدول 1 ارائه شده است که حاکی از مانایی تمامی متغیرهای تحقیق است.

 

جدول 1. نتایج آزمون ریشه واحد متغیرها

(5)
(6)

نام صنعت	نماد	آزمون ERS	آزمون ADF
محصولات نفتی	rOil_Product	***962/25-	**558/45-
فلزات اساسی	rBased_Metals	***609/15-	**377/37-
کانی­های فلزی	rMetal_Mineral	***258/17-	**304/37-
شیمیایی	rChimi	***323/13-	**018/37-
لاستیک	rRubber	***560/16-	**185/39-
کانی­های غیر فلزی	rNon_Metal_Mineral	***172/16-	**757/35-
قند و شکر	rSugar	***557/16-	**716/35-
صنایع غذایی	rFood	***238/16-	**506/35-
سرمایه­گذاری	rInvestment	***351/13-	**132/35-
دارویی	rMedicine	***962/15-	**930/33-
خودرو	rAutomobile	***865/12-	**196/37-
بانک	rBank	***938/16-	**528/37-
بیمه و بازنشستگی	rInsurance	***747/6-	**631/34-
انبوه­سازی و مسکن	rHouse	***087/16-	**523/35-
کاشی و سرامیک	rCeramic	***103/15-	**706/34-

منبع: یافته­های تحقیق

"**" و "***" به ترتیب بیانگر معناداری در سطح خطای 5% و 1% هستند.

 

شکل 1 روند سری‌های زمانی مربوط به تغییرات بازدهی صنایع را نشان می‌دهد که فرآیند تغییرات بازدهی نه‌تنها ثابت نبوده، بلکه پویایی قابل‌توجهی را تجربه کرده است؛ به‌ویژه از سال 2018 به بعد که شاهد افزایش نوسانات در اکثر صنایع هستیم. نکته قابل‌توجه در دامنه نوسان تغییرات بازدهی است که در اکثر صنایع برابر با 6/0 واحد است؛ اما در صنعت محصولات نفتی، برابر 4 واحد و از منفی 2 تا مثبت 2، متغیر است. این تفاوت قابل‌توجه نشان‌دهنده ماهیت پرتلاطم بازدهی در صنعت محصولات نفتی است که می‌تواند ناشی از عوامل خاص و ذاتاً متغیر این صنعت باشد.

جدول 2 خلاصه‌ای از آمار توصیفی مربوط به بازده هر یک از صنایع را ارائه می‌دهد. همان­طور که مشاهده می‌شود صنایع قند و شکر، شیمیایی و سپس کانی­های غیر فلزی و محصولات نفتی بیشترین متوسط بازدهی را دارند؛ به­طوری ­که کمترین میانگین بازدهی مربوط به صنایع بانک، انبوه­سازی و مسکن و خودرو است. در بررسی آماره‌های چولگی، مشاهده می‌شود که اکثر صنایع، بازدهی با چولگی به سمت راست دارند، بجز بخش محصولات نفتی که چولگی آن به سمت چپ است. هم­چنین، توزیع بازدهی تمامی صنایع دیگر نسبت به توزیع نرمال، کشیدگی بیشتری نشان می‌دهد و در میان آنها، صنعت محصولات نفتی با بیشترین کشیدگی به سمت بالا، منحنی توزیع خود را از سایر صنایع متمایز می‌کند. برآورد همبستگی میان صنایع بورسی نیز در شکل 2 به­صورت نقشه حرارتی⁶⁰ ارائه شده است. نقشه حرارت همبستگی⁶¹ نشان می‌دهد که بازدهی صنایع بورسی تهران ارتباطات متفاوتی با یکدیگر دارند. به­عنوان مثال، بازدهی صنایع فلزات اساسی و کانی‌های فلزی با همبستگی حدود 74/0 به شدت مرتبط هستند که نشان‌دهنده همبستگی قوی در عملکرد این دو صنعت است.

 

2-4. برآورد مدل

برای دستیابی به تعداد وقفه‌ بهینه، از چهار معیار AIC، HQ، SC و FPE استفاده شده که براساس نتایج، یک وقفه بهینه برای این داده‌ها کافی است.

 

1-2-4. رویکرد TVP-VAR برای اتصالات پویای بازده

1-1-2-4. میانگین اتصالات پویا

براساس نتایج شاخص اتصالات کل⁶² (TCI) در جدول 3، می‌توان نتیجه گرفت که:

·       تغییرات بین‌بخشی در این شبکه حدود 52 درصد و تغییرات درون‌صنعتی حدود 48 درصد از واریانس خطا را تبیین می‌کنند. مقدار بالای TCI، گویای وجود ارتباطات متقابل قوی بین بازده صنایع مختلف بورسی است.

·       براساس تحلیل تأثیرپذیری بازده صنایع مختلف از یکدیگر (FROM)، بخش سرمایه‌گذاری و فلزات اساسی به ترتیب با شاخص‌های 50/69 و 74/65 بیشترین تأثیرپذیری را از سایر صنایع داشته‌اند. در مقابل، صنایع محصولات نفتی و قند و شکر با شاخص‌های 61/32 و 29/37 کمترین تأثیرپذیری را نشان داده‌اند.

·       براساس TO، بخش­های سرمایه­گذاری و فلزات اساسی علی­رغم اثرپذیری زیاد از صنایع دیگر، بزرگترین انتقال­دهنده­های شوک به سایر صنایع نیز هستند؛ این درحالی است که دو صنعت قند و شکر و کاشی و سرامیک کوچکترین انتقال­دهنده شوک به سایر صنایع در این شبکه هستند.

·       صنعت خودرو شاهد بیشترین شوک از بازده بخش سرمایه‌گذاری است که حدود 55/10 درصد است. در مقابل، بخش محصولات نفتی کمترین تأثیر را از صنعت کاشی و سرامیک دریافت می‌کند.

·       براساس خالص سرریز در شبکه، بخش‌های سرمایه‌گذاری و محصولات نفتی به‌عنوان قوی‌ترین انتقال‌دهندگان شوک بازده و کانی‌های فلزی و کاشی و سرامیک به‌عنوان اصلی‌ترین دریافت‌کنندگان شوک بازده عمل می‌کنند.

·       سرریزهای جفتی (NPDC) حاکی از نحوه تعامل هر صنعت با سایر صنایع است. برای مثال، عدد 13 در بخش محصولات نفتی و سرمایه‌گذاری نشان‌دهنده تسلط این بخش‌ها بر بخش­های دیگر است.

 

2-1-2-4. تغییرات پویای اتصالات کل⁶³

با توجه به شکل 3، ناحیه سایه شده، نشان‌دهنده نتایج حاصل از اتصال مشترک بسط­یافته است؛ درحالی که خط قرمز، نتایج حاصل از اتصال TVP-VAR را نشان می‌دهد. تا سال 2019، شاخص اتصالات کل به طور متوسط کمتر از 40 درصد بوده؛ اما پس از آن با افزایشی چشمگیر به حدود 70 درصد رسیده است. این افزایش نشان‌دهنده تقویت پیوند بین صنایع مختلف بورسی در سال‌های اخیر است.

 

---

[1] * استادیار، گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران، (نویسنده مسئول) [e-mail]                                                                                                                                                                                     

[2] **دانشجوی کارشناسی ارشد، گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران،  

[e-mail]

[3]  Billio et al.

[4]  Diebold & Yilmaz

[5]  Connectedness

[6]  Bubák et al.

[7]  Antonakakis & Gabauer

[8]  Antonakakis et al.

[9]  Gabauer & Gupta

[10]  Xiao et al.

[11]  Andries and Galasan

[12]  Bisias et al.

[13]  Maggi et al.

[14]  Torrente and Uberti

[15]  Le Pen & Sévi

[16]  Nazlioglu et al.

[17]  Beirne et al.

[18]  Hoesli and Reka

[19]  Briere et al.

[20]  Billio et al.

[21]  Philippas and Siriopoulos

[22]  Dua and Tuteja

[23]  Oztek and Ocal

[24]  Awartani and Maghyereh

[25]  Wang and Chueh

[26]  Kang et al.

[27]  Basher et al.

[28]  Fang and Egan

[29]  Lang et al.

[30]  Adekoya and Oliyide

[31]  Bouri et al.

[32]  Balcilar et al.

[33]  Chen et al.

[34]  Malhotra et al.

[35]  Mishra and Ghate

[36]  Shang and Hamori

[37]  Vector Autoregression

[38]  Rolling window

[39]  Lastrapes and Wiesen

[40]  Joint Spillover Index

[41]  Time-Varying Parameter Vector Autoregressions (TVP-VAR)

[42]  Extended joint connectedness technique

[43]  Wold representation theorem

[44]  Generalized forecast error variance decomposition (GFEVD)

[45]  Pesaran and Shin

[46]  Chatziantoniou et al. 

[47]  Generalized spillover table

[48]  From others

[49]  To others

[50]  Net total directional connectedness

[51]  Total Connectedness Index (TCI)

[52]  Net Pairwise Directional Spillovers

[53]  row sum normalization issue

[54]  Engle

[55]  Bollerslev

[56]  Volatility Impulse Response Function

[57]  Web Scraping

[58]  Elliott, Rothenberg and Stock (ERS)

[59]  Augmented Dickey–Fuller test (ADF)

[60]  Heatmap

[61]  Heatmap Correlation

[62]  Total Connectedness Index

[63]  Dynamic Total Connectedness

شکل 1. روند بازدهی صنایع منتخب

منبع: یافته­های تحقیق

 

جدول 2. آماره­هاي توصيفی بازده شاخص­هاي صنایع منتخب بورسی

نام صنعت	نماد	میانگین	انحراف معیار	چولگی	کشیدگی
محصولات نفتی	rOil_Product	003/0	189/0	017/0-	347/140
فلزات اساسی	rBased_Metals	003/0	023/0	972/0	598/9
کانی­های فلزی	rMetal_Mineral	003/0	024/0	833/0	320/9
شیمیایی	rChimi	003/0	020/0	965/0	143/10
لاستیک	rRubber	003/0	026/0	783/1	556/24
کانی­های غیر فلزی	rNon_Metal_Mineral	003/0	022/0	821/0	189/11
قند و شکر	rSugar	003/0	024/0	955/0	958/7
صنایع غذایی	rFood	002/0	021/0	911/0	456/10
سرمایه­گذاری	rInvestment	002/0	017/0	436/1	114/14
دارویی	rMedicine	003/0	018/0	615/1	264/13
خودرو	rAutomobile	002/0	030/0	532/0	833/5
بانک	rBank	002/0	021/0	756/0	419/10
بیمه و بازنشستگی	rInsurance	002/0	022/0	783/0	048/8
انبوه­سازی و مسکن	rHouse	002/0	023/0	651/0	914/6
کاشی و سرامیک	rCeramic	003/0	022/0	036/1	281/10

منبع: یافته­های تحقیق

 

شکل 2. نقشه حرارت همبستگی

منبع: یافته­های تحقیق

شکل 3. پویایی­های شاخص اتصالات کل(TVP-VAR Extended joint)

منبع: یافته­های تحقیق

 

3-1-2-4. خالص اتصالات جهت­دار¹ یا سرریزهای پویا² 

تحلیل ایستای جدول 3 که نشان می‌دهد بخش‌های سرمایه‌گذاری و محصولات نفتی، بیشترین تأثیر را در انتقال شوک بازده داشته‌اند، در شکل 4 نیز تأیید می‌شود. ازسوی دیگر، بخش‌های کانی‌های فلزی و کاشی و سرامیک به عنوان اصلی‌ترین دریافت‌کنندگان شوک بازده شناخته شده‌اند. پویایی نقش صنایع را می‌توان به­وضوح در نمودارهای مرتبط با صنایع محصولات نفتی و خودروسازی مشاهده کرد.

 

4-1-2-4. خالص سرریزهاي زوجی پویا³ در صنایع منتخب بورسی

بررسی ارتباطات متقابل بین صنایع مختلف، در شکل 5 به تصویر کشیده شده است. به عنوان نمونه، در نمودار سمت چپ بالا که جفت rOil_product – rBased_Metals نشان داده شده است، پویایی‌های مربوط به تعاملات دو صنعت محصولات نفتی و فلزات اساسی مشاهده می‌شود. واضح است که می‌توان استنباط کرد در اوایل سال 2010، صنعت محصولات نفتی شوک‌هایی را به صنعت فلزات اساسی منتقل کرده است؛ اما به تدریج این تأثیر کاهش یافته و حتی در برخی مواقع، صنعت محصولات نفتی تحت تأثیر صنعت فلزات اساسی قرار گرفته است.

 

5-1-2-4. خالص اتصالات جهت­دار زوجی در قالب شبکه صنایع منتخب بورسی

در شکل 6، می‌توان روابط پیچیده بین بازده صنایع مختلف و تأثیرات متقابل آنها را مشاهده کرد. دایره‌های به رنگ‌های آبی و زرد به ترتیب صنایع فرستنده و گیرنده خالص شوک­های بازده را نشان می­دهند.

 

---

[1]  Net Total Directional Connectedness

[2]  Net Directional spillovers

[3]  Dynamic Net Pairwise Connectedness

جدول 3. متوسط اتصالات پویای بازده

نام صنعت

محصولات نفتی

فلزات اساسی

کانی های فلزی

شیمیایی

لاستیک

کانی های غیر فلزی

قند و شکر

صنایع غذایی

سرمایه گذاری

دارویی

خودرو

بانک

بیمه و بازنشستگی

انبوه سازی و مسکن

کاشی و سرامیک

مجموع سرریزهای دریافت شده از سایر صنایع (FROM)

محصولات نفتی

39/67

78/4

92/3

06/5

14/1

65/1

95/0

76/1

18/3

43/1

00/2

19/2

02/2

54/1

00/1

61/32

فلزات اساسی

56/5

26/34

07/14

03/9

43/2

54/3

48/1

15/3

77/6

12/3

24/3

76/4

22/3

31/3

07/2

74/65

کانی های فلزی

26/5

59/15

14/38

45/9

20/2

53/3

19/1

70/2

09/6

85/2

04/3

50/3

35/2

41/2

68/1

86/61

شیمیایی

68/5

88/8

43/8

61/42

20/2

42/3

44/1

03/3

31/6

91/3

89/2

74/3

98/2

74/2

74/1

39/57

لاستیک

18/1

26/2

79/1

92/1

85/61

22/4

19/2

73/3

34/3

49/3

76/2

15/2

92/2

72/3

49/2

15/38

کانی های غیر فلزی

28/2

88/2

39/2

71/2

82/3

70/48

98/2

13/5

04/5

66/4

09/4

76/2

50/3

00/5

07/4

30/51

قند و شکر

20/3

41/1

08/1

41/1

28/2

92/3

71/62

69/3

28/3

72/3

55/2

94/1

41/2

36/3

04/3

29/37

صنایع غذایی

92/1

72/2

05/2

41/2

38/3

20/5

25/3

57/47

81/5

31/5

40/4

57/3

78/3

12/5

49/3

43/52

سرمایه گذاری

77/3

36/5

33/4

96/4

82/2

86/4

58/2

31/5

50/30

29/5

10/9

42/7

78/4

20/6

72/2

50/69

دارویی

81/1

39/2

81/1

33/3

01/3

54/4

08/3

45/5

47/5

86/47

21/4

00/4

69/4

4.77

60/3

14/52

خودرو

37/2

95/2

37/2

67/2

75/2

39/4

18/2

56/4

55/10

29/4

21/42

75/6

24/4

5.29

42/2

78/57

بانک

52/2

35/4

78/2

27/3

14/2

17/3

75/1

67/3

52/8

32/4

82/6

99/45

83/4

4.53

35/1

01/54

بیمه و بازنشستگی

37/2

80/2

71/1

43/2

67/2

62/3

26/2

72/3

28/5

51/4

05/4

44/4

48/53

4.33

33/2

52/46

انبوه سازی و مسکن

51/1

60/2

69/1

17/2

40/3

00/5

85/2

93/4

66/6

84/4

98/4

31/4

24/4

46.94

87/3

06/53

کاشی و سرامیک

26/2

09/2

40/1

89/1

48/2

21/5

49/3

28/4

61/3

12/5

64/2

76/1

95/2

4.67

13/56

87/43

مجموع سرریزهای انتقال یافته به سایر صنایع (TO)

67/41

06/61

82/49

70/52

72/36

28/56

67/31

09/55

93/79

86/56

77/56

30/53

91/48

99/56

89/35

66/773

خالص سرریز ها (NET)

06/9

68/4-

04/12-

69/4-

43/1-

97/4

61/5-

66/2

42/10

71/4

01/1-

71/0-

39/2

93/3

98/7-

TCI = 58/51

NPDC

00/13

00/2

00/0

00/3

00/4

00/10

00/4

00/9

00/13

00/10

00/7

00/6

00/10

00/12

00/2

منبع: یافته­های تحقیق

شکل 4. خالص سرریزهای جهت­دار کل (TVP-VAR Extended joint)

منبع: یافته­های تحقیق

 

براساس شکل 6، بزرگ‌ترین دایره آبی، که نمایانگر بخش سرمایه‌گذاری است، قوی‌ترین عامل انتقال شوک‌های بازده در این شبکه است. همچنین، طبق نمودار، بیشترین تأثیرپذیری از این شوک‌ها مربوط به صنایع خودرو، فلزات اساسی، شیمیایی و کانی‌های فلزی است.

نتایج حاصل از بررسی‌های شکل­های پیشین، چندین نکته مهم را در مورد اتصالات بازده صنایع بر یکدیگر را آشکار می‌سازد:

·       یکی از صنایع تاثیرگذار در شبکه، حوزه سرمایه‌گذاری است که نه تنها بر بازده بخش بانکی، بلکه بر بازده بسیاری از صنایع بزرگ در بازار بورس ایران تأثیرگذار است. این حوزه، آثار قابل­توجهی بر کامودیتی‌هایی مانند کانی‌های فلزی، محصولات شیمیایی و فلزات اساسی بر جای گذاشته است. این یافته‌ها نشان می‌دهند که بخش سرمایه‌گذاری، نقشی محوری و کلیدی در تأثیرگذاری بر صنایع بورس تهران ایفا می‌کند.

 

شکل 5. خالص سرریزهاي زوجی در صنایع منتخب بورسی(TVP-VAR Extended joint)

منبع: یافته­های تحقیق

·       صنعت مسکن و انبوه‌سازی ارتباط تنگاتنگی با صنایع تأمین‌کننده مواد اولیه خود دارند. این ارتباط بین بازده صنعت مسکن و صنایع تولیدکننده کاشی و سرامیک، فلزات اساسی، کانی‌های فلزی و محصولات شیمیایی مشهود است. این ارتباط نشان‌دهنده تأثیرپذیری بازده صنایع ذکر شده از بازده صنعت مسکن است.

·       علاوه­بر این، در حوزه صادرات، بازده صنایع کامودیتی‌محور مانند محصولات نفتی، شیمیایی، فلزات اساسی و کانه‌های فلزی و غیرفلزی، همبستگی قوی و هم‌جهتی با یکدیگر دارند. بازده این صنایع نه تنها از یکدیگر تأثیر می‌پذیرند؛ بلکه می‌توانند بر یکدیگر تأثیر گذاشته و مسیر حرکت یکدیگر را شکل دهند.

·       صنایع کوچک بورسی، مانند قند و شکر و کاشی و سرامیک، به­دلیل ذات مصرفی محصولاتشان، به شدت تحت تأثیر شوک‌های ایجاد شده توسط سایر متغیرها قرار دارند. این بدان معنی است که تغییرات در صنایع دیگر می‌تواند تأثیر قابل توجهی بر عملکرد و بازدهی این صنایع کوچک داشته باشد.

·       بین بازده بخش فلزات اساسی با کانی­های فلزی و محصولات شیمیایی، اتصالات دوسویه قوی­ای وجود دارد.

·       صنایع دارویی، ساختمان­سازی و صنایع غذایی به عنوان فرستنده خالص شوک بازده عمل کرده­اند.

شکل 6. خالص اتصالات جهت­دار زوجی در قالب شبکه صنایع بورسی (TVP-VAR Extended joint)

منبع: یافته­های تحقیق

 

 

 

 

2-2-4. رویکرد DCC-GARCH برای اتصالات پویای تلاطم

1-2-2-4. میانگین اتصالات پویا

نتایج حاصل از جدول 4 نشان می‌دهد که متوسط اتصال کل در بین صنایع بورسی منتخب، 36/64 درصد است. بنابراین با ایجاد یک تلاطم در یک صنعت خاص، به‌طور متوسط 36/64 درصد از تأثیر آن توسط خود صنعت جذب می‌شود. بخش خودرو و کانی‌های فلزی، به­ترتیب با 08/78% و 71/73%، بیشترین تأثیرپذیری را از سایر صنایع داشته‌اند. در مقابل، صنعت محصولات نفتی با 81/20% کمترین تأثیرپذیری را داشته است. بخش‌های سرمایه‌گذاری و دارویی، بزرگ‌ترین انتقال‌دهندگان تلاطم به سایر صنایع هستند؛ درحالی که صنایع محصولات نفتی و لاستیک، کمترین انتقال‌دهندگی تلاطم را در این شبکه دارند. صنعت خودرو با تأثیر 61/15 از بخش سرمایه‌گذاری، تلاطم بالایی را تجربه می‌کند. همچنین، صنعت بانکداری نیز با ارزش 02/12، تأثیر مشابهی را از همین بخش دریافت می‌کند. صنایع کانی‌های فلزی و فلزات اساسی نیز به­ترتیب با مقادیر 65/12 و 62/11، بیشترین تلاطم را از بخش شیمیایی تجربه می‌کنند. بخش سرمایه‌گذاری با انتقال 73/59 درصدی شوک‌ها، قوی‌ترین انتقال‌دهنده تلاطم در شبکه است. ازسوی دیگر، بخش‌های لاستیک و کانی‌های فلزی به‌عنوان اصلی‌ترین دریافت‌کنندگان شوک‌ها، به­ترتیب 15/39 و 78/32 درصد از تلاطم­ها را جذب کرده­اند. در ادامه، چهار نمودار اصلی مربوط به تغییرات پویای اتصالات کل، خالص اتصالات جهت‌دار، خالص سرریزهای زوجی و اتصالات زوجی در قالب شبکه در پاسخ به شوک‌های تلاطم بررسی خواهند شد.

 

2-2-2-4. تغییرات پویای اتصالات کل

تجزیه و تحلیل TCI طبق شکل 7 نشان می­دهد که پیوستگی تلاطم­ها در صنایع انتخابی بورس تهران به­طور مداوم در دوره انتخابی به شکل قابل­توجهی زیاد بوده است.

شکل 7. پویایی­های شاخص اتصالات کل (DCC-GARCH)، منبع: یافته­های تحقیق

 

جدول 4. متوسط اتصالات تلاطمی بین صنایع بورسی

نام صنعت

محصولات نفتی

فلزات اساسی

کانی‌های فلزی

شیمیایی

لاستیک

کانی های غیرفلزی

قند و شکر

صنایع غذایی

سرمایه گذاری

دارویی

خودرو

بانک

بیمه و بازنشستگی

انبوه­سازی و مسکن

کاشی و سرامیک

مجموع سرریزهای دریافت شده از سایر صنایع (FROM)

محصولات نفتی

19/79

28/4

20/2

38/5

11/0

18/1

21/0

69/0

32/2

52/0

98/0

95/0

94/0

73/0

33/0

81/20

فلزات اساسی

88/0

57/30

12/10

62/11

10/2

93/3

57/1

64/4

12/10

47/4

11/3

37/6

28/4

34/4

89/1

43/69

کانی­های فلزی

78/0

39/17

29/26

65/12

88/1

99/3

19/1

40/4

76/9

43/4

24/3

44/5

49/3

53/3

53/1

71/73

شیمیایی

99/0

39/10

58/6

43/36

66/1

75/3

68/1

27/4

06/10

60/6

91/2

37/5

94/3

64/3

71/1

57/63

لاستیک

04/0

15/4

17/2

68/3

53/27

71/6

75/4

06/8

00/8

57/8

22/4

95/4

74/5

10/8

33/3

47/72

کانی­های غیر­فلزی

26/0

19/4

48/2

47/4

61/3

87/26

65/4

62/8

02/9

18/8

47/4

79/4

42/5

49/8

48/4

13/73

قند و شکر

04/0

74/1

77/0

09/2

66/2

83/4

39/49

16/7

73/5

74/6

63/2

91/2

47/3

18/6

65/3

61/50

صنایع غذایی

10/0

50/3

93/1

61/3

07/3

09/6

87/4

10/32

76/9

09/9

27/4

29/5

79/4

00/8

53/3

90/67

سرمایه­گذاری

25/0

49/5

08/3

10/6

19/2

58/4

80/2

01/7

29/31

05/7

78/6

56/7

22/5

89/7

68/2

71/68

دارویی

06/0

84/2

64/1

69/4

75/2

87/4

86/3

65/7

25/8

47/39

56/3

86/4

51/5

59/6

40/3

53/60

خودرو

25/0

88/3

35/2

06/4

66/2

23/5

97/2

07/7

61/15

99/6

92/21

27/9

37/6

57/8

80/2

08/78

بانک

16/0

49/5

73/2

18/5

16/2

87/3

27/2

06/6

02/12

60/6

41/6

74/32

39/6

54/6

38/1

26/67

بیمه و بازنشستگی

17/0

03/4

91/1

14/4

73/2

78/4

95/2

98/5

06/9

16/8

80/4

97/6

90/34

58/6

84/2

10/65

انبوه­سازی و مسکن

10/0

12/3

48/1

93/2

94/2

71/5

01/4

62/7

46/10

46/7

94/4

44/5

02/5

82/34

96/3

18/65

کاشی و سرامیک

11/0

15/3

48/1

20/3

80/2

01/7

49/5

81/7

26/8

92/8

74/3

68/2

04/5

19/9

11/31

89/68

مجموع سرریزهای انتقال یافته به سایر صنایع (TO)

20/4

65/73

93/40

82/73

32/33

53/66

27/43

04/87

44/128

79/93

07/56

85/72

62/65

37/88

50/37

38/965

خالص­سرریزها (NET)

61/16-

21/4

78/32-

25/10

15/39-

60/6-

34/7-

14/19

73/59

26/33

00/22-

58/5

51/0

18/23

39/31-

TCI = 36/64

NPDC

0.00

7.00

2.00

9.00

1.00

6.00

5.00

00/11

00/14

00/13

00/4

00/10

00/8

00/12

00/3

منبع: یافته­های تحقیق

3-2-2-4. خالص اتصالات جهت­دار یا سرریزهای پویا

شکل 8 خالص اتصالات هر صنعت را در بازار سهام تهران را نشان می­دهد؛ به­طوری که بخش سرمایه­گذاری با شدت زیادی خالص انتقال­دهنده شوک­های تلاطمی است و صنایعی همچون لاستیک، خودرو و کانی­های فلزی نقش پذیرنده تلاطم را ایفا می­کنند. ازسوی دیگر، صنایعی مانند بیمه یا فلزات اساسی نیز تا حدود زیادی نقشی خنثی نسبت به تلاطم­های موجود در شبکه در طی دوره زمانی مورد نظر دارند.

 

شکل 8. خالص سرریزهای جهت­دار کل در صنایع منتخب بورسی (DCC-GARCH)

منبع: یافته­های تحقیق

 

4-2-2-4. خالص سرریزهاي زوجی پویا در صنایع منتخب بورسی

براساس شکل 9 محصولات نفتی به­طور عمده به شدت پذیرنده تلاطم از صنایعی همچون فلزات اساسی، کانی­های فلزی و محصولات شیمیایی بوده؛ ولی در انتهای دوره به انتقال­دهنده تلاطم به این صنایع تبدیل گردیده­اند.

شکل 9. خالص سرریزهای زوجی در صنایع منتخب بورسی (DCC-GARCH)

منبع: یافته­های تحقیق

 

5-2-2-4. اتصالات زوجی در قالب شبکه در صنایع مختلف بورسی

شکل 10 ساختار شبکه پیچیده‌ای از روابط متقابل بین صنایع بورسی مورد مطالعه را به تصویر می‌کشد. مقایسه شکل‌های 6 و 10 نشان می‌دهد که تأثیر شوک‌های حاصل از بازده و تلاطم صنایع بر یکدیگر الزاماً یکسان نیست. برای مثال، صنعت محصولات نفتی از لحاظ تلاطم تحت تأثیر صنایع فلزات اساسی و محصولات شیمیایی قرار دارد؛ اما در مورد شوک‌های بازده، این صنعت خود به­عنوان یک انتقال‌دهنده شوک بازده به این صنایع عمل می‌کند.

 

 

شکل 10. خالص اتصالات جهت­دار زوجی در قالب شبکه صنایع بورسی (DCC-GARCH)

منبع: یافته­های تحقیق

 

تحلیل شبکه تلاطم در بازار بورس ایران، نتایج قابل­توجهی را آشکار می­کند:

·       صنایع مالی کشور شامل بانکداری، بیمه و سرمایه‌گذاری به­عنوان ارسال­کنندگان خالص تلاطم شناخته می‌شوند.

·       درمقابل، صنایعی که در تولید کالاهای اولیه فعالیت دارند، مانند صنعت لاستیک، کاشی و سرامیک، محصولات نفتی و کانی­های فلزی و غیرفلزی به­عنوان گیرندگان خالص تلاطم در این شبکه عمل می‌کنند.

·       صنایع دارویی، ساختمان­سازی و صنایع غذایی به­عنوان فرستنده خالص تلاطم عمل کرده­اند.

·       فلزات اساسی و کانی‌های فلزی دارای رابطه‌ای پویا و همبستگی قوی هستند که حدود 65 درصد است. این میزان همبستگی در مقایسه با سایر صنایع، چشمگیر و قابل­توجه است.

 

5. نتیجه­گیری و پیشنهادها

درک مکانیسم‌های انتقال شوک‌های اقتصادی و مالی برای فعالان بازار و سیاستگذاران اهمیت زیادی دارد. فهم اینکه این شوک‌ها چگونه منتقل می‌شوند و چه تأثیری بر بازار و اقتصاد می‌گذارند، می‌تواند به مدیریت ریسک و بهینه‌سازی پرتفوی سرمایه‌گذاران کمک کند. این پژوهش به تحلیل جامع پویایی‌های بازده و تلاطم بین شبکه‌ای از 15 صنعت مختلف در بازار بورس اوراق بهادار تهران، در بازه زمانی 20 مهرماه 1388 تا 26 اردیبهشت ماه 1403 می‌پردازد. برای دستیابی به این هدف، از رویکردهای TVP-VAR اتصال مشترک بسط‌یافته و DCC-GARCH استفاده شده است. استفاده از روش TVP-VAR اتصال مشترک بسط‌یافته این امکان را فراهم می‌کند که ماتریس‌های واریانس و کواریانس در طی زمان تغییر کنند؛ این امر دقت بیشتری در تخمین شوک‌های بازده فراهم می‌کند. این ویژگی به‌ویژه در بازارهای مالی که تغییرات ناگهانی و غیرمنتظره رایج هستند، اهمیت بسیار زیادی دارد؛ زیرا این روش به‌طور دقیق‌تری می‌تواند پویایی‌های زمانی و تغییرات ساختاری را در ارتباطات میان صنایع شناسایی و تحلیل کند. ازسوی دیگر، روش DCC-GARCH با قابلیت بررسی همبستگی‌های شرطی پویا، به‌طور دقیق‌تری تلاطم‌های بازار و نحوه انتقال آن‌ها بین صنایع مختلف را اندازه‌گیری می‌کند. این روش‌ها به­دلیل انعطاف‌پذیری و دقت بالای خود، ابزارهای مناسبی برای تحلیل شبکه پیچیده ارتباطات میان صنایع در بازار بورس تهران به‌شمار می‌روند.

نتایج حاصل از رویکرد TVP-VAR اتصال مشترک بسط‌یافته نشان می‌دهد که صنعت سرمایه‌گذاری بر بازده صنایع مختلف ازجمله کانی‌های فلزی و محصولات شیمیایی تأثیرگذار است. علاوه­بر این، ارتباط نزدیکی بین صنعت مسکن و صنایع تأمین‌کننده مواد اولیه مانند کاشی و سرامیک و فلزات اساسی مشاهده می‌شود. همچنین، صنایع کوچک بورسی، نظیر قند و شکر و کاشی و سرامیک، به­دلیل ماهیت مصرفی محصولاتشان، به شدت تحت تأثیر سایر متغیرها قرار دارند. ارتباط دوسویه قوی بین بازده فلزات اساسی، کانی‌های فلزی و محصولات شیمیایی نیز نشان‌دهنده تأثیر متقابل این صنایع بر یکدیگر است.

نتایج حاصل از رویکرد DCC-GARCH نیز نشان می‌دهد که صنایع مالی کشور به‌عنوان ارسال‌کنندگان خالص تلاطم شناخته می‌شوند؛ به‌ویژه بخش سرمایه‌گذاری با تأثیرگذاری مستقیم و غیرمستقیم بر سایر صنایع، یکی از بزرگ‌ترین و مؤثرترین بازیگران این شبکه پیچیده است. در مقابل، صنایعی که در تولید کالاهای اولیه فعالیت دارند، نظیر صنعت لاستیک، کاشی و سرامیک، محصولات نفتی و کانی‌های فلزی و غیرفلزی، به­عنوان گیرندگان خالص تلاطم در این شبکه عمل می‌کنند.

در هر دو رویکرد مورد بررسی، صنایع دارویی، مسکن (ساختمان‌سازی) و صنایع غذایی به­عنوان فرستندگان شوک بازده و تلاطم عمل کرده‌اند. رویکرد TVP-VAR، که ارتباطات میان صنایع را در یک دوره بررسی می‌کند، میانگین کل اتصالات را 58/51 درصد برآورد می‌کند. این عدد نشان‌دهنده احتمال بالای سرایت شوک‌های بازده و وجود ریسک سیستمی قابل­توجه است. همچنین، بررسی‌های انجام شده بر روی داده‌های سه سال گذشته، سرریز شوک‌های بازده را عمدتاً بالای 60 درصد نشان می‌دهد که هشداری جدی برای افزایش ریسک سیستمی است. رویکرد DCC-GARCH نیز با ارائه عدد 36/64 درصد برای این معیار، شدت و اهمیت وضعیت موجود را از بعد تلاطم برجسته می‌سازد که نشان‌دهنده وابستگی بسیار زیاد صنایع مربوطه است.

نتایج حاصل از این پژوهش، پیامدهای قابل­توجهی را برای سرمایه‌گذاران و سیاستگذاران به همراه دارد. شناسایی ارتباطات پیچیده بین صنایع به سرمایه­گذاران کمک می­کند تا الگوهای رفتاری بازار را با دقت بیشتری پیش‌بینی نمایند. با شناسایی صنایع کلیدی که بیشترین تأثیر را بر کل بازار دارند، سیاستگذاران می‌توانند اقدامات پیشگیرانه‌ای را برای کاهش این ریسک انجام دهند. همچنین، این امر به سیاستگذاران کمک می‌کند تا به طور مؤثرتر به تغییرات بازار واکنش نشان دهند و از بحران‌های احتمالی جلوگیری کنند. نتایج این پژوهش می‌تواند به توسعه ابزارهای مدیریت ریسک برای سرمایه‌گذاران و شرکت‌ها نیز کمک کند. با شناسایی صنایع پرریسک و الگوهای رفتاری بازار، سرمایه‌گذاران می‌توانند پرتفوی‌های خود را بهینه کرده و ریسک سرمایه‌گذاری را کاهش دهند. این پژوهش می‌تواند به توسعه مدل‌های پیش‌بینی دقیق‌تری برای پیش‌بینی نوسانات بازار و بازده سهام کمک کند. مدل­های استفاده شده می‌توانند به سرمایه‌گذاران، تحلیلگران و سیاست‌گزاران در تصمیم‌گیری‌های بهتر کمک کنند. هرچند که نتایج این پژوهش در شناسایی ارتباطات میان صنایع بازار سهام ایران، حائز اهمیت و قابل­توجه است؛ اما پیشنهاد می­شود برای تعمیق بیشتر ادبیات در این حوزه، پژوهش­هایی در حوزه بررسی تأثیر شوک­های خارجی، عوامل سیاسی و اجتماعی و همچنین تأثیر سیاست­های پولی و مالی و عدم­قطعیت­­ها بر سرریز بازده و تلاطم میان صنایع بازار سهام ایران صورت گیرد.

 

حامی مالی

این مقاله حامی مالی ندارد.

تعارض منافع

تعارض منافع وجود ندارد.

سپاسگزاری

نویسندگان از داوران ناشناس که در بهبود کیفیت این مقاله کمک کرده‌اند، تشکر می‌کنند.

 

ORCID

Hadi Esmaeilpour Moghadam	https://orcid.org/0000-0003-4400-5535
Emad Sharifbagheri	https://orcid.org/0009-0009-9326-4876

 

 

منابع

-       ابونوری، اسمعیل و ضیاء­الدین، حامد (1399). بازدهی و تلاطم بین قیمت جهانی نفت و شاخص بازار سهام در کشورهای عضو اوپک. مدلسازی اقتصادی، 14(49)، 24-1.

-       علمی، زهرا، ابونوری، اسمعیل، راسخی؛ سعید و شهرازی، محمدمهدی (1393). اثر شکست‏های ساختاری در نوسانات بر انتقال تکانه و سرریز نوسان میان بازارهای طلا و سهام ایران. مدلسازی اقتصادی، 8(26)، 73-57.

-       زراعتی، منصوره، صوفی مجیدپور، مسعود، محمودزاده، محمود و فتح­آبادی، مهدی (1402). آثار نامتقارن تکانه‌های بازار سهام بر بازار ارز در ایران: کاربردی از مدل خودهم‌بستگی پویای شرطی و  APARCH. مدلسازی اقتصادی، 17(62)، 58-37.

-       دهباشی، وحید، محمدی، تیمور، شاکری، عباس و بهرامی، جاوید (1399). واکنش بازارهای ارز، سهام و طلا نسبت به تکانه های مالی در ایران: با تاکید بر اثرات سرریز تلاطم. پژوهشهای اقتصادی ایران، 25(83)، 27-1.

-       محمدی­نژاد پاشاکی، محمدباقر، صادقی شریف، سیدجلال و اقبال­نیا، محمد (1402). بررسی و تحلیل اثرهای سرریز بین بازارهای سهام، ارز، طلا و کامودیتی: مدل VARMA-BEKK-AGARCH. تحقیقات مالی، 25(1)، 109-88.

-       احمدی، حمیدرضا، هاشمی­نژاد، سیدمحمد و محمودی، محمد (1404). بررسی سرریز ریسک بازار رمز ارزها با بازارهای مالی داخلی. دانش سرمایه­گذاری، 14(53)، 574-551.

-       محسنی، حسین و اعرابی، عارف (1402). اثر سرریز بازارهای گاز طبیعی، نفت خام و ارز بر شاخص سهام شرکت‌های تولید برق در ایران. فصلنامه پژوهش­های سیاست­گذاری وبرنامه­ریزی انرژی، 9(4)، 33-1.

-       Aboonouri, E. & Ziaoddin, H. (2020). Return and Volatility of International Oil Price‌ and Stock Index in OPEC Member Countries. Economic Modeling, 14(49), 1-24. (in Persian)

-       Adekoya, O. B. & Oliyide, J. A. (2021). How COVID-19 drives connectedness among commodity and financial markets: evidence from TVP-VAR and causality-inquantiles techniques. Resources Policy, 70, 101898.

-       Ahmadi, H. R., Hasheminezhad, S. M. & Mahmoodi, M. (2025). Investigating the risk spillover of cryptocurrency market with domestic financial markets. Investment Knowledge, 14(53), 551-574. (in Persian)

-       Andries, A. M. & Galasan, E. (2020). Measuring financial contagion and spillover effects with a state-dependent sensitivity value-at-risk model. Risks, 8(1), 5.

-       Antonakakis, N., & Gabauer, D. (2017). Refined measures of dynamic connectedness based on TVP-VAR (MPRA Paper 78282). Munich, Germany: University Library of Munich.

-       Antonakakis, N., Gabauer, D., Gupta, R., & Plakandaras, V. (2018). Dynamic connectedness of uncertainty across developed economies: A time-varying approach. Economics Letters, 166, 63–75.

-       Antonakakis, N., Chatziantoniou, I. & Gabauer, D. (2020). Refined measures of dynamic connectedness based on time-varying parameter vector autoregressions. Journal of Risk and Financial Management, 13(4), 84.

-       Antonakakis, N., Chatziantoniou, I., Floros, C. & Gabauer, D. (2018). The dynamic connectedness of UK regional property returns. Urban Studies, 55(14), 3110–3134.

-       Awartani, B. & Maghyereh, A. I. (2013). Dynamic spillovers between oil and stock markets in the gulf cooperation council countries. Energy Economics, 36, 28–42.

-       Balcilar, M., Gabauer, D. & Umar, Z. (2021). Crude Oil futures contracts and commodity markets: new evidence from a TVP-VAR extended joint connectedness approach. Resources Policy, 73, 102219.

-       Basher, S. A., Haug, A. A. & Sadorsky, P. (2018). The impact of oil-market shocks on stock returns in major oil-exporting countries. Journal of International Money and Finance, 86, 264–280.

-       Billio, M., Getmansky, M., Lo, A.W. & Pelizzon, L. (2012). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Journal of financial economics, 104(3), 535–559.

-       Bisias, D., Flood, M., Lo, A. W. & Valavanis, S. (2012). A survey of systemic risk analytics. Annu. Rev. Financ. Econ., 4(1), 255–296.

-       Bollerslev, T. (1986), Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.

-       Bouri, E., Cepni, O., Gabauer, D. & Gupta, R., (2021). Return connectedness across asset classes around the COVID-19 outbreak. International review of financial analysis, 73, 101646.

-       Beirne, J., Caporale, G. M., Schulze-Ghattas, M., & Spagnolo, N. (2013). Volatility spillovers and contagion from mature to emerging stock markets. Review of International Economics, 21(5), 1060–1075.

-       Briere, M., Chapelle, A. & Szafarz, A., (2012). No contagion, only globalization and flight to quality. Journal of international Money and Finance, 31(6), 1729–1744.

-       Chatziantoniou, I., Gabauer, D., et al., (2021). EMU-Risk Synchronisation and Financial Fragility Through the Prism of Dynamic Connectedness. Technical Report, University of Portsmouth, Portsmouth Business School, Economics and Finance.

-       Dehbashi, V., Mohammadi, T. , Shakeri, A. & Bahrami, J. (2020). The Responses of Stock, Gold and Foreign Exchange Markets to Financial Shocks: VAR-MGARCH Approach. Iranian Journal of Economic Research, 25(83), 1-27. (in Persian)

-       Diebold, F. X. & Yilmaz, K. (2009). Measuring financial asset return and volatility spillovers, with application to global equity markets. The Economic Journal, 119(534), 158–171.

-       Diebold, F. X. & Yilmaz, K. (2012). Better to give than to receive: predictive directional measurement of volatility spillovers. International Journal of forecasting, 28(1), 57-66.

-       Diebold, F. X. & Yilmaz, K. (2014). On the network topology of variance decompositions: Measuring the connectedness of financial firms. Journal of econometrics, 182(1), 119-134.

-       Dua, P. & Tuteja, D. (2016). Financial crises and dynamic linkages across international stock and currency markets. Economic Modelling, 59, 249–261.

-       Engle, R. (2002). Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models. Journal of Business & Economic Statistics, 20(3), 339–350.

-       Elmi, Z., Aboonouri, E., Rasekhi, S. & Shahrazi, M. M. (2014). The Influence of Volatility Structural Changes on Shock Transmission and Volatility Spillover between Gold and Stock Markets in Iran. Economic Modeling, 8(26), 57-73. (in Persian)

-       Fang, S., & Egan, P. (2018). Measuring contagion effects between crude oil and Chinese stock market sectors. The Quarterly Review of Economics and Finance, 68, 31–38.

-       Gabauer, D. & Gupta, R. (2018). On the transmission mechanism of country-specific and international economic uncertainty spillovers: Evidence from a TVP-VAR connectedness decomposition approach. Economics Letters, 171, 63-71.

-       Gabauer D. (2020). Volatility impulse response analysis for DCC-GARCH models: The role of volatility transmission mechanisms. Journal of Forecasting, 39(5), 788-796.

-       Hoesli, M., & Reka, K. (2013). Volatility spillovers, comovements and contagion in securitized real estate markets. Journal of Real Estate Finance and Economics, 47(1), 1–35.

-       Kang, S. H., McIver, R. & Yoon, S. M. (2017). Dynamic spillover effects among crude oil, precious metal, and  agricultural commodity futures markets. Energy Economics, 62, 19–32.

-       Lastrapes, W. D. & Wiesen, T. F., (2020). The joint spillover index. Economic Modelling, 94, 681-691.

-       Le Pen, Y. & Sévi, B. (2010). Volatility transmission and volatility impulse response functions in European electricity forward markets. Energy Economics, 32(4), 758–770.

-       Maggi, M., Torrente, M.-L. & Uberti, P. (2020). Proper measures of connectedness. Annals of Finance, 16(4), 547–571.

-       Mishra, A. K., & Ghate, K. (2022). Dynamic connectedness in non-ferrous commodity markets: evidence from India using TVP-VAR and DCC-GARCH approaches. Resources Policy, 76, 102572.

-       Mohammadinejad Pashaki, M. B., Sadeghi Sharif, S. & Eghbalnia, M. (2023). Investigating and Analyzing the Spillover Effects among Stock, Currency, Gold, and Commodity Markets: VARMA-BEKK-AGARCH Approach. Financial Research, 25(1), 88-109. (in Persian)

-       Mohseni, H. & Aarabi A. (2024). The spillover effect of natural gas, crude oil, and currency markets on the electricity utilities sector index in Iran. Quarterly Journal of Energy Policy and Planning Research, 9(4), 1-33. (in Persian)

-       Nazlioglu, S., Erdem, C., & Soytas, U. (2013). Volatility spillover between oil and agricultural commodity markets. Energy Economics, 36, 658–665.

-       Oztek, M. F. & Ocal, N. (2017). Financial crises and the nature of correlation between commodity and stock markets. International Review of Economics & Finance, 48, 56–68.

-       Pesaran, H. H. & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics letters, 58(1), 17–29.

-       Philippas, D. & Siriopoulos, C. (2013). Putting the “C” into crisis: contagion, correlations and copulas on EMU bond markets. Journal of International Financial Markets, Institutions and Money, 27, 161–176.

-       Torrente, M. L. & Uberti, P. (2021). Connectedness versus diversification: two sides of the same coin. Mathematics and Financial Economics, 15(3), 1–17.

-       Wang, Y. S. & Chueh, Y. L. (2013). Dynamic transmission effects between the interest rate, the US dollar, and gold and crude oil prices. Economic Modelling, 30, 792–798.

-       Xiao, B., Yu, H., Fang, L. & Ding, S. (2020). Estimating the connectedness of commodity futures using a network approach. Journal of Futures Markets, 40(4), 598–616.

-       Zeraati, M., Soufi, M., Mahmoudzadeh, M. & Fathabadi, M. (2023). Asymmetric Effects of Stock Market shocks on Foreign Exchange Market in Iran: Application of DDC and APARCH Models. Economic Modeling, 17(62), 37-58. (in Persian)

 

135