کاربرد قراردادهای سلف موازی استاندارد بورس انرژی در پوشش ریسک قیمت بازار برق ایران

محورهای موضوعی : اقتصاد مالی

علی طیب نیا ¹ , محسن مهر آرا ² , مهران کیانوند ³

1 - دانشیار دانشکده اقتصاد دانشگاه تهران، تهران، ایران.
2 - استاد دانشکده اقتصاد دانشگاه تهران، تهران، ایران.
3 - دانشجوی دکترای دانشکده اقتصاد دانشگاه تهران، تهران، ایران.

تاریخ دریافت : 1397/01/26 تاریخ پذیرش : 1397/03/22 تاریخ انتشار : 1397/06/01

کلید واژه: واژه‌های کلیدی: مدیریت ریسک, بازار برق, قرارداد سلف موازی استاندارد, اثربخشی پوشش ریسک. طبقه بندی JEL : Q4, G1, G32,

چکیده مقاله :

این مقاله کاهش ریسک مالی نیروگاه های بخش خصوصی در بازار برق ایران را مورد توجه قرار می دهد. ریسک قیمت به عنوان بزرگترین ریسک مالی بازار برق، با استفاده از تنها ابزار در دسترس یعنی قرارداد سلف موازی استاندارد بورس انرژی ایران پوشش داده می شود. بدین منظور از استراتژی های ایستا و پویای پوشش ریسک بهینه استفاده می گردد. نتایج این مطالعه برتری استراتژی های پویا را از منظر اثر بخشی پوشش ریسک نشان می دهد. در بین روش های پویا برتری با مدل های واریانس ناهمسانی شرطی خود رگرسیونی با ضرایب همبستگی پویا و ایستا نسبت به مدل کاپولا-گارچ است ولی با توجه به قید نقدینگی در معاملات قرارداد سلف استاندارد و تفاوت جزئی در کارایی و اثربخشی بین این مدل ها، موثر بودن روش کاپولا-گارچ مشخص می گردد. با توجه به کارایی پایین پوشش ریسک در کوتاه مدت در بازارهای برق ایران و جهان، و همچنین میزان نقدینگی در صنعت برق که موجب نگرش تامین مالی به جای پوشش ریسک در فعالان بازار گردیده، توسعه معاملات بورس انرژی ایران و فعال تر شدن نمادهای بلندمدت تر به منظور پوشش کاراتر ریسک قیمت به سیاستگذاران بازار برق و بورس انرژی ایران توصیه می گردد. This article is concerned to reduce financial risks for private power plants in Iran Electricity Market. We hedge price risk as a major financial risk using Standard Parallel Salaf contracts as only available financial tool in Iran Energy Exchange market. For optimal hedging purpose, dynamic and static hedging strategies have been implemented. The results clearly concluded dynamic strategies dominance from hedging effectiveness perspective. Between dynamic methods, CCC & DCC GARCH preferred to Copula-GARCH method but considering liquidity constraint in Standard Salaf contracts and minor difference between applied methods' effectiveness, clarifies Copula-GARCH method usefulness. Because of low hedging effectiveness for short term periods in the world and Iran electricity markets, and also low liquidity in electricity industry that replaces market participants preferences in hedging with financing,we advise market politicians and governors to trading volume expansion in Iran Energy Exchange and longer-term contracts activation for more effective price risk hedging.

منابع و مأخذ:

فهرست منابع

1)      اسکندری، حمید؛ انواریرستمی، علی اصغرو حسین زاده کاشان، علی، (1394)، نسبت بهینه پوشش ریسک ارز با استفاده از قرارداد آتی طلا در بازار مالی ایران. مهندسی مالی و مدیریت اوراق بهادار, 6(25), صص 21-40.

2)     بهرامی جاوید، میرزاپور باباجان، اکبر، (1391)، نسبت بهینه پوشش ریسک در قراردادهای آتی سکه بهار آزادی مورد معامله در بورس کالای ایران، فصلنامه پژوهش ها وسیاست های اقتصادی، ۲۰ (۶۴) ، صص۱۷۵-۲۰۶

3)     پیش بهار، اسماعیل؛ صالح، عبدالکریم، خدیجهو دشتی، قادر،(1395)، محاسبه نسبت بهینه پوشش ریسک برای نهاده ذرت وارداتی صنعت طیور ایران، 26(1)، صص 167-174 .

4)     سجاد, رسول, طروسیان, آدنا، (1393)، نسبت بهینه پوشش ریسک نرخ ارز به وسیله قراردادهای آتی سکه طلا در ایران. دانش سرمایه‌گذاری, 3(12), صص 1-24.

5)     صورتجلسات هیئت تنظیم بازار برق، وزارت نیرو.

6)     علیمرادی, محمد، (1392)، برآورد نسبت‌های بهینه پوشش ریسک ایستا و پویا و مقایسهمیزان اثربخشی آن ها در بازار آتی‌های گاز طبیعی. پژوهشنامه اقتصاد انرژی ایران، 2(8)، صص 109-128.

7)     کیانوند، مهران ؛ فرزین وش، اسدالله، (1394)، اثر مبادلات قراردادهای سلف برق در بورس انرژی بر نوسانات قیمت نقدی بازار برق ایران، پژوهشنامه اقتصاد انرژی ایران، 16، صص 181-208.

8)      Aminul Islam M., (2017). Optimal Hedge Ratio and the Hedging Performance of Commodity Futures: the Case of Malaysian Crude Palm Oil Futures Market. International Journal of Research in Finance and Marketing, 7 (10), 56-73.

9)      Bessembinder H., Lemmon M. (2002). Equilibrium Pricing and Optimal Hedging in Electricity Forward Markets. Journal of Finance, 57, 1347–1382.

10)  Brooks  C., Henry O.T. & Prsand G. (2002). The Effect of Asymmetries on Optimal Hedge Ratio. Journal of Business 75, 333–352.

11)  Bystrom H.  N. E. (2003). The Hedging Performance of Electricity Futures on the Nordic Power Exchange. Applied Economics, 35(1), 1-11.

12)  Chai Sh., (2015). Dependence Structure and Hedging of U.S. Spot and Futures Markets in Financial Crisis, Accounting and Finance Research, 4(3), 77-87.

13)  Chang C.L., McAleer M. & Tansuchat R. (2010). Crude Oil Hedging Strategies Using Dynamic Multivariate GARCH. Energy Economics, 33, 912-923.

14)  Cotter J., Hanly J. (2006). Re-examining Hedging Performance. Journal of Futures Markets, 26, 657-676.

15)  Dickey D. A., Fuller W. A. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74, 427–431.

16)  Ederington L. (1979). The Hedging Performance of the New Futures Markets. Journal of Finance, 34(1), 70–157.

17)  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.

18)  Ghosh A. (1993). Cointegration and Error Correction Models: Intertemporal Causality between Index and Futures Prices. Journal of Futures Markets, 13(2), 193-198.

19)  Hanly J., Morales L. & Cassells D. (2018). The Efficacy of Financial Futures as a Hedging Tool in Electricity Markets. International Journal of Finance & Economics, 23(1), 29-40.

20)  Hsu C.‐C., Tseng C.‐P. & Wang Y.‐H. (2008). Dynamic Hedging with Futures: A Copula‐Based GARCH Model. Journal of Futures Markets, 28(11), 1095-1116.

21)  Johnson L. (1960). The Theory of Hedging and Speculation in Commodity Futures. Review of Economic Studies, 27(3), 51–139.

22)  Kroner K. F., Sultan, J. (1993). Time-Varying Distributions and Dynamic Hedging with Foreign Currency Futures. The Journal of Financial and Quantitative Analysis, 28(4), 535-551.

23)  Ku Y. H. H., Chen H. C. & Chen K H. (2007). On the Application of the Dynamic Conditional Correlation Model in Estimating Optimal Time-Varying Hedge Ratios. Applied Economics Letters, 14(7), 503 – 509.

24)  Kwiatkowski D., Phillips P. C.B., Schmidt P., Shin Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root?. Journal of Econometrics, 54, 159-178.

25)  Madaleno M., Pinho C. (2010). Hedging Performance and Multiscale Relationships in the German Electricity Spot and Futures Markets.Journal of Risk and Financial Management 2, 26-62.

26)  Maitra D., Dey, K. (2014). Copulas and Dependence Structures: Evidences from India's and Asian Rubber Futures Markets. International Journal of Financial Markets & Derivatives, 3(4), 322-357.

27)  Park  T., Switzer  L. (1995). Bivariate GARCH Estimation of the Optimal Hedge Ratios for Stock Index Futures: A Note. Journal of Futures Markets, 15, 61 - 67.

28)  Pen Y.L., Sévi  B. (2007) Optimal Hedging in European Electricity Forward Markets. University of Nantes, Working Paper, 1-38.

29)  Power  G. J. and Vedenov D. V. (2008). The Shape of the Optimal Hedge Ratio: Modeling Joint Spot-Futures Prices Using an Empirical Copula-GARCH Model. No 37609, April 21-22, St. Louis, Missouri, NCCC-134 Conference on Applied Commodity Price Analysis, Forecasting, and Market Risk Management.

30)  Rossi  E., Zucca  Z. (2002). Hedging Interest Rate Risk with Multivariate GARCH. Applied Financial Economics 12, 241–251.

31)  Sadegh M., Ragno E. & AghaKouchak A. (2017). Multivariate Copula Analysis Toolbox  (MvCAT): Describing Dependence and Underlying Uncertainty Using a Bayesian Framework.  Water Resources Research, 53(6),5166-5183.

32)  Sanda G., Olsen E., Fleten S. (2013). Selective Hedging in Hydro-Based Electricity Companies. Energy Economics, 40, 326–338

33)  Sklar A. (1959). Fonctions de Répartition à n Dimensions et LeursMarges. Paris: University of Paris Press, 229–231.

34)  Stein J.L. (1961). The Simultaneous Determination of Spot and Futures Prices. American Economic Review, 51(5), 1012–1025.

35)  Su Y., Lau C. K, & Tan N. (2014). Hedging China's Energy Oil Market Risks. Eurasian Economic Review, 4(1), 99–112.

36)  Switzer L., El-Khoury M. (2007). Extreme Volatility, Speculative Efficiency, and the Hedging Effectiveness of the Oil Futures Markets. Journal of Futures Markets, 27, 1, 61–84.

37)  Tanlapco E. , Lawarree  J. & Liu  C. (2002). Hedging with Futures Contracts in a Deregulated Electricity Industry. Power Engineering Review, IEEE. 22(7), 577 –582.

38)  Weron R. (2014). Electricity Price Forecasting: A Review of the State-of-the Art with a Look into the Future, International Journal of Forecasting, 30(4), 1030-1081.

39)  Zanotti G., Gabbi G., Geranio M. (2010). Hedging with Futures: Efficacy of GARCH Correlation Models to European Electricity Markets. Journal of International Financial Markets, Institutions and Money, 20(2), 135-148.

 

پیوست‌ها:

 

 

نمودار 1- نرخ خرید از نیروگاه ها

 

 

جدول 1- نتایج مدل حداقل مربعات معمولی

متغیر	ضریب	انحراف معیار	t-آماره	Prob.
بازده قیمت آتی	0.11	0.06	1.93	0.05
ثابت	0.004	0.0011	3.58	0.00
متغیر مجازی روز جمعه	0.024-	0.00	5.85-	0.00
متغیر مجازی روز پنجشنبه	0.01-	0.00	2.47-	0.01
متغیر مجازی روز شنبه	0.0012	0.004	0.28	0.77
تغییرات حجم معاملات	0.002-	0.001	2.00-	0.05
وقفه اول خودرگرسیون	0.11-	0.03	4.3-	0.00
وقفه دوم خود رگرسیون	0.1-	0.03	3.84-	0.00
وقفه سوم خودرگرسیون	0.01	0.03	0.22	0.83
وقفه چهارم خودرگرسیون	0.04-	0.03	1.45-	0.15
وقفه پنجم خودرگرسیون	0.12-	0.03	4.5-	0.00
وقفه ششم خودرگرسیون	0.1-	0.03	3.68-	0.00
وقفه هفتم خودرگرسیون	0.33	0.03	12.38	0.00
R2	0.24	لگاریتم درستنمائی	آماره F	Prob(F)
R2تعدیل شده	0.23	2499.5	35.62	0

ماخذ: یافته‌های پژوهشگر

 

جدول 2- نتایج مدل گارچ تک متغیره مرحله اول بازده قیمت نقدی

متغیر	ضریب	انحراف معیار	t-آماره	Prob.
ثابت	0.004	0.001	3.7	0.002
متغیر مجازی روز جمعه	0.034-	0.004	8.2-	0
متغیر مجازی روز پنجشنبه	0.01-	0.003	3.2-	0.001
متغیر مجازی روز شنبه	0.01	0.004	2.6	0.01
تغییرات حجم معاملات	0.003-	0.0008	3.3-	0.001
وقفه اول خودرگرسیون	0.13-	0.03	4.2-	0
وقفه دوم خود رگرسیون	0.056-	0.031	1.8-	0.07
وقفه سوم خودرگرسیون	0.04	0.03	1.4	0.17
وقفه چهارم خودرگرسیون	0.02-	0.03	0.7-	0.5
وقفه پنجم خودرگرسیون	0.1-	0.0266	3.9-	0
وقفه ششم خودرگرسیون	0.12-	0.028	4.3-	0
وقفه هفتم خودرگرسیون	0.3	0.027	11.3	0
آرچ (آلفا)	0.24	0.078	3.06	0.002
گارچ(بتا)	0.69	0.096	7.2	0
لگاریتم درستنمائی	2965.8		آلفا + بتا	0.93

ماخذ: یافته‌های پژوهشگر

جدول 3- نتایج مدل گارچ تک متغیره مرحله اول بازده قیمت آتی

متغیر	ضریب	انحراف معیار	t-آماره	Prob.
ثابت	0.0009-	0.0003	2.57-	0.01
متغیر مجازی روز جمعه	0.003-	0.0012	2.59-	0.01
متغیر مجازی روز پنجشنبه	0.0025-	0.0009	2.89-	0.005
متغیر مجازی روز شنبه	0.0011	0.0009	1.24	0.22
تغییرات حجم معاملات	0.0003-	0.0003	0.99-	0.361
وقفه اول خودرگرسیون	0.11-	0.065	1.7-	0.09
وقفه دوم خود رگرسیون	0.035-	0.057	0.69-	0.5
وقفه سوم خودرگرسیون	0.01-	0.052	0.29-	0.8
وقفه چهارم خودرگرسیون	0.06	0.058	1.04	0.3
وقفه پنجم خودرگرسیون	0.077	0.052	1.47	0.14
وقفه ششم خودرگرسیون	0.0214	0.059	0.36	0.7
وقفه هفتم خودرگرسیون	0.22	0.048	4.73	0
آرچ (آلفا)	0.176	0.12	3.05	0.002
گارچ(بتا)	0.78	0.043	18.4	0
لگاریتم درستنمائی	4446		آلفا + بتا	0.96

ماخذ: یافته‌های پژوهشگر

 

جدول 4- نتایج مدل چند متغیره گارچ با ضریب همبستگی ثابت

متغیر	ضریب	انحراف معیار	t-آماره	t-prob
ضریب همبستگی غیر شرطی	0.075	0.024	3.03	0.002
درجه آزادی	3.64	0.145	25	0
تعداد پارامترها	32	لگاریتم درستنمائی	7774

ماخذ: یافته‌های پژوهشگر

 

جدول 5- نتایج مدل چند متغیره گارچ با ضریب همبستگی متغیر

متغیر	ضریب	انحراف معیار	t-آماره	t-prob
ضریب همبستگی غیر شرطی	0.075	0.024	3.03	0.002
درجه آزادی	3.64	0.145	25	0
آلفا	تقریباً صفر	تقریباًصفر	0.44	0.96
بتا	0.713	0.63	1.12	0.26
	تعداد پارامترها	34	لگاریتم درستنمائی	7774

ماخذ: یافته‌های پژوهشگر

 

 

یادداشت‌ها