اثر سرایت‌پذیری پویا چرخه تلاطم بین بازار آتی طلا و بازار فیزیکی طلا
محورهای موضوعی : مهندسی مالی
باقر سیاری
1
,
رضا غلامی جمکرانی
2
,
میر فیض فلاح
3
,
حسین جهانگیرنیا
4
1 - گروه مدیریت مالی، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
2 - گروه حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
3 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران و عضو گروه پژوهشی مخاطرات مالی نوین
4 - گروه حسابداری، واحدقم، دانشگاه آزاد اسلامی، قم، ایران
کلید واژه: بورس اوراق بهادار تهران, سرایت پویا, چرخه تلاطم, بازار آتی طلا, بازار فیزیکی طلا,
چکیده مقاله :
تعامل بین مشتقات مالی و بازارهای فیزیکی زیربنایی آنها موضوع تحقیقات گسترده ای در زمینه مالی بوده است. این مقاله به بررسی اثر سرایت پویا بین بازار آتی طلا و بازار فیزیکی طلا در بازارهای مالی و بورس اوراق بهادار تهران در بازه زمانی 07/06/1388 تا 1397/06/14 می پردازد و به طور خاص بر چرخه نوسانی که بین این دو حوزه به هم پیوسته رخ می دهد تمرکز می کند. داده‌ها به‌صورت روزانه جمع‌آوری‌شده است. با استفاده از یک مجموعه داده جامع که یک دوره قابل توجه را در بر می گیرد، از تکنیک های اقتصاد سنجی پیشرفته از مدل‌های GARCH-BEKK، مارکوف-سوئیچینگ و VAR ساختاری برای تجزیه و تحلیل پویایی نوسانات و سرایت آن بین معاملات آتی طلا و بازار فیزیکی طلا استفاده می کنیم. یافته های ما وجود یک رابطه دو طرفه را نشان می دهد، که در آن اثر سرایت تلاطم از بازار فیزیکی طلا به بازار آتی سکه است. همچنین از دیگر نتایج پژوهش این است که اثر سرایتی تلاطم از بازار فیزیکی طلا به بازار آتی سکه در رژیم‌های مختلف متفاوت است.
The interaction between financial derivatives and their underlying physical markets has been the subject of extensive research in finance. This article examines the effect of dynamic contagion between the gold futures market and the physical gold market in financial markets and Tehran Stock Exchange, period of 08/29/2009 and 09/05/2018. It specifically focuses on the oscillating cycle that occurs between these two interconnected domains. Data is collected daily. Using a comprehensive data set covering a significant period, advanced econometric techniques from GARCH-BEKK, Markov-Switching and Structural VAR models to analyze volatility dynamics and contagion between gold futures and We use the physical gold market. Our findings show the existence of a two-way relationship, in which there is a contagion effect of turbulence from the physical gold market to the coin futures market. Also, another result of the research is that the contagion effect of turbulence from the physical gold market to the coin futures market is different in different regimes.
_|21. Baur, D. G., & Lucey, B. M. (2010). Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Financial Review, 45(2), 217-229.
22. Baur, D. G., & McDermott, T. K. (2016). Why is gold a safe haven?. Journal of Behavioral and Experimental Finance, 10, 63-71.
23. Beirne, J., Caporale, G. M., Schulze-Ghattas, M., & Spagnolo, F. (2015). Volatility spillovers and contagion from mature to emerging stock markets. International Review of Financial Analysis, 42, 384-398. doi: 10.1016/j.irfa.2015.05.002.
24. Brown, G. W., & Cliff, M. T. (2005). Investor sentiment and asset valuation. The Journal of Business, 78(2), 405-440.
25. Christopher, M., & Holweg, M. (2011). “Supply Chain 2.0”: Managing supply chains in the era of turbulence. International journal of physical distribution & logistics management, 41(1), 63-82.
26. Corbet, S., Hou, Y. G., Hu, Y., Oxley, L., & Xu, D. (2021). Pandemic-related financial market volatility spillovers: Evidence from the Chinese COVID-19 epicentre. International Review of Economics & Finance, 71, 55-81.
27. Ding, Q., Huang, J., Gao, W., & Zhang, H. (2022). Does political risk matter for gold market fluctuations? A structural VAR analysis. Research in International Business and Finance, 60, 101618.
28. Duffie, D., & Stein, J. C. (2015). Reforming LIBOR and other financial market benchmarks. Journal of Economic Perspectives, 29(2), 191-212.
29. Ferry, E. (2020). Speculative substance:‘physical gold’in finance. Economy and society, 49(1), 92-115.
30. Gagnon, L., & Karolyi, G. A. (2018). The investment behavior of gold equity funds. Journal of International Money and Finance, 84, 52-70. doi: 10.1016/j.jimonfin.2018.02.007
31. Golitsis, P., Gkasis, P., & Bellos, S. K. (2022). Dynamic spillovers and linkages between gold, crude oil, S&P 500, and other economic and financial variables. Evidence from the USA. The North American Journal of Economics and Finance, 63, 101785.
32. Grigoryeva, I., & Ley, D. (2019). The price ripple effect in the Vancouver housing market. Urban Geography, 40(8), 1168-1190.
33. Jakobsson, N. (2022). CAN GOLD SERVE AS A HEDGE AGAINST UNCERTAINTY?: A study on the gold price dynamics and its role as a safe haven asset.
34. O'Callaghan, M. M. (1991). The structure and operation of the world gold market. International Monetary Fund.
35. Silvestre, B. S. (2015). Sustainable supply chain management in emerging economies: Environmental turbulence, institutional voids and sustainability trajectories. International Journal of Production Economics, 167, 156-169.
36. Tabak, B. M., e Silva, I. B. D. R., & Silva, T. C. (2022). Analysis of connectivity between the world’s banking markets: The COVID-19 global pandemic shock. The Quarterly Review of Economics and Finance, 84, 324-336.
37. Živkov, D., Kuzman, B., & Andrejević-Panić, A. (2021). Nonlinear bidirectional multiscale volatility transmission effect between stocks and exchange rate markets in the selected African countries. Economic Research-Ekonomska Istraživanja, 34(1), 1623-1650.
38. 1. Rajizadeh, Simin. (2022). Evaluation of VIX volatility index in Iran's capital market and its future pricing effect using the Garou model. Financial Engineering and Securities Management, 13(52), 80-60.(in persian)
39. 2. Jahid, Mohammad Daniyal, Fathi, Zad Elah. (2021). Factors affecting coin market fluctuations and their ranking in Iran during 1994 to 1997. Financial Engineering and Securities Management, 12(48), 313-329. (in persian)
40. 3. Bakhtiaran, Mohammad Javad, Zulfiqari, Mehdi. (2022). Designing a model to predict the global gold price return (with emphasis on the combined models of convolutional neural network and Garch family models). Financial Engineering and Securities Management, 13(50), 73-98. (in persian)
|_
