ارتباط متغیر در زمان چندکی میان شاخص صنایع منتخب بورس اوراق بهادار ایران: بررسی حالت‌های بازدهی بالا، پایین و متوسط (رویکرد TVP-Quantile VAR)

محورهای موضوعی : اقتصاد مالی

مهدی شیرافکن لمسو ¹ (گروه اقتصاد، دانشگاه دریانوردی و علوم دریایی چابهار،ایران)
حمیدرضا ایزدی ² (گروه اقتصاد دانشگاه دریانوردی و علوم دریایی چابهار. . ایران.)
یاسر سیستانی بندویی ³ (ی گروه اقتصاد مجتمع آموزش عالی بافت دانشگاه شهید باهنر کرمان ، کرمان، ایران)

تاریخ دریافت : 1402/07/09 تاریخ پذیرش : 1402/09/12 تاریخ انتشار : 1402/10/01

کلید واژه: G17, G11, G32, واژه‌های کلیدی: سرریز ریسک, ارتباط چندکی, مدیریت ریسک, الگوی TVP-Quantile VAR طبقه بندی JEL : G01,

چکیده مقاله :

چکیده سرمایه گذاران همواره به دنبال تحلیل ارتباط میان صنایع مختلف در راستای بهبود مدیریت سبد سرمایه گذاری و مدیریت ریسک ناشی از سرمایه گذاری هستند. بنابراین در پژوهش حاضر سرریز ریسک میان شاخص های فلزات اساسی، خودرو، سرمایه گذاری ها و بانک ها در دوره زمانی 01/05/1401-01/01/1397به صورت روزانه با استفاده از الگوی خودرگرسیون برداری با پارامترهای متغیر در زمان چندکی (TVP-Quantile VAR) بررسی شده است. نتایج نشان داد که صنعت سرمایه گذاری ها نقش اصلی در تحلیل شبکه ای میان صنایع مورد بررسی را ایفا می کند که این مهم در شرایط بازدهی پایین و متوسط، بیش‌تر نیز بوده است. همچنین بر اساس نتایج، اثرگذاری و اثرپذیری صنایع بسته به میزان بازدهی و همچنین در طی زمان متفاوت بوده است. بنابراین، استفاده از رویکردهای مبتنی بر میانگین مشاهدات نمی تواند ارتباط میان صنایع و دارایی ها را به خوبی نشان دهد و بسته به میزان بازدهی صنایع (حالات حدی و میانگین)، نحوه اثرگذاری و اثرپذیری و همچنین علیت نوسانات می تواند متفاوت باشد که این مهم در رویکردهای مبتنی بر میانگین بازدهی، قابلیت بررسی ندارد؛ بنابراین جهت مدیریت بهتر سبد سرمایه گذاری و پوشش ریسک سبد سرمایه گذاری چنانچه حالات حدی و میانگین تجزیه و تحلیل گردند می تواند برای سرمایه گذاران بسته به میزان بازدهی صنایع نتایج بهتری در خصوص مدیریت ریسک سرمایه گذاری به همراه داشته باشد.

چکیده انگلیسی:

Abstract Investors are always looking to analyze the relationship between different industries in order to improve investment portfolio management and risk management resulting from investment. Therefore, in the present study, The present risk spillover between the indicators of basic metals, automobiles, investments and banks in the period 21/08/1401-21/2018 has been investigated daily, using vector autoregressive model with variable parameters in quantile time (TVP-Quantile VAR). The results showed that the investment industry plays a major role in network analysis among the studied industries, which is more important in low and medium-sized returns. Also, based on the results, the effective and effectiveness of industries has varied according to the efficiency and also over time. Therefore, the use of approaches based on average observations cannot show the relationship between industries and assets. And depending on the efficiency of industries (limit and average conditions), the manner of effective and effectiveness as well as the causality of fluctuations can vary. This is not applicable in approaches based on average efficiency. Therefore, for better management of investment portfolio and hedging of investment portfolio risk If the limit and average conditions are analyzed, it can lead to better results for investors depending on the efficiency of industries regarding investment risk management.

منابع و مأخذ:

فهرست منابع

• ابونوری, اسمعیل, تهرانی, رضا, صبوری, حسین. (1400). سرایت‌پذیری ریسک از بخش مالی به بخش واقعی با استفاده از شاخص برخورد شرطی (CCX): مطالعه موردی بازار سرمایه ایران. اقتصاد مالی, 15(56), 1-24.


• براهیم آباد، سید علی حسینی؛ حیدری، حسن؛ جهانگیری، خلیل؛ قائمی اصل، مهدی (1398)، استفاده از رویکرد بیزی بـرای مطالعه همبستگی متغیر با زمان میان شاخصهای منتخب بورس اوراق بهادار تهران. تحقیقات مالی، 21(1)، 59 -78.


• امیری، شادی، همایونی­فر، مسعود، کریم­زاده، مصطفی و فلاحی، محمدعلی (1394). بررسی همبستگی پویا بین دارایی­های عمده در ایران با استفاده از روش DCC-GARCH، فصلنامه پژوهش­های اقتصادی (رشد و توسعه پایدار)، 15(2)، 201-183.


• آرغا، لیلا، مولایی، محمد و خضری، محسن (1398). بررسی همبستگی پویای شرطی دارایی­های منتخب با بازده شاخص قیمت سهام در ایران: رهیافتی از مدل DCC-FIAPARCH، فصلنامه نظریه­های کاربردی اقتصاد، 6(4)، 274-251.


• آسیابی اقدم، لیلا.، رحیم زاده، اشکان، فلیحی، نعمت و رجائی، یدالله. (1400). انتخاب سبد دارایی سهام مبتنی بر روش اقتصاد رفتاری (مورد مطالعه بازار بورس تهران). فصلنامه اقتصاد مالی، 15 (55): 155- 189.


• پازوکی، نیما، حمیدیان، اکرم، محمدی، شاپور و محمودی، وحید (1392). استفاده از تبدیل موجک جهت بررسی میزان همبستگی نرخ ارزهای مختلف، قیمت نفت، قیمت طلا و شاخص بورس اوراق بهادار تهران در مقیاس­های زمانی مختلف، فصلنامه دانش سرمایه­گذاری، 2(7)، 148-131.


• حسینی ابراهیم­آباد، سیدعلی، جهانگیری، خلیل، حیدری، حسن و قائمی­اصل، مهدی (1398). بررسی سرریزهای تکانه و تلاطم میان شاخص­های منتخب بورس اوراق بهادار تهران با استفاده از مدل Asymmetric BEKK-GARCH، فصلنامه مطالعات اقتصادی کاربردی ایران، 8 (29)، 155-123.


• خاتمی, سید محمد رضا, زمردیان, غلامرضا, فلاح شمس لیالستانی, میر فیض, مینوئی, مهرزاد. (1401). بررسی ساختار وابستگی بازار سهام ایران و کشورهای حوزه منطقه منا. اقتصاد مالی, 16(61), 273-310.


• خاوری، سعید. میر جلیلی، حسین. (1398). تعامل ریسک سیستماتیک با بازده سهام در بورس اوراق بهادار تهران. فصلنامه اقتصاد مالی، 13 (49): 257- 282.


• دادمهر، مهرداد، رهنمای رودپشتی، فریدون، نیکومرام، هاشم و فلاح شمس، میرفیض (1400). بررسی سرایت میان بازارهای پولی و مالی در ایران، فصلنامه اقتصاد و الگوسازی، 12(2)، 166-123.


• سزاوار، محمدرضا، خزائی، علیرضا و اسلامیان، مجتبی (1398). بررسی همبستگی شرطی میان بازارهای ارز، طلا، مسکن، سهام و نفت در اقتصاد ایران، فصلنامه راهبرد اقتصادی، 8(29)، 60-37.


• فلاحی، فیروز، حقیقت، جعفر، صنوبر، ناصر و جهانگیری، خلیل (1393). بررسی همبستگی بین تلاطم بازار سهام، ارز و سکه در ایران با استفاده از مدل DCC-GARCH، پژوهشنامه اقتصادی، 14(55)، 147-123.


• کرمی، سپیده و رستگار، محمدعلی (1397). تخمین اثر سرریز بازده و نوسانات صنایع مختلف بر روی یکدیگر در بازار بورس تهران، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 9 (35)، 342-323.


• کریمی, مجتبی, صراف, فاطمه, امام وردی, قدرت اله, باغانی, علی. (1398). همبستگی شرطی پویای نوسانات قیمت نفت و بازار سهام کشورهای حوزه خلیج فارس با تاکید بر سرایت بحران مالی. اقتصاد مالی, 13(49), 101-130.


• محسنی، حسین و بت­شکن، محمدهاشم (1399). بررسی همبستگی شرطی میان صنایع در بازار سرمایه، فصلنامه پژوهش­های راهبردی بودجه و مالی، 1(1)، 91-75.

• Ahmed, A, Huo, R (2021), Volatility transmissions across international oil market, commodity futures and stock markets: Empirical evidence from China, Energy Economics, 93,1-14


• Akar, C. (2011). Dynamic relationships between the stock exchange, gold, and foreign exchange returns in Turkey. Middle Eastern Finance and Economics, 12, 109-115.


• Al-Yahyaee, KH, Mensi, W,Sensoy,A,Kang,S, (2019), Energy, precious metals, and GCC stock markets: Is there any risk spillover? pacific-Basin finance journal ,56,45-70


• Ando, T., Greenwood-Nimmo, M., & Shin, Y. (2018). Quantile Connectedness: modelling tail behaviour in the topology of financial networks. Available at SSRN 3164772.


• Aroury, M.E.H. Lahiani, A. &khuong Nguyan D. (2015). World gold prices and stock returns in China: Insights for hedging and diversification strategies. Economic Modeling, 44, 273-282.


• Asadi, M., Roubaud, D., & Tiwari, A. K. (2022). Volatility spillovers amid crude oil, natural gas, coal, stock, and currency markets in the US and China based on time and frequency domain connectedness. Energy Economics, 109, 105961.


• Bakas, D., & Triantafyllou, A. (2018). The impact of uncertainty shocks on the volatility of commodity prices. Journal of International Money and Finance, 87, 96-111.


• Branson, W.H. (1983), “Macroeconomic Determinants of Real Exchange Risk. In: Herring, R.J. (Ed.)”, Managing Foreign Exchange Risk, Cambridge University, Cambridge.


• Ciner, C., Gurdgiev, C., & Lucey, B. M. (2013). Hedges and safe havens: An examination of stocks, bonds, gold, oil and exchange rates. International Review of Financial Analysis, 29, 202-211.


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


• Dornbusch, R., & Fischer, S. (1980). Exchange rates and the current account. The American economic review, 70(5), 960-971.


• Early, B. R., & Cilizoglu, M. (2020). Economic sanctions in flux: Enduring challenges, new policies, and defining the future research agenda. International Studies Perspectives, 21(4), 438-477.


• Frankel, J. A. (1992). Monetary and portfolio-balance models of exchange rate determination. In International economic policies and their theoretical foundations (pp. 793-832). Academic Press.


• Gavin, M. (1989). The stock market and exchange rate dynamics. Journal of international money and finance, 8(2), 181-200.


• Gkillas, K., Vortelinos, D. I., & Suleman, T. (2018). Asymmetries in the African financial markets. Journal of Multinational Financial Management, 45, 72-87.


• Gupta, J., Chevalier, A., & Sayekt, F. (2001). The causality between interest rate, exchange rate and stock price in emerging markets: The case of the Jakarta stock exchange. In Fuzzy Sets in Management, Economics and Marketing, 7(25) 145-163.


• Karolyi, G. A. (1995). A multivariate GARCH model of international transmissions of stock returns and volatility: The case of the United States and Canada. Journal of Business & Economic Statistics, 13(1), 11-25.


• Koop, G., Pesaran, M. H., & Potter, S. M. (1996). Impulse response analysis in nonlinear multivariate models. Journal of econometrics, 74(1), 119-147.


• Li, X., Li, B., Wei, G., Bai, L., Wei, Y., & Liang, C. (2021). Return connectedness among commodity and financial assets during the COVID-19 pandemic: Evidence from China and the US. Resources Policy, 73, 102166.


• Liew, P. X., Lim, K. P., & Goh, K. L. (2022). The dynamics and determinants of liquidity connectedness across financial asset markets. International Review of Economics & Finance, 77, 341-358.


• Liow, K. H., Song, J., & Zhou, X. (2021). Volatility connectedness and market dependence across major financial markets in China economy. Quantitative Finance and Economics, 5(3), 397-420.


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


• Reboredo, J. C., Ugolini, A., & Hernandez, J. A. (2021). Dynamic spillovers and network structure among commodity, currency, and stock markets. Resources Policy, 74, 102266.


• Saiti, B., & Masih, M. (2016). The co-movement of selective conventional and Islamic stock indices: is there any impact on shariah compliant equity investment in China?. International Journal of Economics and Financial Issues, 6(4), 1895-1905.


• Tiwari, A. K., Abakah, E. J. A., Adewuyi, A. O., & Lee, C. C. (2022). Quantile risk spillovers between energy and agricultural commodity markets: Evidence from pre and during COVID-19 outbreak. Energy Economics, 106235.


• Yunus, N. (2020). Time-varying linkages among gold, stocks, bonds and real estate. The Quarterly Review of Economics and Finance, 77, 165-185.


• Zhao, H. (2010). Dynamic relationship between exchange rate and stock price: Evidence from China. Research in International Business and Finance, 24(2), 103-112.