بررسی سرریزهای بازده و تلاطم میان صنایع منتخب بازار سهام ایران: رویکردهای TVP-VAR Extended Joint و DCC-GARCH
محورهای موضوعی : اقتصاد مالی
هادی اسماعیل پورمقدم
1
,
عماد شریف باقری
2
1 - استادیار، گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران، (نویسنده مسئول) esmaeilpour@um.ac.ir
2 - دانشجوی کارشناسی ارشد، گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران، emad.sharifbagheri@mail.um.ac.ir
کلید واژه: سرریز, سهام, TVP-VAR Extended Joint, همبستگی شرطی پویا, ریسک,
چکیده مقاله :
اطلاعات مربوط به سرریز شوکها و نوسانات بین دارایی¬های 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 می¬شود. 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 بزرگ¬ترین 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 هم¬حرکتی پویای قوی بین فلزات اساسی و کانی¬های فلزی طی دوره مورد مطالعه تأیید شد.
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.
- 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)
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
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), esmaeilpour@um.ac.ir
[2] ** Master Student, Department of Economics, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran, emad.sharifbagheri@mail.um.ac.ir
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
| |||
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:
(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) esmaeilpour@um.ac.ir
[2] **دانشجوی کارشناسی ارشد، گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران،
emad.sharifbagheri@mail.um.ac.ir
[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.
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 |
|
Emad Sharifbagheri |
|
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 |
مقالات مرتبط
-
مدلسازی عوامل موثر بر ساختار سرمایه در شرکت‌های پذیرفته‌شده بورس اوراق بهادار تهران
تاریخ چاپ : 1379/03/12 -
-
حقوق این وبسایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400