اثر بحران های مالی بر انتقال تکانه و سرریز نوسان میان بازارهای مالی توسعه یافته و ایران

اقتصاد مالی

مقاله 4، دوره 13، شماره 47، مرداد 1398، صفحه 63-84   

نوع مقاله: علمی پژوهشی

نویسندگان

قدرت اله امام وردی^{* 1}؛ سیده محبوبه جعفری²

¹استادیار و عضو هیئت علمی دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران،

²استادیار و عضو هیئت علمی دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران.

چکیده

این مطالعه اثر بحران های مالی بر انتقال تکانه و سرریز نوسانات میان بازارهای بورس در کشورهای توسعه یافته، نوظهور و ایران را طی دوره زمانی 2017-2003 بصورت روزانه  مورد بررسی قرار داده است. برای این منظور جهت شناسایی بحران های مالی در بازارهای مالی، ابتدا تغییرات ساختاری موجود در نوسانات را با استفاده از الگوریتم اصلاح شده مجموع مربعات تجمعی تکراری به طور درون زا شناسایی شناسایی شده است؛ سپس با استفاده از مدل گارچ چند متغییره به بررسی فرضیه تحقیق مبنی بر انتقال تکانه و سرریز نوسان از بازارهای مالی توسعه یافته و نوظهور به بازار سرمایه ایران پرداخته شده است. نتایج حاصل از کاربرد روش ناهمسانی واریانس شرطی تعمیم یافته دو متغیره در قالب تصریح قطری بابا، انگل، کرافت و کرونر نشان می دهد که انتقال تکانه ها و سرریز نوسانات میان بازارهای بورس در کشوره های توسعه یافته، نوظهور و ایران به صورت یک طرفه می باشد.
 
This study aims to compare effect of financial crisis on momentum transfer and volatility spillovers in stock exchanges of developed and developing countries with Iran during 2003-2017 on daily basis. For this, at first the existing structural changes in volatilities are found using modified iterative cumulative sum of squares algorithm endogenously to recognize financial crisis in the markets; and then, the research hypothesis – momentum transfer and volatility spillovers from developed and developing financial markets to Iranian capital market- is tested through multivariate GARCH model. The results, obtained by application of bivariate generalized conditional heteroscedasity method as diagonal BEKK (Baba, Engle, Kraft and Kroner) suggest that momentum transfers and volatility spillovers between developed and developing countries and Iran are one-directional.
 

کلیدواژه‌ها

بحران مالی؛ انتقال تکانه؛ اثر سرریز؛ الگوریتم مجموع مربعات تجمعی تکراری. طبقه بندی JEL : C32؛ C58؛ G10

اصل مقاله

اثر بحران های مالی بر انتقال تکانه و سرریز نوسان

 میان بازارهای مالی توسعه یافته و ایران

 

 

قدرت‌اله امام وردی

تاریخ دریافت: 12/01/1398            تاریخ پذیرش: 17/03/1398

[1]

سیده محبوبه جعفری[2]

 

 

چکیده

این مطالعه اثر بحران های مالی بر انتقال تکانه و سرریز نوسانات میان بازارهای بورس در کشورهای توسعه یافته، نوظهور و ایران را طی دوره زمانی 2017-2003 بصورت روزانه  مورد بررسی قرار داده است. برای این منظور جهت شناسایی بحران های مالی در بازارهای مالی، ابتدا تغییرات ساختاری موجود در نوسانات را با استفاده از الگوریتم اصلاح شده مجموع مربعات تجمعی تکراری به طور درون زا شناسایی شناسایی شده است؛ سپس با استفاده از مدل گارچ چند متغییره به بررسی فرضیه تحقیق مبنی بر انتقال تکانه و سرریز نوسان از بازارهای مالی توسعه یافته و نوظهور به بازار سرمایه ایران پرداخته شده است. نتایج حاصل از کاربرد روش ناهمسانی واریانس شرطی تعمیم یافته دو متغیره در قالب تصریح قطری بابا، انگل، کرافت و کرونر نشان می دهد که انتقال تکانه ها و سرریز نوسانات میان بازارهای بورس در کشوره های توسعه یافته، نوظهور و ایران به صورت یک طرفه می باشد.

 

واژه‌های کلیدی: بحران مالی، انتقال تکانه، اثر سرریز، الگوریتم مجموع مربعات تجمعی تکراری.

طبقه بندی JEL: C32، C58، G10

 

 

1- مقدمه

بحران مالی سال 1997 آسیا، بحران مالی جهانی سال 2007 تا 2008 و بحران کنونی بدهی حکومتی اروپا مشخصاً در بین مهم‌ترین رویدادهایی قرار دارند که باعث ترس و هراس جهانی از نابسامانی اقتصادی در سراسر جهان، به دلیل سرایت مالی بین سرمایه‌گذاران، کارشناسان بازار مالی و سیاست‌گذاران شده است. به‌طور اجتناب‌ناپذیری، ابزارهای مدل‌سازی می‌توانند به ما نشان دهند که دوره زمانی حدودی این بحران‌ها کانالی است که از طریق آن الگوهای مدیریت ریسک کنونی و فرایندهای تصمیم‌گیری شکل خواهد گرفت تا حوادث مشابه را در آینده بهتر بررسی کنند.

در دسترس بودن داده‌ها و ظرفیت و قدرت پردازش همراه با پیشرفت‌های اخیر در اقتصادسنجی، امکان مشخص کردن دقیق ویژگی‌های فرایندهای تصادفی اصلی را حتی بهتر از گذشته فراهم کرده است. این مقاله رویکرد یکدستی را معرفی می‌کند و نشان می‌دهد که چگونه می‌توان از این رویکرد برای تعیین ابعاد اساسی مدل‌سازی دوره‌های نابسامانی اقتصادی، مانند تغییر ارتباط بین بازارهای مالی، ازلحاظ تأثیرات بلندمدت، در بین سایر موارد، استفاده کرد؛ به‌ویژه اینکه بر نوسان‌های بازار سهام و هم نوسانی‌ها (نوسان چند ابزار مالی باهم) و اینکه چگونه به دلیل بحران‌های مالی جهانی اخیر و بحران‌های مالی آسیا بازار سهام ایران دستخوش تغییر شده ‌است، متمرکز هستیم. بررسی رابطه بین ناپایداری‌ها و نوسان‌ها و هم نوسان‌های بازارهای مالی مسئله حیاتی در فرایند مدیریت ریسک است. چارچوب GARCH چند متغیری ابزاری را فراهم می‌کند برای درک اینکه ناپایداری‌های مالی چگونه در طول زمان و در بازارها باهم تغییر می‌کنند. (کراناسس و همکاران، 2016)

با استفاده از مدل ARCH توان نامتقارن ادغام‌شده اجزا چندمتغیری (MARCH) می‌توان وابستگی دوربرد، تغییر قدرت واریانس‌های مشروط، و تأثیر اهرم مالی بر همبستگی‌های مشروط ثابت در درآمدهای شاخص بازارهای سهام را باهم ترکیب کرد. وابستگی نوسان دوربرد، تغییر قدرت درآمد و واکنش نوسان نامتقارن به شوک‌های مثبت و منفی سه ویژگی است که مدل‌سازی فرایند نوسان درآمد دارایی و مفاهیم ضمنی آن را برای فعالیت‌های مختلف مدیریت ریسک بهبود می‌بخشد. (کونارد و همکاران،2011).

رهیافت متعارف در مدل‌سازی نوسانات در بازارهای مالی انواع مدل‌های خانواده‌ی ناهمسانی واریانس شرطی تعمیم‌یافته است. بااین‌حال، یکی از نقاط ضعف مدل‌های ناهمسانی واریانس شرطی تعمیم‌یافته‌ی متعارف این است که شکست‌های ساختاری در نوسانات را در نظر نمی‌گیرند. عدم لحاظ این تغییرات ساختاری منجر به‌تصریح ضعیف واریانس شرطی شده و فرآیند انتقال تکانه و سرریز نوسان میان بازارها به‌طور صحیح مشخص نمی‌شود. لحاظ متغیرهای مجازی به‌عنوان نماینده‌ی این تغییرات ساختاری در واریانس شرطی، درک واقع‌بینانه‌تری را نسبت به انتقال تکانه‌ها و سرریز نوسانات میان بازارها فراهم آورده و فرایند مدل‌سازی نوسانات را بهبود می‌بخشد.(کانگ و همکاران،2011)

مقاله‌ی حاضر با استفاده از مدل ناهمسانی واریانس شرطی تعمیم‌یافته‌ی چند متغیره به بررسی تأثیر بحران‌های مالی نشاٌت گرفته از نوسانات بازارهای مالی پیشرو و نحوه انتقال تکانه‌ها و سرریز نوسانات این بازارها بر بازار سهام ایران پرداخته است.

سؤال اصلی پژوهش این است که آیا انتقال تکانه و سرریز نوسان از بازارهای سهام پیشرو  بر بازار سهام ایران  وجود دارد؟

در ادامه پیشینه تحقیق و مروری بر مطالعات انجام‌گرفته بررسی می‌شود. پس‌ از آن به تخمین و تفسیر مدل خواهیم پرداخت و درنهایت نتایج مرتبط با این مقاله ارائه خواهد شد.

 

2- پیشینه تحقیق

آگاروال و همکاران^[i] (1999) در تحقیقی با عنوان "نوسانات در بازارهای نوظهور" تغییرات نوسانات بازدهی بازارهای نوظهور سهام و وقایعی که با نوسانات فزاینده مرتبط است را بررسی کرده‌اند. بازدهی بر مبنای پول رایج محلی و دلار در طول دوره 1995 – 1985 بررسی می‌شود. نوسانات بالا در بازارهای نوظهور با تعدادی تغییرات ناگهانی مشخص‌شده است، به‌عنوان‌مثال در آرژانتین هفت تغییر مشخص نوسانات در طول این دوره زمانی وجود داشت. تغییرات ناگهانی در نوسانات به وقایع مهم سیاسی، اجتماعی و اقتصادی کشورها مربوط می‌شد. این وقایع شامل بحران مکزیک، دوره تورم حاد در امریکای لاتین، تعارض مارکوس در فیلیپین و رسوایی در بازار سهام هند بود. سقوط اقتصادی سال 1987 تنها واقعه جهانی است که باعث یک جهش در نوسانات در چندین بازار نوظهور شد.

تعداد تغییرات ناگهانی نوسانات در کشورها متفاوت بوده و همچنین به فراوانی داده‌ها مربوط می‌شود. تعداد بیشتر نقاط تغییرات ناگهانی نوسانات برای بازدهی‌های روزانه نسبت به بازدهی‌های هفتگی و ماهانه ملاحظه می‌شود و همچنین نتایج تحقیق برای بازدهی بر مبنای پول محلی به‌طور مشخصی با بازدهی بر مبنای دلار اشتراک دارد.

حموده ولی^[ii] (2005) در مطالعه‌ای با عنوان "تغییرات ناگهانی در نوسانات بازارهای نوظهور سهام کشورهای عربی خلیج‌فارس" تغییرات ناگهانی در نوسانات بازارهای نوظهور سهام کشورهای عربی خلیج‌فارس" تغییرات ناگهانی در نوسانات برای پنج بازار سهام حوزه خلیج‌فارس را با استفاده از الگوریتم ICSS بررسی کرده و تأثیرات آن‌ها را بر روی استمرار برآوری نوسانات تجزیه‌وتحلیل می‌کنند. این روش تغییرات بالا در نوسانات بازار سهام در طول دوره‌های هفتگی را از سال 1994 تا 2001 شناسایی می‌کند. این تحقیق دریافت بسیاری از بازارهای سهام خلیج‌فارس به رویدادهای عمده جهانی نسبت به عوامل محلی و منطقه‌ای حساس‌ترند. بحران 1997 آسیا، سقوط قیمت‌های نفت در سال 1998 بعد از بحران، پذیرش مکانیزم محدود قیمت توسط اوپک در سال 2000 و حمله یازدهم سپتامبر، به‌طور سازگاری بازارهای سهام خلیج‌فارس را تحت تأثیر قرار داده است. واردکردن این تغییرات عمده نوسانات در مدل GARCH به‌طور مشخصی وجود نوسانات در بازارهای سهام خلیج را کاهش می‌دهد.

این تحقیق رفتار نوسانات و استمرار آن را در بازارهای سهام GCC، شامل پنج کشور شورای همکاری خلیج‌فارس، یکی از پر نوسان‌ترین مناطق جهان بررسی می‌کند، این کشورها وابسته به نفت هستند و بنابراین شوک‌هایی که نوسانات بازار نفت را تحت تأثیر قرار می‌دهد به‌طور مستقیم بر آن‌ها اثر می‌گذارد. آن‌ها در سال 2002 تقریباً 16 درصد کل تولید روزانه 5/76 میلیون بشکه جهانی را دارا بودند. به‌علاوه آن‌ها در منطقه‌ای واقع‌شده‌اند که دست‌کم چهار جنگ اساسی در طی 20 سال گذشته داشته‌اند. از طرف دیگر، اقتصاد وابسته به نفت آن‌ها با تکیه وسیع بر نیروهای انسانی خارجی و بدین‌سان در بسیاری از طرق مختل نیز مشابه هستند. بنابراین در این تحقیق فاکتورهای اصلی جهانی مربوط به رشد اقتصادی دنیا، بحران‌های مالی بین‌المللی، شوک‌های بازار نفت و جمله 11 سپتامبر به‌عنوان فاکتورهای غالب پدیدار شدند.

اندرسون^[iii] (2006) نوسانات بازار اسلو از سال 1980 تا نوامبر 2005 با تمرکز بر نقاط شکست ساختاری در نوسانات بررسی‌شده و جستجوی این نقاط شکست بدون نگاه اولیه به محل این نقاط آغاز و سپس به شرح آن‌ها پرداخته‌شده است.

الگوریتم ICSS قویاً یک تغییر آشکار نوسانات در بازار سهام اسلو در سال 1993 را مشخص می‌کند. در حال حاضر نیز به نظر می‌رسد نوسانات احتمالاً به سبب وابستگی مضاعف به بازارهای انرژی دوباره افزایش یابد. تنها نقطه شکست احتمالی مشخص در آخر تابستان، اوایل پاییز 1998 با یک افزایش قوی در نوسانات است. تا حدی حیرت‌آور است که می‌توان گفت این تنها نقطه شکستی است که با اطمینان بالایی اتفاق افتاده است. یک تغییر به سمت پایین در نوسانات دانمارک در سال 1993 زمانی که نوسانات در فنلاند و سوئد به سمت بالا حرکت می‌کند اتفاق افتاد. تغییرات در نوسانات نروژ در بازارهای دیگر نیز اتفاق افتاده است. دانمارک، اروپا و ایالات‌متحده نوسانات منفی مشابهی در اوایل 1990 دارند اگرچه تنها در نروژ و اروپا این تغییرات اطمینان بالایی را داشتند. این تغییر منطقه‌ای نیست همچنان که برای فنلاند و سوئد ملاحظه نشد. بازار نروژ بیشتر وابسته به بازار انرژی است و در حال رشد است و به نظر می‌رسد نوسانات تا حدی در چند سال اخیر افزایش‌یافته است.

اوینگ و مالیک^[iv] (2005) با به‌کارگیری الگوریتم مجموع مربعات تجمعی تکراری (^[v]ICSS) و استفاده از روش ناهمسانی واریانس شرطی تعمیم‌یافته دومتغیره در بازه زمانی 1988 تا 2001 برای عایدی‌های هفتگی بازارهای سهام آمریکا نشان دادند که منظور نمودن تغییرات ناگهانی در نوسانات، انتقال نوسانات را کاهش داده و اثرات سرریز نوسان را از بین می‌برد. همچنین، نادیده گرفتن این تغییرات ناگهانی ممکن است منجر به ارزیابی بیش‌ازحد درباره میزان انتقال نوسانات گردد.

آراگو و فرناندز^[vi] (2007) اثر تغییرات ساختاری در نوسانات روی انتقال اطلاعات در میان بازارهای سهام پنج کشور اروپایی اسپانیا، انگلستان، سوئیس، آلمان و فرانسه را طی دوره زمانی 2004-1995 بررسی کردند. آن‌ها برای آشکارسازی شکست‌های ساختاری در نوسانات، از الگوریتم متعارف مجموع مربعات تجمعی تکراری و برای بررسی وجود انتقال نوسان از مدل ناهمسانی واریانس شرطی تعمیم‌یافته دومتغیره نامتقارن استفاده کردند. معناداری متغیرهای مجازی ساختاری نشان داد که لحاظ نمودن این متغیرها، جهت انتقال اطلاعات بین بازارها را تحت تأثیر قرار داده و عدم لحاظ آن‌ها منجر به ایجاد تورش در برآورد مدل می‌شود.

کانگ و همکاران^[vii] (2011) ابتدا با استفاده از الگوریتم مجموع مربعات تجمعی تکراری زمان‌هایی که تغییرات ساختاری در نوسانات عایدی‌های نفت خام در دو بازار نفت تگزاس و برنت رخ داد را برای بازه زمانی 2009-1990 مشخص کردند. سپس با استفاده از مدل ناهمسانی واریانس شرطی تعمیم‌یافته دومتغیره دریافتند که عدم لحاظ تغییرات ساختاری ممکن است جهت انتقال تکانه‌ها و انتقال نوسانات بین بازارهای نفت خام را وارونه نشان دهد.

 اوینگ و مالیک (2013) مدل ناهمسانی واریانس شرطی تعمیم‌یافته دومتغیره را به کار گرفتند تا نوسانات قیمت در بازارهای آتی طلا و نفت کامکس و نایمکس را با لحاظ شکست‌های ساختاری بررسی نمایند. ابزار به‌کاررفته برای آشکارسازی درون‌زای این شکست‌ها الگوریتم مجموع مربعات تجمعی تکراری و دوره زمانی تحت بررسی 1993 تا 2010 بود. آن‌ها به شواهدی قوی مبنی بر انتقال مستقیم نوسانات بین عایدی‌های طلا و نفت هنگام در نظر گرفتن شکست‌های ساختاری در واریانس دست یافتند. ضمناً ایشان تصریح کردند که با نادیده انگاشتن شکست‌های ساختاری در نوسانات، اثر ضعیف و غیرمستقیمی بین نوسانات قیمتی در دو بازار طلا و نفت مشاهده می‌شود.

زارعی و لاجوردی (1397) در تحقیقی تحت عنوان بررسی رابطه توسعه مالی و تکانههای نفتی بر بیثباتی رشد اقتصادی، نقش تعدیلکننده توسعه مالی در ایجاد کاهش ارتباط مثبت میان تکانههای نفتی و بیثباتی رشد اقتصادی در کشورهای عضو اوپک را مورد ارزیابی قرار دادند. طبق نتایج حاصل از تحقیق میان تکانههای نفتی و بی     ثباتی در رشد اقتصادی در این کشورها رابطه مثبت وجود دارد. همچنین، نتایج نشان داد توسعه مالی میتواند بخشی از اثرات منفی تکانههای نفتی بر رشد اقتصادی را تعدیل و منجر به رشد اقتصادی پایدار شود.

پدرام، بصیرت و امیری (1394)، شدت و میزان تاثیرگذاری کتغیرهای جهت دهنده بر نرخ رشد بهرهوری انرژی در تعدادی از کشورهای عضو اوپک را مورد بررسی قرار دادند. طبق نتایج حاصل از تحقیق قیمت انرژی، سرمایهگذاری و ارزش افزوده بر نرخ رشد بهرهوری انرژی اثر مثبت و معنادار دارد.

یزدانی و نورافروز (1394)، در تحقیقی تحت عنوان ارزیبابی اثر نوسانهای قیمت نفت و شکاف تولید بر تراز تجاری اقتصاد ایران، به این نتیجه رسیدند که نفت و شکاف تولید با تراز تجاری رابطه منفی دارند و اثر نرخ ارز بر تراز تجاری مثبت است.

مهر آرا و عبدلی (1385) در تحقیقی با عنوان نقش اخبار خوب و بد در نوسانات بازدهی سهام در ایران" الگوهای (متقارن و غیرمتقارن) نوسان و همچنین، منحنی‌های آثار اخبار انگل و انجی (1993)، برای تبیین نوسانات بازدهی در بازار بورس تهران بررسی می‌شود. الگوهای مورداستفاده شامل TARCH، EGARCH، CARCH، GARCH متقارن و غیرمتقارن هیچ‌گونه شواهدی مبنی بر وجود اثرات نامتقارن قوی و معنی‌دار نشان نمی‌دهند، به این مفهوم که اخبار خوب و بد با اندازه یکسان، تأثیر مشابهی بر نوسانات شرطی بازدهی دارد. این نتیجه مخالف با یافته‌هایی که برای سایر بازارهای بورس در کشورهای توسعه‌یافته به‌دست‌آمده است. از میان الگوهای مذکور فرآیند ECARCH، مناسب‌ترین الگو برای تبیین رضایت‌بخش داده‌های استفاده‌شده است. نتیجه اساسی این مطالعه که اخبار خوب و بد، اثرات متقارن و یکسانی بر نوسانات شاخص قیمت در بازار بورس اوراق بهادار تهران دارند، برخلاف یافته‌هایی است که در بازارهای بورس سایر کشورها (به‌ویژه کشورهای توسعه‌یافته) مشاهده‌شده است. دلایل این نتیجه غیرمتعارف می‌تواند شامل موارد زیر باشد:

• نوسان قیمت در بورس تهران با توجه به تنظیم و مداخلات دولتی نمی‌تواند از یک حدود مشخصی فراتر رود.
• بورس تهران در مقایسه با سایر بورس‌ها جوان و نو پا محسوب می‌شود.
• جریان اطلاعات در بورس تهران در مقایسه با بورس‌های تکامل‌یافته در سایر کشورها، آرام و کند است.

ابو نوری و ایزدی (1385) در تحقیقی با عنوان "ارزیابی اثر روزهای هفته در بورس اوراق بهادار تهران با استفاده از الگوی گارچ و آرچ" دریافتند که با توجه به وجود ناهمسانی واریانس در مدل‌های بعضی از متغیرها به‌ویژه در بازار سهام، از مدل‌های خانواده آرچ (ناهمسانی واریانس شرطی) به‌صورت متقارن یا نامتقارن استفاده‌شده است. نتایج حاصل از مدل آرچ ام- نمایی حاکی از اثر منفی و معنادار روزهای شنبه و چهارشنبه در دوره 1371 تا 1382 بوده است. برای کنترل تغییر شدید ایجادشده درشیب خاص سهام در اوایل سال 1382 در مقایسه با دوره 1371 تا 1381، اثر روزهای هفته در شاخص کل، به دوره رونق 1371 تا 1381 و دوره پررونق 1382 تفکیک‌شده است. در دوره رونق مدل گارچ نمایی مبین اثر منفی و معنادار سه‌شنبه بوده است. درحالی‌که در دوره پررونق 1382 مدل آرچ ام – نمایی حاکی از اثرات منفی روزهای اوایل هفته (شنبه تا دوشنبه) بوده است. برای تجزیه‌وتحلیل بیشتر، اثرات روزهای هفته بر بازده سهام، به تفکیک صنایع آزمون و ارزیابی‌شده است: نتایج مربوط به وجود اثر مثبت معنادار روزهای هفته در صنعت چوب و کاغذ و صنعت نساجی؛ منفی و معنادار در صنایع استخراج معدن، کانه‌های فلزی، ماشین‌آلات و تجهیزات کشاورزی؛ آثار معنادار و مثبت و منفی در صنایع کانی غیرفلزی، فلزات اساسی و محصولات فلزی بوده است. در مقابل، هیچ‌گونه اثر روزانه معنادار در صنایع دیگر (کاغذ و محصولات، چاپ و نشر، محصولات غذایی، فرآورده‌های نفتی، لاستیک و پلاستیک و مواد شیمیایی) مشاهده نشده است. بنابراین درمجموع با تشخیص اثرات معنادار روزهای هفته و به‌کارگیری آن در تصمیمات سرمایه‌گذاری، امکان کسب بازدهی‌های ناشی از تحلیل اطلاعات در بازار اوراق بهادار ایران وجود داشته که با فرضیه بازار کارا مغایرت دارد.

طالب نیا و همکاران (1388) ارزیابی کارایی متغیرهای مالی و متغیرهای اقتصادی در پیش‌بینی بحران مالی شرکت‌ها را موردبررسی قراردادند. در این تحقیق 4 الگوی پیش‌بینی بحران مالی (آسپرین گیت، SAF شیراتا، والاس و تای دا) با نسبت‌های جریان وجوه نقد و متغیرهای کلان اقتصادی با وقفه زمانی یک سال و دو سال بسط داده شد، برای آزمون توانایی پیش‌بینی بحران مالی الگوها، روش آماری رگرسیون لجستیک به کار گرفته شد. پس‌ازآن برای تعیین بهترین الگوهای پیش‌بینی کننده با آزمون مناسب (خوبی برازش) با یکدیگر مقایسه شدند. با توجه به نتایج آزمون مشخص گردید الگوی آسپرین گیت و والاس توسعه‌یافته با نسبت‌های جریان وجوه نقد و متغیرهای کلان اقتصادی دارای متغیرهای مؤثر برای پیش‌بینی می‌باشند.

تقوی و همکاران (1389) در پژوهشی با عنوان "اثر بحران مالی غرب بر بورس اوراق بهادار تهران" با استفاده از اطلاعات سری زمانی 16/01/1384 تا 18/08/1388 و روش آرچ و گارچ و الگوریتم ICSS به بررسی اثرات بحران مالی غرب بر بورس اوراق بهادار تهران و میزان اثرات آن و استمرار نوسانات پرداختند. نتایج این تحقیق نشان می‌دهد که بحران مالی غرب بر بازدهی بورس اوراق بهادار تهران تأثیرگذار نبوده است و همچنین استمرار نوسانات در این دوره نیز کم بوده است.

 

3- روش‌شناسی

3-1- الگوریتم مجموع مربعات تجمعی تکرارشونده (ICSS)

مدل‌سازی شکست‌های ساختاری در اقتصاد کلان و مالیه موردتوجه بوده است. به دلیل اهمیت تشخیص صحیح تعداد و زمان تغییرات ساختاری در واریانس سری‌های زمانی مالی، روش‌های متعددی برای این منظور ارائه شد. رایج‌ترین روش به‌کاررفته برای تشخیص درون‌زای نقاط شکست در واریانس، الگوریتم مجموع مربعات تجمعی تکرارشونده (ICSS) است که توسط اینکلان و تیائو^[viii] (1994) مطرح شد. الگوریتم ICSS به دنبال یافتن تغییرات معنادار در واریانس است که براثر بروز یک شکست ساختاری در فرآیند تولید نوسان سری زمانی حاصل‌شده است. این الگوریتم بر این فرض مبتنی است که سری زمانی موردمطالعه شامل تعداد T مشاهده بوده که به‌طور نرمال، مستقل و یکنواخت توزیع‌شده‌اند (آراگو و فرناندز^[ix]، 2007).

فرض می‌شود که سری زمانی تحت بررسی، در طی یک دوره زمانی اولیه دارای واریانس غیرشرطی مانا است تا اینکه براثر وقوع یک رویداد جدید مالی، اقتصادی یا سیاسی ناگهانی، بزرگ و غیرمنتظره تکانه‌ای به سیستم وارد می‌شود که واریانس سری زمانی را دچار یک تغییری ساختاری می‌کند. به‌عبارت‌دیگر، با وقوع این تکانه، میزان انحراف واریانس جاری از واریانس گذشته به‌اندازه‌ای بالا می‌رود که بر تغییر ساختاری نوسانات بازار دلالت دارد. سپس، واریانس غیرشرطی دوباره در سطحی جدید به وضعیت مانا برمی‌گردد تا اینکه براثر تکانه بعدی، تغییر ساختاری دیگری را تجربه نماید. این فرآیند در طول زمان تکرار می‌شود و یک سری زمانی با تعداد N_T نقطه شکست در واریانس غیرشرطی به دست می‌آید. (کانگ و همکاران^[x]، 2011)

الگوریتم ICSS واریانس بین هر دونقطه شکست را ثابت و کشیدگی را معمولی در نظر می‌گیرد. به‌عبارت‌دیگر، اولاً این الگوریتم برای حالتی تعریف‌شده است که همسانی واریانس شرطی وجود داشته باشد؛ اما شواهد تجربی زیادی نشان می‌دهند که اغلب سری‌های زمانی اقتصادی و مالی عمدتاً دارای واریانس متغیر هستند. بنابراین، الگوریتم متعارف ICSS در صورت وجود یک فرآیند وابسته نظیر فرآیند گارچ مناسب نیست. (مالیک و همکاران^[xi]، 2005؛ اویینگ و مالیک^[xii]، 2013)

ثانیاً این الگوریتم فرض می‌کند که سری زمانی دارای توزیع نرمال است، درحالی‌که سری‌های زمانی مالی اغلب دارای توزیع‌های دم‌کلفت^[xiii] و دارای کشیدگی اضافی (کشیدگی بزرگ‌تر از 3) می‌باشند. (آراگو و فرناندز، 2007). سانسو و همکاران^[xiv] (2004) برخی فروض اضافی روی_t اعمال نمودند و نشان دادند که برای داده‌های مالی که اغلب توزیع غیر نرمال بوده و ناهمسانی واریانس شرطی دارند اعتبار نتایج آزمون IT زیر سؤال می‌رود و اگر مقادیر بحرانی به‌درستی تعدیل نشوند این احتمال وجود دارد که فرضیه صفر اشتباهاً رد شود. به‌عبارت‌دیگر، ممکن است برخی از شکست‌های شناسایی‌شده در الگوریتم ICSS جعلی بوده و تعداد شکست‌های ساختاری واقعی در واریانس ازآنچه الگوریتم متعارف ICSS اعلام می‌کند کمتر باشد. بدین ترتیب، آن‌ها آزمون اینکلان و تیائو را اصلاح نموند تا وقتی جملات خطا را فرآیندی نا مستقل نظیر گارچ تبعیت می‌کنند قابل‌استفاده باشد (مالیک و همکاران، 2005).

تعداد تغییرات ساختاری حاصل از به‌کارگیری روش سانسو و همکاران نسبت به روش اینکلان و تیائو به‌مراتب کمتر است (آراگو و فرناندز، 2007)

 

3-2- مدل ناهمسانی واریانس شرطی تعمیم‌یافته چند متغیره (MGARCH)

استفاده از مدل‌های ناهمسانی واریانس شرطی (آرچ) و ناهمسانی واریانس شرطی تعمیم‌یافته (آرچ تعمیم‌یافته)، متداول‌ترین راه جهت مدل‌سازی پویایی‌های نوسانات داده‌های سری زمانی پربسامد است. مدل آرچ توسط انگل (1982) مطرح گردید و بعدها توسط بلرسلو (1986) تعمیم داده شد و به مدل ناهمسانی واریانس شرطی تعمیم‌یافته شهرت یافت. برای بررسی انتقال تکانه‌ها و سرریز نوسانات میان بازارهای مختلف باید از مدل‌های ناهمسانی واریانس شرطی تعمیم‌یافته چند متغیره (MGARCH) استفاده نمود. اولین گام در دستورالعمل ناهمسانی واریانس شرطی تعمیم‌یافته، شناسایی بهترین تصریح فرآیند خود رگرسیونی سری زمانی عایدی‌ها با استفاده از فن‌های متداول باکس- جنکینز است. در این راستا می‌توان از توابع خودهمبستگی و خودهمبستگی جزئی، آماره Q لیونگ-باکس استفاده نمود. تصریح عمومی فرآیند خود رگرسیونی سری زمانی عایدی‌ها به‌صورت رابطه 6 است:

  (6)        

 به‌طوری‌که بیانگر سری زمانی عایدی دارایی‌ها،  p طول وقفه بهینه و  جمله خطای تصادفی است و فرض می‌شود که دارای توزیع نرمال با میانگین صفر است (اوینگ و مالیک، 2013). به‌منظور برآورده مدل ناهمسانی واریانس شرطی تعمیم‌یافته چند متغیره، از تصریح مشهور تصریح بک که توسط بابا، انگل و کرافت و کرونر (1990) مطرح گردید استفاده می‌شود. تصریح بابا، انگل، کرافت و کرونر به‌صورت رابطه 7 است:

  (7)                      

 

 ماتریس واریانس- کوواریانس شرطی  زمان t و C، A و B ماتریس‌های  هستند.عناصر قطری ماتریس‌های A و B به ترتیب جهت انتقال تکانه‌ها و سرریز نوسانات میان بازارها را نشان می‌دهند. آزمون معناداری عناصر غیر قطری ماتریس‌های A و B معیار قضاوت در مورد جهت انتقال تکانه و سرریز نوسان بین بازارها است. در مورد ناهمسانی واریانس شرطی تعمیم‌یافته دومتغیره،  ماتریس معین 2*2 به‌صورت رابطه 8 است:

(8)         

 

H ماتریس 2*2 واریانس کوواریانس شرطی در زمان t و C یک ماتریس مثلثی 2*2 ثابت‌ها به 3 پارامتر است. A یک ماتریس مربعی 2*2 از پارامترها است و میزان همبستگی میان مجذور خطاهای گذشته و واریانس‌های شرطی (یا به‌عبارت‌دیگر، اثرات تکانه‌ها یا رویدادهای پیش‌بینی‌نشده روی نوسانات) را نشان می‌دهد. عناصر قطری ماتریس A بیانگر اثر آرچ خودشان هستند (معناداری  و  بدان معنا است که واریانس‌های شرطی از مجذور خطاهای گذشته تأثیر می‌پذیرند). به‌علاوه، B یک ماتریس مربعی 2*2 از پارامترها است و نشان می‌دهد سطوح جاری  واریانس‌های شرطی تا چه اندازه با واریانس‌های شرطی گذشته همبستگی دارند. عناصر قطری در  ماتریس  B اثر گارچ خودشان را نشان می‌دهند (معناداری واریانس با وقفه  و  بدان معنا است که واریانس شرطی جاری از واریانس شرطی گذشته تأثیر می‌پذیرد) و عناصر غیر قطری  ماتریس‌های A و B یعنی  و   نشان می‌دهند که تکانه‌ها و نوسانات به چه صورت در طول زمان در میان بازارها منتقل می‌شود. برای مثال، جملات خطای ، جهت شوک‌ها و اخبار را مشخص می‌کنند درحالی‌که جملات کوواریانس  جهت انتقال نوسان را نشان می‌دهند (کانگ و همکاران، 2011). با بسط ماتریس 8، واریانس شرطی مربوط به دو بازار عبارت است از:

(9)

 

(10)

 

دو معادله 9 و 10 نشان می‌دهند که تکانه‌ها و نوسانات در طول زمان چگونه در میان بازارها منتقل می‌شوند. تعداد کل پارامترهای برآورد شده 11 عدد است. پارامترهای مدل ناهمسانی  واریانس شرطی تعمیم‌یافته چند متغیره را می‌توان با روش برآورد حداکثر درست نمایی برآورد نمود. لگاریتم تابع درست نمایی به‌صورت رابطه 11 بیان می‌شود:

(11)

 

به‌طوری‌که T تعداد مشاهدات و  بردار پارامترهایی است که باید برآورد شوند. جهت برآورد پارامترها به روش حداکثر درست نمایی از الگوریتمی که توسط برنت و همکاران (1974) مطرح شد استفاده می‌شود. همان‌طور که پیش‌تر عنوان شد، نقص مدل‌های ناهمسانی واریانس شرطی تعمیم‌یافته متعارف این است که فرض می‌کنند هیچ شکستی در ساختار نوسانات وجود ندارد؛ اما نوسانات سری‌های زمانی مالی در معرض تغییرات ناگهانی هستند و درنتیجه شکست‌های ساختاری در نوسانات پدیده‌ای محتمل بوده و نادیده گرفتن آن‌ها ممکن است به نتایج کاذب راجع به چگونگی انتقال اطلاعات و سرریز نوسانات میان بازارهای مالی منتهی شود. با واردکردن متغیرهای مجازی دو ارزش که تغییرات رژیم در واریانس را آشکار می‌کنند معادله 7 را به‌صورت زیر می‌توان نوشت:

(12)   

در اینجا نیز می‌توان از روی معناداری آماری عناصر غیر قطری ماتریس A و B در دو حالت (یکی بدون لحاظ شکست ساختاری در نوسانات و دیگری با لحاظ شکست ساختاری در نوسانات) در مورد این‌که آیا با ورود متغیرهای مجازی به مدل جهت انتقال تکانه‌ها و جهت سرریز نوسانات تغیر می‌کند یا خیر قضاوت نمود. معادله آخر با وارد نمودن جمله آخر از مدل 3 متمایز شده است. برای مثال در مورد مدل ناهمسانی واریانس شرطی تعمیم‌یافته دومتغیره  یک ماتریس قطری مربعی 2*2 از پارامترها و  یک بردار سطری 2*1 از متغیرهای کنترل رژیم نوسان و N تعداد نقاط شکست یافت شده در واریانس است. اولین (دومین) درایه در بردار سطری  بیانگر متغیر مجازی برای اولین (دومین) سری است.

 

4- داده‌ها و مدل

در اینجا ویژگی‌های آماری توزیع عایدهای سهام بازارهای موردبررسی که شامل انگلیس(FTSE)؛ امریکا (SP500)؛ آلمان (DAX)؛ فرانسه(CAC) ؛ ژاپن  (NIKKIE)؛ هنگ‌کنگ (HS) و ایران( TEPIX) است را در قالب جدول 1 ارائه‌شده است. با توجه به جدول 1، توزیع عایدی‌های بازار سهامSP  و NIKI دارای چولگی منفی و توزیع عایدی‌های بازار سهام  IRAN،FTSE، CAC، HS و DAX دارای چولگی مثبت است. همچنین، کشیدگی هر دو توزیع نسبت به توزیع نرمال بسیار بیشتر است که با شواهد تجربی مبنی بر این‌که سری‌های زمانی مالی اغلب دارای کشیدگی بیش از توزیع نرمال می‌باشند سازگاری دارد. علاوه بر این، بر اساس آماره‌ی جارک - برا فرض نرمال بودن توزیع عایدی‌های بازارهای سهام قویاً رد می‌شود. برای بررسی اثر تغییرات ساختاری در نوسانات قبل از هر چیز باید به شناسایی آن‌ها پرداخت. برای این منظور، در این مطالعه از الگوریتم اصلاح‌شده‌ی مجموع مربعات تجمعی تکراری استفاده و نتایج حاصل از این الگوریتم در جدول 2 ارائه‌شده است. مطابق با این جداول، تعداد شکست‌های ساختاری در نوسانات بر اساس الگوریتم اصلاح‌شده‌ی مجموع مربعات تجمعی تکراری برای سری زمانی عایدی‌های سهام طی دوره‌ی زمانی منتخب به شرح جدول 2 است. بنابراین الگوریتم اصلاح‌شده  تأیید می‌کنند که در واریانس سری‌های زمانی موردنظر شکست ساختاری اتفاق افتاده است. پس از شناسایی نقاطی که تغییرات ساختاری در نوسانات اتفاق افتاده است، حال می‌توان تأثیر این تغییرات ساختاری روی جهت انتقال تکانه و سرریز نوسان از میان بازارهای سهام را بررسی نمود.

 

 

جدول1- ویژگی‌های آماری توزیع عایدی‌های سهام در بازارهای مختلف

	CAC	DAX	FTSE	HS	IRAN	NIKI	SP
Mean	4.66E-05	0.000184	7.67E-05	0.000143	0.000575	0.000134	9.72E-05
Median	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Maximum	0.111800	0.114000	0.098400	0.143500	0.054000	0.141500	0.109572
Minimum	-0.0904	-0.0849	-0.0885	-0.127	-0.0551	-0.1141	-0.094695
Std. Dev.	0.012451	0.012796	0.010111	0.012199	0.005195	0.012743	0.009524
Skewness	0.169283	0.131608	0.008122	0.271236	0.681650	-0.215556	-0.3837
Kurtosis	11.79952	11.09784	13.75324	17.95576	18.55809	13.49084	21.24380
Jarque-Bera	18976.21	16063.70	28296.20	54807.07	59687.45	26977.53	81591.87
Probability	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000

منبع: یافته‌های پژوهشگر

 

نتایج جدول 1 نشان می دهد بیشترین عایدی سهام در بازار هنگ‌کنگ وجود داشته است و کمترین عایدی نیز در این بازار وجود داشته است. در خصوص بازار ایران حداکثر بازدهی شکل گرفته کمترین مقدار موجود را در بین بازارهای مورد بررسی داشته است و از طرفی حداقل بازدهی نیز در بین بازارهای مورد بررسی مربوط به بازار ایران بوده است.

 

 

نمودار1- نمودار روند زمانی لگاریتم شاخص سهام بورس‌های موردمطالعه

منبع: یافته‌های پژوهشگر

 

بررسی روند زمانی لگاریتم شاخص کل بازاره های انگلیس، امریکا، آلمان و فرانسه نشان می دهد این بازارها از رفتار همگرا نسبت به بر خوردار می باشند بطوریکه ایجاد بحران در سال 2002 ابتدای به ساکن از بازار فرانسه و آلمان شروع شد سپس بازار انگلستان تحت تاثیر این بحران قرار گرفته و در آخر بازار آمریکا به این بحران واکنش نشان داده است. به دلیل یکپارچگی بازارهای مالی درسطح جهان و سرمایه گذاری بانکها و نهادهای مالی کشورهای مختلف در آمریکا با سقوط بورسهای آمریکا آنها نیز تحت تاثیر قرار گرفتند.

کشورهایی که روند ادغام آنها در اقتصاد جهانی به کندی صورت گرفته است از آسیب کمتری برخوردار خواهند بود. کشورهای توسعه یافته ای مانند انگلیس،  آلمان، فرانسه و ژاپن که اقتصاد آنها به اقتصاد آمریکا وابستگی شدیدی دارد از بحران مالی تاثیرپذیری بیشتری داشته اند.

 

جدول 2- تعداد و موقعیت شکست‌های ساختاری در واریانس سری زمانی عایدی‌های سهام

الگوریتم اصلاح‌شده ICSS
موقعیت زمانی شکست
انگلیس	امریکا	آلمان	فرانسه	ژاپن	هنگ‌کنگ	ایران
13/06/2002	23/06/2002	12/06/2002	12/06/2002	19/09/2005	11/11/2004	25/06/2002
24/07/2005	27/08/2003	30/11/2003	12/09/2004	04/09/2008	14/06/2007	12/07/2003
25/06/2008	14/02/2006	27/07/2005	26/01/2006	31/01/2013		08/06/2004
25/02/2010	14/09/2008	13/12/2006	14/09/2008	03/11/2014		05/09/2005
23/01/2013	02/01/2011	03/09/2008	29/07/2013			05/10/2009
	03/03/2014	07/10/2010				14/03/2011
		29/04/2013				17/12/2012
		14/01/2015				11/10/2013
موقعیت عددی شکست
525	535	524	524	1719	1407	537
1662	965	1060	1347	2800	2352	919
2729	1867	1665	1848	4410		1251
3339	2810	2169	2810	5051		1705
4402	3650	2799	4589			3196
	4806	3563				3721
		4498				4365
		5123				4663

منبع: یافته‌های پژوهشگر

 

ازآنجاکه پایه مدل ناهمسانی واریانس شرطی تعمیم‌یافته چند متغیره یک مدل VAR است بنابراین، لازم است ابتدا تعداد وقفه‌های بهینه برای معادلات میانگین به دست آید. این کار با استفاده از معیار شوارتس انجام پذیرفته است.خروجی در جدول زیر آمده است که با توجه به آن از میان وقفه‌های صفرتا هشت وقفه‌ی بهینه برای هریک از بازارها با بازار ایران به‌صورت مدل بهینه VAR(p)-GARCH(p,q)است.

 

جدول3- انتخاب وقفه بهینه بر اساس معیار شوارتس

HS	SP	FSTE	CAC	DAX	NIKI	LAG
-13.65300	-14.14754	-14.02849	-13.61218	-13.55723	-13.56589	0
-13.73094	-14.23286	-14.10579	-13.68944	-13.63398	-13.64473	1
-13.72634	-14.22876	-14.10109	-13.68497	-13.62912	-13.63950	2
-13.73480*	-14.23724*	-14.11126*	-13.69516	-13.63728*	-13.64806*	3
-13.73212	-14.23702	-14.10833	-13.69231	-13.63402	-13.64553	4
-13.73007	-14.23443	-14.10631	-13.69008	-13.63059	-13.64211	5
-13.72682	-14.23127	-14.10446	-13.68757	-13.62753	-13.63857	6
-13.72984	-14.23453	-14.11077	-13.69524*	-13.63361	-13.64151	7
-13.72517	-14.23047	-14.10651	-13.69083	-13.62897	-13.63654	8

منبع: یافته‌های پژوهشگر

 

جدول 4 تا 9 به ترتیب نتایج مدل واریانس ناهمسانی شرطی تعمیم‌یافته‌ی دومتغیره را نشان می‌دهد.

 

جدول4- نتایج مدل گارچ دومتغیره(ایران و هنگ‌کنگ) با لحاظ متغیر مجازی ساختاری

متغیر	ضریب	انحراف معیار	آماره t	مقدار احتمال
C11	7.21E-07	1.26E-07	5.712698	0.00
C12	8.12E-07	1.46E-07	5.542714	0.00
C22	9.15E-07	7.88E-08	11.60452	0.00
A11	0.03693	0.002973	12.42177	0.00
A12	0.071603	0.003882	18.44653	0.00
A22	0.138829	0.009372	14.81377	0.00
B11	0.957278	0.003269	292.8022	0.00
B12	0.896837	0.014972	59.90127	0.00
B22	0.840213	0.008518	98.63465	0.00

منبع: یافته‌های پژوهشگر

 

طبق جدول 4 ضرایب a₁₂ و b₁₂ معنادار می‌باشند درنتیجه انتقال تکانه‌ها از بازار هنگ‌کنگ به بازار سهام ایران موجود است و همچنین اثر سرریز نوسان بین بازار هنگ‌کنگ و ایران وجود دارد.

 

جدول 5- نتایج مدل گارچ دومتغیره(ایران و آلمان) با لحاظ متغیر مجازی ساختاری

متغیر	ضریب	انحراف معیار	آماره t	مقدار احتمال
C11	1.08E-06	1.19E-07	9.152965	0.0000
C12	-1.09E-09	4.64E-09	-0.234243	0.8148
C22	9.65E-07	3.62E-08	26.63060	0.0000
A11	0.057335	0.002925	19.60164	0.0000
A12	-0.000165	0.002358	-0.069837	0.9443
A22	0.152609	0.004351	35.07223	0.0000
B11	0.936170	0.003165	295.8212	0.0000
B12	0.992936	0.008806	112.7545	0.0000
B22	0.825931	0.004577	180.4715	0.0000

منبع: یافته‌های پژوهشگر

 

طبق جدول 5 ضرایب a₁₂ معنادار نبوده ولی b₁₂ معنادار می‌باشند درنتیجه انتقال تکانه‌ها از بازار آلمان به بازار سهام ایران وجود ندارد ولی اثر سرریز نوسان بین بازار آلمان و ایران وجود دارد.

 

جدول 6- نتایج مدل گارچ دومتغیره(ایران و فرانسه) با لحاظ متغیر مجازی ساختاری

متغیر	ضریب	انحراف معیار	آماره t	مقدار احتمال
C11	1.01E-06	1.22E-07	8.339477	0.0000
C12	-3.67E-07	9.22E-07	-0.398403	0.6903
C22	9.66E-07	3.68E-08	26.24291	0.0000
A11	0.058900	0.002846	20.69279	0.0000
A12	0.021126	0.022508	0.938602	0.3479
A22	0.157559	0.004487	35.11392	0.0000
B11	0.935367	0.003082	303.5178	0.0000
B12	-0.746199	0.345555	-2.159424	0.0308
B22	0.821357	0.004745	173.1083	0.0000

منبع: یافته‌های پژوهشگر

 

طبق جدول 6 ضرایب a₁₂ معنادار نبوده ولی b₁₂ معنادار می‌باشند درنتیجه انتقال تکانه‌ها از بازار فرانسه به بازار سهام ایران وجود ندارد ولی اثر سرریز نوسان بین بازار فرانسه و ایران وجود دارد.

طبق جدول 7 ضرایب a₁₂ و b₁₂ معنادار می‌باشند درنتیجه انتقال تکانه‌ها از بازار ژاپن به بازار سهام ایران موجود است و همچنین اثر سرریز نوسان بین بازار ژاپن و ایران وجود دارد.

طبق جدول 8 ضرایب a₁₂ معنادار نبوده ولی b₁₂ معنادار می‌باشند درنتیجه انتقال تکانه‌ها از بازار انگلیس به بازار سهام ایران وجود ندارد ولی اثر سرریز نوسان بین بازار انگلیس و ایران وجود دارد.

 

جدول 7- نتایج مدل گارچ دومتغیره(ایران و ژاپن) با لحاظ متغیر مجازی ساختاری

متغیر	ضریب	انحراف معیار	آماره t	مقدار احتمال
C11	2.15E-06	2.26E-07	9.520644	0.0000
C12	1.47E-07	2.10E-07	0.701016	0.4833
C22	9.61E-07	3.62E-08	26.58858	0.0000
A11	0.063911	0.002838	22.51867	0.0000
A12	0.037902	0.015413	2.459028	0.0139
A22	0.154062	0.004406	34.96978	0.0000
B11	0.923719	0.003532	261.5366	0.0000
B12	0.672324	0.235456	2.855409	0.0043
B22	0.821357	0.004745	173.1083	0.0000

منبع: یافته‌های پژوهشگر

 

جدول 8- نتایج مدل گارچ دومتغیره(ایران و انگلیس) با لحاظ متغیر مجازی ساختاری

متغیر	ضریب	انحراف معیار	آماره t	مقدار احتمال
C11	7.28E-07	8.09E-08	8.997848	0.0000
C12	-1.54E-08	2.22E-08	-0.691274	0.4894
C22	9.59E-07	3.66E-08	26.23934	0.0000
A11	0.066932	0.003076	21.75955	0.0000
A12	-0.002298	0.005747	-0.399840	0.6893
A22	0.154110	0.004314	35.72588	0.0000
B11	0.926241	0.003257	284.3603	0.0000
B12	0.969175	0.036198	26.77440	0.0000
B22	0.825225	0.004645	177.6495	0.0000

منبع: یافته‌های پژوهشگر

 

5- نتیجه‌گیری

در این مطالعه اثر بحران‌های مالی بر انتقال تکانه و سرریز نوسان میان بازارهای بورس در کشورهای انگلیس، امریکا، آلمان،  فرانسه، ژاپن، هنگ‌کنگ و سهام ایران طی دوره زمانی 2017-2003 به‌صورت روزانه مورد بررسی قرار گرفت.

این مقاله رویکرد یکدستی را معرفی می‌کند و نشان می‌دهد که چگونه می‌توان از این رویکرد برای تعیین ابعاد اساسی مدل‌سازی دوره‌های نابسامانی اقتصادی، مانند تغییر ارتباط بین بازارهای مالی، ازلحاظ تأثیرات بلندمدت، در بین سایر موارد، استفاده کرد. برای این منظور جهت شناسایی بحران‌های مالی در بازارهای مالی، ابتدا زمان‌هایی که تغییرات ساختاری در نوسانات رخ‌داده و منجر به شکل‌گیری بحران مالی گردیده است را با استفاده از الگوریتم اصلاح‌شده مجموع مربعات تجمعی تکراری به‌طور درون‌زا شناسایی‌شده. الگوریتم اصلاح‌شده  تأیید می‌کند که در واریانس سری‌های زمانی موردنظر شکست ساختاری اتفاق افتاده است. پس از شناسایی نقاطی که تغییرات ساختاری در نوسانات اتفاق افتاده است، تأثیر این تغییرات ساختاری روی جهت انتقال تکانه و سرریز نوسان از میان بازارهای سهام موردبررسی قرار گرفت و این اطلاعات وارد فرآیند مدل‌سازی نوسانات گردید. نتایج به‌دست‌آمده نشان می‌دهد که انتقال تکانه‌ها از بازار هنگ‌کنگ به بازار سهام ایران موجود است و همچنین اثر سرریز نوسان بین بازار هنگ‌کنگ و ایران وجود دارد. نتیجه انتقال تکانه‌ها از بازار آلمان به بازار سهام ایران وجود ندارد ولی اثر سرریز نوسان بین بازار آلمان و ایران وجود دارد. انتقال تکانه‌ها از بازار فرانسه به بازار سهام ایران وجود ندارد ولی اثر سرریز نوسان بین بازار فرانسه و ایران وجود دارد.انتقال تکانه‌ها از بازار ژاپن به بازار سهام ایران موجود است و همچنین اثر سرریز نوسان بین بازار ژاپن و ایران وجود دارد.انتقال تکانه‌ها از بازار انگلیس به بازار سهام ایران وجود ندارد ولی اثر سرریز نوسان بین بازار انگلیس و ایران وجود دارد.

به‌طورکلی نتایج حاصل از کاربرد روش ناهمسانی واریانس شرطی تعمیم‌یافته دومتغیره در قالب تصریح قطری بابا، انگل، کرافت و کرونر نشان می‌دهد که انتقال تکانه‌ها و سرریز نوسانات میان بازارهای بورس در کشورهای انگلیس، امریکا، آلمان،  فرانسه، ژاپن، هنگ‌کنگ و سهام ایران به‌صورت یک‌طرفه است.

 

 

 

 

 

 

 

 

 

 

 

 

 

---

1- استادیار و عضو هیئت علمی دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران، (نویسنده مسئول)     [e-mail]

2- استادیار و عضو هیئت علمی دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران.   [e-mail]    

---

^[i] Aggarwal, Inclan, Leal (1999)

^[ii] Hammoudeh, Li (2005)

^[iii] Anderson (2006)

^[iv] Ewing and Malik (2005)

^[v] Iterative Cumulative Sum of Squares

^[vi] Arago and Fernandez (2007)

^[vii] Kang, Cheong and Yoon (2011)

^[viii] Inclan and Tiao (1994)

^[ix] Arago, V., & Fernandez, M.A. (2007)

^[x] Kang, S.H.,& Cheong C., & Yoon, S.M. (2011)

^[xi] Malik, F., & Ewing, B. T., & Payne, J. E. (2005)

^[xii] Ewing, B.T., & Malik, F. (2013)

^[xiii] Fat Tail Distribution

^[xiv] Sanso et al.

مراجع

فهرست منابع

1)      ابونوری، اسمعیل و رضا ایزدی (1385)، "ارزیابی اثر روزهای هفته در بورس اوراق بهادار تهران با استفاده از الگوی آرچ و گارچ" مجله تحقیقات اقتصادی، شماره 72.

2)      پدرام، مهدی، بصیرت، مهدی و مریم امیری، بررسی اثرات تکانههای اقتصادی بر رشد بهرهوری انرژی (مطالعه موردی: کشورهای صادرکننده نفت 2011-2000)، فصلنامه اقتصاد مالی، سال نهم، شماره 33، زمشتان 94.

3)      تقوی، مهدی، غفاری، فرهاد و سیدیاسر غیبی (1389)، "اثر بحران مالی غرب بر بورس اوراق بهادار تهران"، مجله مطالعات مالی، شماره 5.

4)      راعی، رضا و سعیدی علی، (1388)، "مبانی مهندسی مالی و مدیریت ریسک"، انتشارات سمت، تهران.

5)      زارعی، بتول و حسن لاجوردی، بررسی رابطه توسعه مالی و تکانههای نفتی و بیثباتی رشد اقتصادی، فصلنامه اقتصاد مالی، سال دوازدهم، شماره 43، تابستان 97.

6)      طالب نیا، قدرت الله، جهانشاد، آزیتا و زهرا پروزمانی (1388)، "ارزیابی کارایی متغیرهای مالی و متغیرهای اقتصادی در پیش‌بینی بحران مالی شرکت‌ها"، بررسی‌های حسابداری و حسابرسی، شماره 55، صص 84-67.

7)      مهرارا، محسن و قهرمان عبدلی (1385)، "نقش اخبار خوب و بد در نوسانات بازدهی سهام در ایران" فصلنامه پژوهش اقتصادی ایران، شماره 26.

8)      یزدانی، مهدی و طاهره نورافروز، ارزیابی اثر نوسانهای قیمت نفت و شکاف تولید بر تراز تجاری اقتصاد ایران، فصلنامه اقتصاد مالی، سال نهم، شماره 31، تابستان94.

9)       Aggarwal, R., Inclan, c.,& Leal, R, (1999), “Volatility in emerging markets”, Journal of Financial and Quantitative Analysis. No. 34, PP. 33-55.

10)   Aloui, C. (2011), “Latin American stock markets' volatility spillovers during the financial crises: A multivariate FIAPARCH-DCC framework”. Macroeconomics and Finance in Emerging Market Economies, No. 4, PP. 289–326.

11)   Anderson, J., (2006), “Volatility on Oslo Stock Exchange”, Master Thesis Financial Economics, Norges Handelshoyskol.

12)   Ang, A., & Bekaert, G. (1999), “International asset allocation with time-varying correlations”, NBER working paper no. 7056.

13)   Arago, V., & Fernandez, M.A. (2007), “Influence of structural changes in transmission of information between stock markets: A European Empirical Stud”, Journal of Multinational Financial Management, 17(1), PP. 112-124.

14)   Bai, J., & Perron, P. (2003), “Computation and analysis of multiple structural change models”, Journal of Applied Econometrics, No. 18, PP. 1–22.

15)   Bartram, S. M., & Wang, Y. -H. (2005), “Another look at the relationship between crossmarket correlation and volatility”, Finance Research Letters, No. 2, PP. 75–88.

16)   Billio, M., & Pelizzon, L. (2003), “Contagion and interdependence in stock markets: Have they been misdiagnosed?”, Journal of Economics and Business, No. 55, PP. 405–426.

17)   Boyer, B. H., Kumagai, T., & Yuan, K. (2006), “How do crises spread? Evidence from accessible and inaccessible stock indices”, Journal of Finance, No. 61, PP. 957–1003.

18)   Brock C (2008), "Introductory econometrics for finance", Cambridge University Press.

19)   Cappiello, L., Engle, R. F., & Sheppard, K. (2006), “Asymmetric dynamics in the correlations of global equity and bond returns”, Journal of Financial Econometrics, No. 4, PP. 537–572.

20)   Chakrabarti, R., & Roll, R. (2002), “East Asia and Europe during the 1997 Asian collapse: A clinical study of a financial crisis”, Journal of Financial Markets, No. 5, PP. 1–30.

21)   Chiang, T. C., Jeon, B. N., & Li, H. (2007), “Dynamic correlation analysis of financial contagion: Evidence from Asian markets”, Journal of International Money and Finance, No. 26, PP. 1206–1228.

22)   Chiang, T. C., & Zheng, D. (2010), “An empirical analysis of herd behavior in global stock markets”, Journal of Banking and Finance, No. 34, PP. 1911–1921.

23)   Cho, J. H., & Parhizgari, A. M. (2008), “East Asian financial contagion under DCC-GARCH”, The International Journal of Banking and Finance, No. 6, PP. 17–30.

24)   Conrad, C., Karanasos, M., & Zeng, N. (2011), “Multivariate fractionally integrated APARCH modeling of stock market volatility: A multi-country study”, Journal of Empirical Finance, No. 18, PP. 147–159.

25)   Conrad, C. (2010), “Non-negativity conditions for the hyperbolic GARCH model”, Journal of Econometrics, No. 157, PP. 441–457.

26)   Conrad, C., & Haag, B. R. (2006), “Inequality constraints in the fractionally integrated GARCH model”, Journal of Financial Econometrics, No. 4, PP. 413–449.

27)   Corsetti, G., Pericoli, M., & Sbracia, M. (2001), “Correlation analysis of financial contagion: What one should know before running a test”, Yale University, Economic Growth Center discussion paper No. 822.

28)   Dimitriou, D., & Kenourgios, D. (2013), “Financial crises and dynamic linkages among international currencies”, Journal of International Financial Markets Institutions and Money, No. 26, PP. 319–332.

29)   Dimitriou, D., Kenourgios, D., & Simos, T. (2013), “Global financial crisis and emerging stock market contagion: A multivariate FIAPARCH–DCC approach”, International Review of Financial Analysis, No. 30, PP. 46–56.

30)   Engle, R. F. (2002), “Dynamic conditional correlation: Dynamic conditional correlation. A simple class of multivariate generalized autoregressive conditional heteroskedasticity models”, Journal of Business & Economic Statistics, No. 20, PP. 339–350.

31)   Ewing, B.T., & Malik, F. (2005), “Re-examining the asymmetric predictability of variances: the role of sudden changes in variance”, Journal of Banking & Finance, 29(5), PP. 2655-2673.

32)   Ewing, B.T., & Malik, F. (2013), “Volatility transmission between gold and oil futures under structural breaks” International Review of Economics and Finance, 25(3), PP.113–121.

33)   Forbes, J. K., & Rigobon, R. (2002), “No contagion, only interdependence: Measuring stock market comovements”, The Journal of Finance, No. 57, PP. 2223–2261.

34)   Hammoudeh, S., Li, H. (2005), “Sudden changes in volatility in emerging markets”, Journal of the International Review of Financial Analysis. No. 17.

35)   Ho, K. -Y., & Zhang, Z. (2012), “Dynamic linkages among financial markets in the greater China region: A multivariate asymmetric approach”. The World Economy, No. 35, PP. 500–523.

36)   Inclan, C., & Tiao G.C. (1994), “Use of cumulative sums of squares for retrospective

37)   detection of changes of variance”, Journal of American Statistical Association,

38)   89(2): PP. 913-923.

39)   Kang, S.H.,& Cheong C., & Yoon, S.M. (2011), “Structural changes and volatility transmission in crude oil markets”, Physica A, 390(4), PP. 4317-4324.

40)   Karanasos Menelaos, Stavroula Yfanti & Michail Karoglou (2016), “Multivariate FIAPARCH modelling of financial markets with dynamic correlations in times of crisis”, International Review of Financial Analysis, No. 45, PP. 332–349.

41)   Kenourgios, D., & Samitas, A. (2011), “Equity market integration in emerging Balkan markets”, Research in International Business and Finance, No. 25, PP. 296–307.

42)   Kenourgios, D., Samitas, A., & Paltalidis, N. (2011), “Financial crises and stock market contagion in multivariate time-varying asymmetric framework”, Journal of International Financial Markets Institutions and Money, No. 21, PP. 92–106.

43)   Khan, S., & Park, K. W. (2009), “Contagion in the stock markets: The Asian financial crisis revisited”, Journal of Asian Economics, No. 20, PP. 561–569.

44)   Kotkatvuori-Örnberg, J., Nikkinen, J., & Äijö, J. (2013), “Stock market correlations during the financial crisis of 2008–2009: Evidence from 50 equity markets”, International Review of Financial Analysis, No. 28, PP. 70–78.

45)   Lin, W. L., Engle, R. F., & Ito, T. (1994), “Do bulls and bears move across borders? International transmission of stock returns and volatility” The Review of Financial Studies, No. 7, PP. 507–538.

46)   Longin, F., & Solnik, B. (2001), “Extreme correlation of international equity markets”, Journal of Finance, No. 56, PP. 649–676.

47)   Malik, F., & Ewing, B. T., & Payne, J. E. (2005), “Measuring volatility persistence in the presence of sudden changes in the variance of Canadian stock return”, Canadian Journal of Economic s, 38(4), PP. 1037-1056.

48)   Moldovan, I. (2011), “Stock markets correlation: Before and during the crisis analysis”, Theoretical and Applied Economics, No. 18, PP. 111–122.

49)   Sandoval, L. J., & Franca, I. de. P. (2012), “Correlation of financial markets in times of crisis. Physica A: Statistical Mechanics and its Applications”, No. 391, PP. 187–208.

50)   Sanso, A., & Arago, V., & Carrion, J.Ll. (2004), “Testing for changes in the unconditional variance of financial time series”, Revista de Economía Financiera, 4(4), PP. 32–53.

51)   Syllignakis, M. N., & Kouretas, G. P. (2011), “Dynamic correlation analysis of financial contagion: Evidence from the Central and Eastern European markets”, International Review of Economics & Finance, No. 20, PP. 717–732.

52)   Tse, Y. K., & Tsui, A. K. C. (2002), “A Multivariate generalized autoregressive conditional heteroscedasticity model with time-varying correlations”, Journal of Business &Economic Statistics, No. 20, PP. 351–362.

53)   Yang, T., & Lim, J. J. (2004), “Review of Pacific Basin Financial Markets and Policies”, No. 7, PP. 119–151

 

 

 

یادداشت‌ها