بررسی اثرهای سرایت نااطمینانی بین بخشی با استفاده از مدل متغیر ـ زمان

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دکتری، گروه مدیریت مالی، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.

2 دانشیار، گروه مدیریت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.

3 استادیار، گروه مدیریت مالی و حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.

10.22059/frj.2023.359630.1007466

چکیده

هدف: تکانه‌های مالی و اقتصادی و نااطمینانی در تغییرات آن، همواره به بازار هدف محدود نیست و ممکن است به سایر بازارها نیز سرایت کند. نتایج تحقیقات تجربی مانند جورادو و همکاران (۲۰۱۵) و گابور و گابوتا (۲۰۲۰) نشان می‌دهند که سرایت‌عدم قطعیت بین‌بخشی و همچنین اهمیت این‌عدم قطعیت‌ها در طول زمان ثابت نیست و دچار تغییر می‌شوند. در مدل‌های رگرسیون سری زمانی سنتی، فرض می‌شود که می‌توان از رابطه با ضرایب ثابت در زمان‌های مختلف استفاده کرد. نتایج نادرست این فرض غیر واقعی، مدل‌های پویایی را به‌وجود آورده است که بیشتر شبیه واقعیت دنیای بیرون است. رویکرد فضای حالت یکی از روش‌های مدل‌سازی سیستم‌های پویا است که رفتار سیستم را در این شرایط مدل‌سازی، پیش‌بینی و تجزیه‌وتحلیل می‌کند. یکی از کاربردهای این رویکرد این است که امکان ناپایداری ساختاری در پارامترها را فراهم می‌کند و اجازه می‌دهد تا ضرایب در طول زمان متغیر باشند. مدل‌هایی از این دست تحت عنوان مدل‌های پارامتر زمان ـ متغیر TVP شناخته می‌شوند. هدف از این تحقیق، واکنش بخش‌های مالی، مسکن و اقتصاد کلان در ایران، به تکانه‌های یکدیگر با تأکید بر اثرهای سرایت نااطمینانی است.
روش: پژوهش حاضر از لحاظ هدف کاربردی و از لحاظ ماهیت و روش از نوع تحلیل هم‌بستگی است. از نظر ویژگی و جهت داده‌ها، پس‌رویدادی و از طریق اطلاعات گذشته است. در پژوهش حاضر برای جمع‌آوری منابع نظری، از روش کتابخانه‌ای و برای جمع‌آوری داده‌های مورد نیاز به‌منظور آزمون فرضیه‌ها، از روش آرشیوی استفاده شده است. برای آزمون تغییرات سرایت نااطمینانی بین‌بخشی، از مدل خودرگرسیون برداری با پارامترزمان ـ متغیر (TVP-VAR) و داده‌های ماهانه، از فروردین ۱۳۸۷ تا اسفند ۱۳۹۸ استفاده شده است. در این راستا، ابتدا شاخص‌های نااطمینانی با استفاده از مدل‌های قارچ محاسبه شد و در ادامه با بهره‌گیری از رهیافت TVP-VAR و تجزیه واریانس خطای پیش‌بینی تعمیم‌یافته، رابطۀ کل پویا و همچنین رابطۀ پویای جهت‌دار جفت شاخص‌ها آزمون شد.
یافته‌ها: نتایج پژوهش نشان می‌دهد که منبع عمده نااطمینانی، بخش اقتصاد کلان است و این بخش به‌صورت عمده، منبع و انتقال‌دهندۀ نااطمینانی به سایر بخش‌های مالی و مسکن است. همچنین بخش مسکن به‌صورت خالص دریافت‌کنندۀ نااطمینانی از دو بخش دیگر است. در نتیجه می‌توان استدلال کرد که سرایت نااطمینانی بین بخش مالی و بخش مسکن، دو سویه و به‌صورت هم‌بستگی شرطی پویا بوده است؛ ولی سرایت نااطمینانی از بخش کلان اقتصادی به بخش مالی و بخش مسکن یک سویه است.
نتیجه‌گیری: مطابق نتایج، سرایت نااطمینانی بین بخشی و همچنین اهمیت این نااطمینانی‌ها ثابت نیست و در طول زمان تغییر می‌کند؛ از این رو با توجه به متفاوت بودن کانال‌های ارتباطی سرایت نوسان‌ها میان بازارها شناسایی منبع سرایت به انتخاب سیاستی که آسیب‌پذیری را در برابر سرایت کاهش دهد، کمک شایانی خواهد کرد و عملکرد مدیریت ریسک سبد دارایی‌ها را افزایش خواهد داد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Examining the Effects of Intersectoral Uncertainty Transmission Using a Time-Varying Model

نویسندگان [English]

  • Hamidreza Hamidi 1
  • Mirfeiz Fallah Shams 2
  • Hosein Jahangirnia 3
  • Mojgan Safa 3
1 PhD., Department of Financial Management, Qom Branch, Islamic Azad University, Qom, Iran.
2 Associate Prof., Department of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
3 Assistant Prof., Department of Financial Management & Accounting, Qom Branch, Islamic Azad University, Qom, Iran.
چکیده [English]

Objective
The impact of financial and economic shocks and uncertainty is not always limited to the target market and may spread to other markets as well. Empirical research results, such as those by Jurado et al. (2015) and Gabor and Gabota (2020), indicate that the contagion of cross-sectoral uncertainty and the significance of these uncertainties are not constant over time and may change. Traditional time series regression models assume that a relationship with fixed coefficients can be applied across different time periods. The misleading results of this unrealistic assumption have led to the development of dynamic models that better reflect the realities of the external world. The state-space approach is a modeling method for dynamic systems that predicts and analyzes system behavior under these modeling conditions. One of the applications of this approach is to account for structural instability in parameters and to allow coefficients to vary over time. Models of this type are known as time-varying parameter (TVP) models. This research aims to study the reaction of the financial, housing, and macroeconomic sectors in Iran to each other's shocks, with a focus on the effects of uncertainty contagion.
 
Methods
The present study is applied in terms of purpose and correlational analysis in terms of nature and method. It is post-event and utilizes past information. In this study, a library method was used to collect theoretical sources, while an archival method was employed to gather the data needed for hypothesis testing. To examine changes in cross-sectoral uncertainty contagion, the time-varying parameter vector autoregression model (TVP-VAR) is used with monthly data from January 2008 to December 2020. In this context, uncertainty indicators are calculated using GARCH models and then tested using the TVP-VAR approach, along with an analysis of variance of the generalized prediction error of total dynamic connectedness, as well as the directional dynamic connectedness of the indicator pairs.
 
Results
The research results indicate that the primary source of uncertainty is the macroeconomic sector, which acts as the main source and transmitter of uncertainty to the other financial and housing sectors. Additionally, the housing sector is a net recipient of uncertainty from the other two sectors. The findings suggest that the contagion of uncertainty between the financial and housing sectors is bidirectional and conditionally dynamic, while the contagion of uncertainty from the macroeconomic sector to the financial and housing sectors is unidirectional.
 
Conclusion
According to the results, the contagion of cross-sectoral uncertainty and the significance of these uncertainties are not constant and change over time. Therefore, identifying the different channels of contagion between markets and pinpointing the source of contagion can help in selecting policies that reduce vulnerability and enhance the performance of asset portfolio risk management.

کلیدواژه‌ها [English]

  • Transmission
  • Uncertainty
  • Time-Varying Parameter Vector Autoregression Model (TVP-VAR)
انصاری سامانی، حبیب و حیدرپور، حدیث (1397). بررسی سرایت ریسک مالی بین ایران و کشورهای منتخب. فصلنامه مدل‏سازی اقتصاد سنجی، 1(12)، 93- 119.
حسینی ابراهیم آباد، سیدعلی؛ جهانگیری، خلیل؛ حیدری، حسن و قائمی اصل، مهدی (1398). بررسی سرریزهای تکانه و تلاطم میان شاخص‌های منتخب بورس اوراق بهادار تهران با استفاده از مدل Asymmetric BEKK-GARCH. فصلنامه مطالعات اقتصادی کاربردی ایران، 8(29)، 123- 155.
سیدحسینی، سیدمحمد و ابراهیمی، سید بابک (1392). مدل‌سازی و سنجش سرایت تلاطم با استفاده از مدل‏های GARCH چندمتغیره (مطالعۀ موردی: ایران، امارات و شاخص قیمت جهانی نفت). فصلنامه بورس اوراق بهادار، 6(21)، 137- 157.
شهیکی تاش، محمد نبی؛ اعزازی، محمد اسماعیل؛ غلامی بیمرغ، لیلا (1392). محاسبه ارزش در معرض ریسک (VAR) در بازار بورس اوراق بهادار تهران. اولین کنفرانس ملی حسابداری و مدیریت.
طهرانی، مصطفی؛ بغزیان، آلبرت و میرلوحی، سید مجتبی (1400). بررسی سرریز بین بازار سهام و بازار نفت. تحقیقات مالی، 23(3)، 466-481.
 فلاح شمس، میرفیض؛ بنی شریف، عباس (1400). سرایت‌پذیری ریسک‌های مالی در بانک‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از رهیافت MGARCH. تحقیقات مالی، 23(1)، 87- 107.
محمدی نژاد پاشاکی، محمد باقر؛ صادقی شریف، سید جلال و اقبال نیا، محمد (1402). بررسی و تحلیل اثرهای سرریز بین بازارهای سهام، ارز، طلا وکامودیتی: مدل AGARCH-BEKK-VARMA. تحقیقات مالی، 25(1)، 88-109.
مقصود، حسین؛ وکیلی فرد، حمیدرضا و ترابی، تقی (1399). آزمون تغییرپذیری عوامل مؤثر در پیش‏بینی بازده سهام با استفاده از مدل‏های میانگین‌گیری گویا. مهندسی مالی و مدیریت اوراق بهادار، 11(45)، 639- 660.
 
References
Ansari Samani, H., & Heydarpoor, H. (2019). Investigation the financial risk contagion between Iran and selected financial partners. Journal of Econometric Modelling, 4(1), 93-119. doi: 10.22075/jem.2019.17656.1297 (in Persian)
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.
Bala, D. A. & Takimoto, T.  (2017). Stock market's volatility spillovers during financial crises: A DCC-MGARCH with skewed-t density approach. Borsa Istanbul Review, 17(1), 25-48.
Diebold, F. X. & Yılmaz, K. (2014). On the network topology of variance decompositions: Measuring the connectedness of financial firms. Journal of econometrics182(1), 119-134.
Engel, C. (2011). Dictator games: A meta study. Experimental economics, 14, 583-610.
Fallah Shams, M. & Banisharif, A. (2021). Investigating the Financial Risk Spillover in Banks Accepted in Tehran Stock Exchange Market through MGARCH Approach. Financial Research Journal, 23(1), 87-107. doi: 10.22059/frj.2020.304816.1007033 (in Persian)
Gabauer, D. & Gupta, R. (2020). Spillovers across macroeconomic, financial and real estate uncertainties: A time-varying approach. Structural Change and Economic Dynamics 52, 167–173.
González-Rivera, G., Lee, T. H., & Mishra, S. (2004). Forecasting volatility: A reality check based on option pricing, utility function, value-at-risk, and predictive likelihood. International Journal of forecasting, 20(4), 629-645.
Hoseini, A., Jahangiri, K., Heydari, H. & Ghaemi asl, M. (2019). Study of Shock and Volatility Spillovers among Selected Indices of the Tehran Stock Exchange Using Asymmetric BEKK-GARCH Model. Journal of Applied Economics Studies in Iran, 8(29), 123-155. doi: 10.22084/aes.2018.15376.2578 (in Persian)
Khalifa, A. A., Hammoudeh, S. & Otranto, E. (2014). Patterns of volatility transmissions within regime. International Review of Economics & Finance, 29, 512-524.
Koop, G. & Korobilis, D. (2014). A new index of financial conditions. European Economic Review, 71, 101–116.
Liow, K. H., Liao, W. C. & Huang, Y. (2018). Dynamics of international spillovers and interaction: Evidence from financial market stress and economic policy uncertainty. Economic Modelling, 68, 96-116.
Maghsoud, H., Vakilifard, H., & Torabi, T. (2020). Factor Variability Test in Stock Return Forecasting Using Dynamic Model Averaging (DMA). Financial Engineering & Securities Management, 11(45), 639- 660. (in Persian)
Mohammadinejad Pashaki, M., 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 Journal, 25(1), 88-109. doi: 10.22059/frj.2022.332526.1007248 (in Persian)
Seyedhosseini, S.M. & Ebrahimi, S.B. (2013). Modeling and Evaluation of Volatility Transmission Using Multivariate GARCH، Case study: Iran, Emirates, Oil Global Price Index. Journal of Securities Exchange, 6(21), 137- 157. (in Persian)
Shahiki Tash, M.N., Azazi, M.E. & Gholami Bimorgh, L. (2013). Calculating Value at Risk (VAR) in the Tehran Stock Exchange. First National Conference on Accounting and Management. (in Persian)
Tehrani, M., Boghosian, A. & Mojtaba Mirlohi, S. (2021). Spillover between Tehran Stock Exchange and International Oil Market. Financial Research Journal, 23(3), 466-481. doi: 10.22059/frj.2021.312616.1007087 (in Persian)
Trung, N. B. (2019). The spillover effects of US economic policy uncertainty on the global economy: A global VAR approach. The North American Journal of Economics and Finance, 48, 90-110.Yin, L., & Han, L. (2014). Spillovers of macroeconomic uncertainty among major economies. Applied Economics Letters, 21(13), 938-944.