بررسی ساز و کار انتقال ریسک بین بازارهای ارز، مسکن و سهام اقتصاد ایران (با استفاده از رویکرد پارامتریک و ناپارامتریک ارزش در معرض خطر)

نوع مقاله: مقاله علمی

نویسندگان

1 پژوهشکده پولی و بانکی بانک مرکزی ج.ا.ا.، گروه سیاست‌ّهای پولی و ارزی،‌ پژوهشگر

2 موسسه عالی آموزش و پژوهش در مدیریت و برنامه‌ریزی، دانشجوی دکتری

چکیده

ریسک بازار دارایی بیشتر از آنکه از متغیرهای کلان اقتصادی متأثر باشد، از سرریزهای بین‌المللی و بازار سایر دارایی‌ها تأثیر می‌پذیرد. نتایج تخمین ارزش‌های در معرض خطر در سال‌های ۱۳۶۹ تا ۱۳۹۴ سه بازار دارایی (مسکن، ارز و سهام) متکی بر روش‌های ناپارامتریک به‌علت انحراف ‌معیار و ضریب تغییرات کوچک‌تر و نیز انعکاس بهتر تکانه‌های ادواری، کارایی بیشتری نسبت به روش‌های پارامتریک دارد. نتایج آزمون علیت، نشان‌دهندۀ رابطۀ علّی از نرخ ارز به قیمت سهام و نیز رابطۀ علّی از بازار سهام به بازار مسکن است. بررسی رابطۀ ریسک بازارهای دارایی با متغیرهای کلان بر رابطۀ معکوس رشد اقتصادی با ارزش‌های در معرض خطر ارز و مسکن دلالت داشته است. همچنین مقادیر ارزش‌های در معرض خطر بازارهای مختلف به‌ترتیب، در کوتاه‌مدت و میان‌مدت در پایۀ‌ پولی تأثیر داشته است. براساس نتایج به‌دست‌آمده استنباط می‌شود، کاهش نوسان‌ها و ریسک بازار ارز به کاهش ریسک سایر بازارهای دارایی و درنهایت، کل اقتصاد منجر خواهد شد. براساس این، به سیاست‌گذار توصیه شده است با طراحی ساز و کار‌های مناسب نسبت به این مهم اقدام کند.

کلیدواژه‌ها


عنوان مقاله [English]

An Evaluation of Risk Transmission over Foreign Exchange, Real Estate and Stock Markets in Iran`s Economy (An Application of Parametric and Non-Parametric Value at Risk Approach)

نویسندگان [English]

  • Hossein Bastanzad 1
  • Pedram Davoudi 2
1 Monetary and Banking Research Institute (MBRI), Department of Monetary and Exchange Rate Policies, Researcher
2 Institute for Management and Planning studies (IMPS), PHD Candidate
چکیده [English]

The international spillover remarkably affects the asset markets risks mainly through macroeconomic variables in Iran`s economy. To assess it, we evaluate VaR of assets market during 1990-2015.The results underscore the VaR which are statistically computed by the nonparametric approaches are considered more efficient than parametric approaches due to lower standard deviation and coefficient of variation as well as a better reflection of cyclical shocks.The Causality test indicates the foreign exchange VaR causes the stock price VaR while the stock price VaR simultaneously causes the mortgage price VaR.The impact of macroeconomic variables on the assets market VaRs is also estimated by the causality test as the output growth adversely inspires the VaRs of mortgage price and foreign exchange rate. Meanwhile, money base is constantly stimulated by the assets market VaRs in the short and medium term owing to money base. As a consequent, reduction in foreign exchange market risk lead to a reduction in other assets market risk and eventually overall economy. Therefore, it is desirable to design complementary mechanisms to fulfill the task.

کلیدواژه‌ها [English]

  • Financial transmission mechanism
  • Financial assets market
  • Risk
  • Spillover effect
  • Value at Risk

مقدمه

 

بازار دارایی‌ها به‌واسطۀ تسویه‌نکردن ادواری بازارهای عوامل تولید و پول، همواره در معرض تکانه‌های منظم مقطعی قرار دارد. همچنین این بازارها در معرض تکانه‌های ناشی از بی‌تعادلی‌های[1] بخش‌های خارجی و عمومی، در کنار سیاست‌های پولی تورم‌زا قرار داشته است. تکانه‌های منفی قیمت نفت (کاهش قیمت) به‌طور همزمان، تراز عملیاتی بودجۀ دولت و موازنۀ پرداخت‌های خارجی کشور را دچار عدم تعادل کرده است که عموماً با خالص دارایی خارجی و نیز خالص بدهی دولت به بانک مرکزی[2] به‌ترتیب، زمینۀ افزایش پایۀ پولی، نقدینگی، تقاضای کل و سطح عمومی قیمت‌ها را فراهم کرده است. افزایش سطح عمومی قیمت‌ها که بعضاً با ناپایداری نرخ رشد قیمت‌ها نیز همراه بوده است، با تغییر در هزینۀ جایگزینی دارایی‌ها از یکسو، ترکیب سرمایه‌گذاری‌های حقیقی و مالی اقتصاد را متأثر کرده و از سوی دیگر، به‌علت اثر قیمتی تورم در ثروت، توزیع ثروت و درآمد را بین نهادهای مختلف اقتصادی (دولت، بنگاه و گروه‌های مختلف درآمدی خانوار) تحت تأثیر قرار داده است. در چنین شرایطی، بازار دارایی‌ها متأثر از  بی‌تعادلی بخش‌های مختلف اقتصاد کلان (حقیقی، خارجی و اسمی) و نیز آثار انتقالی تکانه‌های قیمتی بین بازارهای مذکور (پول، ارز، طلا، سرمایه، مستغلات و کالا) همواره در معرض اختلال‌های ادواری قرار داشته است. اندازه، تواتر و طول دورۀ اختلال‌های مذکور در شرایط مختلف اقتصاد داخلی و بین‌المللی همواره متفاوت بوده است که در کنار ساز و کار آثار انتقالی تکانه‌ها، بین بازار دارایی‌های مختلف ‌باید بررسی شود.

قیمت دارایی‌ها از یکسو، متأثر از توسعۀ بخش‌های مالی و حقیقی و جهت‌گیری سیاست پولی داخلی و از سوی دیگر، دستخوش تحولات بازارهای مالی بین‌المللی و اخبار مختلف داخلی و خارجی است که به‌طور همزمان، بازار دارایی‌های مالی و غیرمالی را متأثر می‌کند. در میان مؤلفه‌های مذکور، جهت‌گیری سیاست‌های پولی، نقش گسترده‌تری در ثبات بازار دارایی‌ها داشته است؛ یعنی با تغییر نرخ بهرۀ سیاستی کوتاه‌مدت و یا تغییر‌ کل‌های پولی و اعتباری، زمینۀ کاهش نوسان‌ها و نیز تسهیل فرایند تحقق اهداف سیاست‌گذار پولی (ثبات مالی، پایداری موازنۀ ‌پرداخت‌ها و ثبات قیمتی) را فراهم می‌کند [‎۴، ‎۴۳،9،20]. تفکیک جهت، اندازه و تواتر آثار هر یک از مؤلفه‌های مذکور، یک الزام عملیاتی در فرایند سیاست‌گذاری است؛ به‌گونه‌ای‌که افزایش قیمت اوراق بهادار ناشی از بهبود متغیرهای ساختاری، تحولات اقتصاد بین‌الملل و یا تورم داخلی ناشی از هزینه‌های فزایندۀ تولید، سه واکنش مختلف سیاست‌گذار پولی را به‌دنبال خواهد داشت [45].

می‌توان اینگونه استدلال کرد که رونق بازار دارایی‌ها، علامت قوی برای وجود رونق اقتصاد است؛ به‌عنوان نمونه، در ایالات متحده، به‌کارگیری سیاست‌های کارآمد پولی در کنار اصلاحات ساختاری، زمینۀ طولانی‌ترشدن چرخه‌های رونق قیمت در بازار دارایی‌ها را فراهم کرده است؛ به‌گونه‌ای‌که دورۀ رونق مذکور به‌تدریج از ۱۶ به ۱۸ فصل در چهار دهۀ منتهی به سال ۲۰۰۰ افزایش یافته‌است که با افزایش همزمان شکاف تولید، سرمایه‌گذاری و نیز نسبت سرمایه‌گذاری در مسکن به تولید ناخالص داخلی بوده است (بالاتر از روند بلندمدت) که همواره با سیاست‌های انبساطی پولی و اعتباری همزمان همراه بوده است [‎۷ و ۸]. در همین راستا، اغلب دوره‌های رونق‌ با رشد تورم همراه نبوده است؛ بلکه تنها انحراف‌های محدودی به روند بلندمدت و یا اهداف سیاست‌گذاری داشته است؛ به بیان دیگر، سیاست‌گذار پولی توانسته است ساز و کار انتقال پول بر تورم را عقیم کند. با وجود این، دوره‌های‌ محدودی که تورم ناشی از افزایش هزینۀ تولید (تورم سمت عرضه) تشدید شده است، با انحراف‌های تورمی بیشتر، بی‌ثباتی مالی بیشتر و نیز کاهش شدید تولید و سرمایه‌گذاری حقیقی همراه بوده است. در چنین شرایطی، واکنش سیاست‌گذار پولی به تکانه‌های بازار دارایی‌ها که با افزایش قیمت‌ در این بازارها همراه بوده است، به‌علت تأثیرپذیری بازار دارایی‌ها از سیاست‌های پولی (حتی در شرایط نبود اصطکاک در بازار اعتبارات و بروز تکانه‌های غیرساختاری اسمی) پرهیزناپذیر است [‎۱۳،‎۱۶،‎۱۷ و‎۱۸].

واکنش بهینۀ سیاست پولی به فرایند شکل‌گیری حباب در بازار دارایی‌ها به‌علت نبود امکان تفکیک دقیق آثار مؤلفه‌های ساختاری و سیاست پولی بر قیمت دارایی‌ها بسیار دشوار است؛ زیرا جهت‌گیری سیاست پولی در شرایطی که بهبود قیمت دارایی‌ها ناشی از افزایش بهره‌وری و یا انتظارات خوشبینانه ناشی از فرصت‌های جدید کسب وکار باشد، کاملاً متفاوت با شرایطی است که آثار تورمی سیاست‌های انبساطی پولی، زمینۀ رشد قیمت دارایی‌ها را در پی دارد [‎۱۷، ‎۱۸ و‎۴۱]. اصابت تکانه‌های غیرساختاری به قیمت دارایی‌ها به همسویی سیاست‌گذاری برای ثبات تورم و ثبات قیمت دارایی‌ها با حداقل عدم تقارن زمانی منجر شده است [‎۴۲]؛ در حالی که همسویی مذکور در شرایط بروز تکانه‌های قیمتی سمت عرضه با عدم تقارن زمانی گسترده‌تری در بازار دارایی‌ها همراه است. در شرایطی که تکانه‌های فوق به‌طور همزمان، زمینه‌ساز تشدید عدم تعادل مالی، بروز بحران، کاهش تولید و بی‌ثباتی قیمت‌ها شوند، اتخاذ یک سیاست پولی مؤثر، بسیار دشوار خواهد بود [‎۱۰، ‎۱۱].

ارتباط متقابل بازار دارایی‌ها و عوامل مؤثر در آنها، پیرامون دو حوزۀ انتقال داخلی عوامل اثرگذار در قیمت دارایی‌ها و نیز پیوستگی بین‌المللی در قالب آثار انتقالی میان بازارهای بین‌المللی و بازارهای دارایی داخلی است. ارتباط بازارهای دارایی داخلی و بین‌المللی، با گسترش مبادلات مالی-سرمایه‌ای، به‌طور فزاینده‌ای در سه دهۀ اخیر افزایش یافته است؛ به‌گونه‌ای ‌که مشاهدات تجربی به‌دست‌آمده از داده‌های پرتواتر بر همبستگی مثبت بازده بازارهای اوراق بهادار کشورهای اروپایی و ایالات متحده و سایر کشورها دلالت داشته است [‎۴۰،29،37].

مطالعات متعددی نیز برای تحلیل آثار سرریز بین‌المللی در قیمت هر یک از دارایی‌های داخلی به‌صورت مجزا انجام شده است، تا جایی که آثار انتقالی بازده و اختلال‌های بازارهای اوراق بهادار از ایالات متحده به کشورهای ژاپن و انگلستان در مطالعات مختلف تأیید شده است [۲۸ و ‎۳۱]. آثار سرریز میان بازارهای سرمایۀ ایالات متحده و انگلستان در مطالعات دیگری بررسی شده است که نشان‌دهندۀ نقش مؤثر اخبار اقتصاد کلان خارجی (جهت‌گیری سیاستی، عملکرد بخش‌های مختلف اقتصادی و بنگاه‌ها) در تحولات اقتصادهای مذکور بوده است [‎۵ و ‎۱۴]. در همین راستا، بازار ارز اقتصادهای صنعتی در سه دهۀ اخیر به‌شدت از آثار سرریز ناشی از اطلاعات اقتصاد کلان به‌طور عام و جهت‌گیری سیاست پولی شرکای مالی-تجاری بین‌المللی به‌طور خاص متأثر بوده است [‎۱ و‎۲۲]. تغییرات نرخ بهرۀ سیاستی کوتاه‌مدت نیز آثار انتقالی گسترده‌ای در انتقالات مالی میان بازارهای سرمایۀ اقتصادهای طرف مبادلات خارجی داشته است.

علاوه بر آثار بیرونی و سرریز تحولات سیاستی، مطالعات تکمیلی نیز نشان‌دهندۀ تأثیرپذیری قوی قیمت سهام نسبت به تغییرات سیاست پولی در اقتصاد ایالات متحده است [‎۶ و ‎۱۹]. در همین راستا، شواهد متعددی بر رابطۀ متقابل سیاست پولی با قیمت دارایی‌ها در بازارهای اوراق بهادار دلالت دارد [‎۳۶]. تحلیل آثار نرخ بهرۀ کوتاه‌مدت سیاستی در قیمت‌های اوراق قرضه و سهام، نشان‌دهندۀ وجود علیت متقابل بین این دو است. همبستگی نرخ بهرۀ کوتاه‌مدت سیاستی ایالات متحده با قیمت اوراق بهادار در ادوار مختلف از منفی به مثبت تغییر یافته است که به‌طور عمده، از جهت اثرگذاری از سیاست پولی به سمت بازار و قیمت دارایی‌ها (و به عکس) در ادوار مختلف تجاری متأثر بوده است [‎۳۶].

مطالعات متعددی نیز پیرامون آثار همزمان متغیرهای کلان و نوع اخبار در قیمت دارایی‌ها به‌طور عام و بازارهای اوراق قرضه به‌طور خاص انجام شد [‎۲۷] که نشان‌دهندۀ تأثیرپذیری سینوسی منحنی بازده بازار اوراق قرضۀ ایالات متحده از وضعیت متغیرهای ساختاری و اخبار است [‎۱۵ و ‎۲۶].

تکانۀ اخبار، چرخه‌های تجاری و مالی را به‌طور مستقیم تحت تأثیر قرار داده است. این تأثیر در قیمت دارایی‌ها (به‌عنوان یک متغیر پیش‌نگر)، از نظر سرعت، اندازه و پایداری، بیشتر از چرخه‌های تجاری است. در همین راستا، نوسان‌های نرخ ارز به‌ جای تأثیر از متغیرهای ساختاری از انتظارات ناظر بر ارزش آیندۀ قیمت دارایی‌ها و یا انتقالات مالی بین‌المللی تأثیر می‌پذیرد [‎۴،‎۲۱ و ۳۱]. محاسبۀ انتظارات براساس مقادیر گذشته و آیندۀ متغیرهای ساختاری و نیز متغیر وضعیت آیندۀ بازار دارایی‌ها به‌تفکیک بسیار دشوار است؛ از این‌رو، سیاست‌گذار پولی مجبور است به آثار ساختاری اقتصاد کلان، میان‌مدت تورمی و انتظارات گذرا بر بازار دارایی‌ها (بی‌ثباتی مالی)‌ سه پاسخ متفاوت بدهد.

دربارۀ فشارهای تورمی (رکودی) ناشی از آثار رشد (کاهش) تقاضای کل بر قیمت دارایی‌ها درعمل، با راهبرد هدف‌گذاری تورم و افزایش شکاف نرخ بهره، سیاست پولی تعدیل می‌شود [‎۷]؛ البته تعدیل سیاستی مذکور تنها منوط به تأثیر تغییرات قیمت دارایی‌ها بر انتظارات تورمی است. نوسان‌های زیاد قیمت‌ها عموماً با التهاب‌ها و بی‌ثباتی مالی نیز همراه بوده است [‎۳۸] که در کنار سایر مؤلفه‌های ساختاری و سیاستی همانند تکانه‌های موازنۀ پرداخت‌ها و بی‌ثباتی‌های اجتماعی درعمل، بی‌ثباتی مالی را تشدید کرده‌اند. در همین راستا، سیاست انقباضی پولی، اندازه و دورۀ بروز حباب در بازار دارایی‌ها را با محدودیت عرضۀ اعتبارات کاهش داده و به‌طور همزمان، شکنندگی مالی را با رشد هزینۀ فرصت منابع مالی (نرخ بهره) و کاهش تقاضا برای اعتبارات محدود کرده است [‎۱۰، ‎۱۱ و ‎۴۳]. نرخ‌های بیشتر بهره در شرایط اعمال سیاست انقباضی مذکور به‌طور همزمان، ریسک‌پذیری نهادهای اقتصادی و نیز احتمال بروز حباب در بازار دارایی‌ها را کاهش می‌دهد [‎۱۲]. افزایش نرخ بهره از یکسو، رقابت ظرفیت‌های سرمایه‌گذاری در بازارهای پول و دارایی را ارتقا می‌دهد و از سوی دیگر، کارایی بازار دارایی‌ها و درنتیجه، اختلال‌های قیمت آنها را بهبود می‌بخشد [‎۱۸].

در ایران نیز مطالعات متنوعی، ارزش در معرض خطر برای دارایی‌های مختلف را  ارزیابی و اندازه‌گیری کرده‌اند. از این میان، از مطالعات شاه‌مرادی و زنگنه (۱۳۸۶)، پیکارجو و همکاران (۱۳۸۸)، نصرالهی (۱۳۸۹)، نبوی چاشمی و همکاران (۱۳۹۱)، زمردیان و همکاران (۱۳۹۳)، اسلامی بیدگلی و طیبی ثانی (۱۳۹۳)، سجاد و همکاران (۱۳۹۳) و فلاح‌پور و همکاران (۱۳۹۴) می‌توان نام برد [ ۲۵‌ ، ۲۴، ۳۳، ۳۴، ۳۵، ۳۸، ۴۰ و ۴۶].

این پژوهش از پنج بخش تشکیل شده است. در بخش نخست، واکنش قیمت دارایی‌های در ارتباط با متغیرهای اقتصاد کلان براساس مبانی نظری و مطالعات تجربی سایر کشورها بررسی شده و در قسمت دوم به روش‌های محاسبۀ ارزش در معرض خطر اشاره شده است. در بخش سوم، محاسبۀ ریسک بازار دارایی‌های مختلف، تبیین و در بخش بعد، رابطۀ آنها با یکدیگر و متغیرهای کلان تصریح و تحلیل شده است. در بخش پایانی نیز نتایج پژوهش و پیشنهاد‌های سیاستی ارائه می‌شود.

 

مبانی نظری

ارزش در معرض خطر با توجه به شکل توزیع داده‌ها به دو روش پارامتریک و ناپارامتریک محاسبه می‌شود. در روش پارامتریک، ارزش در معرض خطر با فرض توزیع خاصی برای داده‌ها محاسبه می‌شود. در روش ناپارامتریک، توزیع خاصی برای داده‌ها مفروض نیست؛ بنابراین مقادیر در معرض خطر، تنها مبتنی بر روند تاریخی داده‌های استفاده‌شده و مقادیر گشتاور آنها محاسبه می‌شود. درادامه، انواع مختلف روش‌های پارامتریک و ناپارامتریک معرفی می‌شود. روش‌های پارامتریک محاسبۀ ارزش در معرض خطر که عموماً مبتنی بر فرض توزیع نرمال مشاهدات است، شامل روش‌های توزیع نرمال پایه، توزیع نرمال نیم‌واریانس، دامنۀ انتظارات شرطی و نیز روش واریانس شرطی است که در این پژوهش استفاده می‌شود.  ابتدایی‌ترین روش محاسبۀ ارزش در معرض خطر، استفاده از روش توزیع نرمال پایه است [۳۳]. در این روش، فرض‌شده است، توزیع بازده دارایی‌ها نرمال است. فرض توزیع نرمال برای تحلیل بازده دارایی‌ها با اتکا به قضیۀ حد مرکزی در بررسی بازار دارایی‌های‌ مالی و غیرمالی بسـیار رایج است. این توزیع همچنین به‌دلیل داشتن دو پارامتر (میانگین و انحراف معیار) به‌سادگی فهمیدنی است و نسبت به سایر توزیع‌ها، بیشتر به آن توجه شده است. محاسـبۀ ارزش در معرض خطر با استفاده از فرض نرمال برای بازده دارایی‌ها، رابطۀ ساده‌ای به‌صورت زیر دارد:

(۱)

 

 

به‌گونه‌ای ‌که  معرف آمارۀ توزیع نرمال استاندارد در سطح اطمینانα  از دنبالۀ یکطرفه است. ارزش در معرض خطر معادل قیمت مدّنظر در شرایط بحرانی است که با احتمال وقوع اندکی همراه است. هرچه مقدار  کوچک‌تر باشد، احتمال وقوع ارزش در معرض ریسک نیز کمتر خواهد بود.

 

 

 

 

نمودار (۱) ارزش در معرض خطر با فرض توزیع نرمال

 

 

در رویکرد توزیع نرمال، پارامتر واریانس براساس همه داده‌های (بالاتر و پایین‌تر از میانگین) تاریخی محاسبه می‌شود؛ اما از دید یک سرمایه‌گذار، تنها آن بخش از  بازده که کمتر از میانگین بوده است، مؤلفۀ‌ ریسک تلقی شده است؛ بنابراین مقادیر بیشتر از میانگین تهدید تلقی نمی‌شود؛ بنابراین انگ و چو (۱۹۷۹) پیشنهاد داده‌اند، واریانس آن بخش از داده‌هایی که پایین‌تر از میانگین تاریخی است، در محاسبۀ ارزش در معرض خطر (با فرض توزیع نرمال) به‌کار گرفته شودکه این روش با عنوان روش توزیع نرمال نیم‌واریانس شناخته شده است [‎۲،23]. ارزش در معرض خطر در روش توزیع نرمال پایه عموماً در یک نقطه و متناسب با توزیع احتمال و سطح اطمینان مفروض محاسبه شده است؛ در حالی که در روش دامنۀ انتظارات شرطی (TVaR) امید ریاضی توزیع برای کلیۀ نقاط کمتر از  مقدار بحرانی (همان نقطۀ ارزش در معرض خطر) محاسبه می‌شود.

 

 

 

نمودار (۲) ارزش در معرض خطر با فرض دامنۀ انتظارات شرطی

 

 

در روش‌های پارامتریک، فرض شده است بازده و یا قیمت دارایی‌ها، توزیع نرمال دارد که زمینۀ محاسبۀ مقادیر واحدی را برای پارامترهای میانگین و واریانس در طول دورۀ مطالعاتی فراهم می‌کند. مشاهدات تجربی بر ناهمسانی واریانس قیمت دارایی‌های مختلف و نیز همبستگی بین‌دوره‌ای میان واریانس آنها دلالت دارد که موجب کاهش کارایی پارامترهای تخمینی الگوهای ارزش در معرض خطر می‌شود. برای رفع مشکل مذکور از الگو‌های خودبازگشت شرطی (تعمیم‌یافته) (G) ARCH برای تخمین مقادیر واریانس شرطی هر دورۀ زمانی استفاده می‌شود. در الگوی GARCH درجۀ اول فرض بر این است که بازده دارایی مالی از فرایند زیر تبعیت می‌کند [۴۰].

(۲)

 

(۳)

 

(۴)

 

در معادلۀ (۲) فرض وجود یک فرایند خودتوضیحی مرتبۀ اول برای قیمت دارایی‌ها در نظر گرفته شده است. در شرایطی که عرض از مبدأ معادلۀ (۲) مخالف صفر   باشد، بر ویژگی بازگشت به میانگین[3] در قیمت دارایی دلالت دارد. در همین راستا، اگر عرض از مبدأ مذکور، معادل صفر و شیب معادلۀ (۲) معادل واحد  باشد، فرضیۀ کارایی بازار تأیید می‌شود. واریانس جملات اخلال معادلات تصریحی قیمت دارایی‌ها غالباً تابعی از متغیر زمان است که برای رفع چالش ناهمسانی واریانس متأثر از این پدیده از الگوهای (G)ARCH در اقتصادسنجی استفاده می‌شود. در این الگوها، واریانس جملات اخلال معادلۀ قیمت دارایی‌ها (۲) از مقادیر گذشته و مربع جملات اخلال دورۀ قبل مانند معادلۀ (۴) تبعیت کرده که زمینۀ تخمین واریانس را برای هر دوره به‌صورت مجزا فراهم می‌کند.

براساس رویکرد جدید به جای محاسبۀ مقدار مشخصی برای پارامترهای میانگین و واریانس در کل دورۀ زمانی، پارامترهای مذکور برای هر مقطع زمانی به‌صورت مجزا تخمین زده می‌شود؛ درنتیجه، ارزش در معرض خطر نیز برای هر مقطع زمانی جداگانه محاسبه و حتی زمینۀ پیش‌بینی مقادیر آیندۀ آن نیز فراهم می‌شود.

برخلاف رویکرد پارامتریک، روش‌های ناپارامتریک محاسبۀ ارزش در معرض خطر، به‌طور مستقیم، از روند تاریخی داده‌ها و مقادیر، شبیه‌سازی و مستقل از توزیع آماری داده‌ها محاسبه می‌شود. روش‌های مذکور بر روش تاریخی پایه، روش نیمه‌پارامتریک شبیه‌سازی تاریخی مونت‌کارلو، رویکرد ارزش فرین و نظریۀ تعمیم‌یافته ارزش فرین مشتمل است. در روش ناپارامتریک، آیندۀ نزدیک تا اندازۀ زیادی تکرار رفتار گذشته فرض شده است؛ بنابراین اطلاعات مربوط به گذشته را  برای پیش‌بینی مقادیر ریسک و یا بازده آینده می‌توان استفاده کرد. رهیافت شبیه‌سازی تاریخی، روشی ناپارامتریک است که مقادیر ارزش در معرض خطر نقطه‌ای و یا مدّنظر براساس مشاهدات گذشته و در سطح اطمینان مفروض محاسبه می‌شود. در این رهیافت، بازده در معرض خطر یک دارایی مبتنی بر این فرضیه است که آیندۀ نزدیک تا اندازۀ زیادی تکرار رفتار گذشته است؛ بنابراین از اطلاعات مربوط به گذشته برای پیش‌بینی ریسک آینده می‌توان استفاده کرد. بدیهی است این فرض با توجه به اندازه، تواتر و دامنۀ اختلال‌های بازده بازار دارایی‌ها، گاهی معتبر و یا نامعتبر است. در این روش، به‌طور مستقیم از داده‌های تاریخی برای برآورد ریسک استفاده می‌شود و هیچ تعدیلی بر آنها انجام نمی‌شود. در روش تاریخی پایه، داده‌های گذشته به‌ترتیب صعودی مرتب می‌شود و سپس صدک  ام سری‌زمانی برای تعیین تعداد مشاهدات در معرض خطر استفاده می‌شود. مقادیر متوسط مشاهدات[4] در معرض خطر، میزان زیان مدّنظر را مشخص می‌کند؛ البته مقادیر در معرض خطر برای دارایی‌هایی همانند قیمت زمین و سهام برای دنبالۀ پایین و برای نرخ ارز نیز در دنبالۀ بالا (تضعیف قدرت خرید پول داخلی) تبیین می‌شود.

روش شبیه‌سازی تاریخی مونت‌کارلو، روشی نیمه‌پارامتریک است که مقادیر ارزش در معرض خطر با استفاده از داده‌های شبیه‌سازی‌شده متکی بر پارامترهای مشاهدات حقیقی گذشته محاسبه می‌شود. در این روش، به‌طور مستقیم از داده‌های شبیه‌سازی تاریخی که مبتنی بر گشتاورهای داده‌های تاریخی است، برای اندازه‌گیری مقادیر ارزش در معرض خطر استفاده می‌شود. در این فرایند، هیچ تعدیلی بر داده‌های شبیه‌سازی انجام نمی‌پذیرد. برای محاسبۀ ارزش در معرض خطر، صدک ام داده‌ها به‌عنوان دامنۀ تعیین مقادیر در معرض خطر همانند روش تاریخی پایه پس از مرتب‌سازی سری‌زمانی شبیه‌سازی‌شده اندازه‌گیری می‌شود. در این راستا، متوسط مقادیر ارزش در معرض خطر مدّنظر نیز قابل محاسبه است.

نظریۀ ارزش فرین[5] برای تشریح توزیع‌هایی به‌کار رفته است کـه مقادیر داده‌های فرین (در معرض ریسک) را در یک مجموعه از مشاهدات آماری تصریح می‌کند. همچنین این نظریه، زمینۀ تخمین سازگار از پارامترهـای توزیع مشاهدات تاریخی را فراهم می‌کند. در تخمین سنتی توزیـع‌های آماری با توجه به تراکم مشاهدات در اطراف میانگین، بخش مرکزی توزیع، نقش مهمی در تصریح توزیع دارد  و مشاهدات آماری که در دنباله‌های سری‌های آماری قرار دارد، در تخمین سنتی توزیع داده‌ها به‌عنوان مشاهدات پرت از فرایند تحلیل داده‌ها کنار گذاشته می‌شود؛ در حالی که کرانه‌های توزیع، نشان‌دهندۀ ریسک متغیر مدّنظر (قیمت سهام، نرخ ارز، قیمت دارایی‌های مالی و غیرمالی) است و مؤلفه‌های سلامت احتیاطی و امنیت مالی نیز برای پوشش مقادیر ریسک‌های مربوط به آن کرانه‌ها باید تعیین شوند. اگرچه دنباله‌های غیرمتراکم داده‌های مدّنظر، احتمال وقوع اندکی در فرایند تحلیل مؤلفه‌های ریسک/ بازده بازار دارایی‌های مالی و غیرمالی دارد؛ آثار گستردۀ آنها در سلامت بنگاه‌ها و نظام مالی، ضرورت استفاده از یک رویکـرد ناپارامتریـک را برای تصریح و ارزیابی رفتار توزیع دنباله‌های مذکور، پرهیزناپذیر کرده است. در چنین شرایطی، تحلیل رفتار یک مجموعه از داده‌های آماری بر یـک توزیـع مفروض شـناخته‌شدۀ بدون توجیه متکی است؛ بنابراین نظریۀ ارزش فـرین برای بررسی رفتار توزیع دنباله‌ها استفاده می‌شود [۳۳،30،32].

رفتار داده‌های فـرین با رفتار معمول داده‌ها می‌تواند متفاوت باشد؛ زیرا این رفتار در شرایط استثنایی و پرالتهاب اقتصادی مانند نکول بزرگ در شبکۀ اعتباری، بی‌ثباتی موازنۀ پرداخت‌ها و یا حباب در بازار دارایی‌ها ایجاد می‌شود. در چنین شرایطی، رفتار عاملان اقتصادی هیجانی و در مغایرت با توزیع و روند عادی داده‌های تاریخی است؛ باید مقادیر داده‌های فرین از کل مشاهدات تفکیک و سپس توزیع رفتاری آن محاسبه شود.

روش‌های فرین به‌عنوان حداکثر (حداقل)های n متغیر تصادفی (5) تعریف می‌شود. براساس قضیۀ فیشر و تیپت[6](۱۹۲۸)  با بزرگ‌شدن n توزیع ارزش‌های فرین به توزیع تعمیم‌یافتۀ ارزش فرین[7] (5) نزدیک می‌شود [‎۲۶].

(۵)      

 

(۶)

 

(۷)

 

 

در شرایطی که پارامتر دنباله در معادلۀ شمارۀ (۶) به سمت صفر میل کند، معادلۀ (۷) به‌دست می‌آید. تابع توزیع تعمیم‌یافتۀ ارزش فرین (۸) نیز یک تابع توزیع تجمعی حداکثر  است که بر سه پارامتر متکی است.

(۸)

 

 

پارامتر  موقعیت توزیع و معیار گرایش مرکزی داده‌های فرین  است؛ در حالی که پارامتر   انحراف معیار توزیع که معیار پراکندگی داده‌های فرین است، همچنین پارامتر   نشان‌دهندۀ شاخص دنبالۀ (شاخص چولگی) توزیع است. رهیافت توزیع تعمیم‌یافتۀ پارتو (فراتر از آستانه) براساس قضیۀ تعمیم‌یافتۀ ارزش فرین شکل گرفته است که به‌ازای مقادیر مختلف پارامتر، دنباله سه حالت را تبیین می‌کند. اگر   باشد، توزیع تعمیم‌یافتۀ پارتو، دنبالۀ نسبتاً متراکم دارد و توزیعی مانندt  در دامنۀ آن قرار می‌گیرد. اگر  باشد، توزیع تعمیم‌یافتۀ پارتو، دنبالۀ با تراکم عادی دارد و توزیعی مانند توزیع نرمال در دامنۀ آن قرار دارد. اگر   باشد، توزیع تعمیم‌یافتۀ پارتو، دنبالۀ با تراکم محدود دارد و توزیعی مانند بتا در دامنۀ جذب آن قرار می‌گیرد. در تحلیل نهایی، نظریۀ ارزش فرین، رهیافتی برای تصریح مقادیر حداکثرها و حداقل‌های یک مجموعه از مشاهدات است؛ در حالی که رهیافت تعمیم‌یافتۀ پارتو (فراتر از آستانه) روشی برای تصریح و الگوسازی تعداد و ارزش‌های تخطی فراتر از یک آستانۀ مفروض است. اگر نمونۀ مشاهدات را به‌صورت   و تابع توزیع چگالی آن با   ارزش مفروض سطح آستانه معادل u است   تابع توزیع چگالی تجمعی مقادیر آستانه (9) به‌صورت:

(۹)

 

 

تخطی زمانی بروز می‌کند که مشاهدۀ x از مقدار آستانۀ u  بزرگ‌تر است و مقدار اضافی فراتر از آستانۀ (y) نیز به‌صورت (۱۰) تعریف می‌شود:

(۱۰)

 

تابع توزیع احتمال تجمعی مقادیر فراتر از آستانۀu  به‌صورت (11):

(۱۱)

 

(۱۲)

 

(۱۳)

 
     

 

مقادیر  معادل احتمال مشروط تخطی از آستانه است.  yتنها برای مقادیر بزرگ‌تر از صفر تعریف شده است. برای هر  مقدار مشخصی از ( ) وجود دارد که توزیع احتمال آن نیز به‌صورت معادلۀ (۱۴) خواهد بود.

(۱۴)

 

 

مقدار تابع چگالی احتمال مقدار آستانۀ  را مطابق معادلۀ (۱۵) با استفاده از تعداد مشاهدات بیشتر از سطح آستانۀ  و نیز تعداد کل مشاهداتn  می‌توان برآورد کرد.

(۱۵)

 

 

در شرایطی که مقدار u بزرگ باشد، تابع توزیع احتمال مقادیر فراتر از آستانه را با استفاده از توزیع تعمیم‌یافتۀ پرتو ( ) می‌توان تخمین زد [‎۳، ‎۳۶]. با افزایش مقادیر آستانه، توزیع ارزش‌های فراتر از آستانۀ   تقریبی از توزیع تعمیم‌یافتۀ پرتو (۱۶) خواهد بود.

(۱۶)

           

(۱۷)

 

 

با جای‌گذاری  در رابطۀ (۱۷) و بازنویسی این رابطه برحسب x، معادلۀ (۱۸) برای محاسبۀ ارزش در معرض خطر به دست می‌یابد.

(۱۸)

 

 

اکنون برای به‌دست‌آوردن ارزش در معرض خطر کافی‌ است پارامترهای توزیع  را با استفاده از داده‌های تجربی و به‌کارگیری روش‌های غیرخطی تخمین زد. بدین‌ترتیب با به‌دست‌آوردن پارامترهای توزیع پارتو، مقدار ارزش در معرض ریسک به دست می‌آید.

 

روش پژوهش

مطالعات انجام‌شده در ایران به‌طور عمده، ریسک بازار دارایی‌ها را اندازه‌گیری کرده‌اند [ ۲۵‌ ، ۳۳، ۳۵، ۴۰ و …]؛ اما در استفاده از این معیار ریسک، بررسی رابطۀ ریسک بازارهای دارایی مختلف چندان مدّنظر نبوده است. مطالعات خارجی برشمرده‌شده [‎۴،‎۷، ۸، ۱۲، ۱۹،39،3]  در حوزۀ آثار سرریز، آثار سرریز در قیمت‌ها را بررسی کرده‌ است؛ در حالی که در این پژوهش، آثار سرریز ریسک بازارهای مختلف دارایی (سهام، مسکن و ارز) در یکدیگر بررسی و سپس رابطۀ چرخه‌های تجاری، چرخه‌های سیاست پولی و مالی  با ریسک بازارهای مختلف دارایی تحلیل و آزمون شد.

 در این راستا، ارزش در معرض خطر به‌عنوان سنجۀ ریسک بازارهای مختلف دارایی (سهام، مسکن و ارز) در نظر گرفته شده است. در این مطالعه سعی شد از روش‌های مختلف پارامتریک و ناپارامتریک برای محاسبۀ ارزش در معرض خطر به‌عنوان شاخص ریسک بازارهای مختلف دارایی ایران استفاده شود. با بهره‌گیری از این ارزش‌های در معرض خطر، رابطۀ علیت میان سیاست پولی (رشد پایه پولی و نقدینگی) با آستانۀ تکانه‌پذیری (ارزش در معرض خطر) بازار دارایی‌ها و نیز رابطۀ مقادیر ارزش در معرض خطر بازارهای مختلف، در قالب اطلاعات فصلی برای اقتصاد ایران بررسی و نقش مؤلفه‌های ساختاری (رشد اقتصادی، تورم، نسبت هزینه‌های دولت به تولید ناخالص داخلی) نیز بر تغییرات ارزش در معرض خطر قیمت دارایی‌ها به‌طور مجزا تخمین آماری شد. برای بررسی ارتباط علّی مذکور از روش ناهمسانی واریانس شرطی تعمیم‌یافته[8] (GARCH) برای محاسبۀ ارزش در معرض خطر بازده این سه بازار استفاده شده است.

 

یافته‌ها

نتایج محاسبات مربوط به استخراج ارزش‌های در معرض خطر و زیان مدّنظر مربوط به سه بازار دارایی در جدول (۱) آمده است. مقادیر ارزش‌های در معرض خطر بازارهای ارز، زمین و سهام با استفاده از روش‌های مختلف پارامتریک و ناپارامتریک محاسبه و متوسط زیان مدّنظر (متوسط حسابی مقادیر  ارزش‌های در معرض خطر) هر یک نیز استخراج شده است.

در بازار ارز، افزایش نرخ اسمی ارز که نشان‌دهندۀ کاهش قدرت خرید پول ملی است، براساس روش‌های مذکور بین ۷۰ تا ۱۲۸ درصد امکان افزایش دارد که مقادیر زیان مدّنظر آنها نیز به‌ترتیب، معادل ۹/۱۰۸ و ۵/۱۸۶ است. مقادیر میانگین و انحراف معیار مقادیر محاسباتی ارزش‌های در معرض خطر به‌ترتیب، معادل ۶/۸۱  و ۷/۲۲ درصد است که نشان‌دهندۀ ضریب تغییراتی (نسبت انحراف معیار به میانگین) معادل ۲۷/۰ است که بر پایداری نتایج، پراکندگی و حساسیت محدود نتایج به روش‌های استفاده‌شده دلالت دارد.

در بازار زمین نیز مقادیر محاسباتی ارزش‌های در معرض خطر با کاهش شاخص قیمت زمین انعکاس یافته (با علامت معکوس) که بین ۵/۶ تا ۴/۲۱- نوسان داشته است. در همین راستا، مقادیر متناظر متوسط زیان مدّنظر نیز به‌ترتیب، ۵/۱ و ۹/ ۳۹- درصد است. همچنین متوسط ارزش در معرض خطر و انحراف معیار آن در بازار زمین اقتصاد ایران نیز به‌ترتیب، معادل ۱۰- و ۹ درصد است که زمینۀ محاسبۀ ضریب تغییراتی (۹/۰-) را در مغایرت با علامت‌های پارامترهای مرکزی (میانگین و انحراف معیار) فراهم کرده ‌است. مجموعه پارامترهای مذکور بر دامنه و انحراف معیار زیاد نتایج روش‌های مختلف پارامتریک و ناپارامتریک و نیز ناپایداری و نبود استحکام نتایج در روش‌های مختلف دلالت دارد که البته نتایج روش‌های ناپارامتریک به‌علت تمرکز بر داده‌های فرین، قابلیت اتکا و پیش‌بینی بیشتری خواهد داشت.

در بازار سهام، مقادیر ارزش در معرض خطر با کاهش شاخص قیمت سهام انعکاس دارد که بین  ۸/۲۰- تا ۷/۳۱-از روش‌های مختلف محاسبه شده است که متوسط زیان مدّنظر آنها نیز به‌ترتیب، ۲/۲۳- و ۷/۳۱- درصد است. متوسط نتایج ارزش‌های در معرض خطر هفت روش استفاده‌شده معادل ۱/۲۵- درصد است که انحراف معیار آن نیز ۳/۳ درصد است که بر ضریب تغییرات اندک ۱۳/۰- روش‌های مذکور و پایداری و استحکام[9] نتایج به روش‌های پارامتریک و ناپارامتریک دلالت دارد.

در تحلیل نهایی، اگرچه مجموعه نتایج مختلف ارزش‌های در معرض خطر مبتنی بر روش‌های مختلف پارامتریک و ناپارامتریک استحکام زیادی را انعکاس داده است؛ اما کارایی سنجه‌های ناپارامتریک بیشتر است؛ به‌گونه‌ای‌که ضرایب تغییرات مربوط به نتایج ارزش‌های در معرض خطر هر سه بازار زمین، ارز و سهام بر انحراف معیار و ضرایب تغییرات کوچک‌تر نتایج مربوط به روش‌های ناپارامتریک (تاریخی پایه، نظریه ارزش فرین، مونت‌کارلو و GARCH) دلالت دارد که در کنار قابلیت ‌به‌کارگیری وقایع اخیر در پیش‌بینی‌های کوتاه‌مدت، مزیت روش‌های ناپارامتریک را برجسته‌تر می‌کند؛ البته پایداری نتایج هر دو روش برای بازارهای ارز و سهام از بازار زمین بیشتر است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول (1) ارزش در معرض خطر و زیان مدّنظر سالانه (درصد تغییر)

 

نرخ ارز

شاخص قیمت زمین

شاخص قیمت سهام

شاخص

ارزش در معرض خطر

زیان مدّنظر

ارزش در معرض خطر

زیان انتظاری

ارزش در معرض خطر

زیان مدّنظر

توزیع نرمال

۹/۵۳

۳/۹۴

۶/۱۹-

۵/۳

۲۷-

۲۷-

توزیع نرمال نیم‌واریانس

۷۸

۵/۱۲

۵/۶

۵/۱

۷/۳۱-

۷/۳۱-

دامنۀ انتظارات شرطی

۹/۹۸

۷/۱۰۲

۸/۳-

۸/۴-

۲۵-

۹/۲۵-

روش تاریخی پایه

۷۱

۷/۹۵

۲/۰

۸/۳-

۸/۲۰-

۲/۲۳-

مونت‌کارلو

۷۰

۹/۱۰۸

۴/۱۵-

۹/۲۱-

۱/۲۴-

۵/۳۳-

GARCH

۳/۱۲۸

۵/۱۸۶

۴/۲۱-

۹/۳۹-

۹/۲۱-

۱/۲۵-

نظریۀ ارزش فرین

۹/۷۰

۷/۹۵

۲/۰-

۳/۰-

۱/۲۵-

۱/۲۶-

 

 

برای بررسی تأثیرگذاری مقادیر ارزش‌های در معرض خطر (ریسک) بازارهای مختلف دارایی، در این بخش از آزمون علیّت گرانجر استفاده شده است. این آزمون، فرضیۀ آثار یکطرفه، متقابل و یا خنثی متغیرهای مدّنظر را در یکدیگر می‌آزماید. با توجه به جدول (۲) آزمون علیّت نشان می‌دهد، رابطۀ علّی یکطرفه از ارزش در معرض خطر نرخ ارز به ارزش در معرض خطر بازار سهام و از بازار سهام به قیمت مسکن قابل مشاهده است. مهم‌ترین دلیل پدیدۀ مذکور، آثار کوتاه‌مدت درآمدی و میان‌مدت هزینه‌ای تکانۀ بازار ارز بر صورت‌های مالی بنگاه‌های اقتصادی و درنتیجه، بازار سهام است. در همین راستا، آثار سرریز تکانه‌های (رونق/رکود) بازار سهام نیز با نوسان‌های جریان‌های درآمدی (نقدی/تعهدی) و وجوه اقتصاد، بازار زمین و مستغلات را نیز متأثر می‌کند که با مشاهدات تجربی نیز سازگاری دارد.

 

 

جدول (۲) آزمون علیت بین ارزش درمعرض ریسک دارایی‌ها

علیت

 

از

   

مسکن

سهام

ارز

به

مسکن

 

۹۸۳/۲

(۰۵۶/۰)

۵۸۴/۰

(۵۶۰/۰)

سهام

۶۵۵/۰

(۵۲۱/۰)

 

۱۷۶/۳

(۰۴۶۶/۰)

ارز

۶۹۸/۱

(۱۸۹/۰)

۵۰۹/۱

(۲۲۷/۰)

 

 

اعداد داخل پرانتز، سطح معنای آمارۀ F  آزمون علیت است.[10]

برای بررسی ارتباط ارزش در معرض خطر بازار دارایی‌های مختلف و وضعیت متغیرهای منتخب اقتصاد کلان از آزمون علیت گرانجر مجدداً استفاده شده است. بدین‌منظور، رابطۀ مقادیر ارزش‌های در معرض خطر سه بازار ارز، مسکن و سهام با سه متغیر کلان رشد اقتصادی (شاخص بخش حقیقی)،‌ رشد پایۀ پولی (شاخص سیاست پولی) و رشد هزینه‌های دولت (شاخص سیاست مالی) با آزمون علیت گرانجر بررسی شدند. نتایج آزمون مذکور در جدول (۳) آمده است. براساس این، رشد اقتصادی مطابق انتظار، با ارزش در معرض خطر بازار ارز، رابطۀ معکوسی دارد؛ به‌عبارت دیگر، بهبود رشد اقتصادی با پایداری بخش خارجی و موازنۀ ‌پرداخت‌ها و نیز تقویت قدرت خرید پول ملی همراه است. همچنین رشد اقتصادی موجب بهبود ثبات در بازار دارایی‌های مالی و غیرمالی به‌طور عام و بازار زمین به‌طور خاص است؛ به‌گونه‌ای ‌که زمینۀ کاهش ریسک در بازار مسکن و درنتیجه، تقلیل ارزش در معرض خطر آن را فراهم می‌کند.

مطابق نتایج آزمون علیت گرانجر (مندرج در جدول (۳)) سیاست پولی در ریسک بازار دارایی‌ها تأثیر ندارد؛ اما به‌طور معکوس، از ارزش در معرض خطر بازارهای سهام، ارز و مسکن به‌ترتیب، در کوتاه‌مدت، میان‌مدت و بلندمدت تأثیر پذیرفته است. مهم‌ترین دلیل پدیدۀ مذکور، آثار گستردۀ نوسان‌های ادوار بازار دارایی‌ها به‌ترتیب، در جریان درآمدی (نقدی/ تعهدی) اقتصاد کلان، جریان وجوه میان بازارهای مالی، نسبت مطالبات غیرجاری به کل مطالبات بانک‌ها و درنهایت، تغییرات خالص بدهی بانک‌ها به بانک مرکزی به‌عنوان یکی از مهم‌ترین ارکان سیاست‌گذاری پولی و عملیات اعتباری است؛ به‌عبارت دیگر، افزایش ریسک بازارهای ارز، سهام و مسکن به‌طور مستقیم، زنجیرۀ جریان وجوه، عملیات اعتباری نظام بانکی و نیز جهت‌گیری سیاست پولی و کل‌های پولی را دچار چالش و انبساط خواهد کرد.

 


 

جدول (۳) آزمون علیت گرانجر ارزش در معرض خطر بازه دارایی‌ها و رشد هزینه‌های دولت، پایۀ پولی و تولید ناخالص داخلی

 

از رشد پایۀ پولی

به رشد پایۀ پولی

از رشد هزینه‌های دولت

به رشد هزینه‌های دولت

از رشد اقتصادی

به رشد اقتصادی

مسکن

۰۶۲۵۵/۶

(۰۰۳۴/۰)

۹۷۵۱۱/۱

(۱۴۴۸/۰)

۵۱۰۶۱/۱

(۲۲۶۴/۰)

۳۵۸۷۷/۰

(۶۹۹۶/۰)

۵۰۵۶/۲

(۰۸۷/۰)

۲۳۸۰/۰

(۷۸۸۷/۰)

سهام

۱۸۶۴/۱

(۳۱۰۲/۰)

۰۸۴۹۵/۰

(۹۱۸۶/۰)

۹۶۷۷/۱

(۱۴۵۹/۰)

۱۴۱۳/۲

(۱۲۳۶/۰)

۱۴۸۳/۰

(۸۶۲۴/۰)

۵۸۷۴/۰

(۵۵۷۹/۰)

ارز

۶۴۱۷/۰

(۵۲۸۸/۰)

۱۱۹۸/۱

(۲۳۰۹/۰)

۳۲۶۵/۰

(۷۲۲۳/۰)

۲۵۴۷/۱

(۲۹۰۲/۰)

۰۱۸۹/۴

(۰۲۱۴/۰)

۶۱۰۶/۰

(۵۴۵۳/۰)

اعداد داخل پرانتز، سطح معنای آمارۀ F  آزمون علیت است.

آزمون با دو وقفه و ۹۳ مشاهده انجام شده است.

 

 

 

 

 

نتایج آزمون علیت گرانجر مندرج در جدول (۳) نشان‌دهندۀ نبود آثار متقابل مستقیم میان تکانه‌های بازارهای ارز، سهام و مسکن با رشد هزینه‌های دولت است که به‌طور عمده، به‌دلیل آثار غیرمستقیم تأخیری سیاست‌های مالی و هزینه‌های دولت در بازارهای مذکور از کانال پایۀ پولی و ساز و کار قیمت‌ها است؛ به‌گونه‌ای ‌که ساز و کار انتقال آثار سیاست‌های مالی با بازار پول بر تکانه‌های بازارهای مذکور انعکاس یافته است که به‌علت وجود پدیدۀ سلطۀ مالی، ساز و کار انتقال مذکور تشدید نیز شده است.

نمودار (۳) چرخه‌های تجاری متغیرهای مدّنظر با استفاده از روشBBQ1 است. همانگونه که در شکل نشان داده شده است، چرخه‌های ارزش در معرض خطر ارز از نظر طول (تواتر) و ارتفاع، بزرگ‌تر از دو دارایی دیگر است که به‌طور عمده، به‌دلیل تقارن زمانی با بحران‌های ارزی سه دهۀ گذشته است که از بحران دیون خارجی (۷۴-۱۳۷۳)، بحران کاهش درآمدهای نفتی (۷۷-۱۳۷۶) و نیز بحران تشدید تحریم‌های بین‌المللی (۹۲-۱۳۹۱) متأثر است که در مرحلۀ نخست (کوتاه‌مدت) آثار درآمدی و در مراحل بعدی (میان‌مدت) با ساز و کار هزینه‌ای، زمینۀ نبود ‌تعادل در بخش‌های مالی و حقیقی اقتصاد را فراهم کرده است.


 

 

(ب) ارز

 

(الف)  بازار سهام

 

(ج) مسکن

* ناحیۀ سایه‌زده به دورۀ بهبود و احیای چرخۀ تجاری مربوط است.

نمودار (۳) چرخه‌های تجاری متغیرهای اقتصاد، سیاست پولی و ارزش‌های در معرض خطر دارایی‌ها

[11]

 

 

 

 

 

 

دربارۀ چرخه‌های ریسک بازار مسکن، گفتنی است طول این‌ چرخه‌ها در گذر زمان کوتاه‌تر شده است که به‌طور عمده، به‌دلیل شرایط تورمی و انتقالات مالی میان‌مدت گستردۀ سفته‌گرایانه از سایر بازارهای دارایی به سمت بازار مسکن بوده است. همچنین بازار سهام، دوره‌های رکودی طولانی و دوره‌های رونق کوتاه داشته است که از یکسو، به‌دلیل جهت‌گیری‌های مقطعی سیاست‌های خصوصی‌سازی پرتلاطم دولت در فرایند عرضۀ سهام بخش عمومی و از سوی دیگر، ناشی از مداخلات مختلف دولت در قیمت‌گذاری بازارهای مختلف کالاها و خدمات (نرخ‌گذاری کالاها، خدمات و نیز نرخ‌های سود تسهیلات بانکی) است که ادوار رونق در بازار سرمایه را کم‌بسامد کرده است.

 

نتایج و پیشنهادها

ارزش‌های در معرض ریسک دارایی‌ها بیشتر از آنکه متأثر از متغیرهای کلان اقتصادی باشند، از سرریز بین‌المللی و آثار متقابل آنها ر یکدیگر در اقتصاد ایران تأثیر می‌پذیرد.

برای بررسی رابطۀ علیت تکانه‌های بازارهای سهام، ارز و زمین با یکدیگر و نیز شناسایی ساز و کار تإثیرپذیری آنها از ادوار تجاری به‌طور عام، و مؤلفه‌های کلان اقتصاد به‌طور خاص، مقادیر مدّنظر ارزش در معرض خطر سه بازار سهام، ارز و زمین با استفاده از روش‌های مختلف پارامتریک و ناپارامتریک محاسبه و سپس سازگاری و استحکام نتایج مدّنظر بررسی شد. مقادیر مدّنظر کاهش قدرت خرید پول ملی به‌عنوان مؤلفۀ جایگزین ارزش در معرض خطر بازار ارز براساس روش‌های پارامتریک و ناپارامتریک به‌ترتیب، معادل ۹/۱۰۸ و ۵/۱۸۵ برای چرخه‌های فصلی (در مقایسه با فصل مشابه سال قبل) پیش‌بینی شد که با توجه به مقادیر پایین پارامترهای انحراف معیار (۷/۲۲ درصد) و ضریب تغییرات (۲۷ درصد)، پایداری و استحکام نتایج تأیید شده است. همچنین حساس‌نبودن نتایج محاسبات ارزش‌های در معرض خطر به‌ازای روش‌های مختلف استفاده‌شده (پارامتریک و ناپارامتریک) فرضیۀ تحولات ادواری مشابه را برای بازار ارز کشور تایید می‌کند که به‌طور عمده، به‌دلیل انطباق رفتار بلندمدت آن با ادوار تورم در اقتصاد ایران است.

متوسط زیان مدّنظر بازار زمین نیز به‌ترتیب، معادل ۵/۱ و ۵/۳۹- درصد با استفاده از روش‌های مختلف پارامتریک و ناپارامتریک محاسبۀ ارزش در معرض خطر پیش‌بینی شده است. دامنه و انحراف معیار زیاد مقادیر پیش‌بینی در کنار تفاوت جهت علائم ارزش‌های در معرض خطر روش‌های پارامتریک (حداقل سود) و ناپارامتریک (حداکثر زیان)  بر حساسیت زیاد نتایج حاصل به نوع روش‌های تخمین و ناپایداری نتایج دلالت دارد. در چنین شرایطی، پیش‌بینی‌های متکی بر روش‌های شبیه‌سازی تاریخی مونت‌کارلو و یا روش تعمیم‌یافتۀ پارتو به‌علت تمرکز بر مقادیر داده‌های فرین (دنبالۀ پایین) کارایی بیشتری دارد. 

مقادیر مدّنظر ارزش‌های در معرض خطر که در قالب کاهش قیمت انعکاس یافته است، برای بازار سهام به‌ترتیب، معادل ۸/۲۰- و ۷/۳۱- درصد برای روش‌های مختلف پارامتریک و ناپارامتریک پیش‌بینی شده است که با توجه به مقادیر اندک انحراف ‌معیار و ضریب تغییرات (۱۳/۰- درصد) استحکام نتایج در کنار حساس‌نبودن نتایج به روش‌های مختلف مذکور تأیید شده است. در تحلیل نهایی، نتایج پیش‌بینی ارزش‌های در معرض خطر متکی بر روش‌های ناپارامتریک (تاریخی پایه، نظریۀ ارزش فرین، مونت‌کارلو و GARCH) همچنان به‌علت انحراف‌ معیار و ضریب تغییرات کمتر، اعتمادکردنی است؛ اگرچه نتایج حاصل در بازارهای ارز و سهام، تفاوت اندکی را انعکاس می‌دهد.

بررسی رابطۀ علیت میان ارزش‌های در معرض خطر بازارهای مسکن، ارز و سهام بر رابطۀ علّی از سوی ارزش در معرض خطر نرخ ارز به ارزش در معرض خطر بازار سهام و نیز رابطۀ علّی از بازار سهام به سمت بازار مسکن  دلالت دارد. مهم‌ترین دلیل پدیدۀ مذکور، آثار کوتاه‌مدت درآمدی و میان‌مدت هزینه‌ای تکانۀ بازار ارز در صورت‌های مالی بنگاه‌های اقتصادی و درنتیجه، بازار سهام است. در همین راستا، آثار سرریز تکانه‌های (رونق/رکود) بازار سهام نیز با نوسان‌های جریان‌های درآمدی (نقدی/تعهدی) و وجوه نقد کلان در بازارهای مسکن و مستغلات انتقال یافته است که با مشاهدات تجربی نیز سازگار است.

بررسی رابطۀ مقادیر ارزش‌های در معرض خطر سه بازار ارز، مسکن و سهام با متغیرهای کلان رشد اقتصادی،‌ رشد پایۀ پولی و رشد هزینه‌های دولت بر رابطۀ معکوس رشد اقتصادی با ارزش‌های در معرض خطر بازارهای ارز و مسکن دلالت دارد که در شرایط رشد پایدار غیرتورمی و درنتیجه، ثبات مالی بروز خواهد کرد. در همین راستا، مقادیر ارزش‌های در معرض خطر بازارهای سهام، ارز و مسکن به‌ترتیب، در کوتاه‌مدت و میان‌مدت در پایۀ پولی تأثیر دارد که به‌طور عمده، با ساز و کار آثار گستردۀ نوسان‌های ادوار بازار دارایی‌ها به‌ترتیب، در جریان وجوه میان بازارهای مالی، نسبت مطالبات غیرجاری بانک‌ها و درنهایت، تغییرات خالص بدهی بانک‌ها به بانک مرکزی و پایۀ پولی تأثیرگذار بوده است.

چرخه‌های ارزش در معرض خطر ارز از نظر طول دوره و اندازه، بزرگ‌تر از دو دارایی دیگر است که به‌طور عمده، به‌دلیل بروز بحران‌های بزرگ ارزی در سه دهۀ گذشته است که در کوتاه‌مدت، آثار درآمدی و در میان‌مدت با ساز و کار هزینه‌ای، زمینۀ بی‌‌تعادلی در بخش‌های مالی و حقیقی اقتصاد را در پی داشته است. چرخه‌های ریسک بازار مسکن نیز در گذر زمان کوتاه‌تر شده است که به‌دلیل شرایط تورمی و انتقالات مالی میان‌مدت گستردۀ سفته‌گرایانه از بازار سایر دارایی‌ها به سمت بازار مسکن بوده است. همچنین بازار سهام، دوره‌های رکودی طولانی و دوره‌های رونق کوتاه داشته که از یکسو، به‌دلیل جهت‌گیری‌های مقطعی سیاست‌های خصوصی‌سازی پرتلاطم دولت در فرایند عرضۀ سهام بخش عمومی و از سوی دیگر، ناشی از مداخلات مختلف دولت در قیمت‌گذاری بازارهای مختلف کالاها و خدمات است که ادوار رونق در بازار سرمایه را کم‌بسامد کرده است. براساس نتایج به‌دست‌آمده، پیشنهاد شده است سیاست‌گذاران اقتصادی کشور با مدیریت نوسان‌های ارزی با استفاده از ساز و کارهایی مانند صندوق توسعۀ ملی و یا ابزارهای مشتق بازار ارز، احتمال وقوع تلاطم را در سایر بازارهای دارایی مانند سهام و مسکن کاهش دهند.



[1] Imbalance

[2] از سال ۱۳۹۲ این مهم به‌صورت غیر مستقیم بوده است؛ به‌گونه‌ای که دولت به بانک‌های تجاری و بانک‌های تجاری به بانک مرکزی بدهکار شده است.

[3]. Mean Reverse

[4] . مفادیر متوسط ارزش در معرض خطر به‌صورت متوسط هندسی و یا موزون زمانی قابل محاسبه است.

[5]. Extreme Value Theorem

[6]. Fisher and Tippett

[7]. Generalized Extreme Value

[8]. Generalized Auto Regressive Conditional Heteroskedasticity

[9]. Robustness

[10] اگر این مقدار کمتر از ۵ درصد باشد، در حکم رد فرضیۀ صفر مبنی بر وجود رابطۀ علّی از #۱ به #۲ است.

[11] الگوریتم BBQ یا Bry-Boschan Quarterly را (2002) Harding and Pagan  پیشنهاد کرده‌اند. این الگوریتم، بازطراحی الگوریتم(1971) Bry and Boschan است که برای داده‌های ماهانه تدوین شده بود. (2002) Harding and Pagan الگوریتم برای داده‌های فصلی نیز بسط داده شده است. در این دسته از الگوریتم‌ها با استفاده از احتمالات شرطی، نقاط چرخش در ادوار تجاری مشخص می‌شود؛ درنتیجه، اوج و حضیض چرخه‌های تجاری به‌دست آمده از فیلتر HP را می‌توان برشمرد [‎۲۰].

[1] Andersen, T. G., & Bollerslev, T. (1998). Deutsche mark–dollar volatility: intraday activity patterns, macroeconomic announcements, and longer run dependencies. Journal of Finance, 53(1): 219-265.

[2] Ang, J. S., & Chua, J. H. (1979). Composite measures for the evaluation of investment performance. Journal of Financial and Quantitative Analysis, 14(2): 361-384.

[3] Balkema, A. A., & De Haan, L. (1974). Residual life time at great age. The Annals of Probability, 792-804.

[4] Basci, E., & Kara, H. (2011). Financial stability and monetary policy, Central Bank of Republic of Turkey. Report No. 1108.

[5] Beaudry, P., & Portier, F. (2007). When can changes in expectations cause business cycle fluctuations in neo-classical settings? Journal of Economic Theory, 135(1): 458-477.

[6] Becker, K. G., Finnerty, J. E., & Friedman, J. (1995). Economic news and equity market linkages between the US and UK. Journal of Banking & Finance19(7): 1191-1210.

[7] Bernanke, B. S., & Kuttner, K. N. (2005). What explains the stock market's reaction to Federal Reserve policy? The Journal of Finance, 60(3): 1221-1257.

[8] Bernanke, B., and M. Gertler (1999). Monetary policy and asset market volatility. Federal ReserveBank of Kansas City Economic Review 84(4): 17-52.

[9] Bernanke, B., & Gertler M. (2001). Should central banks respond to movements in asset prices? American Economic Review Papers and Proceedings 91: 253-257.

[10] Bernanke, B., Gertler M. & Gilchrist S. (1999). The financial accelerator in a quantitative business cycle framework. In J. Taylor, and M. Woodford (ed.), Handbook of Macroeconomics. North Holland. Amsterdam.

[11] Bordo, M, & Jeanne O. (2002b). Boom-Busts in Asset Prices, Economic Instability, and Monetary Policy. NBER Working Paper 8966. National Bureau of Economic Research, Cambridge.

[12] Bordo, M., and O. Jeanne (2002a). Monetary policy and asset prices: does “benign neglect” make sense? International Finance 5(2): 139-164.

[13] Borio, C., & Zhu, H. (2008). Capital regulation risk taking and monetary policy: a missing link in the transmission mechanism?", BIS Working Papers No. 268. Retrieved from Bank or International Settlements website: http://www.bis.org/publ/work268.pdf.

[14] Cecchetti, S., Genberg, H., Lipsky, J. & Wadhwani S. (2000). Asset Prices and Central Bank Policy. Geneva Reports on the World Economy, No. 2, ICMB, Geneva and CEPR, London.

[15] Connolly, R. A., & Wang, F. A. (2003). International equity market comovements: Economic fundamentals or contagion? Pacific-Basin Finance Journal, 11(1): 23-43.

[16] David, A., & Veronesi, P. (2004). Inflation and earnings uncertainty and volatility forecasts. Manuscript, Graduate School of Business, University of Chicago.

[17] Dupor, W. (2001). Nominal Price versus Asset Price Stabilization. Working Paper. The Wharton School, Pennsylvania.

[18] Dupor, W. (2002a). Comment on “monetary policy and asset prices”. Journal of MonetaryEconomics 49: 99-106.

[19] Dupor, W. (2002b). Stabilising Non-Fundamental Asset Price Movements under Discretion and Limited Information. Mimeo. University of Pennsylvania.

[20] Ehrmann, M., & Fratzscher, M. (2004). Taking stock: Monetary policy transmission to equity markets. ECB Working Paper No. 354. Available at SSRN: https://ssrn.com/abstract=533023.

[21] Einian, M. & Barakchian, M. (2012). Measuring and dating business cycles of the economy of Iran, Money and Economy, forthcoming (in Persian)

[22] Engel, C. M., & Rogers, J. H. (2008). Expected consumption growth from cross-country surveys: implications for assessing international capital markets. FRB International Finance Discussion Paper, (949).

[23] Engle, R. F., Ito, T., & Lin, W. L. (1990). Meteor Showers or Heat Waves? Heteroskedastic Intra-Daily Volatility in the Foreign Exchange Market. Econometrica, (58): 525-542.

 [24] Eslami B. G. & Tayebi S. E. (2014). A novel meta-heuristic method for solving an extended Markowitz Mean–Variance portfolio selection model. Investment Knowledge 3(10): 101-122.

[25] Fallahpour S., Rezvani F. & Rahimi M. (2015). Estimating Conditional VaR Using Symmetric and Non-Symmetric Autoregressive Models in Old and Oil Markets. Financial Knowledge of securities Analysis 8(26):1-18.

[26] Fisher, R. A., & Tippett, L. H. C. (1928). Limiting forms of the frequency distribution of the largest or smallest member of a sample. In Mathematical Proceedings of the Cambridge Philosophical Society (Vol. 24, No. 02, pp. 180-190). Cambridge University Press.

[27] Flannery, M. J., & Protopapadakis, A. A. (2002). Macroeconomic factors do influence aggregate stock returns. Review of Financial Studies15(3):751-782.

[28] Fleming, M. J., & Remolona, E. M. (1997). What moves the bond market? Economic policy Review, 3(4).

[29] Hamao, Y., Masulis, R. W., & Ng, V. (1990). Correlations in price changes and volatility across international stock markets. Review of Financial Studies, 3(2):281-307.

[30] Jenkinson, A. F. (1955). The frequency distribution of the annual maximum (or minimum) values of meteorological elements. Quarterly Journal of the Royal Meteorological Society, 81(348): 158-171.

[31] Lin, W. L., & Ito, T. (1994). Price volatility and volume spillovers between the Tokyo and New York stock markets. In the Internationalization of Equity Markets (pp. 309-343). University of Chicago Press.

[32] Majumder, S. B., & Nag, R. N. (2015). Return and volatility spillover between stock price and exchange rate: Indian evidence. International Journal of Economics and Business Research, 10(4), 326-340.

[33] Nabavi C., S. A, Pourbabagol, H., & Dadashpooromrani, A. (2012). A new approach to evaluate the performance of value-at-risk estimators, using genetic algorithms. Investment Knowledge 1(1): 13-42.

[34] Nasrollahi Z., Shahviri M. & Amiri M. (2011). Comparison of GARCH model and Monte Carlo simulation for estimating the value at risk of foreign exchange portfolio. Economic Research. 10(4): 117-141.

[35] Peikarjoo K. & Nourallahi N. (2001). Measuring risk of financial institutions and corporates using value at risk method. Journal of Economic Research. 9(5):195-221.

[36] Pickands III, J. (1975). Statistical inference using extreme order statistics. The Annals of Statistics, 3(1): 119-131.

[37] Rigobon, R., & Sack, B. (2003). Spillovers across US financial markets (No. w9640). National Bureau of Economic Research.

[38] Sajjad R., Hedayati S. & Hedayati S. (2014). Estimation of value at risk by using extreme value theory. Investment Knowledge 3(9): 133-155.

[39] Schwartz, R. A. (Ed.). (1995). Global Equity Markets: Technological, Competitive, and Regulatory Challenges. Irwin Professional Pub.

[40] Shahmoradi A. & Zangeneh M. (2007). Evaluating the VaR for major indices Tehran Stock Exchange using parametric method. Economic Research. 42(79): 121-149.

[41] Shiller, R. J., & Beltratti, A. E. (1992). Stock prices and bond yields: Can their comovements be explained in terms of present value models? Journal of Monetary Economics, 30 (1): 25-46.

[42] Smets, F. (1997). Financial Asset Prices and Monetary Policy: Theory and Evidence. In Lowe, P. (ed.).

[43] Smets, F. (2013). Financial stability and monetary policy: How closely interlinked? Sveriges Riksbank Economic Review, 3, 121-160.

[44] Smets, F., & Wouters R. (2003). An estimated DSGE model for the Euro area. Journal of the European Economic Association 1(5):1123-1175.

[45] Woodford, M. (2010). Financial intermediation and macroeconomic analysis. The Journal of Economic Perspectives24(4):21-44.

 [46] Zomorodian G., Shams M., Panahi Y. & Safari Kohreh Z. (2014). Study of explaining the non-parametric models (Monte Carlo) in the value of portfolio risk in order to determine the optimum portfolio investment companies in the capital market of Iran .Financial Engineering and portfolio management. 5(20): 27-40.