نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، مدیریت کسب و کار، دانشکدۀ مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

2 دانشیار گروه مهندسی صنایع، دانشکدۀ مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

3 استادیار گروه مهندسی مالی، دانشکدۀ مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

هدف از این پژوهش، بررسی سازوکار سرریز ریسک بین گروه محصولات شیمیایی، بانک‌ها و مؤسسات اعتباری در طول زمان و مقایسۀ آن با سرریز تلاطم بین آن دو است. بازۀ زمانی این پژوهش، از فروردین 1388 تا اسفند 1399 بوده و در آن از داده‌های روزانه استفاده شده است. در این پژوهش، از روش شبیه‌سازی تاریخی فیلترشده برای محاسبۀ ارزش در معرض ریسک و از آزمون علیت گرانجر برای بررسی سرریز ریسک استفاده شده است. نتایج نشان‌دهندۀ آن است که سرریز ریسک بین دو گروه موردمطالعه، به فاصلۀ یک و دو روز از وقوع ریسک در بازار مبدأ، سرریزی دوطرفه است. در وقفه‌های بالاتر تا پنج روز پس از وقوع ریسک در بازار مبدأ نیز تنها سرریز ریسک از گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری وجود داشته و در عکس آن معنادار نیست. این در حالی است که نتایج بررسی سرریز تلاطم بین این دو گروه، سرریز را در تمام وقفه‌ها تنها از گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری معنادار نشان داده است. گروه‌های انتخاب‌شده برای بررسی سرریز ریسک و روش استفاده‌شده برای محاسبۀ ارزش در معرض ریسک در آنها، نمونه‌هایی است که این پژوهش را از بقیه متمایز می‌کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of Value-at-Risk (VaR) through Filtered Historical Simulation (FHS) and Analysis of Risk Spillover in Tehran Stock Exchange (TSE): Evidence from the Groups of Chemical Products and Banks & Credit Institutions

نویسندگان [English]

  • Reza Foroutan 1
  • Reza Ramezanian 2
  • Majid Mirzaee 3

1 M.A., Department of Industrial Engineering, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran

2 Associate Professor, Department of Industrial Engineering, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran

3 Assistant Professor, Department of Financial Engineering, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran

چکیده [English]

Abstract
This paper aimed at investigating the risk spillover mechanism between the groups of chemical products and banks & credit institutions with the passage of time and compare it with the volatility spillover mechanism between them. For this purpose, we used the daily data from March 2009 to February 2021. Also, we used the Filtered Historical Simulation (FHS) method for estimating Value-at-Risk (VaR) and the Granger causality test for risk spillover existence. Our results showed a bilateral spillover between the two groups for Lags 1 and 2. Also, for Lags 3 to 5, there was a unilateral spillover from the group of chemical products to the group of banks & credit institutions, the opposite of which was not significant. However, investigation of volatility spillover between these two groups revealed absolute stable unilateral spillover from the group of chemical products to that of the banks & credit institutions. The investigated groups in the risk spillover field and the VaR estimation method distinguished this paper from other studies.
Keywords: Risk Spillover, Value-at-Risk (VaR), Filtered Historical Simulation (FHS), Granger Causality Test, Group of Chemical Products, Group of Banks and Credit Institutions.
 
Introduction
As an essential aspect of interdependence between financial markets, information transmission specifies how excellent or bad the generated information could be transferred from one market to another. This phenomenon, which affects market’s financial risk, is investigated via risk spillover. Risk spillover is a notion that examines whether risk creation in a market leads to risk creation in another market or not. This mechanism, which effectively helps investors to manage their portfolios, uncovers market co-movements. Since investors in a stock market may choose stocks of different sub-market groups, studying risk spillover mechanism in interdependent markets seems crucial. It shows how a generated risk in a specific group of stock market can generate risk in other market groups. This is vital for portfolio risk management. Therefore, this study investigated risk spillover mechanism between two critical groups of Tehran Stock Exchange (TSE), i.e., chemical products and banks & credit institutions.
 
Method and Data
In this study, financial risk was estimated by the Value-at-Risk criterion through Filtered Historical Simulation (FHS) method. Then, the Granger causality test with 5 lags was utilized for determining risk spillover existence. The groups of chemical products and banks & credit institutions listed in TSE from March 2009 to February 2021 were selected as the research data.
Findings
The results showed that there was a bilateral risk spillover between the two groups for Lags 1 and 2 and a unilateral risk spillover from the group of chemical products to that of the banks & credit institutions for Lags 3 to 5 for the entire study period. However, investigating volatility spillover to complete recognition of spillover mechanism showed a complete unilateral volatility spillover from the group of chemical products to that of the banks & Credit institutions for Lags 1 to 5. Another lateral recognition was obtained by dividing the period into two equal parts. The results revealed a complete unilateral risk spillover from the group of chemical products to that of the banks & credit institutions for Lags 1 to 5 in each divided period.
 
Conclusion and discussion 
Based on the findings, there was a significant stable risk spillover from the group of chemical products to that of the banks & credit institutions, which meant that any generated risk in the former group would stably overflow to the latter group at least 5 days after the risk was generated. However, there was no significant stable risk spillover in the opposite direction. In fact, despite the existence of bilateral risk spillover in Lags 1 and 2, the results of the split periods did not confirm the risk spillover from the group of banks & credit institutions to that of chemical products. Therefore, according to such evidence and existence of unilateral volatility spillover in the whole period, the risk spillover from the group of banks & credit institutions to the group of chemical products was much weaker than that exerted in the opposite direction and could be thus neglected.

کلیدواژه‌ها [English]

  • Risk Spillover
  • Value-at-Risk (VaR)
  • Filtered Historical Simulation (FHS)
  • Granger Causality Test
  • Group of Chemical Products
  • Group of Banks and Credit Institutions

مقدمه

محاسبه و بررسی مداوم وابستگی متقابل سری‌های زمانی مالی، یکی از سرفصل‌های اساسی در حوزۀ پژوهش‌های علمی، سیاست‌گذاری و فعالیت‌های تجاری است (Shen et al., 2018). یکی از شئون این وابستگی متقابل، پدیدۀ انتقال اطلاعات بین بازارهای مالی است. پژوهش‌های صورت‌گرفته حاکی از آن است که اطلاعات مربوط به متغیرهای مالی در طول زمان به یکدیگر سرایت می‌کند (Seyedhoseini & Ebrahimi, 2013). پدیده‌های مالی جهانی، که گاهی به بحران‌ها و فجایع مهمی در تاریخ معاصر بشر تبدیل شده، ازجمله بحران مالی جهانی 2008، به‌خوبی نشان‌دهندۀ اهمیت این روابط متقابل در سطح کشور و جهان است (Shen et al., 2018). دستیابی به سازوکاری برای فهم بهتر روابط متقابل بازارهای مختلف بر یکدیگر، علاوه بر کمک به طراحی استراتژی‌های مدیریت سبد سرمایه‌گذاری، بنیان مستحکم علمی را برای اتخاذ سیاست‌های بهینه در زمان بروز بحرانهای مالی (در سطح بازار، کشور یا جهان) به‌منظور جلوگیری از سرایت آنها فراهم می‌‌کند (Shen et al., 2018). این مهم، برای کشورهای درحال‌توسعه، با توجه به توسعۀ روزافزون بازارهای مالی و تعمیق مستمر آنها، بیش ‌از پیش حیاتی جلوه می‌کند؛ از این ‌رو، نظریه‌پردازان و پژوهشگران حوزه‌های مختلف، چند دهه‌ای است که به بررسی و تحلیل سرایت‌پذیری ریسک در میان بازارها، به‌عنوان شاخصی استاندارد برای پدیدۀ انتقال اطلاعات، به‌صورت بسیار کاربردی تأکید کرده‌اند (Pouryaghoubi & Ashrafi, 2020).

امروزه بازار سرمایه به‌عنوان یکی از مهم‌ترین بازارهای مالی در جهان، جایگاهی اساسی در اختیار دارد. این بازار که اغلب از مجموعه‌ای از بازارها (زیرمجموعه‌های کوچک‌تر؛ گروه‌ها) تشکیل شده است، همواره نسبت‌به دیگر بازارها در معرض انتقال اطلاعات قرار دارد؛ این در حالی است که پدیدۀ انتقال اطلاعات ممکن است بین زیرمجموعه‌های تشکیل‌دهندۀ خود آن نیز به وقوع بپیوندد. بازار اوراق بهادار تهران، به‌عنوان بازار سرمایۀ اصلی ایران، از گروه‌های متعددی تشکیل شده است. دو نمونه از مهم‌ترین گروه‌های حاضر در این بازار، گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری است. گروه محصولات شیمیایی به‌عنوان زیرمجموعه‌ای از بازار، که صنایع مولد بزرگی (همچون پتروشیمی‌ها) را در خود جای داده، همواره با صنایع مختلفی در تعامل است. این گروه، اثر اقتصادی زیادی دارد؛ به‌گونه‌ای که در اثر حذف تقاضای واسطۀ بخش ساخت مواد و محصولات شیمیایی از سایر بخش‌های اقتصاد، حدود ۲۵۴ هزار میلیارد ریال معادل ۵۲/۲ درصد و در اثر حذف عرضۀ واسطۀ بخش مدنظر به سایر بخش‌های اقتصاد، حدود ۲۹۷ هزار میلیارد ریال معادل ۹۷/۲ درصد از تولید کل اقتصاد کشور کاسته خواهد شد (Mirjalili & Tavassoli, 2018; Botshekan & Mohseni, 2018). بانک‌ها و مؤسسات اعتباری نیز به‌عنوان پیشران واسطه‌گری مالی در کشور، طرف طلبکار تسهیلات مالی ارائه‌شده به صنایع مختلف هستند. علاوه بر این، شرکت‌های متنوعی را از گروه محصولات شیمیایی به‌عنوان مقصدی جذاب برای سرمایه‌گذاری، در سبد خود مدیریت می‌کنند؛ به‌عنوان مثال، بانک کارآفرین[1] و موسسۀ اعتباری ملل[2] در انتهای دورۀ سه‌ماهۀ منتهی به 30/12/1399 به‌ترتیب سهام 5 و 13 شرکت بورسی را از گروه محصولات شیمیایی به بهای تمام‌شدۀ 118366 و 2255377 میلیون ریال در اختیار داشته‌ است، که به‌ترتیب 51/3 و 14/6 درصد از کل سرمایه‌گذاری‌ را در سهام سریع‌المعاملۀ آنها شامل می‌شود. بانک سینا[3] نیز در انتهای دورۀ سه‌ماهۀ منتهی به 31/06/1399، درمجموع سهام 5 شرکت بورسی را به بهای تمام‌شدۀ 318967 میلیون ریال در اختیار داشته است که 67/4 درصد از کل سرمایه‌گذاری در سهام سریع‌المعاملۀ این بانک محسوب می‌شود. علاوه بر این، بانک ملت[4] و پارسیان[5]، در انتهای سال مالی منتهی به 30/12/1399 به‌ترتیب در 4 و 3 شرکت از گروه محصولات شیمیایی به بهای تمام‌شدۀ 1554476 و 1320012 میلیون ریال سرمایه‌گذاری کرده‌اند، که 88/6 و 47/3 درصد از کل سرمایه‌گذاری را در سهام سریع‌المعاملۀ آنها شامل می‌شود. این نمونه‌ها، نشان‌دهندۀ امکان تأثیرات متقابل مستقیم و غیرمستقیم بین این دو گروه است؛ از این ‌رو، وجود سازوکاری برای سرریز ریسک[6]، سؤالی است که برای سیاست‌گذاران و فعالان بازار سرمایه بسیار حیاتی جلوه می‌کند.

از دیدگاه سیاست‌گذاری، مطالعۀ سازوکار سرریز ریسک به بینشی منجر می‌شود که از سرایت بحرانهای به‌وجودآمده در یک بازار مالی به بازار دیگر جلوگیری کند (Shen et al., 2018). چنین بینشی، برای کشور ایران با اقتصادی متکی به نفت و مشتقات آن و در رابطه با گروه محصولات شیمیایی، که ارتباط مستقیم با بازار نفت و تحولات آن در سطح جهانی و داخلی دارد، کارکردهای اساسی‌تری خواهد داشت. شاید یکی از مهم‌ترین وظایفی که کشورهای نفتی بر عهده دارد، ایجاد سازوکاری برای کمینه‌کردن ورود نوسان‌ها و تکانه‌های مخرب بازار جهانی نفت به کشور باشد. نوسان‌هایی در دهه‌های اخیر و به شکل مشخص در بحران مالی 2008 و بیماری کرونا، که قیمت نفت WTI را به زیر صفر رسانید، آثار مخربی به‌همراه داشت. اگر گروه محصولات شیمیایی، سرریز ریسکِ معناداری در گروه بانک‌ها و مؤسسات اعتباری داشته باشد، سیاست‌گذار، چالشی اساسی در تنظیم و تعامل با این سازوکار خواهد داشت. این چالش، در راستای جلوگیری از آسیب‌پذیری بدون قاعده‌ی سرمایه‌گذاری بانک‌ها و مؤسسات اعتباری، از نوسان‌های مخرب خارجی حوزۀ نفت و گاز است. به بیان دقیق‌تر، سیاست‌گذار پس از دریافت و ترسیم مکانیزم سرریز ریسک بین دو گروه مدنظر، با توجه به اثرپذیری جهانی تحولات گروه محصولات شیمیایی، اقدام به طراحی بسته‌های حمایت از بازار کرده است. این بسته‌ها برای آن است که در صورت بروز بحران در حوزۀ نفت و گاز جهانی، با مداخله‌ای کارآمد، شیوۀ اثرگذاری غیرمستقیم تحولات را بر گروه بانک‌ها و مؤسسات اعتباری کنترل و ضمن تخلیۀ پیوسته و قاعده‌مندِ تحولات در این گروه، از بروز شوک در بازار سرمایۀ داخلی جلوگیری کند. همان‌گونه که مشخص است، سرایت و بروز چنین شوکی، با توجه به وابستگی بسیار بالای اقتصاد کشور به حوزۀ نفت و گاز، اثرهای نامطلوب کوتاه‌مدت و بلندمدتی را بر اقتصاد کشور برجای می‌گذارد؛ از این رو، کنترل و کمینه‌سازی اثرگذاری آن، اهمیت بالایی دارد و جز با شناخت دقیق مکانیزم سرریز ریسک و بازارهای مقصد اثرپذیر، امکان طراحی هیچ سازوکار حمایتی وجود نخواهد داشت.

از دیدگاه سرمایه‌گذاری نیز سرمایه‌گذاران همواره با مسئلۀ حیاتی استخراج ارتباط و وابستگی متقابل بازارها و سهم‌های مختلف به یکدیگر روبه‌رو هستند. یافتن این وابستگی‌ها، سرمایه‌گذاران را در فهم بهتر برای تغییرات قیمت سهم‌های مختلف راهنمایی کرده و علاوه بر ارائۀ بینشی مستدل درخصوص روند بازارهای مختلف، آنها را در تشکیل سبدی منطقی و بهینه برای کسب بیشترین بازدۀ ممکن هدایت می‌کند. سرریز ریسک نیز با توجه به آنکه نشان‌دهندۀ وابستگی بین دو بازار از منظر سرایت اطلاعات است، شناخت سرمایه‌گذاران را نسبت به وابستگی‌های متقابل بازارها تدقیق می‌کند؛ از این ‌رو، سرمایه‌گذاران با شناخت دقیق مکانیزم‌های سرریز ریسک بین گروه‌های مختلف بازار سهام، سبد سرمایه‌گذاری خود را به‌گونه‌ای انتخاب می‌کنند که در صورت بروز تحولات شدید در یک گروه، کلیّت سبد سرمایه‌گذاری‌شان ‌تأثیر منفی نداشته باشد و زیان حاصله کمینه شود. درواقع مکانیزم‌های سرریز ریسک، به سرمایه‌گذار کمک می‌کند تا تنوع را در انتخاب گروه‌هایی از بازار که می‌خواهد در آنها سرمایه‌گذاری کند، با توجه به حداقل‌کردن اثرپذیری سرایت اطلاعات بین آنها تنظیم کند. این مهم، بدون شناخت دقیق مکانیزم‌های سرریز ریسک بین گروه‌های مختلف بازار سرمایه امکان‌پذیر نیست؛ از این ‌رو، اگر سازوکار سرریز ریسک بین گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری معنادار باشد، سرمایه‌گذاران این وابستگی را در تشکیل سبد سرمایه‌گذاری خود مدنظر قرار خواهند داد.

هدف از این پژوهش، پی‌بردن به سازوکار سرریز ریسک بین گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری است. سؤال‌های پژوهش حاضر به شرح زیر است:

  1. آیا ریسک به‌وجود‌آمده در گروه محصولات شیمیایی، به گروه بانک‌ها و مؤسسات اعتباری سرایت می‌کند؟
  2. آیا ریسک به‌وجودآمده در گروه بانک‌ها و مؤسسات اعتباری، به گروه محصولات شیمیایی سرایت می‌کند؟
  3. سرریز ریسک بین گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری، در طول زمان چگونه تغییر می‌کند؟
  4. سازوکار سرریز تلاطم بین گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری، در طول زمان چگونه است و چه تفاوتی با سازوکار سرریز ریسک بین آن دو دارد؟

برای پاسخگویی به سؤال‌های بالا، از سنجۀ ارزش در معرض ریسک[7]، به‌عنوان شاخص محاسبۀ ریسک استفاده شده است. در ادامه، برای محاسبۀ ارزش در معرض ریسک، روش شبیه‌سازی تاریخی فیلترشده[8] به کار برده شده است. این روش همچون روشی نیمه‌پارامتریک[9]، به‌خوبی از ویژگی روش‌های پارامتریک[10] و غیرپارامتیک[11] استفاده کرده و با واردکردن داده‌های تاریخی سری زمانی موردمطالعه در محاسبۀ ارزش در معرض ریسک، آن را در عمل نسبت‌به روش‌های پارامتریک بهینه‌سازی می‌کند (Abad et al., 2014; Bohdalová & Greguš, 2016; Shen et al., 2018). در این پژوهش، برای بررسی سرریز ریسک، از آزمون علیت گرانجر[12] استفاده شده است. این آزمون، ازجمله پرکاربردترین آزمون‌هایی است که برای بررسی روابط متقابل سری‌های زمانی مختلف بر روی یکدیگر استفاده می‌شود. (Souri, 2017)

درمجموع این پژوهش، از پنج بخش تشکیل شده است. بخش اول شامل مقدمه و کلیات، بخش دوم، مبانی نظری است که تعاریف و بینش پایۀ پژوهش را به‌همراه پیشینۀ پژوهشی آن ارائه می‌کند. بخش سوم، به روش پژوهش اختصاص دارد که روش انجام‌دادن مطالعه را تشریح می‌کند. چهارمین بخش نیز بخش یافته‌هاست. در این بخش، نتایج به‌دست‌آمده از پژوهش منعکس می‌شود. درنهایت بخش پنجم متعلق به نتایج و پیشنهادهاست که بخش نهایی این پژوهش به حساب می‌آید.

 

مبانی نظری

در بازار اوراق بهادار، شرکت‌هایی که به‌وسیلۀ نوع فعالیت تجاری خود با یکدیگر قرابت دارند، در یک دسته قرار داده می‌شوند. این تقسیم‌بندی، موجب می‌شود که روند تغییرات و نوسان‌های موجود در یک صنعت، نه فقط با استفاده از یک شرکت یا شرکت‌های منتخب آن حوزه، از مجموع شرکت‌های بورسی فعال در آن حوزه شناسایی و رصد شود. این کار با زدودن سوگیری‌هایی، که به علت شرایط ویژۀ یک یا چند شرکت خاص در شاخص موردمطالعه به وجود می‌آید، نشان‌دهندۀ خروجی نزدیک‌تری به واقعیت است. این مسئله، لزوم گروه‌بندی شرکت‌ها را برای فعالان این حوزه محرز کرده است. در بازار اوراق بهادار تهران، گروه‌های متنوعی وجود دارد که ازجمله مهم‌ترین آنها می‌توان به گروه محصولات شیمیایی، بانک‌ها و مؤسسات اعتباری اشاره کرد.

ریسک، در تعریف جامع خود، به معنای احتمال اختلاف بازدۀ حاصل‌شده از بازدۀ موردانتظار است. ازآنجایی‌که تفاوت بازده ممکن است رو به بالا یا پایین باشد، ریسک در معنای ریسک نامطلوب، احتمال از دست دادن همه یا بخشی از سرمایه است (Rai & Pouyanfar, 2011)؛ از این ‌رو، هرچه احتمال بیشتری برای ضرر وجود داشته باشد، ریسک آن سرمایه‌گذاری بیشتر است و هرچه این احتمال کمتر باشد، ریسک کمتری خواهد داشت. در ادبیات مالی، انحراف معیار نرخ بازده به شکل سنتی، شاخصی برای ریسک معرفی شده است (Rai & Pouyanfar, 2011). امروزه با گسترش کاربرد ریسک در بازارهای مالی و سرمایه‌گذاری، شاخص‌های نوین و بهینه‌سازی‌شده‌ای استفاده می‌شود. یکی از مهم‌ترین این شاخص‌ها، ارزش در معرض ریسک است.

ارزش در معرض ریسک، سنجه‌ای پراستفاده از ریسک است که امکان کمّی سازی و مدیریت سبد سرمایه‌گذاری را فراهم می‌‌کند (Bohdalová & Greguš, 2016). مفهوم ارزش در معرض ریسک، اولین بار در اواخر قرن بیستم میلادی از سوی مؤسسات مالی برای اندازه‌گیری ریسک سبد سرمایه‌گذاری استفاده شد. این دوره، بستر نوسان‌های شدید در نرخ تبدیل و رشدهای سریع در استفاده از مشتقات مالی مدیریت ریسک نرخ بهره بود. این مفهوم، اولین بار از سوی بانک J.P. Morgan در سال 1994 معرفی شد (Shen et al., 2018). در آوریل 1995 کمیتۀ نظارت بر بانکداری بازل[13] عنوان کرد که بانک‌ها برای محاسبۀ کفایت سرمایۀ خود مجازند که از روش‌های ارزش در معرض ریسک برای ریسک بازار استفاده کنند. در سال‌های اخیر، معامله‌گران غیر بانکی حوزۀ انرژی و حتی سرمایه‌گذران حقیقی نیز شروع به استفاده از این شاخص برای محاسبۀ ریسک کردند. امروزه بسیاری از شرکت‌های بزرگ فعال در بازار سرمایه (در تمامی حوزه‌ها اعم از بانکی، انرژی، کشاورزی و ...)، شاخص ارزش در معرض ریسک را شاخصی مهم و حیاتی در محاسبات خود مدنظر قرار دادند و رفتار خود (در سرمایه‌گذاری و بازار مالی) را با توجه به تحلیل‌های مرتبط با این شاخص تنظیم می‌کنند (Shen et al., 2018).

ارزش در معرض ریسک، مقدار ارزشی است که پیش‌بینی می‌شود یک دارایی (یا سبد سرمایه‌گذاری) از دست بدهد. درواقع این شاخص در سطح اطمینان تعریف‌شده، حد ضرر یک دارایی (یا سبد سرمایه‌گذاری) را برای سرمایه‌گذار معین می‌کند (Kiani et al., 2015; Abad et al., 2014; Bohdalová & Greguš, 2016; Shen et al., 2018)؛ از این ‌رو، با محاسبۀ ارزش در معرض ریسک برای یک دارایی، استدلال می‌شود که دارایی مذکور در سطح اطمینان محاسبه‌شده (برای مثال 99 درصد) ممکن است درصد مشخصی (برای مثال 3 درصد) از ارزشش را از دست بدهد. به ‌بیان‌ دیگر، در مثال فوق، تنها 1 درصد احتمال دارد که دارایی مذکور بیش از 3 درصد زیان را بر سرمایه‌گذار تحمیل کند. برای محاسبۀ ارزش در معرض ریسک، روش‌های متنوعی وجود دارد. این روش‌ها اغلب در سه دستۀ پارامتریک، نیمه‌پارامتریک و غیرپارامتریک دسته‌بندی می‌شود (Abad et al., 2014). هرکدام از این دسته‌ها با توجه به رویکرد محاسبه، خواص منحصربه‌فردی دارد؛ اما روش‌های نیمه‌پارامتریک به علت آنکه از خواص پارامتریک و غیرپارامتریک به شکل هم‌زمان استفاده می‌کند، امروزه بیش ‌از پیش موردتوجه پژوهشگران قرارگرفته است. روش شبیه‌سازی تاریخی فیلترشده، از روش‌های نیمه‌پارامتریک محسوب می‌شود (Bohdalová & Greguš, 2016; Shen et al., 2018).

تغییر در ریسک موجود در بازارهای مختلف، همواره دلایل متفاوت درون‌زا و برون‌زای متنوعی دارد. اهمیت شناسایی منشأ تغییرات ریسک در یک بازار، امکان برنامه‌ریزی، سیاست‌گذاری و بهینه‌سازی رفتار فعالان حوزۀ سرمایه‌گذاری است؛ از این رو، به سرریز ریسک به‌عنوان پدیدۀ سرایت ریسک از یک بازار به بازار دیگر توجه شده است (Barghi et al., 2019). به بیانی ساده، سرریز ریسک، القای ریسک از بازار مبدأ به بازار مقصد است؛ برای مثال، دو بازار نفت و گاز به‌شدت بر یکدیگر اثر می‌گذارد و براساس مطالعۀ شن[14] و همکاران (2018) ریسک به‌وجود‌آمده در بازار نفت، موجب بروز ریسک در بازار گاز می‌شود. به این پدیده، سرریز یا سرایت ریسک گفته می‌شود.

پژوهش‌های مختلفی درخصوص سرریز ریسک بازارهای مالی صورت گرفته است (برای نمونه: Li & Giles, 2014; Yao et al., 2018; Jiang & Yoon, 2020). این پژوهش‌ها، به‌وضوح نشان‌دهندۀ آن است که اطلاعات در بازارهای مختلف جهانی و داخلی به یکدیگر سرایت می‌کند. یکی از جنبه‌های مهمی که مطالعات فراوانی نیز درخصوص آن انجام شده است، بررسی سرریز ریسک بین بخش‌های مختلف یک بازار مالی است. این نوع مطالعات، علاوه بر اینکه به وجود سرریز ریسک درون یک بازار مالی (بین واحدهای سازنده بازار مالی) صحه می‌گذارد، زمینۀ مدیریت سبد سرمایه‌گذاری فعالان حاضر را در آن بازار نیز فراهم می‌کند. شن و همکاران (2018)،سازوکار سرریز ریسک را بین نفت و گاز در بورس کالای نیویورک[15] بررسی کردند. آنها در این پژوهش، ضمن استفاده از روش شبیه‌سازی تاریخی فیلترشده برای محاسبۀ ارزش در معرض ریسک، سرریز ریسک را با آزمون تازه معرفی‌شده‌ای بر مبنای تابع کوانتایل متقاطع[16] و روش VAR[17] بررسی کردند. پژوهش آنها نشان‌دهندۀ آن است که سرریز تلاطم از بازار نفت به بازار گاز و برعکس وجود نداشته است؛ اما سرریز ریسک از بازار نفت به بازار گاز تنها در این جهت وجود دارد؛ همچنین ریسک‌های شدید، بسیار راحت‌تر از ریسک‌های خفیف بین این دو بازار منتقل می‌شود.

پژوهش سرریز ریسک از یک بخش از بازار به بازار مالی دیگر نیز ازجمله نمونه‌هایی است که سابقۀ بالای مطالعاتی دارد. دو و هی[18] (2015)، ضمن مطالعۀ سرریز ریسک بین بازار نفت (WTI) و اوراق بهادار (شاخص S&P 500) دریافتند که سرریز ریسک چشمگیری بین این دو وجود دارد. آنها نشان دادند که تغییرات شدید در یکی از این بازارها به تغییرات زیادی در بازار دیگر منجر می‌شود. این سرریزها، ممکن است بلافاصله رخ بدهد یا با یک فاصلۀ زمانی انجام شود. آنها از ارزش در معرض ریسک به‌عنوان سنجۀ ریسک و از آزمون علیت گرانجر برای بررسی سرریز ریسک استفاده کردند. پژوهش‌های متنوعی در حوزۀ همبستگی بین بازارهای مالی نیز انجام شده است. مالک و حموده[19] (2007)، سرریز شوک و نوسان را بین بازارهای سرمایۀ عربستان سعودی، کویت، بحرین و آمریکا و بازارهای جهانی نفت بررسی کردند. پژوهش آنها نشان‌دهندۀ آن است که سرریز نوسان از بازار نفت به بازارهای سرمایۀ کویت و بحرین وجود داشته است؛ ولی چنین سرریزی به بازار سرمایۀ عربستان مشاهده نشد؛ این در حالی است که در پژوهش مذکور، وجود سرریز از بازار سرمایۀ عربستان به بازار نفت تأیید می‌‌شود. یکی از کاستی‌های پژوهش مالک و حموده، بررسی‌نشدن سرریز ریسک بین بازارهای بورس کشورهای موردمطالعه است. الاُطیبی و میشرا[20] (2015)، سرریز تلاطم را از بازار سهام آمریکا و عربستان به بازارهای سهام امارات، بحرین، قطر و کویت بررسی کردند. آنها ضمن استفاده از روش گارچ چند متغیره در چارچوب تصریح BEKK، دریافتند که سرریز تلاطم از بازار اوراق بهادار آمریکا و عربستان به بازار اوراق بهادار کشورهای مقصد معنادار است. مشابه این پژوهش‌ها، در سطح دنیا و برای کشورهای مختلفی انجام شده است. سیدحسینی و ابراهیمی (2013)، سرایت تلاطم را بین بازارهای سهام ایران، ترکیه و امارات بررسی کردند. نتایج این پژوهش، نشان‌دهندۀ آن است که سرایت تلاطم به شکل معناداری بین بازار اوراق بهادار امارات (بورس دوبی) و ایران (بورس تهران) وجود دارد؛ این در حالی است که سرایت در سیر معکوس آن مشاهده نشد. سرایت تلاطم بین بازارهای امارات (بورس دبی) و ترکیه (بورس استانبول)، فقط از طریق اثرهای آرچ مشاهده شده است، به شکلی که اندازۀ آن زیاد نیست.

برقی اسگوئی و ثقفی کلوانق (2019)، سرریز ریسک نامتقارن را در بازارهای ارز، نفت خام، سکه و بورس بررسی کردند. آنها برای بررسی سرریز ریسک بین بازارهای مختلف، با استفاده از علیت گرانجر، سرریز ریسک مثبت و منفی را در بازارهای مذکور محاسبه کردند. آنها دریافتند که ریسک منفی و مثبت شاخص بورس، تأثیر معناداری روی ریسک منفی و مثبت نرخ ارز دارد؛ اما عکس آن مشاهده نشد. سرریز ریسک از بازار نفت به شاخص بورس، تنها در ریسک مثبت معنادار است. سرریز ریسک بین قیمت سکۀ طلا و شاخص بورس، و سکۀ طلا و نرخ ارز در ریسک منفی دوطرفه بوده است؛ اما در ریسک مثبت تنها از قیمت سکه به شاخص بورس معنادار است. سرریز از قیمت نفت به نرخ ارز در هر دو ریسکِ منفی و مثبت معنادار است؛ ولی معناداری در عکس آن مشاهده نشد. درنهایت سرریز ریسک بین قیمت نفت و سکه، تنها در ریسک منفی از سکه به نفت مشاهده شد. بت‌شکن و محسنی (2018) و شاهوردی (2018) نیز در پژوهش‌های جداگانه‌ای، سرریز نوسان‌های بین بازار نفت (قیمت سبد نفت اوپک) و شاخص کل بورس تهران را در بازه‌های زمانی متفاوت بررسی کردند. علاوه بر این، باستان زاد و داوودی (2018)، سازوکار انتقال ریسک بین بازار ارز (نرخ ارز آزاد)، بازار مسکن (شاخص قیمت زمین) و شاخص کل بورس تهران را با استفاده از آزمون علیت گرانجر بررسی کردند. در پژوهشی دیگر نیز حسینیون و همکاران (2016)، سرایت تلاطم نرخ بازده را در بازارهای ارز (نرخ ارز آزاد)، طلا (قیمت روزانۀ سکۀ تمام بهار آزادی طرح جدید) و شاخص کل بورس تهران، با بهره‌گیری از مدل خودرگرسیون برداری مطالعه کردند.

شیخا گندویلا (2017)، ضمن توجه به اثرهای انتقال اطلاعات از بازارهای مالی جهانی و کشوری به بخشی از بازار اوراق بهادار، سرریز تلاطم بازار نفت (قیمت سبد اوپک) و ارز (قیمت دلار) را بر قیمت سهام صنایع شیمیایی پذیرفته‌شده در بورس بررسی کرد. نتایج این پژوهش نشان‌دهندۀ آن است که سرریز تلاطم از بازار نفت بر سهام صنایع شیمیایی با اندکی اغماض و در سطح خطای 11 درصد و سرریز تلاطم از سهام صنایع شیمیایی بر بازار ارز، معنادار است؛ این در حالی است که سرریز تلاطم از بازار نفت به بازار ارز معنادار نیست. پژوهش حاضر برخلاف اینکه از منظر بررسی بخشی (یک گروه) از بازار اوراق بهادار در قبال سرریز از بازارهای دیگر کشوری و جهانی، نوعی ابتکار محسوب می‌شود؛ اما همچنان به حوزۀ بررسی سرریز داخلی بین گروه‌های مختلف بازار اوراق بهادار ورود نکرده است.

کرمی و رستگار (2018)، سرریز بازده و نوسان‌های شش صنعت منتخب (محصولات شیمیایی، مواد و محصولات دارویی، بانک‌ها و مؤسسات اعتباری، فراورده‌های نفتی، کک و سوخت هسته‌ای، خودرو و ساخت قطعات و بیمه و بازنشستگی به‌جز تأمین اجتماعی) را بر یکدیگر در بورس تهران بررسی کردند. نتایج این پژوهش نشان‌دهندۀ آن است که سرریز شوک و نوسان‌ها از صنعت خودرو و ساخت قطعات، با یک دوره وقفه به صنعت، بانک‌ها و مؤسسات اعتباری وجود دارد. علاوه بر این، سرریز از صنعت بانک‌ها و مؤسسات اعتباری به صنعت بیمه و صندوق بازنشستگی به‌جز تأمین اجتماعی و مواد و محصولات دارویی مشاهده شد. این پژوهش نشان‌دهندۀ آن است که صنعت فرآورده‌های نفتی، کک و سوخت هسته‌ای با یک دوره از صنعت بیمه و صندوق بازنشستگی به‌جز تأمین اجتماعی و صنعت محصولات شیمیایی سرریز می‌پذیرد و از صنعت مواد و محصولات دارویی نیز با یک وقفه سرریز به صنعت بیمه و صندوق بازنشستگی به‌جز تأمین اجتماعی و صنعت محصولات شیمیایی وجود دارد. هیچ‌گونه سرریزی از هیچ صنعت منتخبی به صنعت خودرو و ساخت قطعات مشاهده نشد. از دیگر پژوهش‌ها در این حوزه، به پوریعقوبی و اشرفی (2020) برای بررسی سرایت تلاطم بازده بین هفت صنعت منتخب و نیز دلشاد غلامی (2017) برای بررسی و اندازه‌گیری سرریز نوسان‌ها بین 19 صنعت منتخب در بورس تهران اشاره می‌شود.

 

روش پژوهش

در این پژوهش، در دو مرحلۀ کلی اقدام به بررسی سرریز ریسک می‌‌شود. مرحلۀ اول، محاسبۀ ارزش در معرض ریسک است که با استفاده از روش شبیه‌سازی تاریخی فیلترشده انجام می‌شود. مرحلۀ دوم نیز به بررسی وجود سرریز ریسک اختصاص دارد. در این مرحله، آزمون علیت گرانجر برای بررسی علیت بین سری زمانی ریسک دو بازار به کار گرفته می‌شود.

ارزش در معرض ریسک، حد ضرر یک دارایی (یا سبدی از دارایی‌ها) تعریف می‌شود. درواقع ارزش در معرض ریسک، حدی از ضرر را معرفی می‌کند؛ به‌گونه‌ای که احتمال اینکه ضرر تحمیل‌شده بیش از آن حد ضرر باشد، α درصد است. به‌طور معمول، مقدار α برای محاسبۀ ریسک 1، 5 یا 10 درصد در نظر گرفته می‌شود. به زبان ریاضی، ارزش در معرض ریسک در دورۀ t از یک سری زمانی مالی، صدک αام سمت چپ (منفی) توزیع بازدۀ شرطی آن سری زمانی است (Shen et al., 2018). فرمول کلی ارزش در معرض ریسک، به شکل زیر است:

 

(1)

 

 

در معادلۀ فوق،  تابع صدک است،  بازدۀ دارایی را در دورۀ t نشان داده و  نیز اطلاعات موجود را در دورۀ t نمایندگی می‌کند.

برخلاف مفهوم سادۀ ارزش در معرض ریسک، محاسبۀ کمّی آن، با چالش‌هایی همراه است. مشکل اصلی مربوط به یافتن مدلی مناسب، برای سری بازدۀ مالی با توجه به ویژگی‌های خاص آن همچون چولگی[21] و کشیدگی[22] است. مدل‌های موجود برای محاسبۀ ارزش در معرض ریسک، اغلب در نحوۀ تخمین توزیع تجربی[23] سری بازده با یکدیگر تفاوت دارد؛ از این ‌رو، روش‌های محاسبۀ ارزش در معرض ریسک در سه دستۀ کلی پارامتریک، نیمه‌پارامتریک و غیرپارامتریک دسته‌بندی می‌شود. در این پژوهش، برای محاسبۀ ارزش در معرض ریسک دارایی، از روش شبیه‌سازی تاریخی فیلترشده استفاده می‌شود. شبیه‌سازی تاریخی فیلترشده، ترکیبی از روش شبیه‌سازی تاریخی[24] و پارامتریک است. کوستر[25] و همکاران (2005) با مطالعۀ این روش عنوان کردند که شبیه‌سازی تاریخی فیلترشده به‌صورت کلی بهتر از دیگر روش‌ها عمل می‌کند.

برای محاسبۀ ارزش در معرض ریسک با روش شبیه‌سازی تاریخی فیلترشده، ابتدا مدل آرما-گارچ[26] ارائه‌شده از سوی بولرسلیو[27] (1986) روی هر سری بازده اعمال می‌شود. اگر  بازدۀ روزانه باشد، آنگاه  به شکل زیر تعریف می‌شود:

(2)

 

 

 

که در آن  بازده،  بازدۀ مرتبۀ iام،  میانگین،  عنصر سطح،  وزن بازده‌های مرتبۀ i‌ام در تعیین بازدۀ tام،  وزن جملات خطای مرتبۀ jام در تعیین بازدۀ tام،  جملات خطا،  جملات خطای مرتبۀ jام،  واریانس پیش‌بینی‌شده،  واریانس پیش‌بینی‌شده برای دورۀ t-j،  مجذور جملۀ خطا (باقی‌مانده) در دورۀ t-i،  ضرایب مجذور جملۀ خطا در دورۀ t-i (پارامتر مدل) و  ضرایب واریانس در دورۀ t-j (پارامتر مدل) هستند.

رویکرد شبیه‌سازی تاریخی فیلترشده از سوی بارون-آدسی[28] و همکاران (1999 و 2002)، ترکیبی از روش شبیه‌سازی تاریخی (به‌عنوان بخش ناپارامتریک) و مدل‌های تلاطم شرطی (به‌عنوان بخش پارامتریک) محسوب می‌شود؛ به شکلی که در بخش ناپارامتریک آن نیازی به انتخاب تابع توزیعی خاص برای سری زمانی بازده‌های موردمطالعه نیست و با استفاده از عملیات بوت‌استرپ و داده‌های تاریخی، اقدام به محاسبۀ ارزش در معرض ریسک می‌شود. به بیانی دقیق‌تر، در این رویکرد، ابتدا با استفاده از مدل‌های تلاطم شرطی همچون گارچ، اقدام به محاسبۀ سری زمانی انحراف معیار شرطی متغیر مدنظر شده است و سپس ضمن محاسبۀ بازده‌های استانداردشدۀ تاریخی، بدون آنکه هیچ‌گونه فرضی نسبت‌به توزیع سری زمانی بازدۀ مدنظر صورت گیرد، از عملیات بوت‌استرپ (که عبارت است از نمونه‌گیری با جایگزینی از داده‌های تاریخی بازده‌های استانداردشده) برای محاسبۀ ارزش در معرض ریسک دورۀ آتی استفاده می‌شود.(Bohdalová & Greguš, 2016; Pritsker, 2006). 

بر مبنای رویکرد شبیه‌سازی تاریخی فیلترشده، ارزش در معرض ریسک با استفاده از محاسبۀ مسیرهای شبیه‌سازی‌شده، از طریق بازده‌های استانداردشده[29] حاصل می‌شود. درواقع فرمول کلی روش شبیه‌سازی تاریخی فیلترشده به شکل زیر است:

(3)

 

 

که در این فرمول،  بازدۀ شبیه‌سازی‌شده[30] با شمارۀ مسیر s برای دورۀ t+1،  انحراف معیار تخمین‌زده‌شده برای دورۀ t+1 در مدل آرما-گارچ و  بازدۀ استانداردشده با شمارۀ مسیر s برای دورۀ t+1 است. همان‌طور که در فرمول مشاهده می‌شود، در این روش برای هر دورۀ زمانی (t+1) تعداد s بازده شبیه‌سازی می‌شود. این کار، پس از محاسبۀ سری انحراف معیار و بازدۀ استانداردشده از مدل آرما-گارچ (سری بازدۀ استانداردشده با تقسیم بازده‌های واقعی بر انحراف معیارهای محاسبه‌شده به دست می‌آید)، با انتخاب تصادفی s عدد از سری بازدۀ استانداردشده، به‌ازای هر دورۀ زمانی و از بین بازده‌های استانداردشده از ابتدای سری تا آن دوره (تا دورۀ t) انجام می‌شود؛ از این‌ رو، با ضرب بازده‌های استاندارد و انتخاب‌شده برای هر دوره، در انحراف معیار آن دوره، s عدد بازدۀ شبیه‌سازی‌شده برای دورۀ t+1 به دست می‌آید. درنهایت، با مرتب‌سازی بازده‌های شبیه‌سازی‌شده برای هر دوره و محاسبۀ صدک αام سمت چپ آن، ارزش در معرض ریسک مدنظر در دورۀ t+1 و با سطح اطمینان 1-α محاسبه می‌شود.

فرآیند فوق برای هر دورۀ زمانی به‌صورت جداگانه انجام می‌شود. این بدان معناست که بازده‌های استانداردشده برای هر دوره به‌صورت جداگانه و به شکل تصادفی انتخاب می‌شود. شایان ذکر است که تعداد بهینۀ مسیر (s) برای شبیه‌سازی بازدۀ هر دوره، بین 1000 تا 10000 مسیر است.

علیت، یکی از مسائل اساسی در بررسی رابطۀ بین متغیرهای مختلف است (Souri, 2017). در آزمون علیت گرانجر به‌عنوان روشی مرسوم در بررسی علیت، امکان استفاده از یک سری زمان در پیش‌بینی یک سری زمانی دیگر بررسی می‌‌شود. به بیان ساده‌تر، آزمون علیت گرانجر، بررسی امکان معلولیت یک متغیر از یک متغیر دیگر (به‌عنوان علت) تعریف می‌شود. به ‌این‌ ترتیب، با اعمال آزمون علیت گرانجر بر سری زمانی ارزش در معرض ریسک دو بازار، با بررسی علیت بین آنها، وجود یا نبود سرریز ریسک نشان داده می‌شود. در آزمون علیت گرانجر معادلات زیر بررسی می‌شود:

 

(4)

 

 

براساس معادلات فوق، چهار حالت مختلف قابل‌بحث است. الف) اگر  و  بوده و ازنظر آماری معنادار باشد، آنگاه علیت یک‌طرفه است، که طبق آن X علت Y بوده و سرریز ریسک در این جهت معنادار است. ب) اگر  و  بوده و ازنظر آماری معنادار باشد، آنگاه علیت یک‌طرفه است، که طبق آن، Y علت X بوده و سرریز ریسک در این مسیر معنادار است. ج) اگر  و  بوده و ازنظر آماری معنادار باشد، آنگاه علیت دوطرفه است، که طبق آن، سرریز ریسک در هر دو جهت معنادار است. د) اگر  و  بوده و ازنظر آماری معنادار باشد، آنگاه علیت و سرریز ریسکی بین آنها معنادار نیست. هر یک از فرضیه‌های فوق، نشان‌دهندۀ اعمال یک قید روی ضرایب معادلۀ مدنظر است که با آمارۀ F آزمونی است (Souri, 2017).

 

 

 

یافته‌ها

در پژوهش حاضر، سرریز ریسک بین گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری بررسی می‌‌شود. به این منظور، از داده‌های روزانۀ شاخص کل قیمتی گروه محصولات شیمیایی (با نماد Chemical) و گروه بانک‌ها و مؤسسات اعتباری (با نماد Bank) در بازۀ پانزدهم فروردین 1388 تا 26 اسفند 1399 استفاده شده است. داده‌های مذکور، از سایت شرکت مدیریت فناوری بورس تهران (مرکز پردازش اطلاعات مالی ایران) استخراج شده‌ است. شایان ذکر است که تجزیه‌وتحلیل داده‌ها با استفاده از نرم‌افزار E-views 8 انجام شده است. پس از استخراج و درون‌یابی داده‌های شاخص قیمتی روزانه، لازم است که این داده‌ها به بازده‌های روزانه تبدیل شود. این کار، با استفاده از فرمول زیر انجام می‌شود:

 

(5)

 

 

 

در این فرمول،  نشان‌دهندۀ بازدۀ روزانۀ گروه i در زمان t بوده و  نیز شاخص کل قیمتی گروه i در زمان t است. سری زمانی بازدۀ روزانۀ محاسبه‌شده برای هر دو گروه، در شکل (1) نشان داده شده است.

 

 

شکل (1) بازدۀ روزانۀ شاخص کل قیمت گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری

Figure (1) Daily return of total price index of Chemical products and Banks & Credit institutions groups

 

جدول (1) نشان‌دهندۀ خلاصه‌ای از آمار توصیفی بازدۀ روزانۀ گروه محصولات شیمیایی و گروه بانک و مؤسسات مالی در بازۀ موردمطالعه است. با توجه به مثبت‌بودن مقدار میانگین برای هر دو گروه، بازدۀ آنها در بازۀ موردمطالعه مثبت بوده است. مقایسۀ انحراف معیار این دو گروه نیز نشان‌دهندۀ آن است که گروه بانک‌ها و مؤسسات اعتباری، تلاطم بیشتری نسبت‌به گروه محصولات شیمیایی دارد. آزمون جارک-برا[31] برای تشخیص نرمال‌بودن توزیع داده‌های این دو گروه، با رد فرض صفر آزمون، نرمال‌بودن توزیع را رد می‌کند.

 

جدول (1) آمار توصیفی گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری

Table (1) Descriptive Statistics of Chemical products and Banks & Credit institutions groups

/

گروه محصولات شیمیایی

گروه بانک‌ها و مؤسسات اعتباری

تعداد مشاهدات

2881

2881

میانگین

001995/0

001502/0

میانه

000445/0

000000/0

حداکثر

093054/0

098256/0

حداقل

060192/0-

120227/0-

انحراف معیار

013019/0

013851/0

چولگی

495616/0

139398/0-

کشیدگی

602577/7

848276/8

جارک-برا

874/2660

036/4115

 

برای بررسی مانایی سری‌های زمانی، از آزمون دیکی-فولر تعمیم‌یافته[32] استفاده شده است. فرض صفر آزمون فوق، وجود ریشۀ واحد در سری زمانی است. تعداد وقفه‌های آن نیز به‌صورت اتوماتیک و براساس معیار شوارتز[33] تعیین شده است. خروجی آزمون، با رد فرض صفر خود، مانایی داده‌های این پژوهش را (که بازدۀ روزانه هستند) در سطح 1 درصد تأیید می‌کند. بدین ترتیب، برآورد مدل بررسی می‌شود. برای برآورد مدل، ابتدا از الگوریتم باکس-جنکینز[34] برای تخمین مدل ARMA استفاده شده است؛ از این ‌رو، مدل‌های مختلف AR(m)، MA(n) و ARMA(m,n) برای هرکدام از سری‌ها بررسی و با توجه به مقایسۀ معیار اطلاعاتی حنان-کوین[35]، مدل مناسب برای هرکدام از سری‌ها انتخاب شد. براساس نتایج به‌دست‌آمده، مدل مناسب برای سری زمانی، بازدۀ روزانۀ گروه محصولات شیمیایی ARMA(3,1) و مدل مناسب برای گروه بانک‌ها و مؤسسات اعتباری ARMA(1,2) است.

پس از یافتن مدل ARMA، با توجه به وجود ناهمسانی واریانس، مدل ARCH و مدل‌های مختلف GARCH برای هر سری بررسی شده است. با توجه به معناداری مدل و براساس مقایسۀ معیار اطلاعاتی حنان-کوین برای مدل‌های مختلف، مدل مناسب برای هر سری انتخاب شد؛ از این ‌رو، براساس نتایج به‌دست‌آمده، مدل مناسب برای سری زمانی بازدۀ گروه محصولات شیمیایی مدل[36] ARMA(3,1)-GARCH(1,1)-N و مدل مناسب برای گروه بانک و محصولات شیمیایی مدل[37] ARMA(1,2)-GARCH(1,1)-t است. نتایج مربوط به تخمین مدل‌های فوق در جدول‌های (2) و (3) ارائه شده است.

جدول (2) نتایج برآورد مدل ARMA(3,1)-GARCH(1,1)-N برای گروه محصولات شیمیایی

Table (2) Estimation results of ARMA(3,1)-GARCH(1,1)-N model for Chemical products group

 

معادلۀ میانگین

متغیر

ضریب

خطای استانداردشده

آمارۀ z

احتمال

C

000551/0

000328/0

677825/1

0934/0  *

AR(1)

205631/1

058293/0

68241/20

0000/0  ***

AR(2)

399286/0-

036425/0

96177/10-

0000/0  ***

AR(3)

107546/0

021828/0

926894/4

0000/0  ***

MA(1)

805790/0-

057804/0

93997/13-

0000/0  ***

معادلۀ واریانس

C

06-E21/2

07-E19/1

50588/18

0000/0 ***

RESID(-1)^2

128624/0

006074/0

17738/21

0000/0 ***

GARCH(-1)

867134/0

004926/0

0299/176

0000/0 ***

معیار اطلاعاتی

 Hannan-Quinn criterion

473236/6-

*** 01/0<سطح معناداری؛   ** 05/0<سطح معناداری؛   *10/0<سطح معناداری 

           

 

جدول (3) نتایج برآورد مدل ARMA(1,2)-GARCH(1,1)-t برای گروه بانک‌ها و مؤسسات اعتباری

Table (3) Estimation results of ARMA(1,2)-GARCH(1,1)-t model for Banks & Credit institutions group

 

معادلۀ میانگین

متغیر

ضریب

خطای استانداردشده

آمارۀ z

احتمال

C

000300/0-

000150/0

998803/1-

0456/0  **

AR(1)

939920/0

016375/0

39871/57

0000/0 ***

MA(1)

561087/0-

025773/0

77071/21-

0000/0 ***

MA(2)

299541/0-

021247/0

09839/14-

0000/0  ***

معادلۀ واریانس

C

07-E04/2

08-E35/7

778774/2

0055/0  ***

RESID(-1)^2

436779/0

048659/0

976291/8

0000/0  ***

GARCH(-1)

748240/0

014517/0

54351/51

0000/0  ***

توزیع خطا

T-DIST. DOF

171546/3

158522/0

00696/20

0000/0  ***

معیار اطلاعاتی

 Hannan-Quinn criterion

787693/6-

*** 01/0<سطح معناداری؛   ** 05/0<سطح معناداری؛   *10/0<سطح معناداری 

           

پس از اعمال مدل GARCH، سری زمانی واریانس شرطی استخراج می‌شود. واریانس شرطی سری زمانی بازدۀ روزانۀ گروه‌های موردمطالعه در شکل (2) و (3) آورده شده است.

 

 

شکل (2) سری زمانی واریانس شرطی گروه محصولات شیمیایی

Figure (2) Conditional variance series for Chemical products group

 

 

شکل (3) سری زمانی واریانس شرطی گروه بانک‌ها و مؤسسات اعتباری

Figure (3) Conditional variance series for Banks & Credit institutions group

 

پس از تخمین مدل GARCH مناسب برای هر گروه، سری زمانی انحراف معیار شرطی و بازده‌های استانداردشده (با تقسیم بازده‌های واقعی بر انحراف معیارهای محاسبه‌شده) برای هر گروه استخراج می‌شود؛ از این‌ رو، برای محاسبۀ ارزش در معرض ریسک در سطح اطمینان 99 درصد با روش شبیه‌سازی تاریخی فیلترشده، پس از استخراج سری‌های زمانی فوق، برای هر دورۀ t، تعداد 10000 مقدار به‌صورت تصادفی از سری زمانی بازده‌های استانداردشده انتخاب شده و با ضرب در انحراف معیار محاسبه‌شده در آن دوره، 10000 بازدۀ شبیه‌سازی‌شده برای هر دوره به‌ دست ‌آمده است. پس از محاسبۀ بازده‌های شبیه‌سازی‌شده برای هر دوره و مرتب‌سازی آنان، صدک یکم سمت چپ آن محاسبه ‌شده است که درواقع ارزش در معرض ریسک سری زمانی بازدۀ گروه موردنظر با سطح اطمینان 99 درصد است. این کار، برای همۀ دوره‌های t انجام شده و درنهایت سری زمانی ارزش در معرض ریسک 99 درصد برای هر دو گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری به دست آمده است. این دو سری در شکل‌های 4 و 5 نشان داده ‌شده است.

 

 

شکل (4) بازده و ارزش در معرض ریسک 99 درصد گروه محصولات شیمیایی

Figure (4) Return and 99 percent Value at Risk (VaR) for Chemical products group

 

شکل (5) بازده و ارزش در معرض ریسک 99 درصد گروه بانک‌ها و مؤسسات اعتباری

Figure (5) Return and 99 percent Value at Risk (VaR) for Banks & Credit institutions group

 

پس از یافتن سری زمانی ارزش در معرض ریسک گروه‌ها و ضمن بررسی و اطمینان از مانابودن آنها، از آزمون علیت گرانجر برای بررسی سرریز ریسک استفاده شده است. در این آزمون، برای بررسی علیت در طول زمان، لازم است وقفۀ مناسب در نظر گرفته شود؛ از این‌ رو، آزمون علیت گرانجر با وقفه‌هایی برابر با یک هفتۀ کاری بازار اوراق بهادار تهران، یعنی 1، 2، 3، 4 و 5 وقفه در نظر گرفته شد. نتایج آزمون دیکی-فولر تعمیم ‌یافته و آزمون علیت گرانجر برای سری زمانی ارزش در معرض ریسک گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری در جدول‌های (4) و (5) آورده شده است.

 

جدول (4) آزمون دیکی-فولر تعمیم‌یافته برای سری زمانی ارزش در معرض ریسک گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری

Table (4) Augmented Dickey Fuller test statistics for Value at Risk series of Chemical products and Banks & Credit institutions groups

/

گروه محصولات شیمیایی

بدون جملۀ ثابت و روند

با جملۀ ثابت و بدون روند

با جملۀ ثابت و روند

آمارۀ t

احتمال

آمارۀ t

احتمال

آمارۀ t

احتمال

نتیجۀ آزمون

324/2-

0195/0

647/5-

000/0

223/6-

000/0

/

گروه بانک‌ها و مؤسسات اعتباری

بدون جملۀ ثابت و روند

با جملۀ ثابت و بدون روند

با جملۀ ثابت و روند

آمارۀ t

احتمال

آمارۀ t

احتمال

آمارۀ t

احتمال

نتیجۀ آزمون

994/4-

000/0

344/8-

000/0

347/9-

000/0

/

مقادیر بحرانی

سطح 1 درصد

565/2-

-

432/3-

-

961/3-

-

سطح 5 درصد

940/1-

-

862/2-

-

411/3-

-

سطح 10درصد

616/1-

-

567/2-

-

127/3-

-

جدول (5) آزمون علیت گرانجر برای سری زمانی ارزش در معرض ریسک گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری

Table (5) Granger Causality test for Value at Risk (VaR) series of Chemical products and Banks & Credit institutions groups

/

وقفه (روز)

1

2

3

4

5

فرضیه صفر

عامل ایجادکنندۀ ریسک در گروه BANK از طرف گروه CHEMICAL نیست

08-E.1***

07-E.4***

07-E.8***

06-E.3***

05-E.1***

عامل ایجادکنندۀ ریسک در گروه CHEMICAL از طرف گروه BANK نیست

0233/0**

0742/0*

1515/0

2660/0

2792/0

نتیجه

سرریز ریسک دوطرفه

سرریز ریسک دوطرفه

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

*** رد فرضیۀ صفر و معناداری علیت با 01/0<سطح معناداری.

** رد فرضیۀ صفر و معناداری علیت با 05/0<سطح معناداری.

* رد فرضیۀ صفر و معناداری علیت با 10/0<سطح معناداری.

 

جدول (4) نشان‌دهندۀ آن است که متغیرها مانا هستند و از آزمون علیت گرانجر برای بررسی سرریز بین آنها استفاده می‌شود. بدین ترتیب، همان‌طور که در جدول (5) آورده شده است، نتایج آزمون علیت نشان‌دهندۀ آن است که در وقفه‌های 1 و 2 سرریز، ریسک دوطرفه وجود دارد؛ این در حالی است که سرریز ریسک در وقفه‌های 3، 4 و 5 یک‌طرفه است. جهت سرریز ریسک در سرریزهای یک‌طرفه، از گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری است؛ از این ‌رو درمجموع، ریسک حادث‌شده در گروه محصولات شیمیایی در دورۀ t، به گروه بانک‌ها و مؤسسات اعتباری سرریز می‌کند و این سرریز به شکل مستمر حداقل تا پنج روز پس از وقوع ریسک در بازار مبدأ ادامه دارد؛ این در حالی است که ریسک حادث‌شده در گروه بانک‌ها و مؤسسات اعتباری در دورۀ t، تنها تا دو روز بعد از وقوع به گروه محصولات شیمیایی سرریز خواهد داشت و در روزهای بعد (تا پنج روز)، دیگر سرریزی از این بازار به بازار محصولات شیمیایی برقرار نخواهد بود.

در کنار سرریز ریسک، بررسی سرریز تلاطم، شناخت سازوکار انتقال اطلاعات بین این دو گروه را کامل‌تر می‌کند. سرریز تلاطم، ضمن بررسی و اطمینان از مانابودن سری‌های زمانی واریانس شرطی استخراج‌شده برای دو گروه موردمطالعه، با اعمال آزمون علیت گرانجر بر این سری‌ها انجام می‌شود. جدول (6) نشان‌دهندۀ نتایج آزمون دیکی-فولر تعمیم‌یافته است و جدول (7) نیز نتایج آزمون علیت بین دو گروه را برای وقفه‌های 1، 2، 3، 4 و 5 ارائه می‌دهد.

 

 

 

 

 

 

 

 

 

 

 

 

جدول (6) آزمون دیکی-فولر تعمیم‌یافته برای سری زمانی واریانس شرطی گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری

Table (6) Augmented Dickey Fuller test statistics for conditional variance series of Chemical products and Banks & Credit institutions groups

/

گروه محصولات شیمیایی

بدون جملۀ ثابت و روند

با جملۀ ثابت و بدون روند

با جملۀ ثابت و روند

آمارۀ t

احتمال

آمارۀ t

احتمال

آمارۀ t

احتمال

نتیجۀ آزمون

666/4-

000/0

188/6-

000/0

906/6-

000/0

/

گروه بانک‌ها و مؤسسات اعتباری

بدون جملۀ ثابت و روند

با جملۀ ثابت و بدون روند

با جملۀ ثابت و روند

آماره t

احتمال

آماره t

احتمال

آماره t

احتمال

نتیجۀ آزمون

853/10-

000/0

989/12-

000/0

411/14-

000/0

/

مقادیر بحرانی

سطح 1 درصد

565/2-

-

432/3-

-

961/3-

-

سطح 5 درصد

940/1-

-

862/2-

-

411/3-

-

سطح 10 درصد

616/1-

-

567/2-

-

127/3-

-

 

جدول (7) آزمون علیت گرانجر برای سری زمانی واریانس شرطی گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری

Table (7) Granger Causality test for conditional variance series of Chemical products and Banks & Credit institutions groups

 

وقفه (روز)

1

2

3

4

5

فرضیۀ صفر

عامل ایجادکنندۀ تلاطم در گروه BANK از طرف گروه CHEMICAL نیست

09-E.3***

09-E.2***

09-E.8***

08-E.9***

07-E.3***

عامل ایجادکنندۀ تلاطم در گروه CHEMICAL از طرف گروه BANK نیست

3113/0

5133/0

4923/0

6543/0

6050/0

نتیجه

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

*** رد فرضیۀ صفر و معناداری علیت با 01/0<سطح معناداری.

** رد فرضیۀ صفر و معناداری علیت با 05/0<سطح معناداری.

* رد فرضیۀ صفر و معناداری علیت با 10/0<سطح معناداری.

 

جدول (6) نشان‌دهندۀ آن است که متغیرها مانا هستند و از آزمون علیت گرانجر برای بررسی سرریز بین آنها استفاده می‌شود. نتایج آزمون علیت گرانجر در جدول (7) نیز نشان‌دهندۀ آن است که سرریز تلاطم بین دو گروه موردمطالعه، در تمام وقفه‌ها، سرریزی از مبدأ گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری بوده و در جهت عکس در هیچ وقفه‌ای معنادار نیست؛ از این ‌رو، برخلاف سازوکار سرریز ریسک، سرریز تلاطم به‌صورت یک‌طرفه از گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری برقرار است. بدین ترتیب، تلاطم حادث‌شده در گروه محصولات شیمیایی در دورۀ t، به گروه بانک‌ها و مؤسسات اعتباری سرریز می‌کند و این سرریز به شکل مستمر حداقل تا پنج روز پس از وقوع تلاطم در بازار مبدأ ادامه دارد؛ این در حالی است که تلاطم حادث‌شده در گروه بانک‌ها و مؤسسات اعتباری در دورۀ t، در هیچ زمانی پس از وقوع، به گروه محصولات شیمیایی سرریز نمی‌کند.

برای تکمیل شناخت و کسب اطمینان از پایایی نتایج استحصال‌شده درخصوص مکانیزم سرریز ریسک بین گروه‌های موردمطالعه، نمونۀ آماری مدنظر به دو زیرنمونۀ برابر تقسیم و سرریز ریسک و تلاطم بین هرکدام از آن دو زیرنمونه بررسی شده است. بدین منظور، سری زمانی ارزش در معرض ریسک و سری زمانی واریانس شرطی محاسبه‌شده در این پژوهش برای هرکدام از گروه‌های محصولات شیمیایی و بانک‌ها و مؤسسات اعتباری، به دو زیرنمونۀ شش‌ساله به‌ترتیب از 15 فروردین 1388 تا 17 اسفند 1393 و از 18 اسفند 1393 تا 26 اسفند 1399 تقسیم و برای بررسی سرریز ریسک و سرریز تلاطم بین آنها، آزمون علیت گرانجر به کار برده شده است. جدول (8) نشان‌دهندۀ نتایج آزمون علیت گرانجر با وقفه‌های 1، 2، 3، 4 و 5 برای زیرنمونۀ اول بین گروه‌های موردمطالعه است.

 

جدول (8) آزمون علیت گرانجر در زیرنمونه اول برای سری زمانی ارزش در معرض ریسک و سری زمانی واریانس شرطی گروه‌های محصولات شیمیایی و بانک‌ها و مؤسسات اعتباری

Table (8) Granger Causality test in the first subsample for Value at Risk (VaR) and conditional variance series of Chemical products and Banks & Credit institutions groups

 

وقفه (روز)

1

2

3

4

5

 

سرریز ریسک

فرضیۀ صفر

عامل ایجادکنندۀ ریسک در گروه BANK از طرف گروه CHEMICAL نیست

0185/0**

0358/0**

0323/0

0214/0**

0462/0**

عامل ایجادکنندۀ ریسک در گروه CHEMICAL از طرف گروه BANK نیست

1141/0

2357/0

4100/0

5994/0

2980/0

نتیجه

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

 

سرریز تلاطم

فرضیۀ صفر

عامل ایجادکنندۀ تلاطم در گروه BANK از طرف گروه CHEMICAL نیست

0012/0***

0054/0***

0050/0***

0023/0***

0053/0***

عامل ایجادکنندۀ تلاطم در گروه CHEMICAL از طرف گروه BANK نیست

1070/0

1310/0

2062/0

3501/0

4324/0

نتیجه

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

*** رد فرضیۀ صفر و معناداری علیت با 01/0<سطح معناداری.

** رد فرضیۀ صفر و معناداری علیت با 05/0<سطح معناداری.

* رد فرضیۀ صفر و معناداری علیت با 10/0<سطح معناداری.

همان‌طور که در جدول (8) مشاهده می‌شود، سرریز ریسک و سرریز تلاطم در زیرنمونۀ اول در تمامی وقفه‌ها، سرریزی یک‌طرفه از مبدأ گروه محصولات شیمیایی به مقصد گروه بانک‌ها و مؤسسات اعتباری بوده است و در جهت عکس در هیچ وقفه‌ای معنادار نیست. بدین ترتیب، در زیرنمونۀ اول، ریسک و تلاطم حادث‌شده در گروه بانک‌ها و مؤسسات اعتباری، متأثر از ریسک و تلاطم حادث‌شده در گروه محصولات شیمیایی است. جدول (9) نشان‌دهندۀ نتایج آزمون علیت گرانجر با وقفه‌های 1، 2، 3، 4 و 5 برای زیرنمونۀ دوم بین گروه‌های موردمطالعه است.

 

جدول (9) آزمون علیت گرانجر در زیرنمونۀ دوم برای سری زمانی ارزش در معرض ریسک و سری زمانی واریانس شرطی گروه‌های محصولات شیمیایی و بانک‌ها و مؤسسات اعتباری

Table (9) Granger Causality test in the second subsample for Value at Risk (VaR) and conditional variance series of Chemical products and Banks & Credit institutions groups

 

وقفه (روز)

1

2

3

4

5

 

سرریز ریسک

فرضیۀ صفر

عامل ایجادکنندۀ ریسک در گروه BANK از طرف گروه CHEMICAL نیست

06-E.9***

05-E.8***

0.0003***

0.0009***

0.0023***

عامل ایجادکنندۀ ریسک در گروه CHEMICAL از طرف گروه BANK نیست

4040/0

5747/0

7434/0

7965/0

7731/0

نتیجه

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

سرریز ریسک از گروه CHEMICAL به گروه BANK

 

سرریز تلاطم

فرضیۀ صفر

عامل ایجادکنندۀ تلاطم در گروه BANK از طرف گروه CHEMICAL نیست

05-E.4***

05-E.2***

05-E.7***

0.0004***

0.0009***

عامل ایجادکنندۀ تلاطم در گروه CHEMICAL از طرف گروه BANK نیست

9420/0

9525/0

9012/0

9696/0

8709/0

نتیجه

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

سرریز تلاطم از گروه CHEMICAL به گروه BANK

*** رد فرضیۀ صفر و معناداری علیت با 01/0<سطح معناداری.

** رد فرضیۀ صفر و معناداری علیت با 05/0<سطح معناداری.

* رد فرضیۀ صفر و معناداری علیت با 10/0<سطح معناداری.

 

نتایج جدول (9) نیز نشان‌دهندۀ سرریز ریسک و تلاطم در زیرنمونۀ دوم در تمامی وقفه‌ها، سرریزی یک‌طرفه از مبدأ گروه محصولات شیمیایی به مقصد گروه بانک‌ها و مؤسسات اعتباری بوده است و در جهت عکس در هیچ وقفه‌ای معنادار نیست. بدین ترتیب، نتایج حاصله از زیرنمونۀ دوم، ضمن تکرار نتایج زیرنمونۀ اول، پایایی سرریز ریسک و تلاطم را در دو زیرنمونۀ مدنظر تأیید می‌کند. علاوه بر این، مقایسۀ نتایج این دو زیرنمونه با نتایج نمونۀ اصلی موردمطالعه نیز نشان‌دهندۀ تأیید کلیت نتایج به‌دست‌آمده در زیرنمونۀ اصلی است؛ به شکلی که در حوزۀ سرریز تلاطم، نتایج هر دو زیرنمونه به شکل کامل، سرریز یک‌طرفه را از مبدأ گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری تأیید می‌کند؛ این در حالی است که در حوزۀ سرریز ریسک نتایج هر دو زیرنمونه در وقفه‌های 3، 4 و 5 نتایج نمونۀ اصلی را تأیید کرده است و فقط در وقفه‌های 1 و 2 اختلاف دارد؛ به شکلی که نمونۀ اصلی در این وقفه‌ها نشان‌دهندۀ سرریز ریسک دوطرفه است؛ اما در دو زیرنمونۀ موردبررسی، این سرریز ریسک به‌صورت یک‌طرفه از گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری برقرار است. به بیان دقیق‌تر، اختلاف در نتایج نشان‌دهندۀ آن است که در نمونۀ اصلی سرریز ریسک از مبدأ گروه بانک‌ها و مؤسسات اعتباری به گروه محصولات شیمیایی معنادار بوده و این در حالی است که چنین سرریز ریسکی در هر دو زیرنمونۀ مدنظر معنادار نیست. این اختلاف، با وجود جزئی‌‌بودن، نشان‌دهندۀ آن است که درمجموع روندهای بلند و کوتاه‌تر، پدیدۀ انتقال اطلاعات و اثرگذاری از جنس سرریز ریسک و تلاطم، به شکل چشمگیری به‌صورت یک‌طرفه از مبدأ گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری برقرار است.

 

نتایج و پیشنهادها

سرریز ریسک، موضوع بسیار مهمی است که علاوه بر سیاست‌گذاران بر سرمایه‌گذاران نیز به‌شدت تأثیر می‌گذارد. حال اگر این سرریز در کشوری نفتی و در بازاری وابسته به نفت رخ دهد، اهمیت دوچندان خواهد یافت؛ از این ‌رو، بررسی و محاسبۀ وجود سرریز ریسک بین بازارهای مختلف در ایران ازجمله پژوهش‌های راهبردی و کاربردی در سطح کلان سیاست‌گذاری و سرمایه‌گذاری است. به‌علاوه، به سیاست‌گذاران نشان می‌دهد که باید سیاست‌های حمایتی و تنظیمی خود را از بازار سرمایه به‌طور دقیق بر کدامین مبادی اعمال کنند تا تکانه‌ها و بحران‌های جهانی به‌خصوص در حوزۀ نفت و گاز، با توجه به نفتی‌بودن اقتصاد کشور، منجر به بروز شوک و بحران در بازار سرمایه نشود؛ همچنین به سرمایه‌گذاران برای مدیریت سبد سرمایه‌گذاری خود، در راستای کاهش وابستگی متقابل سهم‌های خریداری‌شده از منظر سرایت اطلاعات و درنهایت کاهش ریسک کلی سبد سرمایه‌گذاری کمک شایانی می‌کند. در پژوهش حاضر، سازوکار سرریز ریسک بین گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری در بازار اوراق بهادار تهران بررسی شد. برای این کار، از ارزش در معرض ریسک به‌عنوان شاخص محاسبۀ ریسک و از شبیه‌سازی تاریخی فیلترشده به‌عنوان روش محاسبۀ آن استفاده شد. درنهایت، پس از محاسبۀ سری زمانی ریسک هر گروه، آزمون علیت گرانجر برای بررسی وجود سرریز بین آنها استفاده شد.

نتایج نشان‌دهندۀ آن است که سرریز ریسک از گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری وجود دارد. این سرریز، به شکلی است که ریسک حادث‌شده در گروه محصولات شیمیایی در دورۀ زمانی t، علاوه بر سرریز به فاصلۀ یک روز پس از وقوع (وقفه 1)، به شکل مستمر حداقل تا روز پنجم (وقفه‌های 2 تا 5) نیز به گروه بانک‌ها و مؤسسات اعتباری برقرار خواهد بود که نشان‌دهندۀ سرریزی پایدار در طول زمان است؛ این در حالی است که در جهت عکس، یعنی از گروه بانک‌ها و مؤسسات اعتباری به گروه محصولات شیمیایی، علاوه بر سرریز به فاصلۀ یک روز پس از وقوع (وقفه 1)، سرریز ریسک تنها تا روز دوم (وقفه 2) برقرار بوده و نتایج در دیگر وقفه‌ها بی‌معناست؛ از این ‌رو، سرریز ریسک در این جهت، سرریزی ناپیوسته در طول زمان است. نتایج حاصل از آزمون سرریز تلاطم نیز ضمن تفاوت با نتایج حاصل از سرریز ریسک، سرریز تلاطم از گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری را تا 5 روز پس از وقوع تلاطم در بازار مبدأ تأیید کرد. این مسئله نشان‌دهندۀ پایداری سرریز تلاطم در این جهت است؛ این در حالی است که سرریز تلاطم در مسیر عکس در هیچ وقفه‌ای معنادار نشان داده نشده است؛ از این ‌رو، سرریز تلاطم بین دو گروه موردمطالعه، سرریزی یک‌طرفه و پایدار از مبدأ گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری است. علاوه بر این، نتایج بررسی سرریز ریسک و تلاطم بین دو گروه موردمطالعه در دو زیرنمونۀ برابر از نمونۀ اصلی نیز نشان‌دهنده و تأییدکنندۀ آن است که سرریز ریسک و تلاطم، در هر دو زیرنمونه، به‌صورت مستمر و پایدار برای تمام وقفه‌های موردمطالعه به‌صورت یک‌طرفه از مبدأ گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری برقرار است. با توجه به مجموع نتایج به‌دست‌آمده، وجود سرریز ریسک و تلاطم مستمر و پایدار در طول زمان از مبدأ گروه محصولات شیمیایی به گروه بانک‌ها و مؤسسات اعتباری، نشان‌دهندۀ اثرگذاری شدید تحولات این گروه بر گروه بانک‌ها و مؤسسات اعتباری است. نتایج در مسیر عکس، اثرگذاری بسیار ضعیف‌تر و قابل‌چشم‌پوشی تحولات گروه بانک‌ها و مؤسسات اعتباری را بر گروه محصولات شیمیایی مشخص می‌کند.

در این پژوهش سعی شد تا بینشی درخصوص وابستگی متقابل بین دو گروه مهم بازار اوراق بهادار تهران درزمینۀ سرریز ریسک ارائه شود. این بینش، حلقه‌ای کوچک از زنجیرۀ شناخت سازوکار کلی سرریز ریسک بین گروه‌های مختلف بازار اوراق بهادار تهران (یا حتی بین بازارهای مختلف اقتصاد ایران) است؛ از این‌ رو، پیشنهاد می‌شود که با بررسی پدیدۀ سرریز ریسک بین گروه‌های دیگر بازار اوراق بهادار، حلقه‌های مختلف این زنجیره برای شناخت دقیق همبستگی این گروه‌ها تکمیل شود. در کنار این نمونه، بررسی ساختار سرریز ریسک بین دو گروه محصولات شیمیایی و گروه بانک‌ها و مؤسسات اعتباری، با استفاده از مدل‌های خودرگرسیون برداری (VAR) و مقایسۀ نتایج حاصله با این پژوهش نیز پیشنهاد می‌شود. از مهم‌ترین محدودیت‌های پژوهش حاضر، عمق کم بازار‌های مالی و امکان ایجاد تغییراتی تصنعی هم‌زمان در آنها خارج از پارادایم سرریز ریسک است که امکان انتخاب بازارها را تحت‌تأثیر قرار داده و قابلیت استفاده و تعمیم نتایج حاصل از این پژوهش را در طراحی و مدیریت بهینه سبد سرمایه‌گذاری با محدودیت جدی مواجه کرده است.

 

[1] .http://www.tsetmc.com/loader.aspx?ParTree=151311&i=47996917271187218 

[2] .http://www.tsetmc.com/loader.aspx?ParTree=151311&i=24644999329120295

[3] .http://www.tsetmc.com/loader.aspx?ParTree=151311&i=45050389997905274

[4] .https://www.codal.ir/Reports/DownloadFile.aspx?id=JwHjVNrZh5iULZeKQQQaQQQdjTOw%3d%3d

[5] .https://www.codal.ir/Reports/DownloadFile.aspx?id=BnWmW%2bE9Y7NJ85qB1PnDRA%3d%3d

[6]. Risk Spillover

[7]. Value at Risk (VaR)

[8]. Filtered Historical Simulation (FHS)

[9]. Semi-Parametric Method

[10]. Parametric Method

[11]. Non-Parametric Method

[12] .Granger Causality Test

[13]. Basel Committee on Banking

[14] .Shen

[15]. New York Mercantile Exchange (NYMEX)

[16]. Cross-Quantilogram

[17]. Vector Auto Regression (VAR)

[18]. Du & He

[19] .Malik & Hammoudeh

[20] .Alotaibi & Mishra

[21] .Skewness

[22] .Kurtosis

[23] .empirical distribution

[24] .Historical Simulation

[25] .Kuester

[26] .ARMA-GARCH Method

[27]. Bollerslev

[28]. Barone-Adesi

[29]. Standardized Returns

[30] .Simulated Returns

[31] .Jarque-Bera Test

[32] .Augmented Dickey Fuller test statistics

[33] .Schwarz Info Criterion

[34] .Box–Jenkins Algorithm

[35] .Hannan–Quinn information criterion

[36]. حرف N در انتهای این مدل نشان‌دهندۀ فرض توزیع نرمال برای بازدۀ دارایی است.

[37]. حرف t در انتهای این مدل نشان‌دهندۀ فرض توزیع تی‌استیودنت برای بازدۀ دارایی است.

منابع فارسی
باستان‌زاد، حسین. و داودی، پدرام. (1396). بررسی سازوکار انتقال ریسک بین بازارهای ارز، مسکن و سهام اقتصاد ایران (با استفاده از رویکرد پارامتریک و ناپارامتریک ارزش در معرض خطر). مدیریت دارایی و تأمین مالی، 5(4)، 50-33. Doi: 10.22108/amf.2017.21188
بت‌شکن، محمدهاشم. و محسنی، حسین. (1397). بررسی سرریز نوسانات قیمت نفت بر بازدۀ بازار سهام. دانش سرمایه‌گذاری، 7(25)، 284-267.
برقی‌اسگوئی، محمدمهدی. و ثقفی‌کلوانق، رضا. (1397). ارزیابی اثرات سرریز ریسک نامتقارن نرخ ارز، قیمت نفت خام و سکه طلا بر بورس اوراق بهادار تهران. فصلنامۀ علمی نظریه‌های کاربردی اقتصاد، 5(4)، 172-143.
پوریعقوبی، هادی. و اشرفی، یکتا. (1399). سرایت‌پذیری تلاطم بازدۀ میان صنایع مختلف بازار سرمایه ایران. دانش سرمایه‌گذاری، 9(34)، 293-277.
حسینیون، نیلوفرسادات.، بهنامه، مهدی. و ابراهیمی سالاری، تقی. (1395). بررسی انتقال تلاطم نرخ بازدۀ بین بازار‌‌‌‌‌های سهام، طلا و ارز در ایران. پژوهش‌های اقتصادی ایران، 21(66)، 150-123. https://doi.org/10.22054/ijer.2016.7049
دلشاد غلامی، علی. (1395). اندازه‌گیری سرریز نوسان‌ها در صنایع منتخب بورس اوراق بهادار تهران. پایان‌نامۀ کارشناسی ارشد. دانشگاه یزد.
راعی، رضا. و پویان‌فر، احمد. (1390). مدیریت سرمایه‌گذاری پیشرفته. تهران: نشر سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها.
سیدحسینی، سیدمحمد. و ابراهیمی، سیدبابک. (1392). بررسی سرایت تلاطم بین بازارهای سهام؛ مطالعه موردی بازار سهام ایران، ترکیه و امارات. دانش مالی تحلیل اوراق بهادار، 6(3)، 97-81.
سوری، علی. (1396). اقتصادسنجی همراه با کاربرد Eviews & Stata (مقدماتی و پیشرفته). تهران: نشر فرهنگ‌شناسی.
شاهوردی، فائره. (1396). بررسی سرریز نوسانات بین قیمت نفت و شاخص قیمت سهام در ایران. پایان‌نامۀ کارشناسی ارشد. دانشگاه الزهرا (س).
شهیکی تاش، محمدنبی.، اعزازی، محمداسماعیل. و غلامی بیمرغ، لیلا. (1392). محاسبۀ ارزش در معرض ریسک (VAR) در بازار بورس اوراق بهادار تهران. اولین کنفرانس ملی حسابداری و مدیریت، شیراز.
شیخا گندویلا، یونس. (1396). اثر سرریز نوسانات قیمت نفت و نرخ ارز بر قیمت سهام صنایع شیمیایی پذیرفته‌شده در بورس اوراق بهادار تهران: مدل VAR-GARCH. پایان‌نامۀ کارشناسی ارشد. دانشگاه خوارزمی.
کرمی، سپیده. و رستگار، محمدعلی. (1397). تخمین اثر سرریز بازده و نوسان‌ها صنایع مختلف بر روی یکدیگر در بازار بورس تهران. مهندسی مالی و مدیریت اوراق بهادار، 9(35)، 342-323.
کیانی، طاهره.، فرید، داریوش. و صادقی، حجت‌الله. (1394). اندازه‌گیری ریسک با معیار سنجش ارزش در معرض ریسک (VaR)، از طریق مدل GARCH ( مطالعه‌ای در سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در صنعت سیمان). راهبرد مدیریت مالی، 3(3)، 168-149. https://doi.org/10.22054/ijer.2016.7049
میرجلیلی، فاطمه. و توسلی، سلاله. (1397). جایگاه صنعت پتروشیمی در اقتصاد ملی. مرکز پژوهش‌های مجلس شورای اسلامی، دفتر مطالعات انرژی، صنعت و معدن (گروه صنعت)، شمارۀ مسلسل: 16183.
 
References
Abad, P., Benito, S., & Lopez, C. (2014). A comprehensive review of value at risk methodologies. The Spanish Review of Financial Economics, 12(1): 15–32. https://doi.org/10.1016/j.srfe.2013.06.001.
Alotaibi, A. R., & Mishra, A. V. (2015). Global and regional volatility spillovers to GCC stock markets. Economic Modeling, 45: 38-49. https://doi.org/10.1016/j.econmod.2014.10.052.
Balcilar, M., Demirer, R., Hammoudeh, S., & Nguyen, D. K. (2016). Risk spillovers across the energy and carbon markets and hedging strategies for carbon risk. Energy Economics, 54: 159-172. https://doi.org/10.1016/j.eneco.2015.11.003.
Barghiosguei, M. M., & Saghafikelvanag, R. (2019). An appraisal of downside and upside risk spillovers of exchange rates, crude oil and gold prices on Tehran Stock Exchange. Journal of Applied Theories of Economics, 5(4): 143-172. (In Persian)
Barone-adesi, G., Giannopoulos, K., & Vosper, L. (1999). VaR without correlations for portfolios of derivative securities. The Journal of Futures Markets, 19(5): 583–602. https://doi.org/10.1002/(SICI)1096-9934(199908)19:5<583::AID-FUT5>3.0.CO;2-S.
Barone-adesi, G., Giannopoulos, K., & Vosper, L. (2002). Back testing derivative portfolios with filtered historical simulation. European Financial Management, 8 (1): 31–58. https://doi.org/10.1111/1468-036X.00175.
Bastanzad, H., & Davoudi, P. (2018). 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). Journal of Asset Management and Financing, 5(4): 33-50. https://dx.doi.org/10.22108/amf.2017.21188. (In Persian)
Bogdan, S., Baresa, S., & Ivanovic, Z. (2015). Estimating risk on the capital market with VaR method. UTMS Journal of Economics, 6(1): 165–175.
Bohdalová, M., & Greguš, M. (2016). Value at risk with filtered historical simulation. Time Series Analysis and Forecasting, 20(5): 123-133.https://doi.org/10.1007/978-3-319-28725-6_10.
Bollerslev, T. (1986). Generalised autoregressive conditional heteroscedasticity. Journal of Econometrics, 31(3): 307–327. https://doi.org/10.1016/0304-4076(86)90063-1.
Botshekan, M. H., & Mohseni, H. (2018). Investigation volatility spillovers between oil market and stock index return. Journal of Investment knowledge, 7(25): 267-284. (In Persian)
Delshadgholami, A. (2017). Measurement of volatility spillover in selected industries of Tehran Stock Exchange. Master Thesis, Yazd University. (In Persian)
Du, L., & He, Y. (2015). Extreme risk spillovers between crude oil and stock markets. Energy Economics, 51: 455-465. https://doi.org/10.1016/j.eneco.2015.08.007.
Giot, P., & Laurent, S. (2003). Market risk in commodity markets: A VaR approach. Energy Economics, 25(5): 435-457. https://doi.org/10.1016/S0140-9883(03)00052-5.
Gurrolaperez, P., & Murphy, D. (2015). Filtered historical simulation Value-at-Risk models and their competitors. Bank of England. Working Paper, No 525.
Hosseinioun, N. S., Behname, M., & Ebrahimisalari, T. (2016). Volatility transmission of the rate of returns in Iranian stock, gold and foreign currency markets. Iranian Journal of Economic Research, 21(66): 123-150. Doi: 10.22054/ijer.2016.7049.  (In Persian)
Ji, Q., Bouri, E., Roubaud, D., & Shahzad, S. J. H. (2018). Risk spillover between energy and agricultural commodity markets: A dependence-switching CoVaR-copula model. Energy Economics, 75: 14-27.https://doi.org/10.1016/j.eneco.2018.08.015.
Jiang, Z., & Yoon, S. M. (2020). Dynamic co-movement between oil and stock markets in oil-importing and oil-exporting countries: Two types of wavelet analysis .Energy Economics, 90: 104–835. https://doi.org/10.1016/j.eneco.2020.104835.
Karami, S., & Rastegar, M. A. (2018). Estimation of return and volatilities spillover between different industries of Tehran Stock Exchange. Journal of Financial Engineering and Portfolio Management, 9(35): 323-342. (In Persian)
Kiani, T., Farid, D., & Sadeghi, H. (2015). The measurement of risk based on the criterion of value at risk via model of GARCH (A study of stock of listed companies in Tehran Stock Exchange (TSE) in the cement industry). Journal of Financial Management Strategy, 3(3): 149-168. Doi: https://dx.doi.org/10.22051/jfm.2015.2095. (In Persian)
Kuester, K., Mittnik, S. S., & Paolella, M. (2005). Value-at-risk prediction: A comparison of alternative strategies. Journal of Financial Econometrics, 4(1): 53–89.https://doi.org/10.1093/jjfinec/nbj002.
Li, Y., & Giles, D. E. (2014). Modelling volatility spillover effects between developed stock markets and Asian emerging stock markets. International Journal of Finance and Economics, 20(2): 155–177. https://doi.org/10.1002/ijfe.1506.
Malik, F., & Hammoudeh, S. (2007). Shock and volatility transmission in the oil, US and gulf equity markets. International Review of Economics & Finance, 16(3): 357-368.https://doi.org/10.1016/j.iref.2005.05.005.
Mirjalili, F., & Tavassoli, S. (2018). The position of petrochemical industry in the national economy. The Research Center of Islamic Legislative Assembly, Industry Group, No:16183. (In Persian)
Pouryaghoubi, H., & Ashrafi, Y. (2020). Spillover effect on different industries for capital market. Journal of Investment Knowledge, 9(34): 277-293. (In Persian)
Pritsker, M. (2006). The hidden dangers of historical simulation. Journal of Banking & Finance, 30(2): 561-582. https://doi.org/10.1016/j.jbankfin.2005.04.013.
Rai, R., & Pouyanfar, A. (2011). Advanced Investment Management. Tehran: Organization of the Study and Compilation of University Humanities Books. (In Persian)
Reboredo, J. C. (2015). Is there dependence and systemic risk between oil and renewable energy stock prices?. Energy Economics, 48: 32-45. https://doi.org/10.1016/j.eneco.2014.12.009.
Seyedhoseini, S. M., & Ebrahimi, S. B. (2013). Investigating volatility spillover between stock markets: Case study Iran, Turkey and UAE stock markets. Financial Knowledge of Securities Analysis, 6(3): 91-97. (In Persian)
Shahikitahs, M. N., Ezazi, M. E., & Gholami B. L. (2013). Measuring value at risk for Tehran Stock Exchange. First National Conference on Accounting and Management, Shiraz. (In Persian)
Shahverdi, F. (2018). Survey of volatility spillover between oil prices and the stock market index in Iran. Master Thesis, Alzahra University. (In Persian)
Shahzad, S. J. H., Hernandez, J. A., Al-Yahyaee, K. H., & Jammazi, R. (2018). Asymmetric risk spillovers between oil and agricultural commodities. Energy Policy, 118: 182-198. https://doi.org/10.1016/j.enpol.2018.03.074.
Sheikha G. Y. (2017). The volatility spillover effect of oil price and exchange rate on the stock price of accepted chemical industry in the Tehran's Stock Exchange: VAR-GARCH model. Master Thesis, Kharazmi University. (In Persian)
Shen, Y., Shi, X., & Variam, M. P. H. (2018). Risk transmission mechanism between energy markets: A VAR for VaR approach. Energy Economics, 75: 377-388. https://doi.org/10.1016/j.eneco.2018.08.027.
Souri, A. (2017). Econometrics with Eviews & STATA applications (Basic and advanced). Tehran: Farhang Shenasi. (In Persian)
Yao, S., He, H., Chen, S., & Ou, J. (2018). Financial liberalization and cross-border market integration: evidence from China’s stock market. International Review of Economics and Finance, 58: 220–245. https://doi.org/10.1016/j.iref.2018.03.023.
Žiković, S., & Aktan, B. (2009). Global financial crisis and VaR performance in emerging markets: A case of EU candidate States - Turkey and Croatia. Journal of Economics and Business, 27(1): 149-170.