نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار، گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران.
2 دانشجوی کارشناسیارشد اقتصاد، گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
This study employs the Time-Varying Parameter Vector Autoregression (TVP-VAR) model to investigate the dynamic relationships among various commodity markets—including copper, aluminum, nickel, tin, zinc, lead, gold, and crude oil—and the Iranian stock market over the period from June 16, 2014, to May 21, 2024. The results indicate that cross-market interactions account for approximately 42.69% of the forecast error variance, revealing significant spillovers among these markets. By utilizing pairwise connectedness indices, an optimal asset portfolio is constructed using the minimum connectedness approach (MCoP) and subsequently compared with traditional methods such as the Minimum Variance Portfolio (MVP) and the Minimum Correlation Portfolio (MCP). The results demonstrate that optimal portfolio weights vary across investment strategies, with gold and the Iranian stock index consistently exhibiting the highest weights in the optimal portfolios. Furthermore, an examination of optimal weights in two-asset portfolios highlights a preference for increased investments in copper and gold. Hedging strategies also prove effective in mitigating asset volatility, particularly in the nickel and Brent oil markets.
Keywords: Connectedness Approach, Risk, Market Spillover, Portfolio Management.
Introduction
Recently, the integration of the global financial system has significantly declined due to external shocks, underscoring the critical need for diversification in investment portfolios. The Markowitz Portfolio Theory serves as the foundational framework in this context, emphasizing the simultaneous evaluation of risk and return in investment decisions. Its primary objective is to identify a portfolio that minimizes risk for a specified level of return or maximizes return for a given level of risk. Furthermore, the Minimum Correlation approach calculates the weights of the investment portfolio using a conditional correlation matrix. A more contemporary method, known as Minimum Connectedness, has gained prominence as it allocates greater weights to assets that exhibit minimal connectivity and influence on other assets. This method assesses the interdependencies among assets and the spillover effects between markets. Despite the extensive body of research examining spillovers across various markets, the specific analysis of spillovers between the Iranian stock market and commodity markets has not been sufficiently explored. This study aims to address this gap in the literature.
Materials and Methods
This study employs a four-step empirical framework. In the first stage, the Time-Varying Parameter Vector Autoregression (TVP-VAR) method is utilized to analyze the dynamic relationships among essential metals, including copper, aluminum, nickel, tin, zinc, and lead, as well as gold, oil, and the Tehran Stock Exchange Index, during the period from June 16, 2014, to May 21, 2024. The TVP-VAR method is particularly well-suited for examining complex and dynamic financial relationships due to its unique characteristics, such as the elimination of random window selection requirements and reduced sensitivity to outlier observations. The second phase involves variance decomposition, which facilitates a more nuanced analysis of the connections and spillovers among the markets. In the third phase, an optimal asset portfolio is constructed using the Minimum Connectedness approach (MCoP), and its performance is compared with that of traditional methods, including the Minimum Variance Portfolio (MVP) and the Minimum Correlation Portfolio (MCP). Finally, two key performance measures—hedging effectiveness and cumulative return—are employed to evaluate portfolio performance. These analytical stages are conducted through both pairwise and multivariate analyses to enhance the robustness and accuracy of the results.
Findings
The results ofg the TVP-VAR model indicate that the average total connections amount to 69.42, accounting for approximately 69.42% of the forecast error variance, while in-sample variations represent the remaining 31.57%. These findings suggest a relatively strong systemic risk among the studied markets. Within this network, copper exhibited the highest spillover effect to other markets, whereas Brent oil and gold demonstrated significant responsiveness. Throughout the observation period, copper consistently maintained the highest level of connectivity among the base metals. The estimation of optimal weights revealed considerable variation in asset allocations across different investment approaches. Notably, gold held the highest weight in the Minimum Variance Portfolio (MVP) approach, while the Iranian stock index represented the largest weight in the other two portfolio strategies. The discrepancies in optimal weights within the MVP approach were more pronounced compared to the other two approaches, which exhibited greater similarity in their asset allocations. Furthermore, hedging effectiveness across all three approaches demonstrated that hedging strategies—particularly for nickel and Brent oil—significantly reduce asset volatility. An analysis of optimal weights in two-asset portfolios indicated greater average allocations for the Copper/Nickel and Gold/Brent pairs, highlighting a tendency for increased investment in copper and gold. Additionally, the high hedging effectiveness of 91% in the Nickel/Gold portfolio suggests that incorporating nickel into the investment strategy can enhance risk-return characteristics. The optimal hedging ratios illustrated the highest risk neutralization for the Nickel/Copper combination, achieving an average efficiency of 84%, while the ratio for Nickel/TSE was negative, with a minimum value of -0.04.
Discussion & Conclusion
The analysis highlights the essential role of diversification within asset portfolios for effective risk management. The findings emphasize the significant weight attributed to copper and gold across various investment strategies. Copper, due to its substantial spillover effects on other markets, and gold, which serves as a safe-haven asset resilient to market fluctuations, have been identified as strategic investments. Consequently, it is advisable for investors to closely monitor these two markets and increase their allocations in investment portfolios to enhance risk-return characteristics. Moreover, hedging strategies provide investors with the capability to mitigate existing asset volatilities and associated risks. This research underscores the necessity for continuous and adaptable portfolio management, particularly in light of the dynamic nature of correlations among assets. Overall, employing innovative approaches, such as Minimum Connectedness, in lieu of traditional methods may lead to improved investment portfolio performance and allow for quicker responses to market changes. This adaptability and dynamism in portfolio management ultimately contribute to reduced risk and increased returns.
کلیدواژهها [English]
مقدمه
در دهههای اخیر، یکپارچگی نظام مالی جهانی به دلیل وقوع شوکهای خارجی اقتصاد کاهش یافته است؛ ازاینرو، متنوعسازی سبد سرمایهگذاری ضرورت پیدا کرده است (Qu & Suganthan, 2011; Mishra et al., 2016). پایهایترین نظریۀ سبد دارایی، نظریۀ سبد مارکوویتز است که در تشکیل سبد، به دو عامل ریسک و بازده توجه میشود. براساس این نظریه، هدف سرمایهگذار انتخاب سبدی است که ریسک را در سطح مشخصی از بازده حداقل یا بازده را در سطح مشخصی از ریسک حداکثر کند (Markovitz, 1959). در رویکرد دیگر سبد دارایی موسوم به حداقل همبستگی[1]، وزنهای سبد با استفاده از ماتریس همبستگی شرطی بهدست میآید (Christoffersen et al., 2014). رویکرد نسبتاً جدیدی که برودستاک و همکاران (Broadstock et al., 2022) معرفی کردهاند، رویکرد موسوم به حداقل اتصال[2] است. براساس این رویکرد، دارایی که کمترین اتصال را با دیگر داراییهای موجود داشته باشد و کمترین تأثیرگذاری یا تأثیرپذیری را دارد، وزن بیشتری میگیرد (Broadstock et al., 2022). شایان ذکر است که اتصال نقش مهمی در مدیریت ریسک ایفا میکند (Billio et al., 2012). ازطریق اتصال نیز میتوان وابستگی متقابل بین داراییها (Torrente & Uberti, 2021) و سرریزهای بین بازارها را سنجید (Yu et al., 2018; Bisias et al., 2012; Xiao et al., 2020; Maggi et al., 2020; Andries & Galasan, 2020).
اخیراً بررسی اتصالات متقابل بین داراییهای مالی به موضوعی درخور توجه تبدیل شده است؛ زیرا نوسانات رخداده در بازاری خاص میتواند به بازارهای دیگر نیز منتقل شود. بیشتر ادبیات دربارۀ بررسی اثرات سرریز بین بازارها، به سهام بهعنوان عامل اصلی سرریز اشاره میکند (Papathanasiou et al., 2022; Zhang et al., 2021; Elsayed et al., 2020; Evrim Mandaci et al., 2020; Zhang, 2017; Wang et al., 2016;)؛ بااینحال، در برخی از مطالعات، بیتکوین را بهعنوان فرستندۀ خالص سرریزها تأیید کردهاند (Elsayed et al., 2022; Yousaf & Yarovaya, 2022; Adekoya & Oliyide, 2021). نتایج برخی مطالعات نیز دلالت بر دریافتکننده اثرات سرریز توسط اوراق قرضه (Duncan & Kabundi, 2013; Tiwari et al., 2018) و کالاها (Zhang et al., 2019) دارد. از نفت و طلا نیز هر دو بهعنوان نقش فرستنده (Samitas et al., 2022; Mensi et al., 2019; Maghyereh et al., 2016) و دریافتکننده (Zeng et al., 2020; Kang & Lee, 2019) سرریزها یاد کردهاند. با وجود مطالعات مختلف در بررسی اثرات سرریز بین بازارها، بررسی سرریز بین بازار سهام ایران و بازارهای کالایی دیده نمیشود که در این پژوهش، این موضوع بررسی میشود؛ بنابراین، این پژوهش از چند جهت دارای نوآوری است: اول، در این پژوهش، ارتباطات بازار سهام ایران با گروه گستردهای از داراییها شامل فلزات اساسی، طلا و نفت بررسی میشود؛ دوم، این پژوهش از روش خودرگرسیون برداری با پارامترهای متغیر در زمان[3] (TVP-VAR) که آنتوناکاکیس و همکاران (Antonakakis et al., 2020) آن را توسعه دادهاند، برای تحلیل روابط پویای بین فلزات اساسی مانند مس، آلومینیوم، نیکل، قلع، روی و سرب، بههمراه طلا و نفت در کنار شاخص کل بورس ایران در بازۀ زمانی ۲۶ خرداد ۱۳۹۳ تا ۱ خرداد ۱۴۰۳ استفاده میکند. ویژگیهای متمایز روش TVP-VAR این است که نیازی به انتخاب تصادفی اندازۀ پنجرۀ غلتان ندارد، به مشاهدات پرت حساسیت کمتری دارد و با تغییرات پارامترها در تحلیل دادههای با تواتر پایین بهخوبی سازگار است. این مزایا روش TVP-VAR را به گزینهای مناسب برای بررسی روابط پیچیده و پویا در بازارهای مالی تبدیل کرده است؛ سوم، سبد بهینهای از داراییها با استفاده از رویکرد جدید سبد دارایی حداقل اتصالات[4] ارائه شده و با روشهای سنتی سبد دارایی حداقل واریانس و حداقل همبستگی مقایسه میشود. این رویکرد را نخستین بار براداستاک و همکاران (Broadstock et al., 2022) معرفی کردند که با در نظر گرفتن تمامی شاخصهای اتصالات زوجی بهجای واریانس یا ماتریس همبستگی، امکان نظارت دقیقتر بر نوسانات بازار و واکنش سریعتر به تغییرات را فراهم و به بهبود مدیریت ریسک کمک میکند. استفاده از رویکرد حداقل اتصالات بهجای روشهای سنتی در ایجاد سبد بهینه، انعطافپذیری و پویایی بیشتری در مدیریت سبد سرمایهگذاری ایجاد میکند و به کاهش ریسک و افزایش بازدهی منجر میشود.
در ادامه، بخش دوم مقاله پیشینۀ پژوهش را مرور میکند. بخش سوم، دادهها و رویکرد اقتصادسنجی بهکاررفته را توصیف میکند و بخش چهارم، یافتههای تجربی بهدستآمده از تجزیهوتحلیل مدل را ارائه میدهد و درنهایت، بخش پنجم، بحث ونتیجهگیری میشود.
مبانی نظری
بخش زیادی از ادبیات مالی با هدف بررسی تأثیر سرریز بازده بین طبقات دارایی مختلف صورت گرفته است. نتایج پژوهشهای احمدی و همکاران (Ahmadi et al., 2024)، رودری و همکاران (Roudari et al., 2022)، صیادی و کریمی (Sayadi & Karimi, 2019) و حیدری و بشیری (Heidari & Bashiri, 2012) در بررسی سرریز بین بازارهای سهام و ارز نشان داد که سرریز ریسک معناداری بین بازارهای ارز و سهام وجود دارد. بردبار و حیدری (Bordbar & Heidari, 2017) رابطۀ بین نوسانات قیمت نفت و بازدۀ سهام را بررسی کردند. نتایج حاکیاز ارتباط منفی و معنادار بین نوسانات بازار نفت و نوسانات بازدۀ سهام بود. سرریز ریسک میان صنایع بورسی ایران در پژوهش طالبلو و همکاران (Taleblou et al., 2024) بررسی شد. نتایج نشان داد که صنایع پتروشیمی، فلزات، معادن و پالایشگاهها بیشترین اتصالات و سرریز نوسانات را دارا بودهاند. در پژوهشی، شیرمردی و همکاران (Shirmardi et al., 2024) اثر شوکهای مالی و اقتصادی بر بازدۀ سهام بازار نیویورک را بررسی کردند. نتایج نشان داد که در کوتاهمدت، شوکهای اقتصادی اثر منفی دارند و در بلندمدت، سودآوری بیشترین تأثیر را دارد.
نتایج بررسی اثرات سرریز میان بازارهای سهام و کالایی در کانگ و همکاران (Kang et al., 2017)، نتاتمیس و ژو (Ntantamis & Zhou, 2015)، منسی و همکاران (Mensi et al., 2015) و کرتی و همکاران (Creti et al., 2013) حاکیاز سرریز معنادار بین بازارهای کالا و سهام بود. نتایج غزانی و همکاران (Ghazani et al., 2024)، آل یحیایی و همکاران (Al-Yahyaee et al., 2019) و یون و همکاران (Yoon et al., 2019) حاکیاز تشدید سرریز بین بازارهای مالی و کالایی در طول بحران بود. بررسی سرریز میان بازارهای سهام و نفت در پژوهش ژانگ (Zhang, 2017) نشان داد شوکهای نفتی سهم محدودی در بازار سهام دارند؛ درحالیکه نقش شوکهای نفت در پژوهش حنیف و همکاران (Hanif e al., 2024) درخور توجه بود. نتایج جونتیلا و همکاران (Junttila et al., 2018) نشاندهندۀ همبستگی منفی بازارهای سهام و نفت در طول دورههای رکود مالی بود. خو و همکاران (Xu et al., 2019) نشان دادند که اثر سرریزهای بد بین بازارهای سهام و نفت بر سرریزهای خوب غالب است. ارتباط سرریزهای قیمت نفت و سهام انرژی پاک نیز در پژوهش وانگ و همکاران (Wang et al., 2024) تأیید شد. بررسی ارتباط میان بازارهای سهام و طلا در پژوهش سینگهال و همکاران (Singhal et al., 2019) حاکیاز وجود ارتباط مثبت بین قیمتهای طلا و قیمت سهام بود. بررسی سرریز میان بازارهای سهام و فلزات گرانبها در پژوهشهای اودین و همکاران (Uddin et al., 2020) و جیانگ و همکاران (Jiang et al., 2019) حاکیاز وجود شواهدی از انتقال نوسانات طولانیمدت بین بازارها است.
بخشی دیگر از ادبیات مالی با استفاده از اثرات سرریز میان داراییها سبد داراییها را مدیریت کردهاند. براساس پژوهش اوزتک و اوکال (Öztek & Öcal, 2017) تنوع سبد بازارهای سهام و کالایی در زمانهای آرام در مقایسه با دورههای پرنوسان، نتایج بهتری ارائه میدهد. پنگ (Peng, 2020) و بلوسوا و درفیتنر (Belousova & Dorfleitner, 2021) دریافتند که فلزات گرانبها متنوعکنندۀ خوبی برای بازارهای سهام هستند. بهاتیا و همکاران (Bhatia et al., 2020) دریافتند که نقره پوشش بهتری از سایر فلزات گرانبها برای بازارهای سهام نوظهور ارائه میدهد.
اسکیادوپولوس (Skiadopoulos, 2012) از طلا و نقره بهعنوان تنوعبخشهای خوب برای سرمایهگذاران استفاده کرد. در پژوهش هود و مالیک (Hood & Malik, 2013) پناهگاه امنبودن طلا برخلاف نقره و پلاتین تأیید شد و نتایج نشان داد طلا بهعنوان پناهگاهی امن ضعیف برای بازار سهام S&P500 عمل میکند. نفت بهعنوان دارایی پوششی برای بازارهای سهام در حال ظهور در پژوهش سادورسکی (Sadorsky, 2014) با استفاده از تحلیل سرریزهای نوسانات بین بازارهای سهام در حال ظهور و کالاهای مختلف شد. نتایج پژوهش اولسون و همکاران (Olson et al., 2014) حاکیازاین بود که شاخص انرژی بهطورکلی ابزار پوششی ضعیف است؛ در مقابل در پژوهش بتاچرجی و همکاران (Bhattacherjee et al., 2024) پناهگاه امنبودن انرژی پاک تأیید شد.
روش پژوهش
در این پژوهش، چارچوب تجربی چهارمرحلهای به این شرح استفاده شده است: در مرحلۀ اول، مدل TVP-VAR تخمین زده میشود تا ماتریسهای واریانسکوواریانس متغیر در طول زمان به دست آید. این روش مشابه رویکرد آنتوناکاکیس و همکاران (Antonakakis et al., 2020) است؛ گام دوم شامل تجزیۀ واریانس است که امکان تجزیهوتحلیل دقیق اتصالات و سرریزها را فراهم میکند؛ در مرحلۀ سوم، سبد بهینه داراییها که با رویکرد سبد دارایی حداقل اتصالات[5] به دست آمده است، با سبد بهینۀ حاصل از روشهای حداقل واریانس[6] و حداقل همبستگی[7] مقایسه میشود. برای مقایسۀ عملکرد سبدها از دو معیار اثربخشی هج[8] و بازدهی تجمعی سبد داراییها استفاده میشود. این مراحل بهصورت دوبهدو و چندمتغیره انجام میشود تا نتایج دقیقتری حاصل شود.
مدل خودرگرسیون برداری با پارامتر های متغیر در زمان (TVP-VAR)
رویکرد دیبولد و ییلماز (2009, 2012, 2014) بهعنوان یکی از تکنیکهای پرطرفدار اقتصادسنجی برای مطالعۀ اتصالات شناخته میشود. یکی از محدودیتهای این رویکرد، وابستگی شدید آن به اندازۀ پنجرۀ غلتان تصادفی[9] است. یکی از تلاشهایی که برای رفع این نقص انجام شده است، جایگزینکردن رویکرد خودرگرسیون برداری با پارامترهای متغیر در زمان (TVP-VAR) بهجای مدل VAR با پنجرۀ غلتان است که آنتوناکاکیس و همکاران (Antonakakis et al., 2020) انجام دادهاند. ویژگی متمایز این روش، رویکرد نوآورانۀ آن است که مزایای متعددی را به همراه دارد: نخست آنکه این روش نیازی به انتخاب اندازۀ تصادفی پنجرۀ غلتان ندارد؛ دوم آنکه این روش قادر است تمام مشاهدات را بدون هیچگونه از دست دادن دادهها حفظ کند؛ زیرا که در این مدل بهطور پویا پارامترهای هر زمان براساس دادههای قبلی بهروزرسانی میشوند؛ سوم آنکه حساسیت کمتری به مشاهدات دورافتاده دارد و سرانجام، این روش با تغییرات پارامترها در تحلیل مجموعۀ دادههایی با تواتر کم، سازگاری بهتری دارد. در این مقاله، از چارچوب اتصالات مبتنیبر TVP-VAR با بهرهگیری از الگوریتم چندمتغیرۀ فیلتر کالمن استفاده شده است که آنتوناکاکیس و همکاران (Antonakakis et al., 2020) ارائه کردهاند. این روش انعطافپذیری مدل را افزایش و اجازه میدهد پارامترهای مدل VAR و واریانس خطا و ماتریس واریانس-کوواریانس در طول زمان تغییر کنند. بهطورکلی، مدل TVP-VAR(1) به فرم معادلات (1) و (2) ارائه میشود[10]:
(1)
(2)
که در آن و و بردارهای بُعدی و و نیز ماتریسهای بُعدی هستند. و بهعنوان بردارهای بُعدی و ماتریس بهعنوان ماتریس بُعدی هستند. مدل ارائهشده با فرض پویایی پارامترها ( )، فرایند گام تصادفی[11] را اتخاذ میکند که در بررسی دقیق پارامترهای متغیر با زمان مؤثر است و انعطافپذیری درخور توجهی را از مدلهای سنتی ارائه میدهد. این ویژگی، امکان درک اهمیت تغییرات در واریانس و کوواریانس در طول زمان را فراهم میآورد.[12] ماتریسهای واریانس-کوواریانس و بهعنوان ماتریسهای پویا در نظر گرفته میشوند که میتوانند با گذشت زمان تغییر کنند. این رویکرد، درک عمیقتری از پویایی و تغییرات در سیستم ارائه میدهد و آن را از مدلهای سنتی متمایز میسازد که پارامترهای ثابت دارند.[13] سپس در مدل [14] براساس قضیۀ والد[15]، است که در این مدل و نشاندهندۀ شوک نوفه سفید متقارن با ماتریس کوواریانس متغیر با زمان است که بهصورت نشان داده میشود؛ بنابراین، خطای پیشبینی در مرحلۀ بعد بهصورت معادله (3) حساب میشود:
(3)
در گام بعد، ماتریس کوواریانس خطای پیشبینی را میتوان بهصورت معادله (4) نوشت:
(4)
پارامترهای متغیر در زمان و واریانس خطای متغیر در زمان، اساس و پایۀ توابع پاسخ ضربهای تعمیمیافته[16] (GIRF) و تجزیۀ واریانس خطای پیشبینی تعمیمیافته مقیاسشده[17] (GFEVD) هستند که کوپ و همکاران (Koop et al., 1996) و پسران و شین (Pesaran & Shin, 1998) توسعه دادهاند. GFEVD روشی تعمیمیافته است که برخلاف تجزیۀ واریانس خطای پیشبینی متعامد[18] ، مزیت پایداری رتبهبندی متغیرها را ارائه میدهد. براساس پژوهش ویزن و همکاران (Wiesen et al., 2018) در نبود نظریۀ اقتصادی مناسب، این روش ترجیح داده میشود. که تأثیر شوک متغیر بر روی متغیر را اندازهگیری میکند، بهصورت معادلات (5) و (6) نمایش داده میشود:
(5)
(6)
در مدل تعمیمیافته، برداری از صفرهای انتخابی است که موقعیت ام آن برابر با 1 است. نشاندهندۀ کاهش متناسب در واریانس خطای پیشبینی مرحلهای متغیر است که ناشی از شرطیشدن شوکهای آیندۀ متغیر است. درصورتیکه ، تبدیلپذیر به مجموعۀ سطری 1 نرمال است که به آن جدول سرریز تعمیمیافته[19] گفته میشود. این جدول، پایه و اساس معیارهای خلاصهسازی سرریز چندگانه است که شامل اثرات کل شبکه از سایر متغیرها[20] بر متغیر (رابطۀ 7) و نیز اتصال جهتی یک شوک از متغیر به سایر[21] (رابطۀ 8) در شبکه است.
(7)
(8)
یکی از اصول مهم در رویکرد اتصال، بررسی اثر جهتی خالص[22] متغیر بر شبکه است که بهصورت معادلۀ (9) محاسبه میشود:
(9)
متغیر بهعنوان گیرندۀ (فرستنده) خالص در شبکه عمل میکند. هستۀ مرکزی این شبکه، شاخص اتصال کل[23] را ارائه میدهد که میزان اتصال یا به عبارتی ریسک بازار را نشان میدهد. این شاخص برای مدیران سبد و ریسک ضروری است. شاخص اتصال کل، میانگین کل اتصال از سایر گرهها در شبکه را محاسبه میکند و به فرم معادلۀ (10) تعریف میشود:
(10)
درنهایت در تحلیل عمیقتر، رویکرد اتصال، روابط دو متغیر و مفهوم سرریزهای جهتدار زوجی را بررسی میکند. این دیدگاه بر ایدۀ سرریزهای خالص زوجی[24] متمرکز است که جهتدار است و میتواند تأثیرات متقابل بین دو متغیر را آشکار کند. (معادلۀ 11)
(11)
اگر ، نشاندهندۀ تأثیر درخور توجه متغیر 𝑖 بر متغیر j است.
سبد دارایی بهینه
یکی از متداولترین رویکردهای استفادهشده در ایجاد سبد، روش حداقل واریانس[25] است (رابطۀ 12) که سبدی با کمترین واریانس براساس داراییهای متعدد ایجاد میکند (Markowitz, 1959).
(12)
که بردار بعدی وزن سبد است، بردار بعدی از یکها و ماتریس واریانس کوواریانس شرطی بعدی در دوره است. وزن داراییها در رویکرد حداقل همبستگی که کریستوفرسن و همکاران (Christoffersen et al., 2014) دادهاند، با استفاده از ماتریس همبستگی شرطی به دست میآید. در این رویکرد گام نخست، محاسبۀ همبستگیهای شرطی بین متغیرها است:
(13)
که در آن ماتریس بعدی است. سپس، وزنها بهصورت رابطۀ (14) محاسبه میشود:
(14)
در سبد با رویکرد حداقل اتصالات (MCoP) تمامی شاخصهای اتصالات زوجی بهجای واریانس یا ماتریس همبستگی استفاده میشوند (Broadstock et al., 2022). هدف از این روش، به حداقل رساندن ارتباط متقابل بین متغیرها و سرریزهای آنها است. در این روش، وزن بیشتری به داراییهایی داده میشود که نه بر دیگر متغیرها تأثیر میگذارند و نه متأثر از آنها قرار میگیرند که بهصورت رابطۀ (15) محاسبه میشود.
(15)
که ماتریس شاخص اتصال زوجی و ماتریس یکه[26] است؛ درنهایت، برای نشاندادن عملکرد سبد از نسبت شارپه[27] و امتیاز اثربخشی هج استفاده میشود. نسبت شارپ (رابطۀ 16)، بهعنوان نسبت پاداش به نوسان شناخته میشود (Sharpe, 1966):
(16)
که نشاندهندۀ بازدۀ سبد است[28]. براساس پژوهش ادرینگتون (Ederington, 1979) اثربخشی هج بهصورت رابطۀ (17) محاسبه میشود:
(17)
واریانس بازدۀ سبد، واریانس دارایی بدون هج[29] و درصد کاهش در واریانس موقعیت بدون هج را نشان میدهد.
یافتهها
پژوهش حاضر با هدف بررسی سرریزهای بازده و ایجاد سبد بهینهای از بازارهای مالی انجام شده است تا اتصالات میان آنها را بررسی کند. در بازارهای مالی بررسیشده شامل بازار سهام ایران، طلا بهعنوان فلزی گرانبها، نفت برنت بهعنوان کالای انرژی، فلزات اساسی مانند مس، آلومینیوم، نیکل، قلع، روی و سرب است. دورۀ زمانی این پژوهش از 26 خرداد 1393 تا 1 خرداد 1403 (16 ژوئن 2014 تا 21 می 2024) با تواتر روزانه در نظر گرفته شده است. به دلیل نوسانات ذاتی این بازارها و واکنش سریع آنها به رویدادهای مختلف سیاسی و اقتصادی، استفاده از تواتر روزانه امکان بررسی دقیقتر تغییرات آنها در طول دورۀ مطالعهشده را فراهم میکند. شاخص کل بورس اوراق بهادار ایران به کمک زبان برنامهنویسی پایتون[30] و روش خراشسایت[31] از وبسایت بورس اوراق بهادار تهران[32] و بقیۀ دادهها بهصورت خام از وبسایت اینوستینگ[33] جمعآوری شدهاند. سپس بازدۀ لگاریتمی آنها نیز به کمک رابطۀ (18) محاسبه شده است که نشاندهندۀ بازدۀ دارایی و شاخص قیمت دارایی در زمانهای مخنلف است. از زبان برنامهنویسی آر[34] برای تخمین مدل TVP-VAR استفاده شده است.
(18)
وضعیت مانایی متغیرهای پژوهش با کمک دو آزمون ریشه واحد ایآراس[35] و دیکیفولر تعمیمیافته[36] بررسی شد که باتوجهبه معناداری تمام متغیرها در سطح خطای 1% میتوان نتیجه گرفت که همۀ متغیرها مانا هستند. نتایج آمار توصیفی متغیرهای پژوهش در جدول (1) ارائه شده است.
جدول(1): آمارههای توصیفی متغیرهای پژوهش
Table (1): Descriptive Statistics of the variables
|
|
TSE |
Gold |
Brent |
Al |
Copper |
Lead |
Nickel |
Tin |
Zinc |
|
میانگین |
0/003 |
0/000 |
0/000 |
0/000 |
0/000 |
0/000 |
0/000 |
0/000 |
0/000 |
|
میانه |
0/001 |
0/000 |
0/001 |
0/000 |
0/000 |
0/000 |
0/001 |
0/001 |
0/001 |
|
بیشینه |
0/109 |
0/117 |
0/373 |
0/104 |
0/081 |
0/084 |
0/619 |
0/142 |
0/093 |
|
کمینه |
-0/088 |
-0/100 |
-0/397 |
-0/116 |
-0/081 |
-0/080 |
-0/523 |
-0/129 |
-0/155 |
|
انحراف معیار |
0/019 |
0/013 |
0/036 |
0/017 |
0/017 |
0/019 |
0/038 |
0/022 |
0/022 |
|
چولگی |
0/885 |
0/274 |
-0/484 |
-0/048 |
-0/052 |
-0/041 |
2/620 |
-0/338 |
-0/220 |
|
کشیدگی |
9/431 |
13/117 |
26/616 |
7/643 |
5//451 |
4/947 |
109/252 |
9/449 |
6/320 |
|
Q(20) )Prob( |
899/187 (0/000) |
107/17 (056/0-) |
879/44 (0/000) |
109/17 (058/0-) |
421/18 (033/0-) |
618/15 (098/0-) |
859/55 (000/0) |
182/8 (076/0-) |
271/10 (476/0-) |
|
Q2(20) (Prob) |
914/321 (0/000) |
425/202 (0/000) |
267/359 (0/000) |
216/190 (0/000) |
971/15 (086/0-) |
186/30 (0/000) |
909/726 (0/000) |
666/113 (0/000) |
469/52 (0/000) |
|
Jarque-Bera (Prob) |
2483/927 (0/000) |
5731/711 (0/000) |
31192/770 (0/000) |
1204/096 (0/000) |
336/065 (0/000) |
211/995 (0/000) |
631860/100 (0/000) |
2347/520 (0/000) |
626/384 (0/000) |
تحلیل آماری دادهها نشان میدهد که میانگین بازدهیها بهطورکلی در اطراف صفر متمرکز است. از میان متغیرهای مختلف، بازدۀ فلز نیکل با انحراف معیار 038/0 بالاترین میزان نوسان را دارد؛ درحالیکه بازدۀ طلا با انحراف معیار 013/0 دارای کمترین نوسان است. این یافتهها نشان میدهند که ریسک مرتبط با بازدۀ سرمایهگذاری در طلا نسبتاً کمتر از سایر گزینهها است. نتایج تحلیل آمارههای چولگی و کشیدگی شواهد درخور توجهی را دربارۀ غیرنرمالبودن توزیع بازدهیها ارائه میدهند؛ علاوهبراین، آمارۀ آزمون جارک-برا که برابر صفر است، نیز تأیید دیگری بر غیرنرمالبودن مشاهدات بازدهی متغیرها است. یکی دیگر از نکات مهمی که آزمونهای وزنی پورمانتوی[37] فیشر و گالاگر (Fisher & Gallagher, 2012) از جدول (1) تأیید میکند، وجود خودهمبستگی معنادار در اجزای اخلال و مربعات آنها (Q20 وQ220) در بیشتر متغیرها است که از اجرای مدلسازی سریهای زمانی با استفاده از رویکرد TVP-VAR با ساختار واریانس کوواریانس متغیر در زمان پشتیبانی میکند. در ادامه، شکل (1) نیز روند بازدهی هریک از متغیرها را در دورۀ زمانی پژوهش نشان میدهد که بهوضوح مشخص است که نوسان بازدۀ نفت برنت و فلز نیکل بیشتر از بقیه است.
شکل(1): روند بازدهی متغیرهای پژوهش
Figure (1): Return series of variables
جدول(2): همبستگیهای غیرشرطی
Table (2): Unconditional Correlations
|
TSE |
Gold |
Brent |
Al |
Copper |
Lead |
Nickel |
Tin |
Zinc |
|
|
TSE |
1 |
043/0 |
087/0 |
063/0 |
079/0 |
079/0 |
014/0 |
108/0 |
083/0 |
|
Gold |
|
1 |
124/0 |
152/0 |
252/0 |
158/0 |
196/0 |
207/0 |
197/0 |
|
Brent |
|
|
1 |
221/0 |
331/0 |
161/0 |
181/0 |
206/0 |
236/0 |
|
Al |
|
|
|
1 |
512/0 |
361/0 |
267/0 |
361/0 |
506/0 |
|
Copper |
|
|
|
|
1 |
47/0 |
386/0 |
476/0 |
641/0 |
|
Lead |
|
|
|
|
|
1 |
293/0 |
336/0 |
562/0 |
|
Nickel |
|
|
|
|
|
|
1 |
405/0 |
386/0 |
|
Tin |
|
|
|
|
|
|
|
1 |
424/0 |
|
Zinc |
|
|
|
|
|
|
|
|
1 |
تحلیل همبستگی بین بازدهی متغیرهای نتایج نشان میدهد که بازدۀ شاخص کل و طلا ارتباط ضعیفی با سایر متغیرهای بررسیشده دارند. در مقابل، فلزات اساسی نظیر آلومینیوم، مس، سرب و روی همبستگی درخور توجهی با یکدیگر دارند.
برآورد شاخصهای اتصالات
قبل از برآورد، تعیین تعداد بهینۀ وقفۀ مدل ضروری است. تعداد بهینۀ وقفهها را میتوان با استفاده از معیارهای مختلفی مانند آکائیک[38]، شوارتز-بیزین[39] و هنانکوئین[40] به دست آورد. ازآنجاکه معیار شوارتز-بیزین در تعداد وقفهها صرفهجویی میکند، برهمین اساس، از یک وقفه برای برآورد مدل استفاده شد.
نتایج مربوط به معیار میانگین اتصالات کل در جدول (3) ارائه شده است. مطابق نتایج، تجزیۀ واریانس خطا نشان میدهد که تغییرات بینبخشی حدود 69/42درصد و تغییرات درونبخشی 31/57درصد از واریانس خطای پیشبینی را تبیین میکنند. این نتایج نشاندهندۀ اهمیت هر دو عامل در شبکۀ بررسیشده است. براساس نتایج ستون آخر (FROM) اثرپذیری هریک از بازارها از بقیۀ متغیرهای موجود در شبکه مشخص میشود؛ برایناساس، بازارهای مس (49/61 %) و روی (94/59%) به ترتیب بیشترین اثرپذیری را از بقیۀ بازارها دارند. از طرف دیگر، ردیف (TO) بیانگر درصد اثرگذاری هر متغیر بر سایرین است که باتوجهبه جدول (3) واضح است که مس و روی با 77/77% و 71% مؤثرترین متغیرهای موجود در شبکه هستند. ردیف (NET) هم اثرگذاری خالص هر متغیر را نشان میدهد که برای هر متغیر برابر با تفاضل دو بخش TO و FROM است. مس با 28/16درصد اثرگذاری خالص مثبت، فرستندۀ خالص سرریزهای بازده به سایر متغیرها است و بازدههای شاخص بورس ایران (92/2-) و طلا (84/7-) گیرندۀ خالص شوک های بازده هستند. براساس سرریز جفتی (NPDC) که تأثیر متقابل متغیرها را نشان میدهد، عدد 8 مربوط به مس نشاندهندۀ تسلط سرریز مس بر بازارهای دیگر است.
جدول(3): متوسط اتصالات پویای بازدهها
Table (3): Averaged Dynamic Connectedness of returns
|
TSE |
Gold |
Brent |
Al |
Copper |
Lead |
Nickel |
Tin |
Zinc |
FROM |
|
|
TSE |
56/90 |
72/0 |
4/1 |
02/1 |
09/1 |
25/1 |
01/1 |
68/1 |
26/1 |
44/9 |
|
Gold |
74/0 |
86/73 |
83/1 |
82/2 |
31/5 |
14/4 |
63/3 |
98/3 |
68/3 |
14/26 |
|
Brent |
28/1 |
4/1 |
47/69 |
69/4 |
09/8 |
72/2 |
62/3 |
81/3 |
92/4 |
53/30 |
|
Al |
76/0 |
13/2 |
35/3 |
52/50 |
19/12 |
17/7 |
83/6 |
56/5 |
49/11 |
48/49 |
|
Copper |
73/0 |
9/2 |
16/5 |
51/9 |
51/38 |
18/9 |
87/9 |
47/8 |
67/15 |
49/61 |
|
Lead |
98/0 |
07/3 |
4/2 |
89/6 |
5/11 |
43/48 |
64/5 |
66/5 |
44/15 |
57/51 |
|
Nickel |
36/0 |
39/2 |
71/2 |
05/6 |
15/12 |
5/5 |
9/51 |
09/9 |
85/9 |
1/48 |
|
Tin |
78/0 |
54/3 |
89/2 |
76/5 |
96/10 |
58/5 |
29/9 |
51/52 |
7/8 |
49/47 |
|
Zinc |
9/0 |
15/2 |
11/3 |
46/9 |
48/16 |
91/12 |
24/8 |
69/6 |
06/40 |
94/59 |
|
TO |
52/6 |
3/18 |
86/22 |
19/46 |
77/77 |
45/48 |
12/48 |
95/44 |
71 |
17/384 |
|
NET |
92/2- |
84/7- |
67/7- |
28/3- |
28/16 |
12/3- |
03/0 |
54/2- |
07/11 |
TCI = 69/42 |
|
NPDC |
1 |
0 |
2 |
4 |
8 |
4 |
6 |
4 |
7 |
اگرچه میانگین اتصالات بین متغیرها میتواند تصویری کلی از الگوی شبکه ارائه دهد، ممکن است جزئیات دقیق را نادیده بگیرد. برای درک بهتر پویایی شبکه، دورۀ نمونه به بازههای کوتاهتری تقسیم میشود تا امکان بررسی پویای روابط بین متغیرها فراهم آید. شکل (2) پویاییهای شاخص اتصالات کل را در طول زمان نشان میدهد. براساس شکل (2) میزان اتصالات کل در شبکۀ بررسیشده، تغییرات چشمگیری را در طول زمان نشان میدهد و از کمتر از 40درصد تا بیشتر از 60درصد متغیر است. این امر نشاندهندۀ آن است که اتصالات بین انواع مختلف داراییها نهتنها به رویدادهای مرتبط با بازارهای جهانی واکنش نشان میدهند، بلکه این واکنش نیز میتواند بسیار سریع باشد؛ برای مثال، افزایش این شاخص تا حدود ۵۰درصد در سالهای ۲۰۱۸-۲۰۱۹ (۱۳۹۷-۱۳۹۸) میتواند به دلیل تأثیر مستقیم نوسانات ارزی بر بازار سهام باشد که با یافتههای بذرائی و همکاران (Bazrayi et al., 2021) همخوانی دارد. در سال ۲۰۲۰ (۱۳۹۹) به دلیل همهگیری بیماری کووید- ۱۹، شاخص TCI بهدلیل رکود و کاهش تقاضای جهانی افت شدیدی کرد؛ اما در سالهای ۲۰۲۱-۲۰۲۲ (۱۴۰۰-۱۴۰۱) با بهبود وضعیت اقتصادی و رشد قیمت فلزات، دوباره افزایش یافت که نشانگر افزایش تقاضای جهانی و تعامل بیشتر بازارهای بینالمللی با بازار سهام ایران است.
شکل (2): پویاییهای شاخص اتصالات کل
Figure (2): Total Connectedness Index dynamics
شکل (3) مشخص میکند که آیا متغیرها بهعنوان انتقالدهندگان خالص[41]، دریافتکنندگان خالص[42] یا بدون الگوی مشخص در انتقال شوکها عمل کردهاند. مقادیر مثبت نشان میدهند که یک متغیر بهعنوان انتقالدهندۀ شوکها به سیستم عمل کرده است، در حالیکه مقادیر منفی نشاندهندۀ پذیرش خالص شوکها از سیستم توسط آن متغیر هستند. براساس شکل (3) طی زمان بررسیشده، اثرگذاری متغیرها دستخوش تغییرات متعددی شده است. فلز قلع از ابتدای دوره تا حدود 2020 پذیرندۀ خالص سرریزهای بازده بوده است؛ اما پس از آن، نقش آن به فرستندۀ سرریز بازده تغییر یافته است. از طرفی دیگر، فلزاتی مانند مس و روی عمدتاً فرستندههای خالص شوکهای بازده بودهاند. طلا و نفت هم به دلیل نقش منحصربهفردشان در شرایط نااطمینانی به طور عمده گیرندۀ خالص شوکهای بازده از سایر متغیرهای شبکه بودهاند.
شکل(3): خالص سرریزهای جهتدارکل
Figure (3): Net Total Directional Connectedness Index
تأثیر متقابل بازارها با شاخص خالص سرریزهای جفتی[43] در شکل (4) ارائه شده است که مقدار مثبت شاخص نشاندهندۀ تأثیر درخور توجه یکی از بازارها (متغیر اول) بر بازار دیگر (متغیر دوم) است. در این حالت، بازار اول بهعنوان منشأ سرریز بازده در نظر گرفته میشود، درحالیکه بازار دوم، پذیرندۀ این تأثیر است؛ برایناساس، فلز طلا در تقابل با سایر متغیرها عمدتاً نقش پذیرندۀ سرریزهای بازده را داشته و شدت این پذیرندگی در برابر بازارهای مس، سرب و روی نیز بیشتر بوده است.
تحلیل شدت سرریز بین بازارهای مختلف در شکل (5) نشاندهندۀ اتصالات جفتی پویا[44] بین متغیرهای مختلف در طول زمان است. مقادیر بالاتر بین دو متغیر، تعامل قویتر و ارتباط نزدیکتر بین بازدۀ آنها را نشان میدهد؛ برای نمونه، در شکل (5) به آسانی مشخص است که شدت تعاملات میان فلزات اساسی بسیار زیاد است که بیشترین مقادیر آن در میان بازار مس با سایر فلزات اساسی مشاهده میشود؛ علاوهبراین، مس با نفت برنت و فلز طلا هم تعاملات پویای نسبتاً زیادی دارد.
شکل(4): خالص سرریزهای زوجی
Figure(4): Net Pairwise Directional Connectedness Index
شکل (5): اتصالات زوجی پویا
Figure(5): Pairwise Connectedness Index dynamics
سبد بهینه داراییها
نتایج برآورد وزنهای بهینه سبدهای دارایی براساس روشهای حداقل واریانس (MVP)، حداقل همبستگی (MCP) و حداقل اتصالات (MCoP) در جدول (4) ارائه شده است.
بیشترین وزن در نظر گرفتهشده در سبد رویکرد MVP با 36% مربوط به فلز طلا بوده، درحالیکه در دو رویکرد دیگر، بیشترین وزن مربوط به بازار سهام ایران بوده است. انحراف معیار سبد تشکیلشده براساس رویکرد حداقل اتصالات (MCoP) پایینتر از سبدهای تشکیلشده با استفاده از روشهای سنتی است. در رویکرد MVP فاصله کمترین و بیشترین وزن بهینه برابر36% است، بهطوریکه در رویکردهای MCP و MCoP به ترتیب برابر 22% و 17% است که نشاندهندۀ شباهت بیشتر رویکردهای MCP و MCoP به یکدیگر هستند.
اثربخشی هج ( ) به میزان موفقیت دارایی در کاهش ریسک سبد اشاره دارد که هرچه این مقدار به یک نزدیکتر باشد، نشاندهندۀ اثربخشی بیشتر است؛ برای مثال، اگر بر مبنای سبد حداقل واریانس، وزن صفر درصدی برای نیکل و وزن 1 درصدی برای نفت لحاظ شود، نوسان هریک از داراییها در این سبد به طور معناداری به اندازۀ 95درصد کاهش مییابد. بالاترین اثربخشی هج، نیز در سه روش برای نیکل و سپس نفت است.
پویاییهای مرتبط به این سه رویکرد را میتوان در شکل (6) مشاهده کرد. مطابق شکل (6) ترکیب MVP به طور چشمگیری با MCP و MCoP متفاوت است، درحالیکه MCP و MCoP ترکیبات مشابهی دارند. این شباهت به دلیل استفاده از ماتریس واریانس-کوواریانس متغیر با زمان در هر دو روش است. در MCP، واریانس-کوواریانس بهسادگی به ماتریس همبستگی تبدیل میشود؛ اما در MCoP نیاز به محاسبات پیچیدهتری مانند GIRF و GFEVD و تحلیل اتصالات زوجی دارد؛ درنتیجه، باوجود بلوکهای سازندۀ اولیه مشابه، فرایندهای تبدیل متفاوت منجر به وزنهای سبد نزدیک در MCP و MCoP میشود. شکل(7) تحولات زمانی بازده تجمعی را نشان میدهد؛ به استثنای اوایل سال 2022 که سه شاخص با یکدیگر برابر شدهاند، مقدار MVP در طی زمان به میزان مشخصی بیشتر از دو رویکرد دیگر بوده است.
جدول (4): آمارههای توصیفی وزنهای سبدهای چندمتغیره
Table (4): Descriptive Statistics of Dynamic Multivariate Portfolio Weights
|
|
نتایج رویکرد حداقل واریانس(MVP) |
نتایج رویکرد حداقل همبستگی(MCP) |
نتایج رویکرد حداقل اتصالات(MCoP) |
||||||||||||||||
|
نماد |
میانگین |
انحراف معیار |
5 % |
95 % |
HE |
احتمال |
میانگین |
انحراف معیار |
5 % |
95 % |
HE |
احتمال |
میانگین |
انحراف معیار |
5 % |
95 % |
HE |
احتمال |
|
|
TSE |
25/0 |
17/0 |
03/0 |
58/0 |
82/0 |
0 |
23/0 |
04/0 |
16/0 |
28/0 |
61/0 |
0 |
2/0 |
02/0 |
17/0 |
24/0 |
6/0 |
0 |
|
|
Gold |
36/0 |
1/0 |
19/0 |
54/0 |
57/0 |
0 |
18/0 |
03/0 |
11/0 |
22/0 |
1/0 |
05/0 |
17/0 |
02/0 |
13/0 |
2/0 |
07/0 |
17/0 |
|
|
Brent |
01/0 |
01/0 |
0 |
03/0 |
95/0 |
0 |
16/0 |
03/0 |
09/0 |
2/0 |
89/0 |
0 |
16/0 |
02/0 |
14/0 |
19/0 |
89/0 |
0 |
|
|
Al |
15/0 |
12/0 |
01/0 |
38/0 |
78/0 |
0 |
12/0 |
04/0 |
06/0 |
18/0 |
53/0 |
0 |
11/0 |
02/0 |
09/0 |
13/0 |
52/0 |
0 |
|
|
Copper |
08/0 |
05/0 |
0 |
16/0 |
76/0 |
0 |
01/0 |
01/0 |
0 |
03/0 |
49/0 |
0 |
01/0 |
02/0 |
0 |
05/0 |
47/0 |
0 |
|
|
Lead |
07/0 |
06/0 |
0 |
16/0 |
8/0 |
0 |
09/0 |
04/0 |
03/0 |
15/0 |
59/0 |
0 |
1/0 |
03/0 |
05/0 |
14/0 |
57/0 |
0 |
|
|
Nickel |
0 |
01/0 |
0 |
02/0 |
95/0 |
0 |
11/0 |
06/0 |
03/0 |
22/0 |
9/0 |
0 |
1/0 |
04/0 |
04/0 |
18/0 |
9/0 |
0 |
|
|
Tin |
07/0 |
07/0 |
0 |
24/0 |
86/0 |
0 |
08/0 |
05/0 |
0 |
15/0 |
7/0 |
0 |
1/0 |
04/0 |
04/0 |
15/0 |
69/0 |
0 |
|
|
Zinc |
01/0 |
02/0 |
0 |
06/0 |
86/0 |
0 |
03/0 |
03/0 |
0 |
08/0 |
7/0 |
0 |
03/0 |
03/0 |
0 |
09/0 |
69/0 |
0 |
|
شکل (6): وزنهای سبد چندمتغیرۀ پویا
Figure (6): Dynamic Multivariate Portfolio Weights
شکل (7): وزنهای سبد چندمتغیرۀ پویا
Figure (7): Dynamic Multivariate Portfolio Weights
وزنهای پویای سبدی دو متغیره[45] داراییها
وزنهای سبد دومتغیره و نسبتهای بهینۀ هج براساس مطالعات کرونر و انجی (Kroner & Ng, 1998) و کرونر و سلطان (Kroner & Sultan, 1993) نیز محاسبه شده که نتایج آن در جدول (5) ارائه شده است.
جدول (5): آمارههای توصیفی وزنهای سبدهای دومتغیره و نسبتهای هج
Table (5): Descriptive Statistics of Dynamic Bivariate Portfolio Weights and Hedge Ratios
|
ردیف |
نماد ها |
وزنهای سبد دومتغیره |
نسبتهای هج |
||||||
|
میانگین |
انحراف معیار |
HE |
احتمال |
میانگین |
انحراف معیار |
HE |
احتمال |
||
|
1 |
TSE/Gold |
38/0 |
19/0 |
72/0 |
0 |
04/0 |
09/0 |
02/0 |
16/0 |
|
2 |
TSE/Brent |
81/0 |
1/0 |
23/0 |
0 |
05/0 |
04/0 |
02/0 |
13/0 |
|
3 |
TSE/Al |
51/0 |
2/0 |
6/0 |
0 |
07/0 |
1/0 |
02/0 |
0 |
|
4 |
TSE/Copper |
5/0 |
21/0 |
6/0 |
0 |
09/0 |
12/0 |
03/0 |
0 |
|
5 |
TSE/Lead |
54/0 |
21/0 |
56/0 |
0 |
09/0 |
1/0 |
03/0 |
0 |
|
6 |
TSE/Nickel |
73/0 |
2/0 |
43/0 |
0 |
01/0 |
05/0 |
01/0 |
0 |
|
7 |
TSE/Tin |
58/0 |
22/0 |
49/0 |
0 |
08/0 |
11/0 |
04/0 |
0 |
|
8 |
TSE/Zinc |
61/0 |
2/0 |
49/0 |
0 |
08/0 |
09/0 |
03/0 |
0 |
|
9 |
Gold/TSE |
62/0 |
19/0 |
36/0 |
0 |
03/0 |
06/0 |
02/0 |
61/0 |
|
10 |
Gold/Brent |
91/0 |
04/0 |
08/0 |
0 |
03/0 |
03/0 |
04/0 |
13/0 |
|
11 |
Gold/Al |
68/0 |
16/0 |
35/0 |
0 |
09/0 |
09/0 |
06/0 |
0 |
|
12 |
Gold/Copper |
69/0 |
11/0 |
26/0 |
0 |
18/0 |
09/0 |
1/0 |
0 |
|
13 |
Gold/Lead |
73/0 |
1/0 |
27/0 |
0 |
12/0 |
09/0 |
07/0 |
0 |
|
14 |
Gold/Nickel |
87/0 |
1/0 |
15/0 |
0 |
07/0 |
04/0 |
05/0 |
0 |
|
15 |
Gold/Tin |
74/0 |
13/0 |
22/0 |
0 |
12/0 |
08/0 |
08/0 |
0 |
|
16 |
Gold/Zinc |
79/0 |
13/0 |
22/0 |
0 |
1/0 |
07/0 |
07/0 |
0 |
|
17 |
Brent/TSE |
19/0 |
1/0 |
79/0 |
0 |
12/0 |
17/0 |
03/0 |
61/0 |
|
18 |
Brent/Gold |
09/0 |
04/0 |
89/0 |
13/0 |
28/0 |
29/0 |
05/0 |
16/0 |
|
19 |
Brent/Al |
15/0 |
11/0 |
8/0 |
01/0 |
48/0 |
2/0 |
07/0 |
0 |
|
20 |
Brent/Copper |
1/0 |
07/0 |
8/0 |
26/0 |
73/0 |
34/0 |
15/0 |
0 |
|
21 |
Brent/Lead |
19/0 |
09/0 |
78/0 |
0 |
33/0 |
18/0 |
05/0 |
0 |
|
22 |
Brent/Nickel |
44/0 |
24/0 |
6/0 |
0 |
25/0 |
12/0 |
06/0 |
0 |
|
23 |
Brent/Tin |
21/0 |
12/0 |
72/0 |
0 |
38/0 |
18/0 |
06/0 |
0 |
|
24 |
Brent/Zinc |
23/0 |
12/0 |
71/0 |
0 |
44/0 |
2/0 |
08/0 |
0 |
|
25 |
Al/TSE |
49/0 |
2/0 |
51/0 |
0 |
05/0 |
08/0 |
02/0 |
61/0 |
|
26 |
Al/Gold |
32/0 |
16/0 |
66/0 |
0 |
25/0 |
25/0 |
08/0 |
16/0 |
|
27 |
Al/Brent |
85/0 |
11/0 |
13/0 |
0 |
13/0 |
06/0 |
09/0 |
13/0 |
|
28 |
Al/Copper |
48/0 |
18/0 |
32/0 |
0 |
51/0 |
16/0 |
3/0 |
0 |
|
29 |
Al/Lead |
57/0 |
16/0 |
33/0 |
0 |
34/0 |
14/0 |
16/0 |
0 |
|
30 |
Al/Nickel |
85/0 |
09/0 |
1/0 |
0 |
2/0 |
11/0 |
14/0 |
0 |
|
31 |
Al/Tin |
62/0 |
18/0 |
25/0 |
0 |
27/0 |
08/0 |
15/0 |
0 |
|
32 |
Al/Zinc |
71/0 |
11/0 |
13/0 |
0 |
38/0 |
12/0 |
29/0 |
0 |
|
33 |
Copper/TSE |
5/0 |
21/0 |
48/0 |
0 |
06/0 |
07/0 |
02/0 |
61/0 |
|
34 |
Copper/Gold |
31/0 |
11/0 |
58/0 |
0 |
33/0 |
2/0 |
1/0 |
16/0 |
|
35 |
Copper/Brent |
9/0 |
07/0 |
06/0 |
0 |
16/0 |
04/0 |
13/0 |
13/0 |
|
36 |
Copper/Al |
52/0 |
18/0 |
26/0 |
0 |
49/0 |
12/0 |
28/0 |
0 |
|
37 |
Copper/Lead |
61/0 |
09/0 |
21/0 |
0 |
43/0 |
09/0 |
25/0 |
0 |
|
38 |
Copper/Nickel |
91/0 |
11/0 |
04/0 |
0 |
3/0 |
14/0 |
28/0 |
0 |
|
39 |
Copper/Tin |
65/0 |
2/0 |
18/0 |
0 |
39/0 |
11/0 |
25/0 |
0 |
|
40 |
Copper/Zinc |
81/0 |
16/0 |
07/0 |
0 |
5/0 |
07/0 |
42/0 |
0 |
|
41 |
Lead/TSE |
46/0 |
21/0 |
53/0 |
0 |
08/0 |
06/0 |
02/0 |
61/0 |
|
42 |
Lead/Gold |
27/0 |
1/0 |
66/0 |
0 |
29/0 |
22/0 |
07/0 |
16/0 |
|
43 |
Lead/Brent |
81/0 |
09/0 |
16/0 |
0 |
09/0 |
05/0 |
05/0 |
13/0 |
|
44 |
Lead/Al |
43/0 |
16/0 |
4/0 |
0 |
41/0 |
13/0 |
15/0 |
0 |
|
45 |
Lead/Copper |
39/0 |
09/0 |
36/0 |
0 |
54/0 |
11/0 |
25/0 |
0 |
|
46 |
Lead/Nickel |
77/0 |
13/0 |
14/0 |
0 |
22/0 |
1/0 |
13/0 |
0 |
|
47 |
Lead/Tin |
55/0 |
2/0 |
32/0 |
0 |
29/0 |
09/0 |
13/0 |
0 |
|
48 |
Lead/Zinc |
64/0 |
11/0 |
14/0 |
0 |
5/0 |
11/0 |
34/0 |
0 |
|
49 |
Nickel/TSE |
27/0 |
2/0 |
86/0 |
0 |
04/0- |
13/0 |
03/0 |
61/0 |
|
50 |
Nickel/Gold |
13/0 |
1/0 |
91/0 |
0 |
57/0 |
54/0 |
1/0 |
16/0 |
|
51 |
Nickel/Brent |
56/0 |
24/0 |
64/0 |
0 |
22/0 |
14/0 |
1/0 |
13/0 |
|
52 |
Nickel/Al |
15/0 |
09/0 |
81/0 |
07/0 |
55/0 |
23/0 |
12/0 |
0 |
|
53 |
Nickel/Copper |
09/0 |
11/0 |
82/0 |
42/0 |
84/0 |
15/0 |
16/0 |
0 |
|
54 |
Nickel/Lead |
23/0 |
13/0 |
8/0 |
01/0 |
54/0 |
17/0 |
12/0 |
0 |
|
55 |
Nickel/Tin |
21/0 |
14/0 |
71/0 |
03/0 |
67/0 |
23/0 |
21/0 |
0 |
|
56 |
Nickel/Zinc |
25/0 |
14/0 |
71/0 |
02/0 |
62/0 |
12/0 |
2/0 |
0 |
|
57 |
Tin/TSE |
42/0 |
22/0 |
61/0 |
0 |
09/0 |
09/0 |
03/0 |
61/0 |
|
58 |
Tin/Gold |
26/0 |
13/0 |
74/0 |
0 |
34/0 |
27/0 |
09/0 |
16/0 |
|
59 |
Tin/Brent |
79/0 |
12/0 |
23/0 |
0 |
13/0 |
07/0 |
07/0 |
13/0 |
|
60 |
Tin/Al |
38/0 |
18/0 |
52/0 |
0 |
39/0 |
18/0 |
16/0 |
0 |
|
61 |
Tin/Copper |
35/0 |
2/0 |
52/0 |
0 |
56/0 |
24/0 |
27/0 |
0 |
|
62 |
Tin/Lead |
45/0 |
2/0 |
51/0 |
0 |
36/0 |
2/0 |
15/0 |
0 |
|
63 |
Tin/Nickel |
79/0 |
14/0 |
11/0 |
0 |
28/0 |
11/0 |
21/0 |
0 |
|
64 |
Tin/Zinc |
55/0 |
17/0 |
34/0 |
0 |
38/0 |
15/0 |
21/0 |
0 |
|
65 |
Zinc/TSE |
39/0 |
2/0 |
6/0 |
0 |
1/0 |
08/0 |
02/0 |
61/0 |
|
66 |
Zinc/Gold |
21/0 |
13/0 |
74/0 |
0 |
34/0 |
33/0 |
1/0 |
16/0 |
|
67 |
Zinc/Brent |
77/0 |
12/0 |
2/0 |
0 |
16/0 |
06/0 |
08/0 |
13/0 |
|
68 |
Zinc/Al |
29/0 |
11/0 |
44/0 |
01/0 |
6/0 |
16/0 |
28/0 |
0 |
|
69 |
Zinc/Copper |
19/0 |
16/0 |
45/0 |
19/0 |
82/0 |
13/0 |
43/0 |
0 |
|
70 |
Zinc/Lead |
36/0 |
11/0 |
38/0 |
0 |
64/0 |
09/0 |
33/0 |
0 |
|
71 |
Zinc/Nickel |
75/0 |
14/0 |
12/0 |
0 |
33/0 |
13/0 |
21/0 |
0 |
|
72 |
Zinc/Tin |
45/0 |
17/0 |
34/0 |
0 |
43/0 |
13/0 |
2/0 |
0 |
در هر ردیف در جدول (5) وضعیت جفت بازارها مشخص شده است. کمترین میانگین وزنی (09/0) برای سبد Nickel/Copper و Brent/Gold است که نشان میدهد سرمایهگذاران ترجیح میدهند مس و طلا را بیشتر از نیکل و نفت برنت نگه دارند. بالاترین میانگین وزنی (91/0) نیز برای Copper/Nickel و Gold/Brent است که بیان میکند برای سبد یک دلاری، سرمایهگذاران ترجیح میدهند 91/0 سنت در مس و طلا و 09/0 سنت باقیمانده را در نیکل و نفت برنت سرمایهگذاری کنند. تفسیر هریک از جفت بازارهای دیگر نیز به همین ترتیب است. بالاترین (91%) برای سبدی متشکل از Nickel/Gold است که نشان میدهد معرفی نیکل به مجموعهای از بازارها به طور چشمگیری ویژگیهای ریسک-بازدۀ آن را بهبود میبخشد؛ علاوهبراین، مطابق شکل (8) وزنهای بهینه در طول دورۀ نمونه، متغیر در زمان هستند؛ به این معنی که مدیریت پویای سبد هنگام سرمایهگذاری در این بازارها لازم است. نسبتهای بهینۀ هج مشخص میکند چه میزان از ریسک دارایی اصلی خنثی شده است. بیشترین میانگین نسبت هج در بین بازارهای بررسیشده مربوط به Nickel/Copper با 84% است و حاکیازاین است که 84% ریسک سرمایهگذاری در بازار فلز نیکل توسط سرمایهگذاری در بازار فلز مس جبران خواهد شد و کمترین نسبت هم برای Nickel/TSE با مقدار منفی 04/0 بوده است. در شکل (9) نیز میتوان روند پویای آنها را در طی زمان مشاهده کرد.
شکل 8: پویایی وزنهای بهینۀ دومتغیره
Figure (8): Dynamics of bivariate optimal weights
شکل 9: نسبتهای پویای پوشش ریسک
Figure (9): Dynamic hedge ratios
بحث و نتیجهگیری
در این پژوهش روابط متقابل میان بازارهای مالی کلیدی بررسی شده است که تأثیر درخور توجهی بر تصمیمگیری افراد، مدیریت ریسک و مدیریت کارآمد سبد داراییها دارند. با استفاده از رویکرد نوین مبتنیبر روش خودرگرسیون برداری با پارامترهای متغیر در زمان (TVP-VAR)، پیوندهای متقابل بین بازارهای کالایی به همراه شاخص کل بورس ایران تحلیل شد. این بازارها شامل شش فلز اساسی (مس، آلومینیوم، نیکل، قلع، روی و سرب)، طلا (فلز گرانبها)، نفت برنت (انرژی) در بازۀ زمانی 26 خرداد 1393 تا 1 خرداد 1403 بودند. سپس با بهرهگیری از اطلاعات حاصل از رویکرد TVP-VAR، سبد بهینهای از داراییها (MCoP) با استفاده از شاخصهای همبستگی زوجی (PCI) به دست آمد و با روشهای سنتی MVP و MCP مقایسه شد؛ درنهایت، برای تحلیل دقیقتر، با استفاده از روشهای دومتغیره و چندمتغیره اثربخشی هج تحلیل شد.
نتایج حاصل از برآورد مدل TVP-VAR نشان داد که میانگین اتصالات کل برای بازارهای مطالعهشده برابر با 69/42 است که تغییرات بین متغیرها حدود 69/42درصد از واریانس خطای پیشبینی را توضیح میدهد؛ درحالیکه تغییرات درونبخشی 31/57درصد باقیمانده را تشکیل میدهند. این یافتهها حاکیاز وجود ریسک سیستمی نسبتاً قوی بین بازارهای مذکور است. در این شبکه، فلز مس بیشترین انتقالدهی سرریزهای بازده را به سمت سایر بازارها داشت و در بین آنها، نفت برنت و فلز طلا - که دو کالای اساسی و راهبردی هستند- بیشترین تأثیرپذیری را نشان دادند. این امر نشاندهندۀ اهمیت چشمگیر این بازارها برای سرمایهگذاران است. در میان فلزات پایه، بهویژه با فلز مس بالاترین سطح از اتصالات پویا در طول دوره مشاهده شد. نتایج برآورد وزنهای بهینۀ سبدهای دارایی چندمتغیره نیز بیانگر آن بود که در رویکردهای مختلف سرمایهگذاری، وزنهای بهینه داراییها متفاوت است. بهطورکلی، فلز طلا در رویکرد MVP بیشترین وزن را دارد، درحالیکه شاخص بورس سهام ایران در دو سبد دیگر بیشترین وزن را دارد. فاصلۀ وزنهای بهینه در رویکرد MVP بیشتر از دو رویکرد MCP و MCoP است که شباهت بیشتری به یکدیگر دارند. اثربخشی هج نیز در سه رویکرد نشان داد که راهبردهای هج بهویژه برای فلز نیکل و نفت برنت به کاهش درخور توجه نوسان داراییها منجر میشود. نتایج تحلیل وزنهای بهینۀ سبدهای دومتغیره نشان داد میانگین وزنی بالاتر برای جفتهای Copper/Nickel و Gold/Brent تمایل به سرمایهگذاری بیشتر در مس و طلا را نشان میدهد. اثربخشی بالای پوشش ریسک (91%) در سبد Nickel/Gold نشاندهندۀ این است که اضافهکردن نیکل به بازارها میتواند ویژگیهای ریسک-بازده را بهبود بخشد. نسبتهای بهینه هج بیشترین خنثیسازی ریسک را به طور متوسط برای ترکیب Nickel/Copper با 84% کارایی نشان میدهد، درحالیکه این نسبت برای Nickel/TSE منفی و کمترین درصد (04/0-) را دارد. این تحلیلها بر اهمیت مدیریت پویای سبد سرمایهگذاری باتوجهبه ویژگیهای ریسک و بازده تأکید دارند.
تحلیلها نشان میدهد که تنوعبخشی به سبد داراییها نقش بسیار مهمی در مدیریت ریسک دارد. نتایج نشان میدهد که مس و طلا در رویکردهای مختلف سرمایهگذاری وزن بالایی دارند. فلز مس به دلیل بیشترین انتقالدهی سرریزهای بازده به سایر بازارها و تأثیرگذاری بالای آن، دارایی راهبردی به حساب میآید. طلا نیز به دلیل ویژگیهای منحصربهفرد خود بهعنوان دارایی امن و مقاوم در برابر نوسانات بازار، در سبدهای بهینۀ سرمایهگذاری وزن بالایی دارد؛ بنابراین، توصیه میشود سرمایهگذاران توجه ویژهای به این دو بازار داشته باشند و با افزایش وزن این داراییها در سبد سرمایهگذاری، ویژگیهای ریسک-بازدۀ سبد خود را بهبود بخشند. راهبردهای هج به سرمایهگذاران این امکان را میدهد که نوسانات و ریسکهای موجود در داراییها را کاهش دهند. این تحلیل نشان داده است که راهبردهای هج به ویژه برای فلز نیکل و نفت برنت منجر به کاهش درخور توجه نوسانات داراییها میشوند. باتوجهبه تغییرات پویا در همبستگی بین داراییها، مدیریت سبد سرمایهگذاری باید پویا و انعطافپذیر باشد. استفاده از رویکردهای نوین مانند حداقل اتصالات بهجای روشهای سنتی حداقل واریانس و حداقل همبستگی میتواند به بهبود عملکرد سبد سرمایهگذاری منجر شود. این رویکردها به سرمایهگذاران امکان میدهند که به تغییرات بازار سریعتر واکنش نشان دهند و ترکیب سبد خود را بهطور مستمر بهینهسازی کنند. این انعطافپذیری و پویایی در مدیریت سبد سرمایهگذاری، به کاهش ریسک و افزایش بازدهی منجر میشود.
باوجود بینشهای درخور توجه، این پژوهش بر داراییهای فلزات اساسی، طلا، نفت برنت و شاخص کل بورس ایران متمرکز است؛ افزون بر این، شاخص کل بورس ایران، ضمن محدودیت زمانی معامله و محدودیت نوسان در سهام، قابل معامله نیست که آن را متمایز از سایر داراییهای مطالعهشده میکند. پژوهشهای آتی میتوانند بر سهامهای موجود در بورس ایران متمرکز شوند و دامنۀ تحلیل را با افزودن داراییهای دیگر مانند اوراق قرضه، ارزهای دیجیتال و بازارهای بینالمللی گسترش دهند تا چشمانداز جامعتری از روابط بین بازارها به دست آید؛ علاوهبراین، میتواند به مطالعۀ همبستگیها در مقیاسهای زمانی مختلف و تحلیل نقش سیاستهای اقتصادی بر مدیریت سبد داراییها توجه شود.
[1] Minimum Corrolation
[2] Minimum Connectedness
[3] Time-Varying Parameter Vector Autoregressions (TVP-VAR)
[4] Minimum Connectedness portfolio (MCoP)
[5] Minimum Connectedness Portfolio
[6] Minimum Variance Portfolio
[7] Minimum Correlation Portfolio
[8] Hedging Effectiveness
[9] Random rolling window
[10] مشابه آنتوناکاکیس وهمکاران (2020)، ترتیب تأخیر و میانگینهای قبلی (مقادیر ضرایب) و واریانسهای قبلی استفادهشده برای مقداردهی اولیۀ فیلتر کالمن، از مدل VAR(1) ایستا، در 200 مشاهدۀ اول به دست میآیند.
[11] Random walk
[12] در یک شبیهسازی مونتکارلو بسطیافته، آلپتکین و همکاران (2019) دقت نسبی توابع انتقال گام تصادفی را برای پارامترهای متغیر در زمان در مدلی تکمتغیره بررسی کردند. نتایج آنها نشان داد که گام تصادفی در انواع سناریوهای مختلف مؤثر و دقیق است. باتوجهبه اینکه مکانیسم اساسی فیلترکالمن تکمتغیره و چندمتغیره یکسان است، انتظار بر این است که نتایج به طور مشابه برای TVP-VAR چندمتغیره نیز تعمیم یابد.
[13] فیلتر کالمن مدل را در برابر موارد دورافتاده انعطافپذیر میکند؛ از آنجایی که سریهای زمانی مالی با فرکانس بالا بیشتر حاوی مشاهدات پرت هستند، باعث کارایی الگورینم میشود.
[14] Time Varying Parameter Vector Moving Average
[15] Wold representation theorem
[16] Generalized Impulse Response Functions (GIRF)
[17] Generalized Forecast Error Variance Decomposition (GFEVD)
[18] Orthogonal Forecast Error Variance Decomposition (OFEVD)
[19] Generalized spillover table
[20] From others
[21] To others
[22] Net total directional connectedness
[23] Total Connectedness Index (TCI)
[24] Net Pairwise Directional Spillovers
[25] Minimum Variance Portfolio (MVP)
[26] Identity matrix
[27] Sharpe ratio
[28] برای سادگی فرض میشود که نرخ بدون ریسک برابر با صفر است.
[29] Un-hedged asset
[30] Python
[31] web scraping
[32] www.tsetmc.com
[33] Investing.com
[34] R programming language
[35] Elliott, Rothenberg and Stock (ERS)
[36] Augmented Dickey–Fuller test (ADF)
[37] Weighted Portmanteau tests
[38] AIC
[39] BIC
[40] HQ
[41] Net transmitter of shocks
[42] Net receiver of shocks
[43] Dynamic Net Pairwise Connectedness
[44] Dynamic Pairwise Connectedness
[45] Dynamic Bivariate Portfolio Weights
)