تحلیل اثرات سرریز بین بازارهای نفت و بورس اوراق بهادار تهران در طول مقیاس‌های چندگانه زمانی؛ (با استفاده از مدل VAR-GARCH-BEKK بر پایه موجک )

نوع مقاله: علمی پژوهشی

نویسندگان

1 استادیار گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران.

2 دانشجوی دکتری اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران

3 کارشناس ارشد علوم اقتصادی، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران

چکیده

نوسانات قیمت نفت به عنوان یک متغیر برون­زای قدرتمند، بسیاری از متغیرهای اقتصاد، از جمله شاخص قیمت سهام را می­تواند تحت­تأثیر قرار دهد. در این راستا، مطالعه حاضر در تلاش است با استفاده از مدل­های گارچ چند متغیره شامل مدل بابا، انگل، کرونر و کرافت (GARCH-BEKK) بر پایه روش موجک، اثرات سرریز بین بازارهای نفت و بورس اوراق بهادار تهران را به تفکیک دوران قبل از تحریم، بعد از تحریم و بعد از برجام به صورت مقیاس­های چندگانه مورد بررسی قرار دهد. در این پژوهش از داده­های قیمت نفت خام اوپک و شاخص کل بازار بورس اوراق بهادار طی دوره زمانی بیست­وسوم آذرماه 1387 الی نوزدهم بهمن ماه 1396 و به صورت هفتگی استفاده شده است. نتایج نشان می­دهد، تأثیرات سرریز میان بازارها در دوره‎های زمانی متفاوت و با توجه رخدادهای اقتصادی-سیاسی متغیر است و می‎تواند یکطرفه، دوطرفه و یا اصلا وجود نداشته باشد. به طوری که در دوره اول (قبل از شروع تحریم­های نفتی) به صورت یکطرفه از بازار نفت به بازار بورس، در دوره دوم (دوران تحریم) به صورت دوطرفه در کوتاه­مدت و در بلندمدت یکطرفه از بازار نفت به بازار بورس بوده است و در نهایت در دوره سوم (بعد از برجام) دارای رابطه یکطرفه از بازار نفت به بازار بورس بوده است. این نتایج به وضوح به وابستگی اقتصاد ایران به نفت و اثرات آن بر بازارهای مختلف مالی از جمله بورس اوراق بهادار اشاره دارد. لذا به سیاست­گذاران و سرمایه­گذاران پیشنهاد می­شود تصمیمات خود را براساس زمان و اتفاقات دوره انجام دهند تا از حداکثر مطلوبیت خود دور نشوند.
 
Abstract
Oil price volatility as a powerful exogenous variable, can affect many economic variables, including stock price index. In this regard, the present study is analyzed spillover effects between oil and Stock Tehran exchange markets using multivariate GARCH models such as Baba, Engle, Kraft and Kroner (GARCH-BEKK) based on wavelet method and by resolution to before sanctions, after sanctions and after Brjam (Joint Comprehensive Plan of Action) as multiple scales. In this study, used OPEC crude oil price data and total stock market index during of December 13, 2008 to February 8, 2018 and weekly. The results show that spillover effects between markets in different periods, with the attention of economic-political events, can be varied and can be unilateral, two-sided, or not at all.
So that in the first period (before start of oil sanctions), as one-sided from oil market to stock exchange, in the second period (the sanction period), in the short run and in the long run one-sided from oil market to stock market and finally, in the third period (after the Brjam), there was a one-sided relationship from oil market to stock market. These results clearly point to Iran's dependence on oil and its effects on various financial markets, including stock exchanges. Therefore, policy makers and investors are encouraged to make their own decisions based on the time and events of the course in order not to deprive them of their maximum utility.
 

کلیدواژه‌ها


تحلیل اثرات سرریز بین بازارهای نفت و بورس اوراق بهادار تهران در طول مقیاس­های چندگانه زمانی؛

(با استفاده از مدل VAR-GARCH-BEKKبر پایه موجک )

 

 

محمدشریف کریمی

تاریخ دریافت: 04/10/1396             تاریخ پذیرش: 07/12/1396

[1]

مریم حیدریان[2]

شهرام دهقان جبارآبادی[3]

 

 

چکیده

نوسانات قیمت نفت به عنوان یک متغیر برون­زای قدرتمند، بسیاری از متغیرهای اقتصاد، از جمله شاخص قیمت سهام را می­تواند تحت­تأثیر قرار دهد. در این راستا، مطالعه حاضر در تلاش است با استفاده از مدل­های گارچ چند متغیره شامل مدل بابا، انگل، کرونر و کرافت (GARCH-BEKK) بر پایه روش موجک، اثرات سرریز بین بازارهای نفت و بورس اوراق بهادار تهران را به تفکیک دوران قبل از تحریم، بعد از تحریم و بعد از برجام به صورت مقیاس­های چندگانه مورد بررسی قرار دهد. در این پژوهش از داده­های قیمت نفت خام اوپک و شاخص کل بازار بورس اوراق بهادار طی دوره زمانی بیست­وسوم آذرماه 1387 الی نوزدهم بهمن ماه 1396 و به صورت هفتگی استفاده شده است. نتایج نشان می­دهد، تأثیرات سرریز میان بازارها در دوره‎های زمانی متفاوت و با توجه رخدادهای اقتصادی-سیاسی متغیر است و می‎تواند یکطرفه، دوطرفه و یا اصلا وجود نداشته باشد. به طوری که در دوره اول (قبل از شروع تحریم­های نفتی) به صورت یکطرفه از بازار نفت به بازار بورس، در دوره دوم (دوران تحریم) به صورت دوطرفه در کوتاه­مدت و در بلندمدت یکطرفه از بازار نفت به بازار بورس بوده است و در نهایت در دوره سوم (بعد از برجام) دارای رابطه یکطرفه از بازار نفت به بازار بورس بوده است. این نتایج به وضوح به وابستگی اقتصاد ایران به نفت و اثرات آن بر بازارهای مختلف مالی از جمله بورس اوراق بهادار اشاره دارد. لذا به سیاست­گذاران و سرمایه­گذاران پیشنهاد می­شود تصمیمات خود را براساس زمان و اتفاقات دوره انجام دهند تا از حداکثر مطلوبیت خود دور نشوند.

 

واژه‌های کلیدی: اثرات سرریز، بازار نفت، بورس اوراق بهادار، موجک،  GARCH-BEKK.

طبقه بندی JEL: C10, E00, G10

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1- مقدمه

تأثیرات سرریز[i] به انتقال اطلاعات میان بازارهای مالی، که ماهیت آن‎ها انتقال ریسک است، اطلاق می‎شود (نازلیوگلو و همکاران[ii]، 2015). ارتباط هرچه بیشتر میان بازارها در پی توسعه‎های مکرر در جهانی شدن و روند چشمگیر در تکنولوژی تجارت، باعث تسریع انتقال اطلاعات میان بازارهای مالی شده است. با اینکه امکان سرمایه‎گذاری در کشورهای مختلف و بازارهای مالی مختلف وجود دارد، اما عکس‎العمل بازارها به یکدیگر باعث گسترش ریسک میان کشورها و بازارهای مالی شده است که در نهایت به سرایت بحران‎های مالی منتج می‎شود (وانگ و همکاران[iii]، 2016).  

در این میان، تقویت بازار سرمایه که تجهیز بیشتر منابع و تخصیص بهینه منابع مالی را در پی دارد، باعث افزایش سرمایه و تخصیص بهینه سرمایه در کشور می­شود و به رشد و توسعه اقتصادی کمک می­کند، اما بازار سرمایه برای جذب منابع مالی می­بایست با سایر بازارهای مالی و دارایی رقابت کند. بازاری که بازدهی بیشتر و همچنین ریسک کمتری داشته باشند، می­توانند در جذب بیشتر منابع موفق­تر باشند، بنابراین برای اینکه بازار سرمایه بتواند در تجهیز منابع و تبدیل آن به سرمایه موفق باشد، می­بایست بازده و ریسک آن مورد بررسی قرار گیرد (عباسی­نژاد و ابراهیمی، 1392، 84).

عوامل متعددی بر بازده بورس اوراق بهادار اثرگذار است. یکی از عوامل اثرگذار، قیمت نفت و شوک­های نفتی است. با توجه به تأثیر گسترده نوسان­های قیمت نفت بر بخش­های مختلف اقتصادی کشورهای صادرکننده نفت، ارزیابی کارایی سیاست­های اقتصادی کاهنده آثار منفی نوسان­های قیمت نفت بر بازار سهام و تحلیل رفتار سرمایه­گذاران حائز اهمیت است، بالاخص سرمایه­گذاران نیازمند شناخت دقیق نحوه اثرگذاری نوسان­های قیمت نفت بر بازار سهام و شناسایی صنایعی هستند که سریعتر و بیشتر از این نوسانات تأثیر می­پذیرند.

در کشورهای صادرکننده نفت، به دلیل اینکه دولت­ها مالکیت منابع نفتی را در اختیار دارند، تحولات نفتی هم بر سیاست­های دولت و هم بر بخش­های غیردولتی تأثیر می­گذارد. بازار سهام به دلیل توانایی تبدیل سریع پول نقد سرمایه­گذاران مالی به اوراق بهادار در مدت زمانی کوتاه حساسیت و تأثیرپذیری بالایی خواهد داشت. بنابراین شناسایی و تحلیل تأثیر نوسانات قیمت نفت بر وضعیت بازار سهام از دید مقامات پولی و مالی دولت­ها، سرمایه­گذاران داخلی و حتی سرمایه­گذاران بین­المللی حائز اهمیت است (فعلی و همکاران، 1395). 

بر این اساس، در این مطالعه به بررسی تأثیرات سرریز میان بازارها (بازار نفت و بازار بورس اوراق بهادار) به منظور درک عمیق نوسانات بازارهای مالی در جهت ارائه رهنمودهایی به سیاست‎گذاران و فعالان اقتصادی در تصمیم‎گیری‎های آن‎ها پرداخته خواهد شد. لذا با استفاده از مدل­های گارچ چند متغیره[iv] شامل مدل بابا، انگل، کرونر و کرافت[v] (BEKK) بر پایه روش موجک[vi] در یک دوره زمانی از بیست­وسوم آذرماه 1387 الی نوزدهم بهمن ماه 1396 و به صورت هفتگی، اثرات سرریز در این دو بازار مورد تجزیه و تحلیل قرار خواهد گرفت.

این مقاله مشتمل بر شش بخش است که در بخش اول مقدمه ارائه شد، در این بخش به اهمیت پژوهش و اهداف و چارچوب اشاره شد. در بخش سوم، مروری بر مطالعات تجربی انجام گرفته در داخل و خارج خواهد شد و در بخش چهارم، روش­شناسی پژوهش ارائه می­شود. در بخش پنجم، یافته­های تجربی مورد تجزیه و تحلیل قرار گرفته و در نهایت، نتیجه­گیری و پیشنهاداتی در بخش ششم ارائه خواهد شد. 

   

2- مبانی نظری

انتقال وجوه از پس­اندازکنندگان به سرمایه­­گذاران از کارکردهای کلیدی بازارها و نهادهای مالی در اقتصاد است. نوسان­ دارایی­های مالی جزء عادی سازوکار بازار به شمار می­آید، اما نوسان­های شدید (در بازده سهام و قیمت نفت) می­تواند کارکرد مذکور را مختل کرده و اثر معکوس بر این کارکرد مالی در اقتصاد داشته باشد (بت­شکن و همکاران، 1396، 168).

نوسان را می­توان به عنوان شاخصی از ناکارایی بازار قلمداد کرد، چرا که دارندگان دارایی را در دوره مدنظر به سمت ریسک سوق می­دهد و استمرار آن با سایر بازارها نشان از یک تهدید بالقوه در ایجاد سازوکارهای بازاری وابسته به یکدیگر در اقتصاد دارد: نوسانات در بازارهای مالی از اهمیت ویژه­ای برخوردار است به طوری که بسیاری از مدل­های قیمت­گذاری دارایی­های مالی و مدیریت ریسک بر پایه میزان نوسانات و برآورد از میزان نوسان­پذیری متغیر، پایه­ریزی شده­اند (گنزالز و لی[vii]، 2004). بنابراین شناسایی برهم­کنش میان نوسانات بازارهای مختلف یکی از مهمترین موضوعات موردتوجه محققان در برهه کنونی است. برخی از پژوهشگران مالی معتقدند که همبستگی متقابل بین نوسانات حتی از همبستگی متقابل میان عایدی­ها نیز بیشتر است (سوریانو و کلایمنت[viii]، 2006).

یکی از متغیرهای کلان اقتصادی که می­تواند بر شاخص قیمت سهام و بازده آن تأثیر داشته باشد، قیمت نفت و نوسانات آن است. از نظر تئوریکی تغییرات قیمت نفت از چندین طریق می­تواند بر بازار سرمایه و در نتیجه بر شاخص قیمت سهام شرکت­های فعال در بورس اوراق بهادار تأثیرگذار باشد که البته این تأثیر چندجانبه به ارتباط شرکت موردنظر با تولید نفت، و اینکه شرکت موردنظر عمدتاً مصرف­کننده یا تولیدکننده نفت است، بستگی دارد (توکلیان و همکاران، 1395، 36).

از آنجایی که تقاضای هر کشور برای نفت با پیشرفت و توسعه آن کشور افزایش یافته و عموماً با میزان رشد تولیدات صنعتی همبستگی بالایی دارد، می­توان گفت تقاضای نفت در اقتصادهای در حال­توسعه در طی زمان در حال افزایش است. در صورتی که افزایش در تقاضای نفت به وسیله افزایش در عرضه جبران نشور، منجر به افزایش قیمت­های نفت شده و این قیمت بالاتر هزینه­های شرکت­های تولیدی غیرنفتی را افزایش داده، موجب پایین آمدن سود شرکت­ها می­شود. افزایش قیمت نفت معمولاً با افزایش قیمت کالاها و خدمات منجر به کاهش تقاضا برای آنها شده و مجدداً سود شرکت­ها را کاهش داده و در نهایت موجبات کاهش قیمت سهام شرکت­ها را فراهم می­آورد (سادروسکی و باشر[ix]، 2006).

نوسان­پذیری قیمت نفت، ریسک را افزایش داده و نااطمینانی را زیاد می­کند. این افزایش نااطمینانی، سرمایه­گذاری در بازار سهام را کاهش داده و در نتیجه اثر منفی بر قیمت سهام می­گذارد. به دلیل اهمیت تأثیر بی­ثباتی­های مالی و نااطمینان­های اقتصادی ناشی از بازار نفت، اثرات سرریز در طول دوره­های بحران مالی به ویژه بعد از بحران 2008 اساساً موردتوجه قرار گرفتند (اروری و همکاران[x]، 2011). پژوهش­های متعددی (نظیر دیبولد و یلماز[xi]، 2012؛ ابورا و چیوالیز[xii]، 2015) به تأیید اثرات سرریزی نوسان میان بازارهای سهام و کالا (از جمله نفت) پرداختند.

می­توان گفت نفت دارای اثرات سرریزی نوسان و همگرایی متنوع در کشورهای مختلف است. برای کشورهای صادرکننده نفت، شوک­های قیمتی موجب افزایش درآمد ملی، مخارج عمومی و سرمایه­گذاری می­شود. بنابراین انتشار می­رود که قیمت سهام افزایش یابد. برخی نیز معتقدند که قیمت نفت تأثیر معناداری بر بازار سهام ندارد. زیرا استدلال می­شود که سیاست­های پولی و مالی مؤثر بر تورم و متغیرهای کلان اقتصادی است که در آنها قیمت نفت لحاظ می­شود (آپرجیس و میلر[xiii]، 2009). مدلسازی سرریزی نوسان بازار نفت و بورس از چند منظر حائز اهمیت است. اول اینکه نفت محور تحرکات سیاسی و اقتصادی در کشورهای صادرکننده است و در کشورها سازوکارهای انتقال شوک­های قیمتی نفت به نظر می­رسد باید متفاوت از یکدیگر باشد. سوم اینکه بازار سهام کشورها دارای تفاوت قابل ملاحظه­ای نسبت به یکدیگر از منظر حجم، عمق و کارایی دارند. لذا مدلسازی این مهم می­تواند به سرمایه­گذاران در اتخاذ تصمیمات مالی مناسب و به سیاستگذاران اقتصادی به اتخاذ تصمیمات کاراتر کمک نماید. بنابراین به­هم­پیوستگی نظامات مالی، تسهیل تراکنش­های مربوط به انتقال جریان­های نقدی، همگرایی و پویایی روابط مالی، استفاده از فرصت­های تأمین مالی و سرمایه­گذاری میان بازاری، منطقه­ای و بین­المللی و غیره از جمله عواملی است که مدلسازی و تحلیل نوسانات بورس اوراق بهادار را مستلزم داشتن نگرش فراگیر در این حوزه می­نماید که می­تواند در اتخاذ سیاست­گذاری­های مالی مناسب و اتخاذ تصمیمات کاراتر کمک نماید.

 

3- مروری بر مطالعات تجربی

3-1- مطالعات خارجی

در دهه‎های اخیر، مدل‎سازی میانگین و نوسانات سرریز میان بازارهای مالی مختلف در مرکز توجه محققان قرار گرفته است. تسی[xiv] (1999) با استفاده از مدل EGARCH دو جانبه نشان داد که جریان انتقالی دو طرفه داده میان شاخص میانگین صنایع داو جونز[xv] و شاخص بازارهای آینده وجود دارد.

پاپاپترو[xvi] (2001) با استفاده از روش خودرگرسیون برداری (VAR) به بررسی رابطه پویای میان قیمت نفت، قیمت واقعی سهام، نرخ بهره، فعالیت‎های واقعی اقتصاد و اشتغال پرداخته است. نتایج پژوهش او نشان داد که تغییرات قیمت نفت بر وقایع واقعی اقتصاد و اشتغال تأثیرگذار است در حالی که بازده سهام تأثیری بر این دو متغیر ندارد.

منسی و همکاران[xvii] (2013)، نرخ ارتباط[xviii] و سرریز نوسانات میان شاخص S&P500 و شاخص قیمت کالا را با استفاده از مدل  VAR-GARCH مورد بررسی قرار داد. لی و همکاران[xix] (2014) نیز با استفاده از روش‎های همبستگی شرطی پویا (DCC)، همبستگی شرطی ثابت(CCC) و BEKK به بررسی سرریز نوسان میان بازار بورس کشورهای عضو گروه هفت و قیمت نفت خام WTI پرداخته است.

لیو و همکاران[xx] (2017)، در مطالعه­ای به بررسی اثرات تحولات میانگین و تغییرات نوسانات بین بازارهای نفت و سهام در ابعاد زمانی و فرکانسی مشخصی پرداخته­اند. آنها از قیمت نفت WTI و شاخص S&P500 (ایالات­متحده آمریکا) و شاخص MICEX (روسیه) در دوره ژانویه 2003 تا دسامبر 2014 و با استفاده از روش GARCH-BEKK مبتنی بر موجک استفاده شده است. در این مطالعه دوره-های زمانی به سه دوره قبل از بحران، دوره بحران و دوره پس از بحران تقسیم شده است. نتایج نشان می­دهد که اثرات سرریز از لحاظ قدرت و جهت در مقیاس­های موجک متغیر است. رابطه بین قیمت نفت و بازار سهام ایالات متحده در کوتاه­مدت متغیر و در بلندمدت تضعیف شده است، در حالی که همین ارتباط با بازار سهام روسیه بسته به مقیاس­های چندگانه زمانی است.

 

 

 

3-2- مطالعات داخلی

صمدی و همکاران (1386) تأثیر شاخص‎های قیمت جهانی طـلا و نفـت بـر شـاخص قیمـت بـورس اوراق بهـادار تهـران را بـا اسـتفاده از داده‎هـای ماهانـه، طـی دوره­ی  1997-2006و مـدل اقتصادسنجی گارچ ارزیابی کرده‎اند. نتایج تحقیق آنها حاکی از آن است کـه تـأثیر شـاخص قیمـت جهانی طلا بر شاخص قیمت سهام بورس تهران نسبت به شاخص قیمت جهانی نفت بیشتر است.

ابونوری و همکاران (1391) در پژوهشی با عنوان " ارزیابی پویایی‎های رابطه بین نرخ ارز و شاخص سهام بورس تهران با استفاده از مدل GARCH دومتغیره" پویایی‎های رابطه بین نرخ ارز واقعی مؤثر و شاخص کل بازار سهام ایران را با استفاده از داده‎های ماهانه دوره تیر  1371 تا تیر 1389 به صورت تجربی تحلیل کردند. نتایج نشان داد که هیچ رابطه‎ی بلندمدت معناداری بین نرخ ارز واقعی موثر و قیمت سهام وجود ندارد. علاوه بر این، در این پژوهش پس از بررسی اثر نوسانات بین بازار ارز و بازار سهام، نتیجه گرفته شد که هر دو متغیر از نوسانات خود به طور مستقیم و غیرمستقیم تأثیر پذیرفته‎اند، ولی هیچ یک از این بازارها از بازار دیگر اثر پذیری معناداری نداشته است.

ثقفی و قنبریان (1394) به بررسی رابطه پویا بین قیمت نفت و شاخص­های بازار سرمایه با استفاده از روش هم­انباشتگی طی دوره 1387-1392 پرداختند. نتایج پژوهش آنها تأیید رابطه تعادلی بلندمدت بین قیمت نفت اوپک و شش شاخص بازار سرمایه را ارائه می­دهد.

توکلیان و همکاران (1395)، در مطالعه­ای به بررسی سرریز تلاطم بازده قیمت نقدی نفت برنت بر شاخص­های مالی ایران و آمریکا در دوره زمانی 1387-1394 با استفاده از داده­های هفتگی و مدل­های گارچ چندمتغیره پرداخته­اند. نتایج این پژوهش حاکی از آن است که به علت ضرایب معنادار مدل بهینه و وزن سنگین صنایع متأثر از قیمت نفت در شاخص مالی S&P500 و شاخص­های نفتی GSCI با لحاظ نمودن نوسانات قیمت نفت به ویژه در دوره زمانی موردنظر تلاطم بازده قیمت نفت برنت بر بازده شاخص­های مالی آمریکا سرریز می­شود.

بت­شکن و همکاران (1396)، در مطالعه­ای به بررسی همبستگی شرطی و سرریز نوسان با استفاده از چهار مدل مشهور گارچ چندمتغیره در دوره زمانی دوازده ساله (از ابتدای 1384 تا انتهای 1395) میان بازار ارز، طلا، نفت و مسکن بر بورس می­پردازد. نتایج این پژوهش مؤید سرریزی نوسان میان بورس اوراق بهادار با بازار ارز، بازار طلا و بازار نفت است. در حالی که این رابطه با بازار مسکن تأیید نمی­شود.

مرور ادبیات نظری و پیشینه­های پژوهش نشان می­دهد که سرریز میانگین و نوسان میان بازار نفت خام و بازار سهام در طول کل دوره و به صورت کلی مورد بررسی قرار گرفته، که امکان نادیده‎گیری اطلاعات پویای بازارها در نقاط مختلف دوره در آن‎ها وجود داشته است. مدل‎های خانواده GARCH به خوبی جزئیات بی‎ثباتی و سرریز نوسان میان سری‎های زمانی مالی را به نمایش می‎کشند. به هر حال اکثر پژوهش‎های انجام گرفته با تأکید بر سرریز نوسان بین بازاری در طول بعد زمان، انجام گرفته‎اند و به ویژگی‎های بعد فرکانس (کوتاه‎مدت یا بلندمدت) که جزئی از سری‎های زمانی مالی است توجه نداشته‎ است. علائم و ویژگی‎های موجود در بعد فرکانس به منظور درک اطلاعات بازار از ابعاد مختلف مفید خواهد بود. با توجه به این نکته به منظور تجزیه و تحلیل سرریز از روش موجک که قادر به نمایش اثرات سرریز میان سری‎های زمانی در بعد زمان- فرکانس می­باشد، استفاده شده است. نوآوری اصلی در پژوهش حاضر، بررسی تحولات ناپایدار سرریز میانگین و نوسان میان بازار نفت و بورس در ابعاد زمانی-فرکانسی است.

 

4- روش­شناسی پژوهش (روش VAR-GARCH-BEKK برپایه موجک)

تئوری موجک یکی از ابزارهای مفید به منظور تجزیه و تحلیل سری‎های زمانی غیرخطی است که قادر است آنالیزهایی چندگانه را ارائه دهد. منظور از آنالیز چندگانه یا چندتایی این­ است که فرکانس‎های مختلف به وسیله‎ی تفکیک‎های مختلف پردازش خواهد شد. در اینجا دو نوع تبدیل موجک وجود دارد، تبدیک موجک پیوسته[xxi] و تبدیل موجک گسسته[xxii]. در مطالعه حاضر از تبدیل موجک گسسته استفاده شده است. تبدیل موجک گسسته(DWT)، سری زمانی یا سیگنال x(t) را با استفاده از دو فیلتر (فیلتر موجک و فیلتر مقیاس) به زیر بخش‎های مختلف تجزیه می‎کند. در اینجا فیلترهای موجک و مقیاس به ترتیب با و  ،( ) مشخص شده‎اند. ضرایب موجک  و مقیاس  در jامین سطح به صورت معادلات (1) و (2) تعریف شده‎اند.

    (1)                                                                                                               

  (2)                                                                                                                   

با اینکه از روش تبدیل موجک گسسته در تجزیه و تحلیل سری‎های زمانی در شاخه‎های مختلف به صورت گسترده‎ای استفاده شده است، اما دو اشکال اساسی در آن وجود دارد: نیاز به دسته‎هایی با طول دایادیک[xxiii] (دوتایی) دارد و دیگر این حقیقت که ضرایب موجک و مقیاس به خاطر حساسیت آن‎ها به تغییرات ادواری ناشی از عملیات تخریبی به صورت ثابت انتقال نمی‎یابند (گالگاتی و گالگاتی[xxiv]، 2007؛ گالگاتی و همکاران[xxv]، 2014). روش MODWT نسخه تعمیم‎یافته روش تبدیل موجک گسسته است. فیلترهای موجک  و مقیاس  در روش  MODWT در سطح jام تجزیه به صورت معادله (3) مشخص می‎شوند.

  (3)                                                          

در نتیجه ضرایب موجک و مقیاس به صورت معادلات (4) و (5) تعریف خواهند شد:               

 (4)                                                                                                                  

 (5)                                                                                                                

قابل مشاهده است که طول دسته ضرایب در هر مقیاس با طول سیگنال اصلی (X) برابر است. ضرایب موجک و مقیاس را می‎توان به شکل ماتریسی (6) نیز نشان داد:

        (6)                                                                                                   

در نهایت می‎توان سری زمانی اصلی را از روش MODWT به صورت معادله (8) بدست آورد:

 (7)                                                                                                               

 

پارامتر ، جزییات MODWT برای سری زمانی اصلی یعنی X  براساس مقیاس j و پارامتر  هموارساز MODWT برای سری زمانی X در مقیاس j است. معادله (7) تعریف ریاضی آنالیز چندتایی بر پایه روش MODWT (MRA)[xxvi] است.

در ادبیات مربوط به انتقال نوسان قیمت‎ها، معمولاً از روش MGARCH به منظور بررسی تأثیر سرریز نوسان استفاده می‎شود زیرا این روش به وضوح مقادیر و منبع تأثیرات سرریز را پارامتربندی می‎کند (باوو و همکاران[xxvii]، 2003؛ افیمووا و سرلیتیس[xxviii]، 2014). در مطالعه حاضر از روش GARCH-BEKK دومتغیره که به وسیله انگل و کرونر به منظور بررسی نوسان سرریز میان دو بازار معرفی شده است، استفاده می‎شود (انگل و کرونر[xxix]، 1995). مزیت اصلی خصوصیت BEKK در این است که هیچگونه محدودیتی بر ساختار همبستگی میان متغیرها اعمال نمی‎کند (کارالی و رامیرز[xxx]، 2014).

معمولاً از معیارهای AIC و SC در انتخاب وقفه‎های بهینه در فرآیند GARCH استفاده می‎شود. به هر حال، بولرسلو در مطالعه‎ای دریافت که با وجود تعداد کمی از عناصر، فرآیند GARCH(1, 1) به صورت کارآمدی در مدل‎سازی پویایی واریانس سری‎های زمانی متغیرهای مالی مناسب است (بولرسلو همکاران[xxxi]، 1992). لذا در مطالعه حاضر نیز براساس روند مطالعات گذشته، از یک وقفه برای معادلات میانگین و واریانس استفاده شده است. به طور کلی مدل GARCH(1, 1) دو متغیره به صورت (8) و (9) تعریف می‎شود.

 (8)                                                                                                   

 (9)                                                                                                                 

متغیر ، برداری از متغیرهای توضیحی، پارامتر  ضریب بردار،  بردار نماینده‎ی توزیع نرمال شرطی جملات خطا و در نهایت ، بردار واریانس شرطی است. مدل GARCH-BEKK اتخاذ شده در مطالعه به صورت (10) نگاشته می‎شود.

معادله میانگین:

 (10)                                            

معادله واریانس:

(11)                                                                                  

 (12)                                                                            

که در آن  برداری (2*1) از سهام (s) و نفت (o) در زمان t برای مقیاس iام موجک است. مقادیر  و  اشاره به ضرایب انتقال بلندمدت دارند که به صورت بردارهایی (2*1) هستند. متغیر  برداری از خطاهای تصادفی در زمان t در مقیاس iام موجک است. بردار (2*2) ماتریس واریانس شرطی در مقایس iام به صورت  تعریف شده است. پارامتر C ضریب ثابت ماتریس، A جمله خطای شرطی ماتریس و  B ضریب ماتریس کوواریانس شرطی است. اجزای ماتریس‎های A و B ( ) به انتقال نوسان و سرریز میان بازارهای نفت و بورس اشاره دارند(خالفویی و همکاران[xxxii]، 2015).

با تجزیه ماتریس واریانس شرطی و بسط آن خواهیم داشت:

  (13)                                                                                                                

 در نتیجه خواهیم داشت:

(14)                                                                                                  

(15)                                                                         

معادلات (14) و (15) چگونگی انتقال شوک‎ها و نوسانات میان بازارها در مقیاس‎های مختلف موجک را آشکار می‎سازند. مدل به روش حداکثر درستنمایی برآورد شده است و که با استفاده از الگوریتم BHHH، به منظور تخمین ماتریس واریانس-کوواریانس با استفاده از خطای استاندارد بهینه شده است. ساختار درستنمایی لگاریتمی شرطی  به صورت معادله (16) تعریف می‎شود.

 (16)                                           

پارامتر T تعداد مشاهدات و θ برداری از پارامترهای ناشناخته را نمایش می‎دهد.

 

5- یافته­های تجربی

متغیرهای مورد مطالعه داده‎های سری زمانی دو بازار بورس و نفت در کشور ایران است. نوع نمونه­گیری داده‎ها به صورت هفتگی و به طور خاص شامل شاخص کل بورس اوراق بهادار تهران و قیمت نفت خام اوپک طی دوره‎ی زمانی بیست و سوم، آذر ماه 1387 الی نوزدهم، بهمن ماه 1396 است. داده‎ها به ترتیب از سایت بورس اوراق بهادار تهران و سایت جهانی اوپک جمع‎آوری شده‎اند. به منظور دوری از مشکلاتی همچون روزهای تعطیلی متفاوت و نبود مشاهدات مربوط به این روزها از میانگین هر سه روز از مشاهدات در تخمین مدل استفاده شده است. سپس داده‎های مورد مطالعه به سه زیر دوره با اثرات سرریز متفاوت شامل از ابتدای دوره‎ی زمانی مورد مطالعه تا دوره‎ی شروع تحریم‎های نفتی علیه ایران(بیست و سوم، آذر ماه 1387 الی سیزدهم، فروردین ماه 1391)، از ابتدای شروع تحریم‎های نفتی تا توافق برجام(چهاردهم،  فروردین ماه 1391 الی بیست و پنجم، خرداد ماه 1394) و در نهایت از زمان توافق برجام به بعد(بیست و ششم، خرداد ماه 1394 الی نوزدهم، بهمن ماه 1396)، تقسیم شده است. جدول 1 آمار توصیفی داده‎ها را با توجه به سه دوره‎ی زمانی نشان می‎دهد. شکل 1 ترسیمی از داده‎های نفت و تجزیه موجک آن برای دوره‎ی دوم را به نمایش گذاشته است.

 

جدول 1- آمار توصیفی دادههای مورد مطالعه برای سه دوره زمانی

دوره‎ی سوم(بعد از برجام)

دوره‎ی دوم(بعد از تحریم نفتی)

دورهی اول (قبل از تحریم نفتی)

 

tse

oil

tse

oil

tse

oil

77005.31

47.1786

56501.06

95.7940

17116.31

83.8705

میانگین

99355.50

68.200

89261.00

122.17

27098.40

124.300

بیشینه

61190.55

23.3033

23881.13

42.525

7963.833

34.8200

کمینه

0.11329

0.12069-

0.31228-

1.4163-

0.13852

0.0947-

چولگی

3.05263

3.10774

1.60612

3.5637

1.46503

2.0999

کشیدگی

0.72599

0.93756

37.9105

135.547

40.6490

14.1364

Jarque-Bera

منبع: یافته‎های پژوهشگر

 

 

 

شکل 1- تجزیه موجک قیمت نفت اوپک به دلار برای دورهی زمانی دوم

 

آنالیز موجک به منظور بررسی انتقال نوسان در مقیاس‎های متفاوت میان بازار نفت و بازار بورس تهران مورد استفاده قرار گرفته است. داده‎های مورد مطالعه به وسیله روش MODWT و با استفاده از فیلتر حداقل نامتقارن داوبیشز (LA)[xxxiii] و طول 8، به پنج زیر مجموعه‎ی D1، D2، D3، D4 و R4 تقسیم شده است. فیلتر LA یکی از فیلترهای موجک است که در برآوردهای مالی به صورت گسترده‎ای مورد استفاده قرار می‎گیرد.

در ادامه با توجه به روند حرکت سرریز کل و سرریز نوسان میان بازارهای نفت و بورس در طول زمان و بر اساس سری‎های تجزیه موجک از روش MGARCH(1,1)-BEKK به منظور بررسی مدل پرداخته می‎شود.

جدول 2 نمایش نتایج تخمین مدل براساس جز D1 موجک که اشاره به نوسانات کوتاه‎مدت مدل بر اثر رخداد شوک در مدل است. جداول 3 و 4 نتایج تخمین مدل بر اساس اجزا D2و D3 موجک(نوسانات مربوط به میان مدت متغیرها) را نمایش می‎دهد و در نهایت

جدول5 نوسانات بلندمدت متغیرها را براساس تجزیه D4 موجک نشان می‎دهد. خلاصه این چهار جدول به صورت جدول 6 ارائه شده است.

 

جدول 2- ضرایب برآوردی مدل MGARCH-BEKK بر اساس مقیاس D1(بازه زمانی کوتاهمدت)

دوره‎ی سوم(بعد از برجام)

دوره‎ی دوم(بعد از تحریم نفتی)

دورهی اول (قبل از تحریم نفتی)

 

D1

(0.3004)

4.7161415-

(0.5302)

4.558305

(0.3871)

1.01754-

 

نتایج مربوط به معادله اصلی

(0.5750)

0.0119048-

(0.8299)

0.004589-

(0.6952)

0.00976-

 

* (0.0095)

0.6391077

(0.9998)

0.002208-

* (0.000)

0.69747

 

(0.6978)

0.0001269

(0.9999)

0.000004

* (0.000)

0.00406

 

* (0.0039)

122.6594211-

(0.9999)

0.336892-

(0.8735)

1.39203-

 

(0.1406)

0.2493809-

(0.9999)

0.001327

(0.1732)

0.23704-

 

* (0.000)

54.5925757

* (0.000)

79.158059-

(0.7016)

3.23297

 

نتایج مربوط به معادله واریانس-کوواریانس شرطی

(0.3808)

0.0878897

(0.7775)

0.014639

(0.7970)

0.25962

 

* (0.0024)

0.2153693

* (0.0166)

0.127872

(1.000)

0.00000

 

* (0.000)

1.2041070

* (0.000)

0.869828

* (0.000)

0.93123

 

(0.4462)

0.0001246

* (0.000)

0.000897-

* (0.0000)

0.00185

 

(0.2085)

29.9636878-

* (0.000)

97.508109-

*** (0.1016)

7.36860-

 

* (0.000)

0.3926266

* (0.000)

0.621534

* (0.000)

0.47023

 

* (0.000)

0.4336122

* (0.000)

0.694100

* (0.000)

0.68612

 

*** (0.0860)

0.0000953-

* (0.000)

0.000319

(0.1204)

0.00038-

 

(0.3215)

45.6238198-

* (0.0130)

39.096154

(0.1496)

5.87636-

 

* (0.000)

0.7199416

* (0.000)

0.810396

* (0.000)

0.79107

 

اعداد داخل پرانتز نماینده آماره احتمال متغیر مورد نظر در سطح 5 درصد است.

اعداد مشخص شده با علامت‎های ***، **، * نشان‎دهنده‎ی معناداری متغیر به ترتیب در سطح 10، 5 و 1 درصد است.

منبع: یافته‎های پژوهشگر

 

باید در نظر داشت که انتقال سرریز در مدل به دو صورت انجام می‎گیرد، یک انتقال مربوط به انتقال سرریز در کل مدل است و دیگری انتقال سرریز نوسان در مدل است. که در جدول 6 به صورت خلاصه نمایش داده شده است.

وجود یا عدم وجود انتقال سرریز کل مدل میان بازار نفت و بازار بورس به وسیله‎ معناداری ضرایب   و  در مدل نمایش داده می‎شود. جدول 6  نشان می‎دهد که با توجه به دوره‎های زمانی و مقایس‎های موجک متفاوت، سرریز کل درون مدل به صورت نبود سرریز، سرریز یک‎طرفه و یا سرریز دو طرفه وجود دارد. برای مثال در دوره‎ی اول با توجه به مقایس‎های D1 ، D2و D3 سرریز کل به صورت یکطرفه و از بازار نفت به بازار بورس وجود دارد اما با حرکت به سوی دوره‎های زمانی بلندمدت انتقال سرریز در دوره‎ی اول وجود ندارد. اما در دوره‎ی دوم برخلاف دوره‎ی اول با حرکت به سوی دوره‎های بلندمدت وجود انتقال سرریز کل قابل مشاهده است. باید توجه داشت که در دوران تحریم، کشور ایران به عنوان یکی از عمده تولیدکنندگان نفت خام جهان از این بازار به دور بوده است و دیگر کشورهای صادرکننده در جهت دستیابی به سهمیه ایران اقدام به فروش نفت خام در قیمت‎های پایین‎تر کردند از سوی دیگر کشور ایران به منظور حفظ بازار جهانی و نیاز به منابع مالی، اقدام به فروش غیر رسمی نفت خام در بازارهای جهانی کرد و این روند باعث انتقال نوسانات بازار داخلی به بازارهای جهانی شد. اما همانگونه که مشهود است در بازه‎زمانی بلندمدت در دوره‎ی دوم و بعد از آگاهی دیگر صادرکنندگان از این موضوع و تطبیق خود با شرایط موجود، انتقال سرریز کل به صورت یکطرفه و از بازار نفت به بازار بورس است. در دوره‎ی بعد از تحریم یعنی دوره‎ی سوم، انقال سرریز کل به صورت یکطرفه و فقط در بازه‎ی زمانی کوتاه‎مدت اتفاق افتاده است و در بازه‎های زمانی میان‎مدت و بلندمدت انتقال سرریز کل وجود ندارد. دلیل وجود این انتقال یکطرفه در بازه‎ی کوتاه‎مدت و دوره‎ی زمانی سوم این است که در کوتاه‎مدت به علت ورود ایران به بازارهای جهانی و انجام مذاکرات اولیه، این کشور بر قیمت نفت تأثیرگذار بوده است اما از انجا که در دوران تحریم عمده سهم بازار نفت ایران به وسیله دیگر رقبا پوشش داده شده است و همچنین ثبات نسبی قیمت نفت در سال‎های اخیر، در بازه‎های زمانی بلندتر هیچ انتقال سرریزی در بازارهای نفت و بورس اوراق بهادار تهران وجود ندارد.

 

جدول 3- ضرایب برآوردی مدل MGARCH-BEKK بر اساس مقیاس D2(بازه زمانی میانمدت)

دوره‎ی سوم(بعد از برجام)

دوره‎ی دوم(بعد از تحریم نفتی)

دورهی اول (قبل از تحریم نفتی)

 

D2

(0.4985)

49.8155815

(0.7402)

3.59369128

(0.9105)

0.25702846-

 

نتایج مربوط به معادله اصلی

* (0.0021)

0.0857684-

(0.5157)

0.01643157

(0.8896)

0.00543192

 

* (0.000)

1.0849946

(0.9483)

0.01559966-

(0.3122)

0.27760664

 

(0.7230)

0.0000898

(0.9706)

0.00001468

** (0.0581)

0.00187770

 

(0.6521)

197.4092287-

* (0.0227)

89.42432778-

(0.5675)

6.32737023-

 

(0.9030)

0.0251143

(0.5264)

0.14092212

(0.2950)

0.23221342-

 

(0.8580)

132.7929369

* (0.000)

58.67438434-

(0.3048)

7.69460792-

 

نتایج مربوط به معادله واریانس-کوواریانس شرطی

(0.8395)

0.4043082

(0.1136)

0.11372075-

(0.6432)

0.16471573-

 

(0.9999)

0.0000222

* (0.000)

0.24748974

* (0.0055)

0.41554851

 

(0.000)*

0.3346252

* (0.000)

0.99204401

* (0.000)

1.03811644

 

(0.9419)

0.0000129-

* (0.0239)

0.00024104-

* (0.000)

0.00146318

 

(0.2012)

198.7709591

(0.4703)

15.76636352-

* (0.000)

19.39836911

 

(0.000)*

0.2814152

* (0.000)

0.83382975

* (0.000)

0.78991731

 

(0.004)*

0.7611915

* (0.000)

0.62372416

* (0.000)

0.61634153

 

(0.1591)

0.0002259

(0.5544)

0.00004384

(0.5879)

0.00015615-

 

(0.201)*

906.8420763-

(0.8922)

2.28809050-

* (0.0033)

11.11171931-

 

(0.3124)

0.3004789

* (0.000)

0.642054444

* (0.000)

0.60727996

 

اعداد داخل پرانتز نماینده آماره احتمال متغیر مورد نظر در سطح 5 درصد است.

اعداد مشخص شده با علامت‎های ***، **، * نشان‎دهنده‎ی معناداری متغیر به ترتیب در سطح 10، 5 و 1 درصد است.

منبع: یافته‎های پژوهشگر

 

در طرف دیگر انتقال سرریز نوسان در مدل به وسیله معناداری ضرایب ، ،  و   در مدل نمایش داده می‎شود. مانند سرریز کل مدل، انتقال سرریز نوسان نیز با توجه به دوره‎ی زمانی و مقیاس موجک به سه صورت نبود سرریز، سرریز نوسان یکطرفه و سرریز نوسان دوطرفه قابل مشاهده است. برای مثال انتقال سرریز در دوره‎ی زمانی اول تنها در بازه‎های زمانی میان‎مدت و به صورت یکطرفه از بازار بورس به بازار نفت است که نشان دهنده‎ی قدرت کشور ایران در قیمت‎گذاری نفت خام قبل از شروع تحریم‎های نفتی علیه ایران است. در دوره‎ی زمانی دوم یعنی بعد از اعمال تحریم‎های نفتی علیه ایران، در کوتاه‎مدت رابطه دوطرفه و در بلندمدت رابطه یکطرفه از بازار نفت به بازار بورس مشهود است. در دوره‎ی زمانی سوم یعنی بعد از برجام، بجز در میان‎مدت (D3) رابطه‎ی یکطرفه میان بازار نفت و بازار بورس قابل ملاحظه است. اما در کوتاه‎مدت این رابطه از بازار نفت به بازار بورس است که اشاره به این موضوع دارد که بعد از برجام تأثیر بازارهای جهانی بر بازارهای داخلی به دلیل عدم انطباق کشور ایران با دنیای خارج همچنان باقی است اما با گذشت زمان و اعمال سیاست‎های مناسب ادواری و ورود ایران به عنوان صادرکننده‎ی نفتی به بازارهای جهانی، نوسانات موجود در بازار بورس به بازار نفت انتقال می‎یابد.

 

جدول 4- ضرایب برآوردی مدل MGARCH-BEKK بر اساس مقیاس D3(بازه زمانی میانمدت)

دوره‎ی سوم(بعد از برجام)

دوره‎ی دوم(بعد از تحریم نفتی)

دورهی اول (قبل از تحریم نفتی)

 

D3

(0.3767)

11.80790387-

(0.1164)

23.91142804

(0.9105)

0.25702846-

 

نتایج مربوط به معادله اصلی

* (0.0016)

0.11296878-

(0.3860)

0.03703159-

(0.8896)

0.00543192

 

* (0.0087)

0.33478407-

(0.2438)

0.16717222-

(0.3122)

0.27760664

 

(0.9141)

0.00001233

(0.1284)

0.00026327

** (0.0581)

0.00187770

 

(0.7980)

11.19236377

* (0.0036)

86.65276081

(0.5675)

6.3273023-

 

* (0.0296)

0.38192533-

(0.3311)

0.14497165-

(0.2950)

0.23221342-

 

* (0.0051)

51.12685122

* (0.000)

86.53059483-

(0.3048)

7.69460792-

 

نتایج مربوط به معادله واریانس-کوواریانس شرطی

(0.6816)

0.04260705-

(0.1305)

0.10904915-

(0.6432)

0.16471573-

 

* (0.000)

0.20577801-

* (0.000)

0.27553793

* (0.0055)

0.41554851

 

(0.000)

1.17630367

* (0.000)

1.13086660

* (0.000)

1.03811644

 

(0.9159)

0.00000366-

(0.3444)

0.00005772-

* (0.000)

0.00146318

 

(0.1712)

18.50127774

(0.5400)

7.64668285-

* (0.000)

19.36836911

 

(0.000)*

1.07057557

* (0.000)

1.07883171

* (0.000)

0.78991731

 

(0.000)*

0.50123708

* (0.000)

0.48479991

* (0.000)

0.61634153

 

(0.7194)

0.00000892-

(0.1600)

0.00006571-

(0.5879)

0.00015615-

 

(0.7645)

2.86876443-

(0.2716)

9.93928938-

* (0.0033)

11.11171931-

 

(0.000)*

0.47306239

* (0.000)

0.45875244

* (0.000)

0.60727996

 

اعداد داخل پرانتز نماینده آماره احتمال متغیر مورد نظر در سطح 5 درصد است.

اعداد مشخص شده با علامت‎های ***، **، * نشان‎دهنده‎ی معناداری متغیر به ترتیب در سطح 10، 5 و 1 درصد است.

منبع: یافته‎های پژوهشگر

 

جدول 5- ضرایب برآوردی مدل MGARCH-BEKK بر اساس مقیاس D4(بازه زمانی بلندمدت)

دوره‎ی سوم(بعد از برجام)

دوره‎ی دوم(بعد از تحریم نفتی)

دورهی اول (قبل از تحریم نفتی)

 

D4

(0.000)*

170.8859096

* (0.0108)

53.60075043

(0.7051)

112.48129

 

نتایج مربوط به معادله اصلی

(0.000)*

0.6626154

* (0.000)

0.68150470

(0.7450)

0.59743

 

(0.3310)

0.1081732-

*** (0.06377)

0.09474576-

(0.9577)

0.19713-

 

(0.4787)

0.0000403-

*** (0.0801)

0.00012347

(0.9907)

0.00029-

 

(0.1470)

23.2537431

(0.8608)

11.78272453

(0.9705)

30.06315

 

(0.1074)

0.1318647

(0.8835)

0.02030694-

(0.9976)

0.01559

 

* (0.000)

59.9136330

* (0.000)

75.95081877

(0.1993)

743.82949

 

نتایج مربوط به معادله واریانس-کوواریانس شرطی

** (0.0481)

0.0752707

* (0.0029)

0.07340885-

(0.6094)

6.21266

 

* (0.000)

0.0914475

* (0.000)

0.08637354-

(0.9999)

0.00315-

 

* (0.000)

1.1875870

* (0.000)

1.24459817

(0.9101)

0.14907-

 

(0.3174)

0.0000119-

* (0.000)

0.00010909

(0.8151)

0.00154-

 

* (0.0129)

25.7077310

(0.8327)

1.30093810

(0.7317)

88.59441

 

* (0.000)

1.2733647

* (0.000)

1.28436460

(0.6075)

0.57125

 

* (0.000)

0.4025291

* (0.000)

0.43291377

(0.3772)

1.26314

 

(0.4283)

0.0000087-

* (0.0237)

0.0003641

(0.8337)

0.00229

 

*** (0.0897)

11.7227467

(0.1878)

7.31694274

(0.8279)

104.49363-

 

* (0.000)

0.4361304

* (0.000)

0.43665256

(0.9071)

0.31447

 

اعداد داخل پرانتز نماینده آماره احتمال متغیر مورد نظر در سطح 5 درصد است.

اعداد مشخص شده با علامت‎های ***، **، * نشان‎دهنده‎ی معناداری متغیر به ترتیب در سطح 10، 5 و 1 درصد است.

منبع: یافته‎های پژوهشگر

 

جدول 6- نمایش سرریز مدل و نوسانات مدل براساس مقیاسهای مختلف با استفاده از روش GARCH-BEKK

دوره‎ی سوم(بعد از برجام)

دوره‎ی دوم(بعد از تحریم نفتی)

دورهی اول (قبل از تحریم نفتی)

مقیاس موجک

 

 

N

 

D1

سرریز مدل

N

   

D2

N

   

D3

N

 

N

D4

   

N

D1

سرریز نوسانات مدل

 

N

 

D2

N

N

 

D3

   

N

D4

حروف o و s به ترتیب نماینده بازار نفت، بازار بورس اوراق بهادار هستند.

حرف N اشاره به نبود رابطه علیت میان دو بازار دارد.

حرف اشاره به نبود رابطه علیت میان دو بازار و علائم← ، → و ↔ به جهت علیت اشاره دارد.

منبع: یافته‎های پژوهشگر

 

6- نتیجه­گیری و پیشنهادات

در شرایط کنونی بازارهای مالی و نوسان متغیرهای متعدد و همچنین تأثیر نوسان این متغیرها بر یکدیگر در این بازارها، به ویژه توسط سرریز قیمت نفت به عنوان یک متغیر برون­زای قدرتمند، بررسی این سرریز­ها جهت شناخت حرکت جریان­ها و پیش­بینی مسیر حرکتی متغیرها در بازارهای جهانی ضرورت انجام این تحقیق را دوچندان می­کند. در این پژوهش از آنالیز موجک به منظور بررسی انتقال نوسان در مقیاس‎های متفاوت میان بازار نفت و بازار بورس تهران استفاده شد. داده‎های مورد مطالعه به وسیله روش MODWT و با استفاده از فیلتر حداقل نامتقارن داوبیشز (LA)[xxxiv] و طول 8، به پنج زیر مجموعه‎ی D1، D2، D3، D4 و R4 تقسیم شدند و در ادامه با توجه به روند حرکت سرریز کل و سرریز نوسان میان بازارهای نفت و بورس در طول زمان و بر اساس سری‎های تجزیه موجک از روش MGARCH(1,1)-BEKK به منظور بررسی مدل استفاده شد.

نتایج آنالیز موجک نشان می­دهد، تأثیرات سرریز میان بازارها در دوره‎های زمانی متفاوت و با توجه رخدادهای اقتصادی-سیاسی متغیر است و می‎تواند یکطرفه، دوطرفه و یا اصلا وجود نداشته باشد. نتایج به صورت موردی در ادامه خلاصه شده­اند:

1)   دوره اول: سرریز کل به صورت یکطرفه، در بازه­های میان­مدت و از بازار نفت به بازار بورس می­باشد، که این امر نشان دهنده‎ی قدرت کشور ایران در قیمت‎گذاری نفت خام قبل از شروع تحریم‎های نفتی علیه ایران است.

2)   دوره دوم: در کوتاه‎مدت رابطه دوطرفه و در بلندمدت رابطه یکطرفه از بازار نفت به بازار بورس مشهود است. این امر دلالت بر انزوای ایران در دوران تحریم دارد که موجب افزایش سهم سایر کشورهای صادرکننده از طریق کاهش قیمت نفت خام در بازارهای جهانی شده است.

3)   دوره سوم: در میان‎مدت رابطه‎ی یکطرفه میان بازار نفت و بازار بورس قابل ملاحظه است. اما در کوتاه‎مدت این رابطه از بازار نفت به بازار بورس است. این امر دلالت بر آن دارد که بعد از برجام به علت ورود ایران به بازارهای جهانی و انجام مذاکرات اولیه، این کشور بر قیمت نفت تأثیرگذار بوده، اما از آنجایی که در دوران تحریم عمده سهم بازار نفت ایران به وسیله دیگر رقبا پوشش داده شده است و همچنین ثبات نسبی قیمت نفت در سال‎های اخیر، در بازه‎های زمانی بلندمدت­ هیچ انتقال سرریزی در بازارهای نفت و بورس اوراق بهادار تهران وجود ندارد. اما می­توان پیش­بینی کرد، با گذشت زمان و اعمال سیاست‎های مناسب ادواری و ورود ایران به عنوان صادرکننده‎ی نفتی به بازارهای جهانی، نوسانات موجود در بازار بورس به بازار نفت انتقال یابد.

با توجه به نتایج بدست آمده می­توان پیشنهادات زیر را در بخش نفت و بورس اوراق بهادار ارائه نمود:

1)   با توجه به اینکه اقتصاد ایران متکی به نفت است و قیمت نفت از طریق کانال­های متفاوتی بر متغیرهای کلان اقتصادی اثرگذار می­باشد، لذا جهت جلوگیری از اثرات نامطلوب نوسانات قیمت نفت، راهکارهای متفاوتی وجود دارد که از جمله آن­ها می­توان به کاهش وابستگی اقتصاد ایران به نفت، اتکای بیشتر به صادرات غیرنفتی و نیز تأمین مالی هزینه­های دولت از طریق مالیات و همچنین بهبود عملکرد و نیز پایبندی بیشتر به اهداف صندوق ذخایر ارزی اشاره نمود، که می­توانند از شدت آثار مخرب نوسانات شدید قیمت نفت بکاهند و به تبع آن بورس اوراق بهادار نیز کمتر محتمل این پیامدها می­شود.

2)   از سوی دیگر، با گسترش فرهنگ تولید و توجه بیشتر به زیرساخت­های بخش تولید، کاهش برنامه­ریزی شده تورم (جهت جلوگیری از انگیزه­های سفته­بازی) علاوه بر اینکه می­توان از مزایای رشد اقتصادی بیشتر بهره ببرد، در نتیجه کلیه بنگاه­های اقتصادی (از جمله بنگاه­های اقتصادی فعال در بازار بورس اوراق بهادار) نیز با سودآوری بیشتر و رونق اقتصادی همراه خواهند بود.

3)   و نتیجه مهمتر آنکه، با توجه به تأثیرات متغیر سرریز میان بازارها در جهت اعمال تصمیمات صحیح به منظور پیشبرد اهداف و دسترسی به حداکثر سود برای سیاست‎گذاران و سرمایه‎گذاران پیشنهاد می‎شود که تصمیمات و سیاست‎گذاری‎ها باید بر اساس زمان و اتفاقات دوره انجام گیرد و استفاده از یک تصمیم خاص یا سیاست خاص برای دوره‎های زمانی مختلف باعث دور شدن از حداکثر مطلوبیت خواهد شد.

 



1- استادیار گروه اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران. (نویسنده مسئول)  s.karimi@razi.ac.ir

2- دانشجوی دکتری اقتصاد، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران.  maryamheidarian.1368@yahoo.com  

3- کارشناس ارشد علوم اقتصادی، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران. sharam_dehghan_j@ymail.com



[i] Spillover Effects                                                                                                                                               

[ii] Nazlioglu et al.

[iii] Wang et al.

[iv] Multivariate GARCH

[v] Baba, Engle, Kraft and Kroner

[vi] Wavelet

[vii] Gonzalez and Lee

[viii] Soriano and Climent

[ix] Sadorsky and Basher

[x] Arouri et al.

[xi] Diebold and Yilmaz

[xii] Aboura and Chevallier

[xiii] Apergis and Miller

[xiv] Tse

[xv] Dow Jones

[xvi] Papapetrou

[xvii] Mensi et al.

[xviii] Return links

[xix] Lee et al.

[xx] Liu

[xxi] Continuous Wavelet Transform

[xxii]  Discrete Wavelet Transform

[xxiii] Dyadic

[xxiv] Gallegati and Gallegati

[xxv] Gallegati et al.

[xxvi] MODWT-based multi-resolution Analysis

[xxvii] Bae et al.

[xxviii] Efimova and Serletis

[xxix] Engle and Kroner

[xxx] Karali and Ramirez

[xxxi]  Bollerslev et al.

[xxxii]  Khalfaoui et al.

[xxxiii] Daubechies least asymmetric

[xxxiv] Daubechies Least Asymmetric

فهرست منابع

1)     ابونوری، اسمعیل، عبدللهی، محمدرضا، و حمزه، مصطفی (1391). ارزیابی پویایی‎های رابطه بین نرخ ارز و شاخص سهام بورس تهران با استفاده از مدل گارچ دو متغیره. فصلنامه پژوهشنامه بازرگانی, 65-86.

2)     صمدی، سعید، شیرانی فخر، زهره و داورزاده، مهتاب (1386). بررسی میزان اثرپذیری شاخص سهام بورس اوراق بهادر تهران از قیمت جهانی نفت و طلا (مدل‎سازی و پیش‎بینی). فصلنامه بررسی‎های اقتصادی, 4(2)،  52-25.

3)     عباسی­نژاد، حسین و ابراهیمی، سجاد (1392)، اثر نوسان­های قیمتی بر بازده بورس اوراق بهادار تهران. فصلنامه پژوهش­ها و سیاست­های اقتصادی، 21(68)، 108-83.

4)     فعلی، عاطفه (1395)، بررسی سرریز تلاطم بازده نفت بر بازدهی صنایع منتخب در بازار بورس اوراق بهادار تهران (رویکرد تجزیه واریانس)، پایان­نامه کارشناسی ارشد رشته مهندسی سیستم­های اقتصادی- اجتماعی، دانشگاه خوارزمی.

5)     بت­شکن، محمدهاشم، صادقی شاهدانی، مهدی، سلیمی، محمدجواد و محسنی، حسین (1396)، سرریز نوسانات بر بورس اوراق بهادار، فصلنامه پژوهش­ها و سیاست­های اقتصادی، 84(25)، 189-165.

6)      ثقفی، علی و قنبریان، رضا (1394)، بررسی رابطه پویا بین قیمت نفت و شاخص­های بازار سرمایه در ایران. فصلنامه تحقیقات مدلسازی اقتصادی، 5(20).

7)      Bae, K. H., Karolyi, G. A., & Stulz, R. M. (2003). A New Approach to Measuring Financial Contagion. Review of Financial Study, 717-763.

8)      Bollerslev, T., Chou, R. Y., & Kroner, K. F. (1992). ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence. Journals of Econometrics, 5-59.

9)      Efimova, O., & Serletis, A. (2014). Energy Markets Volatility Modeling Using GARCH. Energy Economics, 264-273.

10)   Engle, R. F., & Kroner, K. F. (1995). Multivariate Simultaneous Generalized ARCH. Econometric Theory, 122-150.

11)   Gallegati, M., & Gallegati, M. (2007). Wavelet Variance Analysis of Output in G7 Countries. Study Nonlinear Dynamic Econom.

12)   Gallegati, M., Ramsey, J. B., & Semmler, W. (2014). Interest Rate Spreads and Output: A Time Scale Decomposition Analysis Using wavelets. Comput. Statistical Data Analysis, 283-290.

13)   Karali, B., & Ramirez, O. A. (2014). Macro Determinants of Volatility and Volatility Spillover in Energy Markets. Energy Economics, 413-421.

14)   Khalfaoui, R., Boutahar, M., & Boubaker, H. (2015). Analyzing Volatility Spillovers and Hedging between Oil and Stock Markets: Evidence from Wavelet Analysis. Energy Economics, 540-549.

15)   Mensi, W., Beljid, M., Boubaker, A., & Managi, S. (2013). Correlations and Volatility Spillovers across Commodity and Stock Markets: Linking energies, food, and gold. Econ. Modell 32, 15-22.

16)   Nazlioglu, s., Soytas, U., & Gupta, R. (2015). Oil Prices and Financial Stress: A Volatility Spillover Analysis. Energy Policy 82, 278-288.

17)   Papapetrou, E. (2001). Oil Price Shocks, Stock Market, Economic Activity and Employment in Greece. Energy Econ. 23, 511-532.

18)   Wang, L. J., An, H. Z., Liu, X. J., & Huang, X. (2016). Selecting Dynamic Moving Average Trading Rules in Crude Oil Futures Markets Using a Genetic Approach. Appl. Energy 162, 1608-1618.

19)   Gonzalez-Rivera, G.; Lee, T. H. and S. Mishra (2004), "Forecasting Volatility: A Reality Check Based on Option Pricing, Utility Function, Value-at-risk, and Predictive Likelihood", International Journal of Forecasting, 20(4), pp. 645-629.

20)   Soriano, Pilar and F.G. Climent (2006), “Region versus Industry Effects: Volatility Transmission”, Financial Analysts Journal, 62(6), pp. 52-64.

21)   Arouri, M.E.H.; Lahiani, A. and D.K. Nguyen (2011), "Return and Volatility Transmission between World Oil Prices and Stock Markets of the GCC Countries", Economic Modelling, 28(4), pp. 1815-1825.

22)   Diebold, F. X. and K. Yilmaz (2012), "Better to Give than to Receive: Predictive Directional Measurement of Volatility Spillovers", International Journal of Forecasting, 28(1), pp. 58-66.

23)   Aboura, S. and J. Chevallier (2015), "Volatility Returns with Vengeance: Financial Markets vs. Commodities", Research in International Business and Finance. No. 33, pp. 334-354.

24)   Apergis, N. and S.M. Miller (2009), "Do Structural Oil-market Shocks Affect Stock Prices?", Energy Economics, No. 31, pp. 569-575.

25)   Liu, X., An. H., Huang, Sh., and Wen, Sh., (2017). The evolution of spillover effects between oil and stock markets across multi-scales using a wavelet-based GARCH–BEKK model. Physica A 465 (2017) 374–383.

 

 

یادداشت‌ها