پوشش ریسک قیمت سهام صنایعبورسی با نرخ ارز (چندرشته ای صنعتی، بانک و سرمایه‌گذاری) Hedging stock price of listed industries with exchange rate (Multidisciplinary industry, banking and investment)

نوع مقاله : علمی پژوهشی

نویسندگان

1 دانشجوی دکتری اقتصاد اسلامی، گروه اقتصاد، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران.

2 گروه اقتصاد، دانشگاه آزاد اسلامی، واحد فیروزکوه، فیروزکوه، ایران

3 گروه اقتصاد، دانشگاه آزاد اسلامی، واحد تهران مرکزی،، تهران، ایران،

4 هیات علمی فیروزکوه

چکیده

در این پژوهش به‌منظور مدیریت ریسک سرمایه‌گذاران در بازار سرمایه، پوشش ریسک قیمت سهام صنایعبورسی منتخب با نرخ ارز مورد بررسی قرار گرفته است. بدین منظور از مدل‌های DCC و ADCC استفاده گردید. داده‏های مورد استفاده، بازده سهام صنایع بورسی و نرخ ارز به‌صورت روزانه طی بازه زمانی 1387 تا 1399 است. نتایج نشان می‏دهد که همبستگی متقارن بین قیمت سهام این صنایع با نرخ ارز، در هر دو بحران‏ ارزی وجود دارد. همچنین یافته‏های پژوهش نشان می‌دهد، در هر دو بحران ارزی بالاترین کارایی پوشش ریسکبه ترتیب مربوط به صنعت چند رشته‌ای صنعتی و سرمایه‌گذاری است، درحالی‌که پایین‌ترین آن مربوط به صنعت بانکداری است. بزرگ‌ترین مقدار ضریب پوشش ریسک در بحران ارزی اول و دوم به ترتیب مربوط به صنایع چند رشته‌ای صنعتی و بانک است. کمترین مقدار ضریب پوشش ریسک در هر دو بحران مربوط به صنعت سرمایه‌گذاری است. بالاترین مقدار میانگین وزنی پرتفوی بهینه در هر دو بحران ارزی مربوط به صنعت بانکداری است. نتایج این تحقیق فرصتی را برای سرمایه‌گذاران فراهم می‌کند تا از استراتژی‌های پوشش ریسک و تخصیص دارایی‌هابه‌طور مطلوب استفاده کنند.
Abstract
This study investigates hedging stock price of the selected industries listed in stock exchange with exchange rate, in order to manage risks of investors in capital market. To do se, the ADCC and DCC models are used. The data for this investigation includes daily stock return of the listed industries and exchange rate during 2008-2020. The results suggest that there exists symmetric correlation between stock price of these industries and exchange rate in both currency crises. Moreover, in both crises, the highest hedging effectiveness is associated with multidisciplinary industry and investment, whereas the lowest effectiveness is for banking. On the other hand, the biggest rate of hedging in the first and second currency crisis belongs to multidisciplinary industry and banking, respectively. The lowest rate of hedging in both crises belongs to investment industry and the highest weighted mean of optimal portfolio in both crises is found in banking industry. The results of this study provide the investors the opportunity to use hedging and asset allocation strategies in optimal way.

کلیدواژه‌ها


پوشش ریسک قیمت سهام صنایعبورسی با نرخ ارز

(چندرشته ای صنعتی، بانک و سرمایه‌گذاری)

 

مریم بذرائی[1]

تاریخ دریافت: 08/10/1399            تاریخ پذیرش: 11/12/1399

صالح قویدل[2]

قدرت­الله امام وردی[3]

محمود محمودزاده[4]

 

چکیده

در این پژوهش به‌منظور مدیریت ریسک سرمایه‌گذاران در بازار سرمایه، پوشش ریسک قیمت سهام صنایعبورسی منتخب با نرخ ارز مورد بررسی قرار گرفته است. بدین منظور از مدل‌های DCC و ADCC استفاده گردید. داده‏های مورد استفاده، بازده سهام صنایع بورسی و نرخ ارز به‌صورت روزانه طی بازه زمانی 1387 تا 1399 است. نتایج نشان می‏دهد که همبستگی متقارن بین قیمت سهام این صنایع با نرخ ارز، در هر دو بحران‏ ارزی وجود دارد. همچنین یافته‏های پژوهش نشان می‌دهد، در هر دو بحران ارزی بالاترین کارایی پوشش ریسکبه ترتیب مربوط به صنعت چند رشته‌ای صنعتی و سرمایه‌گذاری است، درحالی‌که پایین‌ترین آن مربوط به صنعت بانکداری است. بزرگ‌ترین مقدار ضریب پوشش ریسک در بحران ارزی اول و دوم به ترتیب مربوط به صنایع چند رشته‌ای صنعتی و بانک است. کمترین مقدار ضریب پوشش ریسک در هر دو بحران مربوط به صنعت سرمایه‌گذاری است. بالاترین مقدار میانگین وزنی پرتفوی بهینه در هر دو بحران ارزی مربوط به صنعت بانکداری است. نتایج این تحقیق فرصتی را برای سرمایه‌گذاران فراهم می‌کند تا از استراتژی‌های پوشش ریسک و تخصیص دارایی‌هابه‌طور مطلوب استفاده کنند.

 

واژه‌های کلیدی:بازار سهام، نرخ ارز، استراتژی پوشش ریسک، سبد دارایی بهینه.

طبقه بندی JEL: F31,G32,G11,C58

1- مقدمه

فضای پیچیده بازارهای مالی و اقتصادی و ارتباط تنگاتنگ این بازارها با یکدیگر و همچنین نیاز حیاتی به پیش‏بینی سناریوهای مالی و اقتصادی آتی، پژوهشگران حوزه مالی را بر آن داشته تا با کشف و تحلیل این ارتباطات میان بازاری بتوانند گامی مؤثر و روبه‌جلو در جهت تحقق اهداف نظام مالی و اقتصادی بردارند. در این راستا بررسی اثر سرایت‌پذیری بازارها بر یکدیگر از اهمیت بسزایی برخوردار است؛ چرا که با درک و تبیین این موضوع قابلیت پیش‌بینی سایر بازارها امکان‏پذیر می‏گردد. با توجه به اینکه بازارهای مالی با یکدیگر مرتبط هستند، اطلاعات ایجادشده در یک بازار، می‏تواند سایر بازارها را متأثر سازد (نیکو مرام و همکاران، 1393). در سال‏های اخیر، یکی از چالش‏های بزرگ در بازار سهام، سرایت بحران‌های است که باعث ایجاد تلاطم، در این بازارها می‌شود. تلاطم‏های ایجادشده به‏عنوان یک عامل مؤثر در تعیین ریسک سرمایه‏گذاری، می‌تواند نقش مهمی در تصمیم‌گیری سرمایه‌گذاران ایفا کند (اربابی، 1397).

روش‌های مختلفی برای پوشش ریسک ناشی از تلاطم قیمت دارایی سهام وجود دارد. یکی از ابزارهای پوشش ریسک، استفاده از دارایی‌های مالی جایگزین نظیر ارز و ایجاد سبد دارایی ترکیبی است. به‌طور معمول سرمایه‌گذارانبه‌منظور کاهش ریسک، تنوع بخشیدن به دارایی‌ها را به عنوان سیاستی اساسی اعمال می‌کنند. تنوع‌بخشی کارا سبد دارایی‌های مالی توسط سرمایه‌گذاران بدون آگاهی از روابط بین دارایی‌های مورد نظر امکان‌پذیر نخواهد بود (فتاحی و همکاران، 1396).

 بازاراوراقبهاداروارزهموارهبه‌عنوانبخش‌هایحساسبازارهایمالیهستند.ایندوبازاربه سرعتازنوساناتوسیکل‌هایتجاریدراقتصادتأثیرپذیرفتهوتغییراتاقتصادیرابهسرعتمنعکس می‌نمایند.درعینحال،آشفتگیدریکیاهردوبازاربهایجادنگرانیدرمیانسیاست‌گذاران و سرمایه‌گذارانبازارها می‌انجامد. اگرچهاتفاقنظرتئوریکیدرموردتعاملبینقیمت‌های سهامونرخ‌هایتبادلیارزوجودندارد،بایدتوجهداشتکهمتغیرهایبینابینیچونثروت،تقاضابرایپول ونرخ‏هایبهرهنقشعظیمیدرایجادپیوندبینآن‌هاراایفامی‌نماید (صالح[i]، 2008).

از اوایل تابستان 1390 تاکنون، اقتصاد ایران در نتیجه اعمال تحریم‌ها، خروجیک‌جانبه آمریکا از برجام[ii]، رشد فزاینده نقدینگی در سالیان متمادی و سایر عوامل، وضعیت بسیار ویژه‌ای را شاهد بوده است. بعد از مدت‌ها مدیریت نرخ ارز در کشور، بی‌ثباتی این بازار را فرا گرفت و به دنبال این مسئله سایر بازارهای مالی نیز دچار نوسانات فزاینده‌ای شدند. رکوردشکنی‌های شاخص بورس اوراق بهادار تهران نیز از سال 1391 آغاز شد و در تیرماه سال 1399 به اوج خود رسید. با توجه به رکود فعالیت‌های اقتصادی و تورم بالا، ورود به بازار بورس اوراق بهادار یا بازار ارز به‌عنوان جایگزین‌های سرمایه‌گذاری پیش روی سرمایه‌گذارانی بود که پول داغ[iii] در دست خود داشتند.

در چنین فضای آشفته‌ای که در بازار دارایی‌هاییادشده به وجود آمده بود، می‌توان این پرسش‌ها را مطرح کرد که آیا نوسانات نرخ ارز و قیمت سهام صنایع بورسی همبستگی در طول زمان داشته‌اند؟ در کدامیک از صنایع بورسی هنگام سرمایه‌گذاری باید سرمایه بیشتری را برای پوشش ریسک استفاده کرد؟ کارایی پوشش ریسک در کدامیک از صنایع بورسی بالاتر می‌باشد؟ کدامیک از صنایع بورسی وزن بیشتری در پرتفوی بهینه خواهند داشت؟

تنوع‌بخشی، پوشش و مدیریت ریسک پرتفوهای سرمایه‌گذاری بدون آگاهی از رفتار و روابط بین دارایی‌های مورد نظر امکان‏پذیر نخواهد بود و یافتن پاسخ پرسش‌هاییاد شده می‌تواند بینش روشنی در مورد تحلیل و پیش‌بینی تحولات بازدهی دارایی‌ها و استفاده از آن برای اتخاذ استراتژی‌های مناسب سرمایه‌گذاریارائه دهد.

برای دست‏یابی به اهداف، مقاله در پنج بخش سازمان‌دهی شده است: پس از مقدمه، ادبیات مرور می‌شود.سپس، روش تحقیق بیان می‌شود. بخش چهارم، شامل یافته‌هاست و بخش پایانی به نتیجه‌گیری و پیشنهادها اختصاص یافته است.

 

2- مروری بر ادبیات

رابطهنرخارزوبازارسهامرامی‏توانازدوجنبهنظریبررسیکرد: 1) مدل‏هایجریان‏گرا[iv]و 2)مدل‌های سهام‏گرا[v](لیانگوهمکاران[vi]، 2013). درمدل‏هایجریان‏گرا،نرخارزهدایت کنندهبازارسهام استدرحالی‏کهدرمدل‏هایسهام‏گرا،بازارسهامنرخارزراهدایتمی‌کند (چنوچن[vii]، 2012).

مدل‌های جریان گرا، فرض می‌کنند که حساب جاری کشور و تراز جاری دو عامل مهم تعیین کننده نرخ ارز هستند. براین اساس تغییرات در نرخ ارز بر رقابت بین‌المللی و تراز تجاری و بدین ترتیب بر متغیرهای واقعی اقتصاد همچون تولید و درآمد واقعی و نیز بر جریان نقدینگی آتی و جاری شرکت‌ها و قیمت سهام آن‌ها اثر می‌گذارد (درونبوش و فیشر[viii]، 1980).تغییراتنرخارزمی‏تواندبرارزشدارایی‏هاوفعالیت‏هایبین‏المللیشرکت‏هااثرگذارد،به‌عنوانمثالبراثرافزایشنرخارز،ارزشفعالیت‏هایخارجیشرکت‏هاویادارایی‏هایداخلیوارداتیآن‌هاافزایشمی‏یابد (اگاروال[ix]، 1981).

ازسویدیگر،درصورتافزایشنرخارزارزشفعلیهزینهاستهلاکدارایی‏هایشرکت‌هانیزکاهشمی‏یابد.اینتغییراتبه‌صورتسودیازیاندرترازنامهوبه‌تبعآن،درحسابجاریشرکت‏هابازتابدادهمی‏شود؛بنابراین،باانتشارسودیازیانشرکت‏ها،قیمتسهامآن‌هانیزدستخوشتغییرمی‏گردد (نیه ولی[x]، 2001).

علاوهبراین،بستهبهاینکهشرکت،یکشرکتصادرکنندهباشدویابهشدتبهنهاده‏هایوارداتیوابستهباشد،تغییراتنرخارزبرحجم تولیدوقیمتسهامآناثرمی‏گذارد (گرنجر و همکاران[xi]، 2000). بهعنوانمثالچنانچهشرکتیبهشدتبهنهاده‏هایوارداتیوابستهباشد،باافزایش نرخارز،می‏بایستمبالغبیشتریازنقدینگیخودراصرفوارداتکند.این امرموجبافزایشهزینه‏هایتولیدوکاهشحاشیهسودشرکتمی‏شودکهاثرمنفیبرحجمتولید،توزیعسودوبازدهسهامشرکتمی‏گذارد؛ بنابراین،قیمتسهامشرکتباکاهشهمراهخواهدشد.

بودناروجنتری[xii] (1993) اثرنرخارزبرقیمتسهامراباتوجهبهخصوصیاتصنعتاین‌گونهتوضیح می‏دهند: تقویتپولرایج(کاهشنرخارز)برجریاننقدیشاملواردکنندگان،تولیدکنندگانکالاهایغیرمبادله‏ایومصرف‏کنندگانکالاهایبین‏المللی (مانندطلا)اثرمثبتگذاشتهودرمقابلبرجریاننقد مشتملبرصادرکنندگان،تولیدکنندگانرقیبکالاهایوارداتیوسرمایه‏گذارانخارجی(مانندشرکت‌هایچندملیتی)اثرمنفیمی‏گذاردوموجبتغییرقیمتسهامآن‌هامی‏شود.

درمقابل،براساسمدل‏هایسهام‏گرا، فرض می‌شود که حساب سرمایه، عامل تعیین کننده نرخ ارز است. این مدل‌ها شامل مدل توازن پرتفلیو و مدل پولی می‌باشند. در مدل پرتفلیو، برنسون[xiii] (1983) چنین عنوان می‌کند که رابطه منفی بین نرخ ارز و قیمت سهام وجود دارد. طبق این مدل کاهش قیمت سهام باعث کاهش ثروت سرمایه‏گذاران داخلی می‌گردد. این امر منجر به تقاضای کمتر برای پول به همراه نرخ بهره پایین‌تر می‌شود. کمتر شدن نرخ بهره موجب خروج سرمایه به سمت بازارهای خارج از کشور، با فرض ثبات سایر شرایط و کاهش ارزش پول داخلی و گران‌تر شدن نرخ ارز می‌شود. بر اساس مدل پولی گاوین[xiv] (1989) برعکس دو مدل فوق، بین نرخ ارز و قیمت سهام رابطه‌ای وجود ندارد. ازاین‌رو و بر اساس سه مدل تئوریک فوق به‌عنوان جمع‌بندی می‌توان عنوان نمود که مطالعات تئوریک نتیجه مشخص و معینی را در رابطه بین بازار ارز و قیمت سهام ارائه نمی‌نمایند.

از طرف دیگر بر اساس تئوری باتاچاریا و موخرجی[xv] (2002) تا دهه 1950 ریسک به‌عنوان یک عامل کیفی محسوب می‌شد تا اینکه با تلاش‌های مارکوئیتز ریسک کمیت‌پذیر شد و انحراف معیار جریان‌های نقدی طرح‌های سرمایه‌گذاری در شرایط مختلف به‌عنوان کمیت سنجش ریسک معرفی گردید. نرخ ارز یکی از اجزاء همراه با ریسک سبد دارایی است، بر اساس مدل ماکوئیتز تغییرات نرخ این دارایی می‌تواند بر تقاضای آن تأثیر گذاشته و متعاقباً باعث تغییر قیمت سهام شود. زیرا مثلاً با پایین آمد نرخ ارز، بهای تمام شده محصولات کاهش می‌یابد و در نتیجه حاشیه سود هر سهم افزایش خواهد یافت و متعاقب آن، قیمت سهام شرکت نیز بالا خواهد رفت. با افزایش قیمت سهام شرکت‌ها، شاخص کل قیمت سهام نیز دستخوش تغییر مثبت می‌شود(حیدری و بشیری، 1391).بنابراین، سرمایه‌گذاران در حال تغییر نگرش خود درباره مدیریت ریسک هستند. بسیاری از استراتژی‌های پوشش ریسک به‌منظور پاسخگویی به این سؤال که چگونه می‌توان از سایر بازارها برای پوشش ریسک استفاده کرد در حال ظهور می‌باشد. با توجه به اینکه استخراج وزن‌های پرتفوی بهینه به سؤال مهمی برای سرمایه‌گذاران تبدیل شده است؛ لذا ساختن پرتفوی جهت پوشش ریسک با استفاده از سایر دارایی‌ها نظیر ارز، طلا، نفت و ... تبدیل به یک استراتژی مدیریت ریسک شده است. علاوه بر این، روابط سرریز نوسان بین دو بازار برای ساخت ضریب‌های پوشش و پرتفوهای بهینه اهمیت به سزای دارد (چانگ و همکاران[xvi]،۲۰۱۱).

بر اساس مطالعات صورت گرفته برآورد ضریب پوشش ریسک بهینه و وزن‌های پرتفوی، به طوریکه سرمایه‌گذاران بتوانند هنگام اتخاذ استراتژی پوشش ریسک اطلاعات بیشتری در اختیار داشته باشند اهمیت زیادی دارد (هویسمن و همکاران[xvii]،2009؛ یائو و وو[xviii]، 2012).پژوهش‏گران علاوه بر بررسی رابطه بین نرخ ارز و بازار سهام با استفاده از روش‏های مختلف و استراتژی‏های پوشش ریسک مناسب در این بازارها را ارائه داده‏اند. به‌عنوان مثال، یوسف و همکاران[xix] (2021) به بررسی پوشش ریسک بازار سهام آسیا با طلا در دوره شیوع اپیدمی کرونا[xx] پرداختند. نتایج نشان داد کهدر طی دوره شیوع کرونا، طلا دارایی مناسبی برای پوشش ریسک قیمت‌های سهام در اکثر بازارهای سهام آسیا[xxi] است. وزن بهینه سبد سهام- طلا در تمام بازارهای موردمطالعه در زیر دورهکروناکمتر از دوره قبل ازکرونااست، در نتیجه سرمایه‌گذاران باید سرمایه‌گذاری خود را در طلا در زیر دورهکروناافزایش دهند. اثربخشی پوشش برای اکثر بازارهای سهام آسیا در دوره فرعی کرونابیشتر است.

حبیبی و لی[xxii] (2019) به بررسی اثرات نامتقارن نرخ ارز بر قیمت‌های سهام در کشورهای گروه هفت[xxiii] طی بازه زمانی 1997 تا 2016 پرداختند. آن‌ها نشان دادند که تغییر نرخ ارز در تمام کشورهای گروه هفت اثرات نامتقارن کوتاه‌مدتی بر قیمت‌های سهام دارد؛ اما در بلندمدت به استثناء کشور آلمان این نتایج برای سایر کشورها صادق نیست.

پولادیان و همکاران[xxiv] (2019) به بررسی رابطه بین نرخ ارز و بازارهای سهام در چهار کشور اروپای مرکزی و شرقی پرداختند. برآوردهای آن‌ها حاکی از تفاوت معنادار بین الگوهای همبستگی در چهار کشور نمونه است و همچنین درجه همگرایی نسبتاً کمی بین ارز خارجی در کشورهای اروپای مرکزی و شرقی وجود دارد.

سوسا و همکاران[xxv] (2018) به بررسی پیوندهای پویا بین بازار سهام و نرخ ارز در کشورهای MILA[xxvi] پرداختند. نتایج نشان داد که بازدهی‌های سهام این کشورهای بر اساس دو نظام کم‌نوسان و پرنوسان تغییر می‌کند. همچنین، تأثیر بازارهای سهام بر نرخ ارز بیشتر از تأثیر نرخ ارز بر بازارهای سهام می‌باشد.

وانگ و همکاران[xxvii] (2016) به بررسی پوشش ریسک نرخ ارز با طلا پرداختند. نتایج مطالعه آن‌ها نشان داد کهنوسانات نرخ ارز منجر به اثرات آستانه‌ای شده و بر کارآمدی پوشش ریسک طلا اثر می‌گذارد.

محمد الهدی آروری[xxviii] (2015) به بررسی رابطه قیمت‏های جهانی طلا و بازده سهام در چین به‏منظور ارائه استراتژی‏هایپوشش ریسک پرداختند. آن‌هاوزن‌های بهینه و نسبت‌هایپوشش ریسک را برای سهام و طلا مورد تجزیه‌وتحلیل قرار داده و نشان دادند که چگونه می‌توان از نتایج تجربی برایاتخاذ استراتژیپوشش ریسک استفاده کرد.

باشر و همکاران[xxix] (2015) همبستگی‌های شرطی بین بازارهای در حال ظهور سهام بورس، قیمت نفت، VIX، قیمت طلا و قیمت اوراق را مورد بررسی قرار دادند.نتایج نشان می‏دهد که در اکثر موقعیت‌ها، نفت بهترین دارایی برای پوشش ریسک قیمت‌های سهام در بازار نوظهور است.

ین هسین لی و همکاران[xxx] (2014) به بررسی تشکیل پرتفوی قیمت سهام گروه هفتو نفت خام وست تگزاس پرداختند. آن‌ها علاوه بر بررسی سریز نوسانات بین قیمت سهام و قیمت نفت، نسبت بهینه وزن پرتفوی را نیز استخراج کرده‌اند. نتایج نشان داد که اثر پوشش ریسک[xxxi]در کانادا بالاترین و در ژاپن کمترین میزان را دارد. علاوه براین، ژاپن دارای بیشترین وزن بهینه پرتفوی و کمترین نسبت پوشش ریسک است.

حاتمی و همکاران (1397) به بررسی پویایی‏های نسبت بهینه پوشش ریسک در بازار سهام و طلا پرداختند. نتایج نشان داد که پویایی نرخ بهینه پوشش ریسک طی دوره 1388 تا 1392 افزایش و طی دوره 1392 تا 1395 یک تغییر رژیم در روند این نسبت رخ‌داده است. همچنین سرمایه‌گذاران برای پوشش ریسک سرمایه‌گذاری در بازار سهام، از بازار طلا استفاده نمایند و طلا را به‌عنوان یک کالای همراه با دارایی سهام در سبد دارایی در نظر بگیرند.

الهام فرزانگان (1397) با استفاده از به‌کارگیری نسل جدید مدل‌های نوسان پذیری چندمتغیره به تخمین و بررسی عملکرد پوشش ریسک بازار نقد با بازار آتی سکه بهار آزادی پرداخته است. نتایج حاکی از برتری نسبت‌های پوشش ریسک به دست آمده از مدل GO-GARCH در مقایسه با سایر مدل‌های رقیب، برای پوشش ریسک نوسانات قیمت‌های نقد با آتی سکه بهار آزادی است. همچنین نتایج نشان داد که قیمت‌های نقد و آتی طی دوران تنش در بازار سکه، گرایش به هم حرکتی دارند.

صرافی و همکاران (1397) به بررسی تقارن یا عدم تقارن اثر شوک‌های مثبت و منفی دلار در بازار آزاد بر شاخص صنایع شیمیایی و فلزات اساسی پرداخته‌اند. نتایج نشان داد که افزایش نرخ دلار بر هر دو شاخص در کوتاه‌مدت و بلندمدت اثر مثبت و معنی‌دار دارد اما اثرگذاری کاهش آن بی‌معنی می‌باشد. به علاوه ضرایب استخراج شده نشان از اثرگذاری بیشتر شوک مثبت دلار آزاد بر شاخص شیمیایی نسبت به شاخص فلزات اساسی دارد.

بت شکن و همکاران (1396) به بررسی اثرات سرریزی نرخ ارز دلار و یورو بر شاخص بانک‌ها و مؤسسات مالی به منظور تبیین ابعاد سیستمی سرریز نوسان از بازار ارز به بخش پولی و مالی کشور پرداخته‌اند. نتایج پژوهش آن‌ها مؤید وجود همبستگی‌های شرطی مثبت کوتاه‌مدت نرخ ارز دلار، نوسان‌های بلندمدت نرخ ارز یورو و وجود اثرات سرریزی نرخ ارز بر شاخص بانک‌ها و مؤسسات اعتباری است.

جهانگیری و حکمتی (۱۳۹۴) به­ بررسی روابط بین بورس اوراق بهادار تهران،بازار ارز و سکه (به­عنوان بازارهای داخلی) و بازارهای نفت،طلا،بازار سهام آمریکا و شاخص بازار سهام اروپا (به­عنوان بازارهای بین­المللی) پرداختند. نتایج نشان داد که در بازدهی پایین آثار سرریز قابل توجهی بین بازارها وجود ندارد. همچنین، وقتی بازارهای سهام در رژیم صفر (وضعیت بازدهی کم) قرار می­گیرند،بازار طلا به­عنوان بازار واسط برای انتقال شوک­ها میان بازارهای سهام بزرگ دنیا و بازارهای دارایی در داخل ایران عمل می­کند. در مقابل وقتی بازارهای سهام در رژیم یک (وضعیت بازدهی بالا) قرار می­گیرند، بازار نفت به­عنوان بازار واسط برای انتقال شوک­ها به بازارهای دارایی در داخل ایران عمل می­کند.

علمیوهمکاران(۱۳۹۳)به بررسی اثرتغییراتساختاریدرنوساناتبرانتقالتکانهوسرریزنوسانمیاندوبازار طلاوسهامایرانپرداختند. نتایجنشاندادکهتکانه­هاوسرریزنوساناتمیانبازارهای موردمطالعهبهصورتدوطرفهبودهاستوتعییننادرستتغییراتساختاریباعثگمراهی درارزیابیتکانهوسرریزدرمتغیرهایموردمطالعه شده است.

نیکو مرام و همکاران (1393) بهبررسیسرایتتلاطمبازارهایارزوطلا بربازار سرمایه‌برصنایعبورسی بهتفکیکصادراتووارداتمحور پرداختند. نتایجنشان داد کهاثر سرایت‌پذیریصنایعبورسیصادرات محورازبازارموازیارز تأیید می‌شود؛ولی بر اساس نتایجبدست آمدهسرایت گذاریازسویبازارموازیطلامورد تأییدقرارنگرفتهاست. درهمینراستااثر سرایت‌پذیریصنایعواردات محورنیزازبازارهایموازیارزوطلا تأییدنشدهاست.

فلاحی و همکاران (1392) به بررسی همبستگی بین تلاطم بازار سهام، ارز و سکه در ایران پرداخته‌اند. نتایج حاکی از وجود همبستگی شرطی زیاد بین بازده نرخ ارز و سکه طلا و همچنین همبستگی شرطی کم بین بازده شاخص بازار سهام با نرخ ارز و سکه طلا است. همچنین بر اساس نتایج این مطالعه بازار سهام نسبت به سایر دارایی‌ها برای سرمایه‌گذاری مناسب‌تر است.

حسن حیدری و همکاران (1391) به بررسی رابطه بین نوسانات نرخ واقعی ارز و شاخص قیمت سـهام در بـورس اوراق بهـادار تهـران پرداخته‌اند. نتایجنشان داد که بین متغیـر نا اطمینانی نرخ ارز واقعی و شاخص قیمت سهام، رابطه منفی و معنی‌دار وجود دارد و بین نا اطمینانی قیمـت سهام و نرخ ارز، رابطه معنی‌داری وجود ندارد.

تفاوت عمده مطالعه حاضر با مطالعات یاد شده را می‏توان در تکنیک به کار گرفته‌شدهبه‏منظور بررسی ارتباطات و واکنش بازار ارز و شاخص قیمت صنایع مختلف بورسی و دوره تحقیق بیان کرد. از دیگر تفاوت‏ها‏ می‏توان به استخراج ضرایب پوشش ریسک، شناسایی صنایع با بالاترین کارآمدی پوشش ریسک به همراه تعیین وزن‌های بهینه پرتفوی سرمایه‌گذاری متشکل از ارز و سهام اشاره کرد.

 

3- روش‌شناسی

3-1- مدل همبستگی پویا

مدل همبستگی‌های شرطی پویا متقارن (DCC) توسط اِنگل[xxxii] (۲۰۰۲) و مدل همبستگی‌های شرطی پویا نامتقارن (ADCC) توسط کاپیلو و همکاران[xxxiii] (۲۰۰۶) ارائه گردید برای بررسی نامتقارن ‌بودن همبستگی‌های پویا بین بازارهای مالی به کار می‌روند. مدل همبستگی‌های شرطی پویا (DCC) دربرگیرنده مدل همبستگی شرطی ثابت (CCC) بولرسلوف[xxxiv] (۱۹۹۰) بوده و فرض می‌کند همبستگی‌های شرطی، وابسته به زمان هستند. ویژگی این مدل این است که می‌توان آن را حتی برای مجموعه داده‌های چند بعدی با استفاده از رویه دومرحله‌ای برآورد کرد. در مرحله اول، واریانس‌های شرطی با برآورد دنباله‌ای از مدل‌های GARCH تک‌متغیره بدست می‌آیند. در مرحله دوم، ضرایب عرض از مبدأ همبستگی‌های شرطی برآورد می‌شوند.

فرض کنید 1×n بردار  یک فرآیند تصادفی چندمتغیره، و  لگاریتم بازدهی‌های شاخص‌های سهام و لگاریتم بازدهی‌ نرخ ارز باشد.

فرآیند نوآوری میانگین شرطی ، n×n ماتریس کوواریانس شرطی  دارد:

 

 

(1)

 

 

که در آن نشان‌دهنده میانگین  در زمان t – 1 یعنی است. یک فرآیند با بردار 1×n است به‌طوری‌که تابع چگالی – استودنت چندمتغیره را نشان می‌دهد:

(2)

 

که در آن  تابع گاما و v درجه آزادی برای v>2 است. توزیع t استفاده می‌شود چون امکان مدل‌سازی با دنباله ضخیم را می‌دهد. مدل DDC-GARCH پیشنهادی اِنگل (۲۰۰۲) را می‌توان به طور موفقیت‌آمیز برای ماتریس‌ کوواریانس‌های بزرگ وابسته‌ به زمان تخمین زد. این ماتریس کوواریانس مدل DCC-GARCH را می‌توان این‌گونه تجزیه کرد:

(3)

 

که در آن  ماتریس قطری استو در امتداد قطرها، انحراف‌های استاندارد شرطی وجود دارد، یعنی:

(4)

و  ماتریس همبستگی‌های شرطی است. روش برآورد از دو مرحله تشکیل می‌شود. در مرحله اول، واریانس‌های شرطی  برای دارایی‌های i=1,…,n با استفاده از مدل GARCH(1,1) تک‌ متغیره که توسط بولرسلوف (۱۹۸۶) پیشنهاد گردیده است برآورد می‌‌گردد:

(5)

 

که در آن پارامترهایی و باید برآورد گردد.

در مرحله دوم، با استفاده از باقیمانده‌های استانداردشده که از مرحله اول به‌دست‌آمده است، همبستگی‌های شرطی مورد برآورد قرار می‌گیرد. به‌ویژه، ماتریس همبستگی متغیر با زمان که شکل زیر را دارد:

(6)

و ماتریس همبستگی  به صورت زیر محاسبه می‌شود:


(7)

 

 

در معادله فوق باقیمانده‌های استاندارد سازی‌شده توسط انحراف معیار شرطی است،‌ یعنی  باقیمانده‌های استانداردسازی‌شده کوواریانس غیرشرطیو ماتریس قطری متشکل از ریشه‌های معکوس درایه‌های قطری  است، یعنی  . بنابراین، ضرایب همبستگی، ، به صورت زیر ارائه می‌شوند:

(8)

 

از آنجا که در معادلات ۶ و ۷ عدم تقارن در نظر گرفته نمی‌شود، کاپیلو و همکاران (۲۰۰۶) مدل DCC را بسط دادند تا امکان اثرگذاری اثر اهرمی بر همبستگی‌های شرطی بازدهی‌های دارایی و منحنی اثرِ اخبار ویژه دارایی به وجود آید. مدل DCC تعمیم‌یافته نامتقارن (AG-DCC) این‌گونه بیان می‌شود:

(9) 

 

که در آن تابعشاخص 1×n، یعنی ، وقتی مقدار ۱ می‌گیرد که این استدلال درست باشدو در غیر این صورت مقدار صفر می‌گیرد. علامت «°» نشان‌دهنده ضرب آدامارد و  و  نشان‌دهنده ماتریس‌های همبستگی غیرشرطی و  هستند. برای ، درصورتی  با احتمال ۱ همیشه مثبت می‌شود که همیشه مثبت باشد. این تحقیق تنها روی اثر نامتقارن متمرکز بوده و اثر اخبار مختص به دارایی را در نظر نمی‌گیرد. از این رو با استفاده از مدل‌های ارائه شده به این سؤال پاسخ داده می‌شود که آیا همبستگی‌های شرطی بین بازدهی نرخ ارز و بازدهی‌ سهام صنایع بورسی در طول زمان تغییر می‌کند یا خیر و آیا ممکن است این بازارها در طول دوره‌هایی با نوسان بالاتر براثر شوک‌های ارزی افزایش پیدا کنند یا خیر.

 

 

 

3-2- الگوریتم مجموع مربعات تجمعی تکرارشونده

الگوریتم[xxxv]ICSS که توسط اینکلان و تیائو[xxxvi] (1994)مطرح شد به دنبال یافتن تغییرات معنادار در واریانس است که براثر بروز یک شکست ساختاری در فرآیند تولید نوسان سری زمانی حاصل‌شده است. این الگوریتم بر این فرض مبتنی است که سری زمانی موردمطالعه شامل تعداد T مشاهده بوده که به‌طور نرمال، مستقل و یکنواخت توزیع‌شده‌اند (سانسو و همکاران[xxxvii]، 2003).

فرض می‌شود که سری زمانی تحت بررسی، در طی یک دوره زمانی اولیه دارای واریانس غیرشرطی مانا است تا اینکه براثر وقوع یک رویداد جدید مالی، اقتصادی یا سیاسی ناگهانی، بزرگ و غیرمنتظره، تکانه‌ای به سیستم وارد می‌شود که واریانس سری زمانی را دچار یک تغییر ساختاری می‌کند. به‌عبارت‌دیگر، با وقوع این تکانه، میزان انحراف واریانس جاری از واریانس گذشته به‌اندازه‌ای بالا می‌رود که بر تغییر ساختاری نوسانات بازار دلالت دارد. سپس، واریانس غیرشرطی دوباره در سطحی جدید به وضعیت مانا برمی‌گردد تا اینکه براثر تکانه بعدی، تغییر ساختاری دیگری را تجربه نماید. این فرآیند در طول زمان تکرار می‌شود و تعداد NTنقطه شکست در واریانس غیرشرطی به دست می‌آید (کانگ و همکاران[xxxviii]، 2011).

الگوریتم ICSS واریانس بین هر دونقطه شکست را ثابت و کشیدگی را معمولی در نظر می‌گیرد. به‌عبارت‌دیگر، اولاً این الگوریتم برای حالتی تعریف‌شده است که همسانی واریانس شرطی وجود دارد. شواهد تجربی نشان می‌دهند که سری‌های زمانی اقتصادی و مالی عمدتاً دارای واریانس متغیر هستند؛ بنابراین، الگوریتم متعارف ICSS در صورت وجود یک فرآیند وابسته نظیر فرآیند گارچ مناسب نیست (مالیک و همکاران[xxxix]، 2005).

ثانیاً این الگوریتم فرض می‌کند که سری زمانی دارای توزیع نرمال است، درحالی‌که سری‌های زمانی مالی اغلب دارای توزیع‌های دم‌کلفت[xl] و دارای کشیدگی اضافی (کشیدگی بزرگ‌تر از 3) می‌باشند (آراگو و فرناندز[xli]، 2007). سانسو و همکاران (2003) برخی فروض اضافی روی پسماندهای این الگو اعمال نمودند ونشان دادند که برای داده‌های مالی که اغلب توزیع غیر نرمال بوده و ناهمسانی واریانس شرطی دارند اعتبار نتایج آزمون[xlii]IT زیر سؤال می‌رود و اگر مقادیر بحرانی به‌درستی تعدیل نشوند این احتمال وجود دارد که فرضیه صفر اشتباهاً رد شود. بدین ترتیب، آن‌ها آزمون اینکلان و تیائو را اصلاح نموند و تحت عنوان ICSSاصلاح‌شدهنام‌گذاری کردند (سانسو و همکاران، 2003).

 

 

 

3-3- تخمین نسبت بهینه پوشش ریسک[xliii]

منطق استراتژی مینیمم سازی واریانس، سرمایه‌گذاری در آن مقدار از دارایی‌ها ، است که واریانس بازدهی یک پورتفولیو متشکل از موقعیت‌های سهام و نرخ ارز را مینیمم سازد.  را بازدهی پورتفولیوی پوشش داده شده[xliv]، قرار می‌دهیم.

(10)

 

که  بازدهی سهام و  بازدهی ارز و  نسبت پوشش ریسک است. چنانچه سرمایه‌گذار در موقعیت سهام در وضعیت خرید[xlv] قرار داشته باشد، نسبت پوشش ریسک مقدار ارزی است که باید برای پوشش ریسک، فروخته شوند.

نسبت بهینه پوشش ریسک بر اساس تعریف، آن مقدار از  است که واریانس شرطی پورتفولیوی پوشش داده شده را مینیمم می‌سازد (بیلی و مایرز[xlvi]، 1991).

(11)

 

تخمین‌های نوسان پذیری حاصل از انواع گوناگون مدل‌های خانواده GARCH را می‌توان برای ساختن نسبت بهینه پوشش ریسک، مورد استفاده قرار داد (کرونر و سلطان[xlvii]، 1993).

بعد از اینکه ماتریس‌های همبستگی شرطی متغیر زمانی  تخمین زده شدند، نسبت بهینه پوشش ریسک متناظر با هر ضریب، به صورت زیر محاسبه می‌شود:

(12)       

 

که  و  به ترتیب بیان کننده واریانس شرطی بازدهی‌های سهام و ارز هستند که از تخمین مدل‌های ARMA-GARCH، استخراج شده‌اند (لی و همکاران، 2009). ضریب پوشش ریسک به این معنی است که موضع معاملاتی خرید یک ریالی در شاخص قیمت سهام باید با موضع فروش  ریال در دارایی ارزی پوشش داده شود.

به منظور مقایسه عملکرد نسبت‌های OHR که از مدل‌های نوسان پذیری شرطی چند متغیره بالا به دست آمده‌اند، کو و همکاران[xlviii] (2007)، شاخص کارآیی استراتژی پوشش ریسک[xlix](HE) را تعریف کرده‌اند که بر اساس رابطه زیر به دست می‌آید:

(13)          

که واریانس پورتفولیوی پوشش داده شده بر اساس واریانس نرخ بازدهی پورتفولیوی پوشش داده شده ، به دست می‌آید و واریانس پورتفولیوی پوشش داده نشده همان واریانس بازدهی‌های سهام ، است (ریپل و موسا[l]، 2007). مقادیر بزرگ‌ترHEنشان‌دهنده کارآیی بیشتر در پوشش ریسک و کاهش بیشتر در ریسک است.

مدل وزن‌های پرتفوی بهینه عبارت است از:

(14)            

 

(15)     

 

که در آن  وزن نگهداری بهینه ارز در پرتفوی یک ریالی در زمان t است.  کوواریانس شرطی بین شاخص قیمت سهام و قیمت ارز،  واریانس شرطی شاخص قیمت سهام و  واریانس شرطی قیمت ارز در زمان t است. همچنین، وزن شاخص قیمت سهام در پرتفوی ارز – سهام مساوی با ( است.

 

4- برآورد مدل

4-1- معرفی و بررسی متغیرها

در این پژوهش از داده‌های هفتگی نرخ ارز غیررسمی و شاخص قیمت صنایع چندرشته ای صنعتی، بانک و سرمایه‌گذاری[li] در مقطع زمانی آذرماه 1387 تا شهریورماه 1399 به‌صورت روزانه استفاده‌شده است. اطلاعاتمربوطبهبازارسرمایه به تفکیک صنایع مختلف از سایت tse.irاخذشده است.

داده‏هایقیمتروزانهدلاردربازارآزادتوسطهیچمرجعرسمیاعلام نمی‌شودوایناطلاعاتتوسطمحققوبااستفادهاز اطلاعاتمنتشرشدهدرسایتصرافی‏هایمعتبر تهرانگردآوری ‌شدهاست.به‌منظور محاسبه بازدهی قیمت، از تفاضل لگاریتم قیمت‌های متوالی شاخص قیمت سهام و نرخ ارز استفاده گردیده است. لگاریتم طبیعی بازدهی قیمت خالص به‌صورت زیرتعریف می‏‏‏‏‏‏‏‏شود:

(16)

 

برای انجام آزمون‏های سرایت، دانستن زمان شروع و پایان بحران ارزی لازم است. روش‏های مختلفی برای شناسایی نقطه شکست ساختاری وجود دارد. در این تحقیق به دلیل اینکه متغیر نرخ ارز دارای دنباله پهن و ناهمسانی واریانس شرطی است از روش الگوریتم ICSSاصلاح‌شده استفاده شده است. نتایج این آزمون در جدول 1 گزارش شده است.

 

جدول 1- نتایج آزمون شکست ساختاری نرخ ارز

ICSS (IT)

ICSS(κ1)

ICSS(κ2)[lii]

1388/04/03

(130)

1390/09/05

(720)

1390/09/05

(720)

1389/07/17

(444)

1392/04/04

(1096)

1397/01/15

(2252)

   

1392/07/08

(1162)

1397/10/09

(2432)

   

1392/12/07

(1263)

   
   

1393/02/28

(1314)

   
   

1393/09/04

(1442)

   
   

1393/09/25

(1456)

 

 
   

1396/10/06

(2190)

 

 
   

1397/01/18

(2253)

   
   

1397/10/09

(2432)

   

منبع: یافته‌های پژوهشگر

 

نتایج دو نقطه شکست در نرخ ارز را نشان می‏دهد. این نقاط با بحران‏های ارزی که در دهه 90 در ایران اتفاق افتاده، مقارن است. شوک اول یا بحران اول در اواخر سال 1390 به دنبال تحریم ایران توسط سازمان ملل بود. شوک دوم یا بحران دوم در سال1397 به دنبال خروج آمریکا از برجام[liii] و بازگشت یک‌جانبهتحریم‌ها توسط آمریکا بود.بر اساسنتایجبه دست آمده از آزمون ICSSاصلاح‌شده[liv]،تاریخ شروع بحران ارزی اول 5 آذرماه 1390 و تاریخ شروع بحران ارزی دوم 15 فروردین‌ماه 1397در نظر گرفته شده است.

در جدول 2 خصوصیاتآماریسری‏هایبازدهیشاخص بازدهی سهام صنایع بانک، چند رشته‌ای صنعتی و سرمایه‌گذاری با نرخ ارز طی دو بحران ارزی اول و دوم ارائهشدهاست. برای تمامی شاخص‌ها انحراف معیار بزرگ‌تر از مقدار میانگین است. مقادیر میانگین تمام دارایی‏ها مثبت می‌باشند؛ بطوریکه در بحران ارزی اول بیشترین مقدار میانگین و انحراف معیار در بین این صنایع مربوط به صنعت چند رشته‌ای صنعتی است. در بحران ارزی دوم کمترین مقدار میانگین مربوط به صنعت بانک وبیشترین مقدار مربوط به صنعتچند رشته‌ای صنعتی است. در این بحران بالاترین مقدار انحراف معیار مربوط به صنعت بانک و پایین‌تر رقم مربوط به صنعت سرمایه‌گذاری است.براساسآزمون LM-ARCHدر بحران ارزی اول و دوم وجودناهمسانیدرواریانس برایتمام صنایع ردنمی‌شود.باتوجهبهاینکهضریبکشیدگیبازدهیسری‌هایموردبررسیبیشترازضریبکشیدگیتابعچگالینرمالاست،بنابراینتابعچگالیبازدهیایندارایی‌ها در هر دو بحران ارزی،دارایدنبالهپهنبودهوقلهبلنددارد. آمارهجارک-برابیانگرآناستکهتابعتوزیعبازدهی‌هایموردبررسی در هر دو بحران ارزینرمالنیست.نتایج آزمون‏های ریشه واحد نشان می‏دهد که تمام متغیرهای در سطح 99 درصد مانا می‏باشند.

 

جدول 2- آمارهای توصیفی متغیرهای مورد بررسی

 

بحران ارزی

نرخ ارز

بانک

چندرشته ای

سرمایه‌گذاری

میانگین

اول

0/09

0/15

0/18

0/15

دوم

0/12

0/16

0/22

0/21

حداکثر

اول

22/88

6/14

6/30

4/08

دوم

18/38

9/83

7/05

9/33

حداقل

اول

-11/52

-3/39

-3/61

-3/04

دوم

-20/98

-12/02

-12/44

-4/30

انحراف معیار

اول

1/82

0/90

1/17

0/90

دوم

1/81

1/51

1/47

1/31

چولگی

اول

2/11

0/91

0/62

0/54

دوم

0/34

0/07

0/19

0/62

کشیدگی

اول

37/58

6/97

5/03

5/14

دوم

34/74

8/97

8/65

5/70

آماره جارک-بارا[lv]

اول

58640

(0.00)

922

(0.00)

273

(0.00)

279

(0.00)

دوم

70091

(0.00)

2484

(0.00)

2226

(0.00)

613

(0.00)

آزمون

LM-ARCH

اول

14/8

(0.00)

105/1

(0.00)

12/3

(0.00)

105/4

(0.00)

دوم

50/3

(0.00)

42/6

(0.00)

138/0

(0.00)

92/1

(0.00)

آزمون ریشه واحد[lvi]

ADF

-52/80

-23/16

-22/40

-22/14

 

(0.00)

(0.00)

(0.00)

(0.00)

BP-ADF

-54/37

-38/18

-36/16

-35/34

 

 

(0.00)

(0.00)

(0.00)

(0.00)

منبع: یافته‌های پژوهشگر

4-2-برآورد الگوی پژوهش

در این مقاله الگوی همبستگی پویای نامتقارن طی زمان برای صنایع چند رشته‌ای صنعتی، بانک و سرمایه‌گذاری برآورد می‌شود و در صورتی که متغیرها از این الگو تبعیت نکنند؛ مدل همبستگی پویای متقارن برآورد می‌گردد. با توجه به غیر نرمال بودن بازدهی‌ها، مدل‌های DCC و ADCC با توزیع t چند متغیری برآورد می‌شوند. در جدول 3 نتایج برآورد مدل‌های همبستگی شرطی پویای متقارن (DCC) و نامتقارن (ADCC) بین بازدهی‌های سهام صنایع چند رشته‌ای صنعتی، بانک و سرمایه‌گذاری با بازدهی‌ نرخ ارز گزارش شده است.

 

جدول 3- نتایج تخمین پارامترهای مدل همبستگی‌ شرطی پویای صنایع بورسی

 

 

ADCC(First crisis)

DCC(First crisis)

ADCC (Second crisis)_

DCC (Second crisis)_

 

 

ضریب

آماره t

احتمال

ضریب

آماره t

احتمال

ضریب

آماره t

احتمال

ضریب

آماره t

احتمال

نرخ ارز

ω

0.002

2.187

0.029

0.002

2.210

0.027

0.003

1.227

0.220

0.004

1.281

0.200

α

0.269

3.100

0.002

0.201

4.201

0.000

0.316

4.149

0.000

0.254

4.545

0.000

β

0.694

23.450

0.000

0.797

25.750

0.000

0.632

16.040

0.000

0.727

16.500

0.000

γ

-0.007

-0.082

0.935

     

-0.158

-1.911

0.056

     

بانک

ω

0.021

3.020

0.003

0.024

2.452

0.014

0.003

1.479

0.139

0.003

1.847

0.065

α

0.230

4.734

0.000

0.173

4.219

0.000

0.264

2.721

0.007

0.186

5.084

0.000

β

0.758

29.430

0.000

0.823

22.160

0.000

0.727

11.920

0.000

0.794

25.160

0.000

γ

-0.165

-3.759

0.000

     

-0.124

-2.290

0.022

     

چندرشته ای

ω

0.058

2.051

0.041

0.065

2.148

0.032

0.022

1.604

0.109

0.026

1.961

0.050

α

0.201

3.827

0.000

0.203

3.682

0.000

0.217

2.645

0.008

0.172

3.016

0.003

β

0.734

21.710

0.000

0.728

21.360

0.000

0.743

13.290

0.000

0.821

14.810

0.000

γ

-0.003

-0.061

0.952

     

-0.086

-2.357

0.019

     

سرمایه گذاری

ω

0.003

1.144

0.253

0.003

1.100

0.272

0.027

2.944

0.003

0.026

3.150

0.002

α

0.194

3.816

0.000

0.181

3.848

0.000

0.215

4.874

0.000

0.148

5.758

0.000

β

0.790

33.160

0.000

0.784

31.530

0.000

0.755

31.470

0.000

0.848

37.380

0.000

γ

-0.059

-1.510

0.131

     

-0.089

-2.656

0.008

     

همبستگی

θ1

0.014

2.591

0.010

0.009

3.590

0.000

0.023

3.309

0.001

0.029

3.159

0.002

θ2

0.973

71.840

0.000

0.984

228.300

0.000

0.962

70.200

0.000

0.956

49.990

0.000

θ3

0.006

0.589

0.556

     

0.001

0.156

0.876

     

λ

3.633

10.350

0.000

3.636

10.300

0.000

3.720

14.690

0.000

3.687

15.070

0.000

منبع: یافته‌های پژوهشگر

بر اساس نتایج به‌دست‌آمده در جدول 3 ضریب 3θدر هر دو بحران معنادار نیست؛ عدم معناداری این ضریب نشان از همبستگی متقارن طی زمان بین نرخ ارز و شاخص صنایع در گروه چند رشته‌ای صنعتی، بانک و سرمایه‌گذاری می‌باشد. نتایج مدل DCC نشان می‌دهد که ضریبα وβ در تمام متغیرها و برای هر دو شوک معنادار می‌باشند در نتیجه ماندگاری کوتاه‌مدت (α) و ماندگاری بلند‌مدت (β) تائید می‌شود. همان‌طور که ملاحظهمی‌شود ماندگاری کوتاه‌مدت (α) برای تمام متغیرها کمتر از ماندگاری بلندمدت (β) است. معناداری ضریب β حاکی از اهمیت ماندگاری بلندمدت است. معناداری ضرایب α و βبیان‌کننده شواهدی از وجودنوسان‌ پذیری خوشه‌ای است. ضرایب برآورد شده θ1و 2θ برای هر دو شوک مثبت و در سطح ۱ درصد از نظر آماری معنادار می‌باشد. مجموع این ضرایب کمتر از یک است که نشان می‌دهد همبستگی‌های شرطی پویای متقارن بازگشت به میانگین دارد[lvii].

     پس از تخمین مدل‌های DCCو ADCC نسبت بهینه پوشش ریسک (OHR) بین بازدهی نرخ ارز و شاخص صنایع چند رشته‌ای صنعتی، بانک و سرمایه‌گذاری به تفکیک هر دو بحران، بر اساس معادله (12) محاسبه شده است. همچنین عملکرد نسبت‌های بهینه پوشش ریسک پویای به دست آمده از مدل‌های نوسان پذیری یاد شده، به تفکیک هر دو بحران و بر اساس شاخص کارایی پوشش ریسک (HE) از معادله (13) محاسبه گردیده است و در انتها وزن‌های پرتفوی بهینه(WSE) بین بازدهی‏های مذکور به تفکیک هر دو بحران، بر اساس معادله (15) محاسبه و در جدول شماره 4، گزارش شده است.

 

جدول 4- خلاصه آمار ضریب پوشش، کارایی پوشش و وزن‌های پرتفوی بهینه برای صنایع بورسی

صنایع

بحران ارزی

OHR

HE(%)

WSE

حداکثر

حداقل

میانگین

بانک

اول

0/28

-0/281

0/056

63/0-

0/597

دوم

0/81

-1/042

0/138

22/0-

0/594

چند رشته‌ای صنعتی

اول

0/151

-0/36

0/088

0/12

0/54

دوم

0/373

-1/366

0/127

-0/17

0/578

سرمایه‌گذاری

اول

0/194

-0/071

0/03

-0/25

0/386

دوم

0/988

-0/853

0/124

0/94

0/58

منبع: یافته‌های پژوهشگر

 

نتایج نشان می‌دهد که در بحران ارزی اول و دوم بالاترین کارایی پوشش ریسکبه ترتیب مربوط به چند رشته‌ای صنعتی و سرمایه‌گذاری است، درحالی‌که پایین‌ترین آن در هر دو بحران مربوط به صنعت بانکداری است. این نتایج نشان می‌دهد که صنایع چند رشته‌ای صنعتی و سرمایه‏گذاری بالاترین کارایی را در استفاده از نرخ ارز برای پوشش ریسک در صنایع خنثی دارد. بزرگ‌ترین مقدار ضریب پوشش ریسک در بحران ارزی اول و دوم به ترتیب معادل 8/8 درصد و 8/13 درصد مربوط به صنایع چند رشته‌ای صنعتی و بانک می‌باشد که بیان‌کننده آن است که پوشش‌دهندگان ریسک به‌منظور حداقل سازی ریسک پیش روی خود، باید در مقابل 1000 ریال فروش(موقعیت خرید) در بازار سهام در بحران اول حدود 88 ریال و در بحران دوم حدود 138 ریال دلار در بازار ارز خریداری نمایند (بفروشند). کمترین مقدار ضریب پوشش ریسک در بحران ارزی اول و دوم به ترتیب معادل 3 درصد و 4/12 درصد مربوط به صنعت سرمایه‌گذاری می‌باشد که بیان‌کننده آن است که پوشش‌دهندگان ریسک به‌منظور حداقل سازی ریسک پیش روی خود، باید در مقابل 1000 ریال فروش (موقعیت خرید) در بازار سهام، در بحران اول حدود 30 ریال و در بحران دوم حدود 124 ریال دلار در بازار ارز خریداری نمایند (بفروشند). بالاترین مقدار میانگین وزنی پرتفوی بهینه در بحران ارزی اول و دوم به ترتیب معادل 7/59 درصد و 4/59 درصد که مربوط به صنعت بانکداری است؛ این نتایج نشان می‌دهد که برای پرتفوی هزار ریالی، در بحران اول رقم 403 ریال در شاخص قیمت سهام بانک و 597 ریال در بازار ارز و در بحران دوم رقم 406 ریال در شاخص قیمت سهام بانک و 594 ریال در بازار ارز باید سرمایه‌گذاری کرد.

 

5- نتیجه‌گیری

این پژوهش به دنبال بررسی امکان پوشش ریسک سرمایه‌گذاری در بازار سهام است، به عبارت دیگر در پی آن است که با تشکیل سبد دارایی شامل ارز و سهام صنایع خنثی، ریسک سرمایه‌گذاری در بازار سهام را کاهش دهد. بدین منظور از مدل‌های DCC وADCCبرایبررسی همبستگی بین نرخ ارز وشاخص قیمت سهام صنایع منتخب بورسی طی دوره زمانی18/09/1387 تا 04/06/1399، استفاده شده است.

نتایج نشان می‏دهد در بین صنایع مورد مطالعه و در هر دو بحران ارزی بالاترین کارایی پوشش ریسکبه ترتیب مربوط به چند رشته‌ای صنعتی و سرمایه‌گذاری است، درحالی‌که پایین‌ترین آن در هر دو بحران مربوط به صنعت بانکداری است. این نتایج نشان می‌دهد که صنایع چند رشته‌ای صنعتی و سرمایه‏گذاری بالاترین کارایی را در استفاده از نرخ ارز برای پوشش ریسک در صنایع خنثی دارد. بزرگ‌ترین مقدار ضریب پوشش ریسک در بحران ارزی اول و دوم به ترتیب مربوط به صنایع چند رشته‌ای صنعتی و بانک است. کمترین مقدار ضریب پوشش ریسک در بحران ارزی اول و دوم مربوط به صنعت سرمایه‌گذاری است. بالاترین مقدار میانگین وزنی پرتفوی بهینه در هر دو بحران ارزی مربوط به صنعت بانکداری است.

همبستگی پویا نرخ ارز و صنایع مختلف حاکی از این است که مدیران ریسک باید کاملاً نسبت به این حقیقت آگاه باشند که این بازارها در مقابل شوک‌های ارزی مصونیت ندارند؛ همبستگی کم بین برخی از بازدهی‌های صنایع بورسی با بازار ارز نشانه مهمی برای آن دسته از سرمایه‌گذارانی باشد که می‌خواهند سود خود را بیشینه کنند و استراتژی پرتفوی مناسب را ارائه دهند.همچنین بر اساس نتایج توصیه می‌شود تا سیاست‏گذاران و سرمایه‌گذاران در بازار سرمایه به نحوه همبستگی نامتقارن نرخ ارز با بازار سهام توجه نمایند تا بتوانند به هنگام بروز بحران‏های ارزی و سرایت آن به شاخص سهام صنایع مختلف، به‌منظور پیشگیری از آثار نامطلوب بر ارزش سهام شرکت‌ها مدیریت بهتری در خرید و فروش سهام داشته باشند و با حساسیت بیشتری تحولات بازار سهام را رصد نماید تا در صورت نیاز حمایت‏های لازمه را انجام دهد. همچنین سرمایه‌گذاران در صنایعی کهضریب پوشش ریسک پایینی دارند با نرخ ارز یک استراتژی پوشش ریسک مناسب بسازند.

جمع‌بندی نتایج بدست آمده حاکی از آن است که بهینگی حکم می‌کند که سرمایه‌گذاران برای پوشش ریسک سرمایه‌گذاری در بازار سهام، از سرمایه‌گذاری در بازار ارز استفاده نمایند.

 

 

 

 

 

 

 

 

 

 

[1]- گروه اقتصاد، دانشگاه آزاد اسلامی، واحد فیروزکوه، فیروزکوه، ایران، maryambazraei@yahoo.com

[2]- گروه اقتصاد، دانشگاه آزاد اسلامی، واحد فیروزکوه، فیروزکوه، ایران،نویسنده مسئول،salleh_mogh@yahoo.com

[3]- گروه اقتصاد، دانشگاه آزاد اسلامی، واحد تهران مرکزی،، تهران، ایران،ghemamverdi@iauctb.ac.ir

[4]- گروه اقتصاد، دانشگاه آزاد اسلامی، واحد فیروزکوه، فیروزکوه، ایران،mahmod.ma@yahoo.com

 

[i]. Saleh

[ii]. برنامه جامع اقدام مشترک (برجام) توافقی است بین‌المللی که بر سر برنامه هسته‌ای ایران بین کشور‌های گروه ۱+۵ (آمریکا، روسیه، چین، فرانسه، انگلیس و آلمان) و ایران در تاریخ ۱۴ ژوئیه سال ۲۰۱۵ و در شهر وین اتریش رقم خورد.

[iii].پول داغ ( Hot Money)به پول سرگردانی گویند که در پی دریافت سود کوتاه‌مدت بالا به سرعت از بازاری به بازار دیگر انتقال پیدا می‌کند.

[iv] . Flow-oriented model

[v] . Stock-oriented model

[vi] . Liang, C.C., et al.

[vii] . Chen, S.W., and Chen, T.C.

[viii]. Dornbusch and Fisher

[ix] . Aggarwal, R.

[x] . Nieh, C.C., and Lee, C.F.

[xi] .Granger, C.W.J., et al.

[xii] . Bodnar, G.M., and Gentry, W.M.

[xiii]. Branson

[xiv]. Gavin

[xv]. Bhattacharya and Mukherjee

[xvi]. Chang et al

[xvii] . Huisman et al

[xviii] . Yao and Wu

[xix] .Yousafet al.

[xx] . COVID-19

[xxi]. بازار سهام چین، اندونزی ، سنگاپور و ویتنام، پاکستان و تایلند

[xxii] . Arash Habibi & Chin Lee

[xxiii]. کانادا، فرانسه، آلمان، ایتالیا، ژاپن، انگلستان و آمریکا

[xxiv] . Simona Moagar-Poladian et al.

[xxv] .Sosaet al.

[xxvi]. کلمبیا، شیلی، مکزیک و پرو

[xxvii]. Kuan-Min Wang et al

[xxviii]. Mohamed El Hedi Arouri et al.

[xxix]. Basher et al

[xxx].Yen-Hsien Lee et al.

[xxxi]. Hedging

[xxxii]. Engle

[xxxiii]. Cappiello et al

[xxxiv]. Bollerslev

[xxxv].Iterated Cumulative Sum of Squares (ICSS).

[xxxvi].Inclan & Tiao.

[xxxvii].Sanso et al.

[xxxviii]. Kang et al.

[xxxix]. Malik et al.

[xl]. Fat Tail Distribution.

[xli]. Arago & Fernandez.

[xlii]. TheInclan-Tiaotest.

[xliii]. optimal hedge ratios(OHR)

[xliv]. Hedged Portfolio

[xlv]. Long Position

[xlvi]. Baillie & Myers

[xlvii]. Kroner & Sultan

[xlviii]. Ku et al

[xlix]. Hedging  Effectiveness Index

[l]. Ripple & Moosa

[li]. صنعت سرمایه‌گذاری شامل 34 شرکت پذیرفته‌شده در بورس و اوراق بهادار، صنعت بانک شامل 16 بانک پذیرفته‌شده در بورس و اوراق بهادار و صنعت چند رشته‌ای صنعتی شامل 4 هلدینگ سرمایه‌گذاریپذیرفته‌شده در بورس و اوراق بهادار است.

[lii]. برای آشنایی بیشتر با روش‌های ارائه شده به مقاله سانسو و همکاران (2003)مراجعهفرمائید.

[liii]. برنامه جامع اقدام مشترک توافقی است بین‌المللیکهبرسربرنامههسته‌ایایرانبینکشور‌هایگروه ۱+۵ (آمریکا،روسیه،چین،فرانسه،انگلیسوآلمان) وایراندرتاریخ ۱۴ ژوئیهسال ۲۰۱۵ ودرشهرویناتریشرقمخورد.

[liv] .ICSS(κ2)

[lv] .Jarque-Bera

[lvi]. جهت بررسی ایستایی متغیرهااز آزمون دیکی فولر (ADF) و دیکی فولر دارای نقطه شکست (Break Point ADF) استفاده شده است.

[lvii]. شرط ثبات   برای هر مدل GARCH برآورده شده است.

  • اربابی،فرزین (1397). پیش‌بینیتلاطمبازدهیسکهطلادربازاردارایی‌هایمالی، فصلنامه اقتصادمالی، سالدوازدهم، شماره43،صص192-179
  • بورساوراقبهادار،بورساوراقبهادارتهرانhttp://www.tse.ir
  • بت‌شکن،محمدهاشمومحسنی،حسین(1396). سرریزنوسانوهمبستگیپویایشرطی نرخارزبرشاخصسهامگروهبانکی. پژوهش‌هایپولیوبانکی، 10(31)، 28-1.
  • جهانگیری، خلیل و حکمتی فرید، صمد، (۱۳۹۴). مطالعه آثار سرریز تلاطم بازارهای سهام، طلا، نفت و ارز، فصلنامه پژوهشنامه اقتصادی، سال پانزدهم، شماره ۵۵، ۱۹۲-۱۵۹.
  • حیدری، حسن و بشیری، سحر، (1391). بررسی رابطه بین نا اطمینانی نرخ واقعی ارز و شاخص قیمت سهام در بورس اوراق بهادار تهران: مشاهداتی بر پایه مدلVAR-GARCH،فصلنامه تحقیقات مدل‌سازی اقتصادی، ۳ (9)، ۷۱.
  • علمی، زهرا، ابونوری، اسمعیل، راسخی، سعید و شهرازی،محمدمهدی، (1393). اثر شکست‏های ساختاری در نوسانات بر انتقال تکانه و سرریز نوسان میان بازارهای طلا و سهام ایران.فصلنامه علمی - پژوهشی مدل‌سازی اقتصادی، 8(26), 57-73.
  • فتاحی، شهرام، سحاب خدامرادی، مرتضی و ایوتوند، میثاق، (۱۳۹۶). بررسی رابطه همبستگی شرطی بین بازارهای مالی ایران با تأکید بر اثر حافظه بلندمدت و عدم تقارن، فصلنامه اقتصاد مالی، سال یازدهم، شماره ۴۰، ۵۱-۲۵.
  • فرزانگان، الهام، (1397). استراتژی‌های پوشش ریسک قیمت سکه بهار آزادی: مقایسه بین رویکردهای ADCC، GO-GARCH و GARCH مبتنی بر کاپولا، فصلنامه پژوهش‌های اقتصادی ایران، سال بیست و سوم، شماره 75، صفحات 166-137.
  • فلاحی، فیروز، حقیقت، جعفر، صنوبر، ناصر و جهانگیری،خلیل (1393). بررسی همبستگی بین تلاطم بازار سهام، ارز و سکه در ایران با استفاده از مدل DCC-GARCH. فصلنامه پژوهشنامه اقتصادی، سال چهاردهم، شماره 52، صفحات 147-123.
  • نیکو مرام، هاشم، پورزمانی، زهرا و دهقان، عبدالمجید، (۱۳۹۳). سرایت­­پذیری تلاطم در بازار سرمایه ایران، فصلنامه علمی پژوهشی دانش سرمایه­گذاری،انجمن مهندسی مالی ایران، سال سوم، شماره ۱۵،۱۹۹-۱۷۹.
  • حاتمی، امین، محمدی، تیمور، خدادادکاشی، فرهاد و ابوالحسنیهستیانی، اصغر (۱۳۹7). پویایی‏هاینسبتبهینهپوششریسکدربازارهایسهاموطلا:رهیافتVAR-DCC-GARCH، فصلنامه اقتصاد مالی، سال دوازدهم، شماره ۴5، 92-73.
  • Arago, V., & Fernandez, M.A. (2007), Influence of structural changes in transmission of information between stock markets: A European Empirical Stud, Journal of Multinational Financial Management, 17(1), PP. 112-124.
  • Arash Habibi & Chin Lee. )2019(, Asymmetric Effects of Exchange Rates on Stock Prices in G7 Countries, Capital Markets Review, Malaysian Finance Association, vol. 27(1), pages 19-33.
  • Baillie, R. T., & Myers, R. J. (1991), Bivariate GARCH estimation of the optimal commodity futures hedge. Journal of Applied Econometrics, 6(2), 109-124.
  • Basher, S. A., &Sadorsky, P. (2016), Hedging emerging market stock prices with oil, gold, VIX, and bonds: A comparison between DCC, ADCC and GO-GARCH. Energy Economics, 54, 235-247.
  • Bhattacharya, B. and Mukherjee, J. (2002), Causal relationship between stock market and exchange rate, foreign exchange reserves and value of trade balance: a case study for India, http:/www.igidr.ac.in/money/basabi.pdf
  • Bollerslev, T. (1990), Modeling the Coherence in Short-run Nominal Exchange Rates: a Multivariate Generalized ARCH Model, Review of Economics and Statics, 72.
  • Branson, W.H. (1983), Macroeconomic determinants of real exchange risk, In: Herring, R.J. (Ed.), Managing Foreign Exchange Risk, Cambridge University, Cambridge.
  • Cappiello, L., Engle, R. F., & Sheppard, K. (2006), Asymmetric dynamics in the correlations of global equity and bond returns. Journal of Financial econometrics, 4(4), 537-572.
  • Dornbusch, R., Fischer, S., (1980), Exchange rates and the current account, The American Economic Review, 70(5), pp.960–971.
  • Engle, R. (2002), Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business & Economic Statistics, 20(3), 339-350.
  • Gavin, M. (1989), The stock market and exchange rate dynamics, Journal of International Money and Finance, 8(2), pp.181–200.
  • Huisman, R., Mahieu, R., Schlichter, F. (2009). Electricity portfolio management: Optimal peak/offpeak allocations, Energy Economics, 31(1), 169-174.
  • Inclan, C., and Tiao, G.C. (1994) ‘Use of cumulative sums of squares for retrospective detection of changes of variance’, Journal of the American Statistical Association, 89(427), pp.913-923
  • Kang, S.H., & Cheong C., & Yoon, S.M. (2011), “Structural changes and volatility transmission in crude oil markets”, Physical A, 390(4), PP. 4317-4324.
  • Kroner, K. F., & Sultan, J. (1993), Time-varying distributions and dynamic hedging with foreign currency futures. Journal of financial and quantitative analysis, 28(4), 535-551.
  • Ku, Y. H. H., Chen, H. C., & Chen, K. H. (2007), On the application of the dynamic conditional correlation model in estimating optimal time-varying hedge ratios. Applied Economics Letters, 14(7), 503-509.
  • Lee, Yen-Hsien, Huang, Ya-Ling & Wu, Chun-Yu. (2014), Dynamic Correlations and Volatility Spillovers between Crude Oil and Stock Index Returns: The Implications for Optimal Portfolio Construction, International Journal of Energy Economics and Policy, Vol. 4, No. 3, pp:327-336
  • Malik, F., & Ewing, B. T., & Payne, J. E. (2005), Measuring volatility persistence in the presence of sudden changes in the variance of Canadian stock return, Canadian Journal of Economic s, 38(4), PP. 1037-1056.
  • Saleh, Gehan. (2008). the Dynamic Relation between Stock Prices and Exchange Rates in Egypt, Saudi Arabia and UAE, PHD Thesis in Economics. University of Illinois at Chicago.
  • Sanso, A., &Arago, V., & Carrion, J.L. (2003), Testing for changes in the unconditional variance of financial time series, Revista de Economía Financiera, 4(4), PP. 32–53.
  • Simona Moagăr-Poladian., DorinaClichici & Cristian-ValeriuStanciu. (2019), The Co_movement of Exchange Rates and Stock Markets in Central and Eastern Europe, Sustainability, MDPI, Open Access Journal, vol. 11(14), pages 1-22, July.
  • Sosa, M., Ortiz, E. & Cabello, A. (2018), Dynamic Linkages between Stock Market and Exchange Rate in MILA Countries: A Markov Regime Switching Approach (2003-2016). Revista de AnalisisEconomico. Núm. 83, vol. XXXIII.
  • Wang, K. M. & Lee, Y. M. (2016), Hedging exchange rate risk in the gold market: A panel data analysis. Journal of Multinational Financial Management, 35, 1-23.
  • Yao, Z., Wu, H. (2012), Financial Engineering Estimation of Minimum Risk Hedge Ratio, Systems Engineering Procedia, 3, 187-193.
  • Yousaf, I., Elie Bouri, S. & Nehme, A. (2021). Gold against Asian Stock Markets during the COVID-19 Outbreak. Journal of Risk and Financial Management 14: 186.

 

یادداشت‌ها