اتصال پویا بین بورس سهام در حضور همه گیر COVID-19: آیا سیاست اقتصادی عدم اطمینان است؟

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، به استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثل اجازه دهید. پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از دارنده حق چاپ مجوز دریافت کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons. org/licenses/by/4. 0/ مراجعه کنید.

داده های مرتبط

داده ها در صورت درخواست در دسترس قرار می گیرند.

خلاصه

این مطالعه ارتباط پویا بین شاخص های سهام و تأثیر عدم اطمینان سیاست اقتصادی (EPU) در هشت کشور را که Covid-19 گسترده ترین (چین ، ایتالیا ، فرانسه ، آلمان ، اسپانیا ، روسیه ، ایالات متحده و انگلیس) بود ، بررسی می کند. اجرای مدل VAR متغیر زمان (TVP-VAR) برای داده های روزانه در طی دوره ای از 01/01/2015 تا 05/18/2020. نتایج نشان داد که بازارهای سهام در کل دوره به شدت وصل شده اند ، اما سرریزهای پویا در طول همه گیر COVID-19 در سه ماهه اول سال 2020 به ارتفاعات بی سابقه ای رسیدند. علاوه بر این ، ما دریافتیم که سهام سهام اروپا (به جز ایتالیا) بیشتر به سرریزهای بیشتری منتقل می کنند. تمام بازارهای سهام دیگر نسبت به آنها ، در درجه اول در زمان شیوع COVID-19. تجزیه و تحلیل بیشتر با استفاده از یک چارچوب غیرخطی نشان داد که اتصال پویا برای منفی بیشتر از بازده مثبت است. همچنین ، یافته ها نشان داد که جهت اثر EPU بر اتصال خالص در هنگام شروع همه گیر تغییر کرده است ، نشان می دهد که سرریز اطلاعات از یک بازار معین ممکن است بسته به وضعیت اقتصادی غالب ، خبر خوب یا بد را برای سایر بازارها نشان دهد. این نتایج پیامدهای مهمی برای سرمایه گذاران انفرادی ، مدیران نمونه کارها ، سیاستگذاران ، بانکهای سرمایه گذاری و بانکهای مرکزی دارد.

واژه های کلیدی: بازارهای سهام ، اتصال پویا ، همه گیر Covid-19 ، عدم اطمینان سیاست اقتصادی ، مدل TVP-VAR

معرفی

دانشگاهیان ، سیاستگذاران و سرمایه گذاران بحث و گفتگوهای مربوط به تجزیه و تحلیل ارتباط بین بازارهای مالی را داغ کرده اند ، اما این تجزیه و تحلیل اخیراً توسط توسعه ابزار ریاضی و اقتصاد سنجی تقویت شده است. این ابزارها با ارائه تصویری جامع از ریسک بازار ، ریسک اعتباری و ارزیابی ریسک کلان و سیستم (گونگ و همکاران 2019) برای پشتیبانی از تصمیم گیری بهتر ، اهمیت خود را افزایش دادند (کو و همکاران 2014). علاوه بر این ، تجزیه و تحلیل اتصال بین دارایی های مالی ، به ویژه سهام ، برای سرمایه گذاران نیز ضروری است زیرا به آنها کمک می کند تا در مورد فرصت های متنوع سازی نمونه کارها بین المللی ارزیابی و تصمیم گیری کنند.

بر این اساس ، مطالعات متعددی که روابط بین بازارهای مالی را بررسی می کنند ، گزارش دادند که میزان اتصال بین این بازارها در معرض استرس و بحران های مالی است ، مانند بحران مالی جهانی (GFC) ، بحران بدهی اروپا (Jondeau and Rockinger 2006 ؛ Mokni and Mansouri 2017) و بحران سلامت ناشی از شیوع COVID-19 در سال 2020 (Azimli 2020 ؛ Cepoi 2020 ؛ Topcu 2020 ؛ شریف و همکاران 2020). همه گیر در حال گسترش به سرعت تأثیرات منفی زیادی در بازارهای مالی در سراسر جهان داشته است و باعث ایجاد سطح بی سابقه ای از ریسک شده است که باعث شده سرمایه گذاران در یک دوره بسیار کوتاه متحمل شوند (ژانگ و همکاران 2020a ، ب ، ج). در حقیقت ، این بحران منجر به کاهش شاخص های سهام ، به ویژه در کشورهایی که میزان عفونت بالایی دارند. علاوه بر این ، میزان عدم اطمینان به دنبال اخبار اولین پرونده چین در پایان سال 2019 ، به ویژه پس از آنکه سازمان بهداشت جهانی اعلام کرد شیوع کروناویروس یک بیماری همه گیر جهانی در 11 مارس 2020 است ، افزایش یافته است.

با توجه به اینکه بازارهای سهام در سراسر جهان به طور مستقیم یا غیرمستقیم با سیستم های اقتصادی مرتبط هستند و ادغام مالی قوی ، پس از اجرای اقدامات احتیاطی توسط اکثر کشورها ، متحمل خسارات عظیمی شدند. بنابراین ، پیامدهای مربوط به تأثیر همه گیر در بورس سهام سؤالات جدی در مورد پویایی و اتصال بازار را در معرض دید قرار می دهد.

عظیملی (2020) گزارش داد که همه گیری COVID-19 از دو کانال بر بازار سهام تأثیر می گذارد. اول، سطح بالای عدم قطعیت سیاست اقتصادی ناشی از الگوهای گسترش همه گیری و وضعیت ناشناخته آینده در مورد COVID-19 منجر به کاهش انتظارات جریان نقدی و در نتیجه کاهش ارزش بازار سهام می شود. ثانیاً توقف بخش های صنعتی، گردشگری، هوانوردی و سایر بخش ها به طور مستقیم بر شاخص سهام با کاهش ارزش سهام مرتبط تأثیر می گذارد. این تخریب بر اقتصاد کلان مانند الگوهای سرمایه گذاری و مصرف تأثیر منفی می گذارد (عظیملی 2020).

علاوه بر شرایط بحران و استرس، میزان سرریز بازارهای سهام بین المللی همراه با عدم قطعیت سیاست اقتصادی (EPU) بر پویایی و حتی تغییر جهت بازار تأثیر می گذارد. در این زمینه، شاخص EPU، توسعه یافته توسط بیکر و همکاران.(2016)، بر بازده بازار سهام تأثیر می گذارد (آنتوناکاکیس و همکاران 2013؛ آروری و همکاران 2016؛ کریستو و همکاران 2017؛ گوو و همکاران 2018؛ هو و همکاران 2018؛ فان و همکاران 2018؛ ژیونگ و همکاران.؛ او و همکاران 2020) و نوسانات (یو و همکاران 2018؛ یو و سونگ 2018؛ می و همکاران 2018؛ بالسیلار و همکاران 2019؛ وانگ و همکاران 2020). بنابراین، یک رشته اخیر ادبیات بر تأثیر EPU بر روابط بین دارایی های مالی، از جمله روابط بین بازارهای سهام (لی و پنگ 2017)، اوراق قرضه و سهام (فنگ و همکاران 2017؛ لی و همکاران 2015)، بازارهای کالا و سهام متمرکز شده است.(Fang et al. 2018; Badshah et al. 2019) و بیت کوین و دارایی های متعارف (Matkovskyy et al. 2020). تقریباً همه این مطالعات شواهدی مبنی بر تأثیر منفی EPU بر حرکت مشترک بین این متغیرها گزارش کردند و در برخی موارد، یک پیامد پرتفوی قابل توجه مربوط به EPU را برجسته کردند (Badshah et al. 2019).

این مطالعه به بررسی ارتباط پویا بین شاخص های سهام در کشورهایی که عفونت های گسترده کروناویروس می پردازند ، می پردازد. ما همچنین تأثیر EPU را بر این اتصال قبل و در طی بحران همه گیر COVID-19 بررسی کردیم. اتصال پویا با استفاده از روش Antonakakis و Gabauer (2017) اندازه گیری شد ، که ترکیب مدل VAR متغیر زمان (TVP-VAR) را با مدل محبوب Diebold و Yilmaz (2014) ترکیب می کند. ما مدل TVP-VAR را برای استخراج شاخص های اتصال انتخاب کردیم زیرا این مزایا نسبت به VAR مبتنی بر نورد پنجره دارد. ابتدا بر مجموعه دلخواه اندازه پنجره ، که منجر به پارامترهای بسیار نامنظم یا مسطح می شود ، غلبه می کند. دوم ، بر خلاف VAR مبتنی بر نورد پنجره ، مدل TVP-VAR بر اساس روش فیلتر کالمن تخمین زده می شود. بنابراین ، هنگام برآورد پارامترهای متغیر زمان مدل ، مشاهدات ارزشمند از بین نمی روند. سوم ، این مدل به Outliers حساس نیست (Antonakakis and Gabauer 2017 ؛ Antonakakis et al. 2018 ؛ Gabauer and Gupta 2018 ؛ Korobilis and Yilmaz 2018). استفاده ما از مدل TVP-VAR برای استخراج شاخص های اتصال مطابق با رویکرد مشابه Korobilis و Yilmaz (2018) است که از رویکردهای VAR Bayesian برای غلبه بر محدودیت های VAR مبتنی بر نورد استفاده می کند.

این مطالعه با بررسی ارتباط پویا بین چندین بازار سهام بین المللی در کشورهایی که بیشتر تحت تأثیر COVID-19 قرار دارند در یک دوره نمونه که شامل بحران سلامتی در چارچوب های متقارن و نامتقارن است ، به ادبیات موجود کمک می کند. علاوه بر این ، ما نقش عدم اطمینان سیاست اقتصادی را در هدایت ارتباط پویا بین این بازارها قبل و در طی بحران همه گیر Covid-19 بررسی کردیم. این تجزیه و تحلیل برای تغییرات احتمالی در اثر در دوره COVID-19 در مقایسه با دوره قبل از شکستن کنترل می شود.

باقیمانده این مقاله به شرح زیر سازماندهی شده است. بخش دوم بررسی ادبیات را ارائه می دهد. بخش سوم داده ها و روش استفاده شده را ارائه می دهد. بخش "نتایج و مباحث" نتایج و بحث را ارائه می دهد. سرانجام ، بخش "نتیجه گیری و پیامدهای سیاست" مقاله را نتیجه می گیرد.

بررسی ادبیات

در طی دو دهه گذشته ، بحران های مالی منجر به تجدید علاقه به بررسی اتصال ، مسری و همبستگی بین بازار سهام با استفاده از تکنیک های مختلف اقتصاد سنجی شد. به طور کلی ، بحران های مالی باعث افزایش ارتباط بازار در بازار سهام شده است. به عنوان مثال ، مادالنو و پینو (2012) با استفاده از یک روش موجک به زمان مداوم (موجک انسجام Morlet) که قسمت های بحران مالی را در نظر گرفته و یک تکامل زمان قابل توجهی را در نظر گرفته اند ، به ویژه در رابطه با بحران های مالی که در دوره های مختلف رخ داده است ، آلودگی بازار سهام را مورد بررسی قرار دادند. کیم و همکاران.(2015) از مدل های چند متغیره گارچ برای بررسی تأثیر بحران مالی ایالات متحده بر اثرات سرریز بین پنج کشور در حال ظهور آسیایی و بازارهای سهام ایالات متحده استفاده کرد. آنها شواهد واضحی از آلودگی مالی در مورد فروپاشی برادران لمان در سپتامبر 2008 پیدا کردند. لی و گیلز (2015) هر دو سرریز شوک و نوسانات را در دوره های طولانی و کوتاه مدت در ایالات متحده ، ژاپن و شش بازار سهام در حال ظهور بررسی کردند (چین ، هند ، اندونزی ، مالزی ، فیلیپین و تایلند) با استفاده از مدل Beek-Mgarch نامتقارن. آنها گزارش دادند که ادغام شدید بین بورس های توسعه یافته و در حال ظهور در طی بحران های مالی است.

همچنین ، مورانا و بلتراتی (2008) در طی دوره بین سالهای 1973 تا 2004 ، در چهار بازار سهام بین المللی (ایالات متحده ، انگلیس ، آلمان و ژاپن) به طور مشترک در چهار بازار سهام بین المللی (ایالات متحده ، انگلیس ، آلمان و ژاپن) تحقیق کردند.، بازده ، همبستگی و نوسانات. Menezes and Dionísio (2011) از یک مدل VECM تحت استراحت ساختاری برای بررسی همبستگی های بلند مدت و جهانی سازی در بازارهای سهام G7 استفاده کرد و یک رابطه علیت بلند مدت قابل توجهی در طول فرآیند ادغام بازار G7 پیدا کرد ، که به طور کلی توسطبازار سهام ایالات متحده. Tsai (2014) اثر سرریز در پنج بازار اصلی سهام (ایالات متحده ، انگلیس ، آلمان ، ژاپن و فرانسه) را بررسی کرد و در طی بحران وام مسکن زیرپارچه و ورشکستگی برادران لمان از سال 2007 تا 2008 تأثیر خالصی در بازار سهام ایالات متحده پیدا کرد. او همچنین نشان داد که شاخص ترس یک نیروی محرکه افزایش همبستگی بین بازارها است. احمد و همکاران با استفاده از روش DCC-Garch.. آنها گزارش دادند که در بین بازارهای GIPSI ، ایتالیا ، ایرلند ، پرتغال و اسپانیا در دوره بحران منطقه یورو مسری ترین بازارهای یورو و غیر یوروزون بودند. با این حال ، فرانسه ، بلژیک ، اتریش و آلمان به شدت تحت تأثیر شوکهای مسری مالی در منطقه یورو قرار گرفتند. Výrost و همکاران.(2015) از شبکه های علیت Granger برای بررسی شبکه بین 20 بازار سهام توسعه یافته استفاده کرد. آنها دریافتند که دلبستگی ترجیحی بین بازارهای سهام و میزان اتصال به اثرات سرریز تأثیر مثبت دارد. مگی و همکاران.(2015) از روش شناسی Diebold و Yilmaz (2012) برای بررسی بازده سهام و همكاری نوسانات بین گروه MENA و بورس سهام آمریكا قبل و بعد از بحران مالی جهانی استفاده كرد. آنها گزارش دادند که رابطه با بازار سهام ایالات متحده در دوره قبل از بحران بسیار ضعیف است اما پس از بحران مالی جهانی به سطح بالایی محدود شده است. بارونیک و همکاران.(2016) روش شناسی Diebold و Yilmaz (2012) را با اجازه تغییرات منفی و مثبت برای تعیین کمیت عدم تقارن در سرریز نوسانات گسترش داد و دریافت که اتصال در بین بازار ایالات متحده در طی بحران مالی به شدت افزایش یافته است.

اخیراً ، وانگ و همکاران.(2017) از همبستگی چند مقیاس برای بررسی بیماری های ایالات متحده به BRIC و G7 (به جز ژاپن) در طول بحران مالی جهانی استفاده کرد. آنها گزارش دادند كه مسری بورس سهام در طول بحران مالی جهانی هم به كشور گیرنده و هم در مقیاس زمان بستگی دارد. جیانگ و همکاران.(2017) از آزمایشات VAR و آزمایشات علیت گرنجر برای بررسی تأثیر بحران مالی اخیر در شش بازار سهام اصلی (ایالات متحده ، انگلیس ، آلمان ، ژاپن ، چین و هنگ کنگ) استفاده کرد. نتایج نشان داد که بحران مالی باعث افزایش همبستگی وابستگی متقابل بازارهای جهانی سهام می شود. Mokni و Mansouri (2017) روابط بین بازارهای بین المللی بزرگ بین المللی را با استفاده از یک مدل حافظه طولانی Garch-Copula بررسی کردند و گزارش دادند که ساختار وابستگی در زمان بدهی اروپا و بحران های مالی جهانی افزایش یافته است. Manopimoke و همکاران.(2018) ارتباط پویا بین بازارهای نوظهور آسیا و سایر بازارهای بین المللی را با استفاده از یک مدل خودگردان وکتور عمومی (VAR) بررسی کرد. آنها به این نتیجه رسیدند که بازارهای بین المللی سهام یکپارچه شده اند و روند رو به افزایش بحران مالی آسیا و روند مهم تری در طول بحران مالی جهانی است. منسی و همکاران.(2018) روش شناسی Diebold و Yilmaz (2012 ، 2014) را با اجرای روشهای استاتیک و نورد برای بررسی ارتباط بین بازارهای سهام منطقه ای ، جهانی و GIPSI اعمال کرد و گزارش داد که اثر مسری مالی در طول بحران افزایش یافته است. ژو و همکاران.(2018) از یک مدل موجک CEEMDAN برای بررسی تأثیر بیماری در بین بازارهای سهام (آسیا ، اروپا و آمریکا) استفاده کرد و گزارش داد که شوک های ناشی از وقایع نامنظم و حوادث شدید می تواند بین بازارهای مختلف سهام منتقل شود. گونگ و همکاران.(2019) از روش آنتروپی انتقال برای بررسی اتصال شبکه بازارهای جهانی سهام استفاده کرد و پیشنهاد کرد که اتصال کل شبکه در طول بحران افزایش می یابد. کانگ و همکاران.(2019) از یک مدل همبستگی Equi-Correlation (DECO) و شاخص سرریز Diebold و Yilmaz (2012) برای بررسی اثرات پویا بین بازارهای ASEAN و سهام جهانی استفاده کرد. آنها از سرریزهای جهت دار برای هر یک از بازارها و افزایش بازده و نوسانات در هنگام بحران های مالی خبر دادند. SU (2020) رفتارهای سرریز نوسانات را در بازارهای سهام G7 با استفاده از بازنمایی طیفی از تجزیه واریانس بررسی کرد تا بین کوتاه ، متوسط ، تشخیص دهد

و اجزای سرریز نوسانات طولانی مدت. وی از حساسیت بحران از سرریزهای نوسانات در بازارهای سهام G7 خبر داد.

بسیاری از مطالعات تأثیر شیوع ویروس بر عملکرد بازار سهام را بررسی کرده اند. Delisle (2003) پیشنهاد کرد که هزینه شیوع SARS در سال 2003 منجر به ضرر و زیان ناشی از بحران مالی آسیا شده است ، که 3 تریلیون دلار تولید ناخالص داخلی و 2 تریلیون دلار در سهام بازار مالی تخمین زده شده است. نیپانی و واشر (2004) تأثیر SARS را بر کانادا ، چین و مناطق خاص اداری هنگ کنگ ، اندونزی ، سنگاپور ، فیلیپین ، ویتنام و تایلند بررسی کردند. آنها به این نتیجه رسیدند که SARS فقط در بورس سهام چین و ویتنام تأثیر گذاشت. در همین زمینه ، لی و مک کیبین (2004) تأثیرات اقتصادی جهانی سندرم حاد تنفسی حاد (SARS) را ارزیابی کردند. آنها بیان می کنند که تأثیر بیماری همه گیر SARS بر جامعه جهانی بشری شدید بود ، نه تنها به این دلیل که این بیماری در کشورها به سرعت از سفر جهانی گسترش می یابد ، بلکه با ادغام مالی و جهانی سازی ، هر شوک اقتصادی برای یک کشور به سرعت برای دیگران گسترش می یابد. Macciocchi و همکاران.(2016) تأثیر اقتصادی کوتاه مدت شیوع ویروس زیکا در برزیل ، آرژانتین و مکزیک را مورد مطالعه قرار داد و نشان داد که به جز برزیل ، شاخص های بازار این سه کشور آمریکای لاتین و کارائیب (LCR) منفی زیادی نشان نمی دهدروز بعد از هر شوک برمی گردد. مارینک (2016) بررسی کرد که آیا نزدیکی جغرافیایی اطلاعات منتشر شده توسط شیوع ابولا در سال 2014 ، همراه با پوشش گسترده رسانه ها ، بر قیمت دارایی های ایالات متحده تأثیر گذاشته است. چن و همکاران.(2018) تأثیر بیماری همه گیر SARS در رابطه بلند مدت چین با چهار بازار سهام آسیا را مورد تجزیه و تحلیل قرار داد. یافته های آنها از یک رابطه همبستگی متغیر در زمان در شاخص های قیمت سهام پشتیبانی می کند. آنها همچنین دریافتند که اپیدمی SARS روابط بلند مدت چین با چهار بازار را تضعیف می کند.

از زمان ظاهر آن ، اثرات Covid-19 اغلب با بحران مالی جهانی سال 2008 مقایسه می شود. در مطالعات اخیر ، اثرات بیماری همه گیر COVID-19 در بازارهای سهام با استفاده از رویکردهای مختلف از بین رفت. به عنوان مثال ، Salisu و Vo (2020) در مورد ارتباط اخبار بهداشتی به دست آمده از طریق جستجوهای گوگل در پیش بینی بازده سهام با استفاده از داده های کشورهای تحت تأثیر 20 و کشورهایی که بیشترین مرگ و میر را گزارش می کنند ، بررسی کردند. آنها دریافتند که از جمله اطلاعات مربوط به سلامت در ارزیابی سهام ، دقت پیش بینی را بهبود می بخشد. عملکرد پیش بینی نیز با تنظیم عوامل کلان اقتصادی و حسابداری از "عدم تقارن" از اخبار خوب و بد سلامت بهبود یافته است. الاوادی و همکاران.(2020) تأثیر COVID-19 را با استفاده از آزمایش پانل در حالی که کنترل ویژگی های خاص شرکت را در بازار سهام چین بررسی کرد. آنها اثرات منفی قابل توجهی در بازده سهام ناشی از COVID-19 در همه شرکت ها نشان دادند.

شریف و همکاران.(2020) برای بررسی رابطه زمان و فرکانس بین قیمت نفت ، شیوع COVID-19 ، عدم اطمینان اقتصادی ، ریسک ژئوپلیتیکی و بازار سهام ایالات متحده ، از علیت گرنجر مبتنی بر موجک استفاده کرد. آنها نشان دادند که تأثیر COVID-19 بر ریسک ژئوپلیتیکی به طور قابل توجهی بالاتر از تأثیر عدم اطمینان اقتصادی ایالات متحده است. با استفاده از روش DCC-Garch ، Corbet و همکاران.(2020a) اثرات اصطلاح "تاج" را بر رفتار سهام در طول همه گیر Covid-19 بررسی کرد. آنها برای شرکت های دارای نام های مربوط به همه گیر Coronavirus تأثیر منفی نشان دادند.

Azimli (2020) برای بررسی تأثیر همه گیر COVID-19 بر درجه و ساختار وابستگی به سوختگی در ایالات متحده ، از رگرسیون کمی استفاده کرد و باعث افزایش وابستگی در بازده و پرتفوی بازار در مقدار بالاتر شد. کوربت و همکاران.(2020b) در مورد بیماری بین بازارهای چینی در طول همه گیر COVID-19 بررسی کرد و دریافت که Covid-19 تأثیر مثبت قابل توجهی در نوسانات بورس سهام شانگهای و شنژن دارد. آنها همچنین از همبستگی مثبت شدیدی بین WTI و بورس سهام چین گزارش دادند. در همین زمینه ، اشرف (2020) واکنش بازارهای سهام به COVID-19 را بررسی کرد. وی با استفاده از موارد و مرگ و میر روزانه COVID-19 ، دریافت که بورس سهام به افزایش موارد تأیید شده COVID-19 پاسخ منفی داده است. لیو و همکاران.(2020) و خان و همکاران.(2020) از مدلهای اقتصاد سنجی برای ارزیابی تأثیر کوتاه مدت شیوع کروناویروس در شاخص های بازار سهام عمده کشورها استفاده کرد. نتایج نشان داد که بازارهای سهام پس از شیوع ویروس به سرعت سقوط کردند. علاوه بر این ، یافته های آنها با شناسایی احساسات بدبینانه سرمایه گذاران در مورد بازده های آینده و ترس از عدم قطعیت ، از عوارض جانبی موارد تأیید شده COVID-19 بر بازده غیر طبیعی از طریق یک کانال مؤثر پشتیبانی می کند. به همین ترتیب ، ژانگ و همکاران.(2020a ، b ، c) الگوی کلی خطرات خاص کشور و خطرات سیستم در بازارهای مالی جهانی تحت بیماری همه گیر COVID-19 را بررسی کرد. آنها همچنین پیامدهای احتمالی مداخلات سیاست را مورد تجزیه و تحلیل قرار دادند ، از جمله تصمیم ایالات متحده برای اجرای نرخ بهره صفر درصد و کاهش نامحدود کمی. آنها شواهدی مبنی بر افزایش نوسانات بازار جهانی به دلیل شیوع شیوع پیدا کردند و پیوند بازار جهانی سهام الگوهای مختلفی را قبل و بعد از اعلام همه گیر نشان داد. علاوه بر این ، آنها دریافتند که پاسخ های سیاست ممکن است در بازارهای مالی جهانی عدم قطعیت های بیشتری ایجاد کند.

بنابراین و همکاران.(2020) تأثیر بیماری همه گیر Covid-19 را در اتصال بورس اوراق بهادار هنگ کنگ مورد بررسی قرار داد. با استفاده از شبکه های مالی پویا بر اساس همبستگی بازده سهام ، آنها دریافتند که هم چگالی شبکه و هم خوشه بندی در شبکه های همبستگی جزئی در طول همه گیر COVID-19 بیشتر است ، دلالت بر افزایش اتصال شبکه در شبکه های مالی و افزایش قابل توجهی در ریسک سیستمیک در طی شیوع شیوعبشر

علاوه بر بلایای بهداشتی و بحران های مالی، بازارهای سهام نیز تحت تأثیر عدم قطعیت سیاست های اقتصادی (EPU) قرار دارند. چندین مطالعه گزارش کردند که EPU تأثیر زیادی بر روابط پویایی بازار سهام دارد. به عنوان مثال، آنتوناکاکیس و همکاران.(2013) همبستگی بین بازده بازار سهام، نوسانات ضمنی و عدم قطعیت سیاست را در چارچوبی با زمان متغیر مورد بررسی قرار داد و دریافت که افزایش در نوسانات عدم اطمینان سیاست، بازده بازار سهام را کاهش می دهد. اروری و همکاران(2016) تأثیر EPU بر بازار سهام ایالات متحده را بین سال های 1900 و 2014 مورد مطالعه قرار داد و یک رابطه منفی معنی دار بین عدم قطعیت سیاست و بازده سهام گزارش کرد، جایی که تأثیر EPU بر بازده سهام در طول دوره های نوسان شدید قوی تر و پایدارتر بود. کریستو و همکاران با استفاده از مدل پنل VAR.(2017) نقش عدم قطعیت سیاست اقتصادی (EPU) بر بازده بازار سهام برای شش کشور (استرالیا، کانادا، چین، ژاپن، کره و ایالات متحده) را بررسی کرد. نتایج نشان داد که افزایش سطوح EPU بر بازده بازار سهام تأثیر می گذارد. اخیراً، وانگ و همکاران.(2020) اثرات سرریز بین EPU و نوسانات واقعی بازار سهام (RV) را تحلیل کرد. نتایج نشان داد که RV یک دریافت کننده خالص شوک های عدم قطعیت بود، با اثرات بالاتر از EPU ایالات متحده نسبت به EPU چین. بالسیلار و همکاران(2019) نقش EPU را در پیش بینی نوسانات بازده سهام در هنگ کنگ، مالزی و کره جنوبی بررسی کرد. بر اساس علیت ناپارامتری گرنجر در مدل چندک، نتایج شواهد قوی از EPU باعث نوسان بازده سهام در مالزی و هر دو بازده و نوسان در بخش های خاصی از توزیع های مشروط کره جنوبی را نشان داد.

این حجم وسیع از ادبیات این نتیجه را تأیید می کند که پویایی و روابط بازار سهام به شدت به شرایط استرس، بحران های بهداشت عمومی و افزایش عدم اطمینان بستگی دارد. مطالعه حاضر روابط بازار سهام را در بحبوحه همه گیری COVID-19 مورد بررسی قرار داد. ما انتظار داشتیم که روابط بین بازارها در طول دوره COVID-19 در مقایسه با دوره عادی قبلی تغییر کند. علاوه بر این، ما پیش بینی می کردیم که اثرات EPU بر اتصال به بازار سهام در طول این دوره بحران سلامت به طور قابل توجهی تغییر کرده است.

داده ها و چارچوب اقتصادسنجی

داده ها

وضعیت غیر طبیعی ناشی از COVID-19 فرصتی را برای ارزیابی تأثیر همه گیر در بازارهای تحت تأثیر بیشترین میزان سهام کشورها به دلیل این بیماری پیش بینی نشده و ترسناک فراهم کرد. این مطالعه به بررسی تأثیر بیماری همه گیر COVID-19 بر اتصال بین بازارهای سهام عمده کشورهای آسیب دیده که توسط شاخص های پیشرو سهام آنها اندازه گیری شده است. ما از داده های شاخص های سهام روزانه در چین (SSE) ، فرانسه (CAC40) ، آلمان (DAX30) ، ایتالیا (FTSE MIB) ، روسیه (RTSI) ، اسپانیا (IBEX) ، انگلیس (FTSE100) و ایالات متحده استفاده کردیم (S& P500 (S& P500)). دهانه داده ها از 01/01/2015 تا 05/18/2020 ، از جمله آغاز همه گیر COVID-19 در سال 2020. برای بررسی نقش EPU در ایجاد اتصال بین بورس های سهام مورد بررسی ، ما همچنین مبتنی بر اخبار EPU را در نظر گرفتیمشاخص توسعه یافته توسط بیکر و همکاران.(2016). 1 داده های بازار سهام از DataStream تهیه شد و شاخص EPU از وب سایت https://www. policyunctionty. com به دست آمد. ما سری بازگشت را به عنوان اختلاف ورود به سیستم شاخص ها و شاخص EPU محاسبه کردیم.

شکل 1 قیمت های روزانه شاخص های بازار سهام کشورهای مورد بررسی را نشان می دهد. همانطور که نشان داده شده است ، تمام شاخص های بازار سهام مورد بررسی ، کاهش ناگهانی و غیر طبیعی را در نزدیکی شروع همه گیر Covid-19 به نمایش گذاشتند. الگوهای نشان می دهد که شاخص SSE کاهش ضعیف از 3000 به حدود 2500 امتیاز را ثبت کرده است. با این حال ، بازارهای سهام اروپا و بورس سهام آمریکایی و روسیه بیشترین تأثیر را از گسترش شوک عفونی جدید تحت تأثیر قرار دادند و تعطیل بی سابقه ای از قیمت های شاخص های آنها را ثبت کردند. در ایتالیا ، درست قبل از شیوع همه گیر ، این شاخص بیش از 27000 امتیاز داشت اما با شروع همه گیر به زیر 17000 امتیاز رسید. برای ایالات متحده ، قیمت های نقطه ای از شاخص قبل از شیوع بیماری همه گیر Covid-19 به اوج بالاتر از 3300 امتیاز رسید و هنگام اعلام همه گیر جدید ، به زیر 2300 امتیاز سقوط کرد. این نتایج حاکی از پاسخ سریع بازار سهام در سراسر جهان به اخبار بد مربوط به شیوع همه گیر Covid-19 است که باعث افزایش خطر و عدم اطمینان در سطح جهان و احساسات و تصمیمات سرمایه گذاران می شود ، که به نوبه خود بر قیمت بورس تأثیر می گذارد.

قیمت های روزانه بازار سهام در نظر گرفته شده برای دوره ای که از 01/01/2015 تا 05/18/2020 در نظر گرفته شده است. منطقه سایه دار دوره بیماری همه گیر Covid-19 را نشان می دهد

جدول 1 جدول 1 آمار توصیفی در مورد بازده ورود به سیستم شاخص های سهام بازارهای مورد بررسی را گزارش می دهد. چین، اسپانیا و بریتانیا کمترین میانگین بازدهی را داشتند، در حالی که ایالات متحده، فرانسه، روسیه و ایتالیا بالاترین میانگین بازدهی را داشتند. این کشورها بازدهی نزدیک به میانگین را در حدود 0. 03 نشان دادند. همچنین، روسیه با اندازه گیری واریانس دارای ریسک ترین بازار سهام بود و پس از آن چین و ایتالیا قرار دارند. در حالی که بازار سهام بریتانیا کمترین میانگین ریسک را داشت و پس از آن بازارهای سهام ایالات متحده و فرانسه قرار دارند. همه کشورها به سمت چپ منحرف شدند، همانطور که با مقادیر منفی قابل توجه چولگی نشان داده شد. همچنین، مشاهده کردیم که تمام سری های بازگشتی با کشیدگی بیش از حد مشخص می شوند که نشان دهنده توزیع لپتوکورت با دم های چربی است. فرضیه صفر نرمال بودن در سطح 1٪ برای همه سری ها رد شد، همانطور که توسط آزمون Jarque-Bera نشان داده شد.

میز 1

0. 601

در این جدول آمار توصیفی بازده بورس در نظر گرفته شده است. J. B. آمار تست نرمال بودن Jarqu e-Bera است. ERP ، ADF و PP به ترتیب الیوت-روتنبرگ-سهامدار ، تقویت شده دیکی فولر و تست ریشه واحد فیلیپ-پررون را نشان می دهند. Q (10) و Q2 (10) تست های جعبه Ljung برای همبستگی سریال مرتبه 20 برای بازده و بازده مربع هستند. L. M. (20) آزمون ناهمگونی L. M. به ترتیب 20 است.

برای آزمایش وجود ریشه واحد در سری بازگشت ، ما آزمایشات الیوت- روتنبرگ (ERS) ، افزودنی Dicky-Fuller (ADF) و فیلیپس-پررون (PP) را انجام دادیم ، که امکان آزمایش فرضیه تهی A را فراهم می آوردریشه واحد در مقابل جایگزین هیچ ریشه واحد در سری بازده سهام. نتایج ارائه شده در جدول جدول 1 نشان می دهد که فرضیه تهی در سطح اهمیت 1 ٪ برای همه سری ها رد شد و بنابراین ، یکپارچه از سفارش صفر I (0). علاوه بر این ، نتایج حاکی از آن است که تمام سری ها (به جز اسپانیا و ایتالیا) همبستگی داشتند و خطاهای قوس را به نمایش گذاشتند و از استفاده از مدل TVP-VAR با کواریانس های متغیر زمان پشتیبانی می کردند. تمام بازارهای سهام مورد بررسی در دوره نمونه با همبستگی بودند. بازار سهام چین کمترین همبستگی را با سایر بازارهای سهام به نمایش گذاشت ، در حالی که تمام بازارهای سهام دیگر بسیار همبسته بودند. به دلیل ادغام قوی بازارهای اروپا ، قویترین همبستگی بین بازارهای سهام فرانسوی و آلمان با ارزش 0. 942 مشاهده شد (Jondeau and Rockinger 2006 ؛ Mokni and Mansouri 2017).

روش شناسی

رویکرد اتصال پویا مبتنی بر TVP-VAR

برای کشف ارتباط متغیر زمان بین بازارهای بین المللی سهام در طی یک دوره مشخص ، از جمله همه گیر Covid-19 ، ما از روش شناسی Antonakakis و Gabauer (2017) و Antonakakis و همکاران (2019) پیروی کردیم ، که از Koop و Koobilis (2014 استفاده می کند.) روش TVP-VAR ، همراه با رویکرد اتصال Diebold و Yılmaz (2014).

بگذارید یک وکتور 1 × 1 بازده بازار سهام باشد. مدل TVP-VAR را می توان با مجموعه زیر از معادلات نشان داد: y t = φ t y t - 1 + u t ؛ u t ω t - 1 ∼ n 0 ، s t

φ t = φ t - 1 + v t ؛ v t ω t - 1 ∼ n 0 ، r t

جایی که ω t - 1 مجموعه اطلاعات موجود در t - 1 را نشان می دهد. y t - 1 یک بردار عقب مانده از متغیرهای وابسته است. φ t یک ماتریس (n × n p) از ضرایب است که قرار است متغیر زمان باشد. U T و V T دو بردار (N × 1) از اصطلاحات خطا هستند. S T و R T به ترتیب (N × N) و (N P × N P) ماتریس واریانس متغیر متغیر از اصطلاحات خطای U T و V T به ترتیب هستند.

این مدل پس از برآورد پارامترها و واریانس متغیر زمان با استفاده از TVP-VAR ، روش اتصال عمومی Diebold و Yılmaz (2014) را بر اساس توابع پاسخ ضربان عمومی (GIRF) و تجزیه واریانس خطای پیش بینی عمومی (GFEVD) پس از تبدیل شدن تخمین می زند. VAR به میانگین حرکت وکتور خود (کوپ و همکاران 1996 ؛ پساران و شین 1998). بنابراین Eq.(1) می تواند به شرح زیر تبدیل شود:

y t = φ t y t - 1 + u t = a t u t

جایی که a t = a 1 ، t a 2 ، t ،… a p ، t ′ یک ماتریس n × n از پارامترها است که تأیید می کند a i ، t = ∑ k = 1 p φ 1 ، t a i - k ، t i f i ≠ 0، و من در غیر این صورت. بنابراین ، توابع پاسخ ضربان عمومی (GIRF) پاسخ همه متغیرها را به دنبال شوک در متغیر I تعریف می کند.