پیچیدگی ناشی از مدل سازی مالی و کاربردهای آن

مقاله تحقیق |دسترسی آزاد جلد 2021 |شناسه مقاله 4527314 |https://doi.org/10. 1155/2021/4527314 استناد

عدم قطعیت سیاست اقتصادی و نوسانات بازار سهام چین: رویکرد Carr-Midas

Xinyu Wu

، 1 Tianyu Liu ، 1 و Haibin Xie 2

بیشتر نشان بده، اطلاعات بیشتر سردبیر دانشگاهی: زکیا هاموش 21 آوریل 2021 دریافت کرد 18 سپتامبر 2021 را پذیرفت منتشر شده 30 سپتامبر 2021

خلاصه

دامنه داخل رحمی (تفاوت بین قیمت های بالا و پایین در داخل) اغلب برای اندازه گیری نوسانات استفاده می شود ، که ثابت شده است که یک برآوردگر نوسانات کارآمدتر از بازده مبتنی بر بازده است. در همین حال ، یک مرکز در حال رشد مطالعات نشان داده است که عدم اطمینان سیاست اقتصادی (EPU) تأثیر مهمی بر نوسانات بازار سهام دارد. در این مقاله ، ساخت مدل نوسانات مبتنی بر دامنه ، یعنی مدل محدوده اتورگرایی مشروط (CARR) ، ما با در نظر گرفتن اطلاعات Intraday برای بررسی تأثیر EPU ، چارچوب مدل نمونه برداری Carr Mixed-Data (Carr-Midas) را معرفی می کنیم. در مورد نوسانات بازار سهام چین و کشف توانایی پیش بینی EPU در بازار سهام چین. نتایج تجربی نشان می دهد که هر دو EPU چین (CEPU) و Global EPU (GEPU) تأثیر منفی بر نوسانات طولانی مدت بازار سهام چین دارند. علاوه بر این ، ما می دانیم که با در نظر گرفتن CEPU و GPU منجر به بهبود قابل توجهی در توانایی پیش بینی نوسانات بازار سهام چین می شود. ما همچنین می یابیم که CEPU پیش بینی نوسانات برتر را در مقایسه با GEPU ارائه می دهد. یافته های ما نسبت به پنجره های مختلف پیش بینی قوی است.

1. معرفی

مدل سازی و نوسانات پیش بینی برای بسیاری از برنامه های مالی مانند تخصیص دارایی ، اندازه گیری ریسک و قیمت گذاری گزینه از اهمیت بالایی برخوردار است. کاملاً شناخته شده است که نوسانات بازار سهام دارای خوشه بندی و پایداری بالایی است. اگرچه قابل پیش بینی است ، اما پیش بینی دقیق هنوز دشوار است. در این مقاله ، ما تأثیر عدم قطعیت سیاست اقتصادی (EPU) بر نوسانات بازار سهام چین را بررسی می کنیم و توانایی پیش بینی EPU را برای بازار سهام چین بررسی می کنیم. با این کار ، ما به نقش EPU در نوسانات بازار سهام چین نور جدیدی می دادیم.

اخیراً ، بیکر و همکاران.[1] یک شاخص EPU را تهیه کرد که براساس پوشش روزنامه برای اندازه گیری عدم اطمینان اقتصادی مرتبط با سیاست است و توجه زیادی را در ادبیات به خود جلب کرده است (برای بررسی دقیق ادبیات ، به الحقب و الغارابالی [2] مراجعه کنید). اندازه گیری شده توسط شاخص EPU بیکر و همکاران.[1] ، سطح EPU از زمان بحران مالی جهانی سال 2008 افزایش می یابد. به ویژه ، سطح فعلی EPU به دلیل یک سری وقایع از جمله جنگ تجاری ایالات متحده و چین و کرونوویروس در سطح بسیار بالایی قرار دارد (Covid-19) همه گیر ، که دولت ها را در سراسر جهان مجبور کرده اند تا به منظور محدود کردن تأثیر اقتصادی این وقایع ، تغییرات مکرر در سیاست های خود ایجاد کنند. به طور شهودی ، این EPU بالا ممکن است بر تصمیمات سرمایه گذاری سرمایه گذاران و از این رو بازارهای سهام تأثیر بگذارد. در واقع ، مطالعات اخیر نشان داده اند که EPU تأثیر قابل توجهی در بورس سهام دارد. Pástor و Veronesi [3 ، 4] در مورد تأثیر EPU و عدم اطمینان سیاسی بر نوسانات بازار سهام ایالات متحده بررسی کردند و مشاهده کردند که تغییر سیاست باعث افزایش نوسانات ، حقایق خطر و همبستگی بین سهام می شود. لیو و ژانگ [5] دریافتند که ترکیب EPU به عنوان یک متغیر پیش بینی اضافی در مدل HAR-RV به طور قابل توجهی توانایی پیش بینی مدل را برای نوسانات بازار سهام ایالات متحده بهبود می بخشد. آروی و همکاران.[6] تأثیر EPU بر بازده بورس اوراق بهادار ایالات متحده را مورد بررسی قرار داد و دریافت که افزایش EPU به طور قابل توجهی بازده سهام را کاهش می دهد و این اثر در دوره های نوسانات شدید قوی تر و پایدار است. لیو و همکاران.[7] دریافت که EPU تأثیر قابل توجهی در نوسانات بازار سهام ایالات متحده دارد. علاوه بر این ، نتایج خارج از نمونه نشان می دهد که اضافه کردن EPU به عنوان متغیر توضیحی به مدل نوسانات در واقع می تواند عملکرد پیش بینی خود را بهبود بخشد. با استفاده از مدل VAR ، TSAI [8] تأثیر EPU در بازده سهام 22 بازار سهام در سراسر جهان را تجزیه و تحلیل کرد. Duan et al.[9] تأثیرات اثر اهرم و EPU بر نوسانات آینده در چارچوب سوئیچینگ رژیم را بررسی کرد. می و همکاران.[10] دریافت که با در نظر گرفتن EPU ایالات متحده منجر به بهبود قابل توجهی در توانایی پیش بینی نوسانات بازار سهام اروپا می شود. Xiong و همکاران.[11] همبستگی بین چین EPU (CEPU) و بازده بورس چین را مورد مطالعه قرار داد. یو و سونگ [12] دریافتند که Global EPU (GEPU) تأثیر قابل توجهی در نوسانات بازار سهام ایالات متحده دارد. Balcilar و همکاران.

[13] نشان داد که EPU اقتصادهای بزرگ احتمالاً نوسانات بازار سهام را در بازارهای در حال ظهور پیش بینی می کند. Chiang [14] EPU و خطرات مربوط به بازده اضافی سهام برای بازارهای G7 را با استفاده از مشاهدات ماهانه بررسی کرد و دریافت که بازده سهام با نوآوری EPU منفی است. با این حال ، این مطالعات عمدتاً بر بازارهای سهام ایالات متحده و اروپا متمرکز است.

به دانش ما ، مطالعات کمی در مورد تأثیر EPU بر نوسانات بازار سهام چین وجود دارد. بازار سهام چین یکی از بزرگترین و مهمترین بازار سهام در حال ظهور است که مورد توجه بسیاری از سرمایه گذاران قرار گرفته است. این امر با نوسانات بزرگ مشخص می شود و انتظار می رود که ممکن است تحت تأثیر تغییر در سیاست های اقتصادی باشد. به طور طبیعی ، بررسی تأثیر EPU بر نوسانات بازار سهام چین و کاوش در مورد توانایی پیش بینی EPU برای سرمایه گذاران در بازار سهام چین ، که مشتاق درک پویایی نوسانات به خاطر تخصیص نمونه کارها و مدیریت ریسک هستند ، مهم استبشر

مطالعات قبلی تأثیر EPU بر نوسانات بازار سهام چین را که عمدتاً به مدل نمونه برداری از داده های ناهمگونی متناسب با اختلاط آمیخته (GARCH-MIDAS) توسط Engle و همکاران متکی است ، بررسی کرده است.[15]انتخاب رویکرد مبتنی بر MIDAS بر اساس این واقعیت است که داده های EPU و بورس در فرکانس های مختلف نمونه برداری می شوند ، یعنی EPU به صورت ماهانه است ، در حالی که داده های بازار سهام با فرکانس روزانه در دسترس است. با استفاده از رویکرد Garch-Midas ، یو و همکاران.[16] و یو و هوانگ [17] شواهدی را ارائه دادند که نشان می دهد GPU تأثیر قابل توجهی در نوسانات بازار سهام چین دارد و توانایی پیش بینی ای برای نوسانات بازار سهام چین دارد ، در حالی که لی و همکاران.[18] اثرات GEPU جهت (بالا و پایین) بر نوسانات بازار سهام چین را مورد بررسی قرار داد و شواهدی ارائه داد که نشان می دهد بالا و پایین GEPU تأثیرات مثبتی بر نوسانات بازار سهام چین دارد و شاخص GEPU نوسانات بورس اوراق بهادار چین را پیش بینی می کند. علاوه بر این ، وانگ و همکاران.[19] از یک مدل Garc h-Midas با توزیع T Skew Student استفاده کرد تا تأثیر EPU داخلی و خارجی را بر نوسانات سهام مالی چین بررسی کند و دریافت که شاخص EPU تأثیر منفی بر نوسانات سهام مالی چین دارد. اخیراً ، لی و همکاران.[20] از یک رویکرد رگرسیون پیش بینی کننده برای بررسی تأثیر EPU بر نوسانات بازار سهام چین استفاده کرد و شواهدی ارائه داد که نشان می دهد شاخص EPU تأثیر قابل توجهی منفی بر نوسانات آینده بازار سهام چین دارد. مدل رگرسیون پیش بینی اتخاذ شده توسط لی و همکاران.[20] به فرکانس EPU نیاز دارد تا از نوسانات پیش بینی شده (تحقق یافته) مطابقت داشته باشد. در نتیجه ، لی و همکاران.[20] از داده های ماهانه برای انجام تجزیه و تحلیل استفاده کرد ، که ممکن است ویژگی های ساختاری مهم داده های بازار سهام را نادیده بگیرد و انتخاب افق های پیش بینی را محدود کند (یعنی یک ماه).

مدل Garch-Midas یک چارچوب مناسب برای ترکیب داده هایی که در فرکانس های مختلف نمونه برداری می شوند ، ارائه می دهد و از از دست دادن اطلاعات جلوگیری می کند. در اصل ، مدل GARCH-MIDAS یک مدل نوسانات مبتنی بر بازگشت است که از بازده نزدیک به نزدیک به نزدیک به تخمین نوسانات استفاده می کند ، که نتوانسته است از اطلاعات داخلی بهره برداری کند. یک رویکرد جایگزین برای برآورد نوسانات استفاده از محدوده داخلی است که مبتنی بر قیمت های بالا و پایین در داخل است. مهمترین مزیت برآوردگر نوسانات مبتنی بر دامنه برآوردگر نوسانات سنتی بر اساس قیمت های بسته شدن (یا بازده نزدیک به نزدیک) محتوای اطلاعات آن است: دامنه حاوی اطلاعاتی در مورد کلیه حرکات قیمت داخلی است. پارکینسون [21] نشان داد که دامنه یک برآوردگر نوسانات دقیق تر از برآوردگر نوسانات بر اساس بازده روزانه است. از آن زمان ، نوسانات مبتنی بر دامنه توجه زیادی را در ادبیات به خود جلب کرده است (به عنوان مثال ، آلیزاده و همکاران [22] ، برانت و جونز [23] ، لی و هنگ [24] ، Degiaakis و Livada [25] ، و چو و همکاران [26]). به طور خاص ، CHOU [27] یک مدل محدوده اتورگرایی مشروط (CARR) را برای مدل سازی دینامیک دامنه معرفی کرد ، نشان می دهد که این مدل برآورد نوسانات دقیق تری نسبت به مدل سنتی GARCH مبتنی بر بازگشت دارد.

با انگیزه در تفسیر فوق ، در این مقاله ، هدف ما این است که رویکرد Carr-Midas را برای بررسی تأثیر EPU بر نوسانات بازار سهام چین و کشف توانایی پیش بینی EPU در بورس اوراق بهادار چین معرفی کنیم. نکته مهم ، روش شناسی ما بر روی مدل CARR مبتنی بر محدوده پایه گذاری شده است ، که به ما امکان می دهد از اطلاعات داخلی سوء استفاده کنیم. همچنین ، مدل Carr-Midas پیشنهادی بر روی مدل Garch-Midas ساخته شده است ، که دارای یک تجزیه چند برابر از نوسانات به یک جزء کوتاه مدت (با فرکانس بالا) و یک مؤلفه بلند مدت (با فرکانس پایین) است که به ما امکان می دهد تا از آن استفاده کنیممتغیرهای توضیحی اگزوژن مانند EPU. ادعا می شود که مدل مؤلفه چند برابر قادر به گرفتن دینامیک نوسانات پیچیده مانند تداوم بالای نوسانات و همچنین رسیدگی به شکستگی های ساختاری خوب یا عدم تحرک در نوسانات است (به وانگ و گیزلز [28] ، کنراد و کلین [29] مراجعه کنید. و شی [30]).

سهم مقاله دو برابر است. اول ، ما یک چارچوب جدید مدل Carr-Midas مبتنی بر دامنه را که بینش های CARR مبتنی بر دامنه و Garch-Midas مبتنی بر برگشتی را نشان می دهد ، معرفی می کنیم. در مقایسه با مدل CARR ، مدل Carr-Midas به ما امکان می دهد متغیرهای توضیحی اگزوژن را مستقیماً در مؤلفه بلند مدت نوسانات بگنجانیم. از این رو ، با استفاده از مدل Carr-Midas که شامل EPU است ، ما می توانیم رابطه بین EPU و نوسانات بازار سهام را بررسی کنیم. در مقایسه با مدل GARCH-MIDAS مبتنی بر بازگشت ، مدل Carr-Midas مبتنی بر دامنه پیشنهادی ما از اطلاعات بیشتر (Intraday) برای برآورد نوسانات استفاده می کند.

دوم ، با استفاده از رویکرد Carr-Midas ، تجزیه و تحلیل تجربی مبتنی بر شاخص کامپوزیت بورس سهام شانگهای (SSEC) چین و دو شاخص EPU ، یعنی CEPU و GEPU انجام می شود. نتایج تجربی نشان می دهد که مدل های Carr-Midas (با CEPU و GEPU) از مدل CARR از نظر پیش بینی در نمونه و پیش بینی خارج از نمونه بهتر عمل می کنند. هر دو CEPU و GEPU تأثیر منفی بر نوسانات بازار سهام چین دارند. علاوه بر این ، هر دو CEPU و GEPU می توانند دقت پیش بینی برای نوسانات بازار سهام چین را برای افق های پیش بینی یک روزه تا یک ماه بهبود بخشند. از همه مهمتر ، ما می دانیم که CEPU پیش بینی های نوسانات برتر را در مقایسه با GEPU ارائه می دهد. نتایج تجربی ما نسبت به پنجره های مختلف پیش بینی قوی است.

ادامه مقاله به شرح زیر تدوین شده است. در بخش 2 ، روش مدل Carr-Midas خود را معرفی می کنیم. بخش 3 نتایج تجربی را ارائه می دهد ، در حالی که بخش 4 مقاله را نتیجه می گیرد.

2. روش شناسی

2. 1محدوده