فهرست مطالب
- 1. مقدمه
- 2. روششناسی
- 3. نتایج تجربی
- 4. بینشهای کلیدی
- 5. جزئیات فنی و فرمولبندی ریاضی
- 6. نتایج تجربی و نمودارها
- 7. مثال چارچوب تحلیلی
- 8. چشمانداز کاربرد و جهتگیریهای آینده
- 9. تحلیل اصلی
- 10. منابع
- 11. تفسیر کارشناسی: بینش اصلی، جریان منطقی، نقاط قوت و ضعف، بینشهای عملی
1. مقدمه
پدیده نوسان نامتقارن (AVP) یک واقعیت سبکشناختی مستند است: نوسان در بازارهای مالی پس از رکود بازار بیشتر و پس از رونق کمتر است. با این حال، در حالی که AVP به طور فشرده مطالعه شده است، عدم تقارن در سرریز نوسان - اینکه چگونه نوسان بد در مقابل خوب در بین داراییها منتشر میشود - توجه بسیار کمتری را به خود جلب کرده است. این مقاله توسط بارونیک، کوچندا و واچا (2016) با بررسی همبستگی نوسان نامتقارن در بازارهای ارز با استفاده از دادههای درونروز با فرکانس بالا از سال 2007 تا 2015 برای فعالترین ارزهای معامله شده، به این شکاف میپردازد.
نویسندگان مستند میکنند که سرریزهای نوسان منفی (بد) بر سرریزهای مثبت (خوب) غالب هستند، به ویژه در طول بحران بدهی حاکمیتی اروپا. سرریزهای مثبت با بحران وام مسکن، سیاستهای پولی واگرا در میان بانکهای مرکزی و تحولات بازار کالا همبستگی دارند. این مطالعه شواهد جدیدی ارائه میدهد که عوامل مالی با سرریزهای خالص منفی مرتبط هستند، در حالی که ترکیبی از رویدادهای پولی و اقتصاد واقعی باعث عدم تقارنهای خالص مثبت میشود.
2. روششناسی
2.1 اندازهگیری همبستگی نوسان
نویسندگان از چارچوب همبستگی دیبولد و ییلماز (2015) استفاده میکنند که از تجزیه واریانس از رگرسیونهای خودرگرسیون برداری (VAR) برای کمیسازی سرریزها بهره میگیرد. شاخص همبستگی کل، نسبت واریانس خطای پیشبینی را که توسط شوکهای بین داراییها ایجاد میشود، اندازهگیری میکند. سرریزهای جهتی (به دیگران، از دیگران) و سرریزهای خالص برای شناسایی فرستندهها و گیرندههای نوسان محاسبه میشوند.
2.2 چارچوب نیمواریانس نامتقارن
برای ثبت عدم تقارن، نویسندگان نوسان تحقق یافته را به نیمواریانسهای نزولی (بد) و صعودی (خوب) بر اساس بارندورف-نیلسن، کینبروک و شپارد (2010) تجزیه میکنند. نوسان بد با بازدههای منفی و نوسان خوب با بازدههای مثبت مرتبط است. سپس معیارهای همبستگی به طور جداگانه برای مؤلفههای نوسان بد و خوب محاسبه میشوند و امکان شناسایی پویاییهای سرریز نامتقارن را فراهم میکنند.
2.3 دادهها و نمونه
مجموعه داده شامل سالهای 2007 تا 2015 با دادههای درونروز 5 دقیقهای برای شش جفت ارز اصلی است: EUR/USD، GBP/USD، USD/JPY، USD/CHF، AUD/USD و USD/CAD. دوره نمونه شامل بحران مالی جهانی، بحران بدهی حاکمیتی اروپا و واگراییهای سیاستی بعدی است. نوسان تحقق یافته و نیمواریانسها به صورت روزانه از بازدههای درونروز محاسبه میشوند.
3. نتایج تجربی
3.1 پویاییهای همبستگی کل
شاخص همبستگی کل در طول زمان نوسان میکند و در دورههای بحران به اوج خود میرسد. میانگین همبستگی کل حدود 60٪ است که نشاندهنده وابستگی متقابل قابل توجه بین ارزها است. اوجها در طول بحران مالی 2008 و بحران بدهی اروپا در 2011-2012 رخ میدهد، به طوری که همبستگی به بالای 80٪ میرسد.
3.2 الگوهای سرریز نامتقارن
سرریزهای نوسان بد به طور مداوم بزرگتر از سرریزهای نوسان خوب هستند. میانگین همبستگی بد تقریباً 65٪ است، در حالی که همبستگی خوب حدود 55٪ است. عدم تقارن در طول بحران بدهی حاکمیتی اروپا، که در آن سرریزهای بد غالب هستند، بیشتر مشهود است. سرریزهای مثبت در طول بحران وام مسکن و دورههای واگرایی سیاست پولی برجستهتر هستند.
3.3 تحلیل سرریز خالص
تحلیل سرریز خالص نشان میدهد که EUR/USD یک فرستنده خالص نوسان بد در طول بحران بدهی اروپا است، در حالی که USD/JPY به عنوان یک گیرنده خالص عمل میکند. AUD/USD در طول رونق کالاها سرریزهای خالص مثبت نشان میدهد. عدم تقارن خالص (بد منهای خوب) برای اکثر ارزها در دورههای بحران مثبت است و تأیید میکند که نوسان بد با قدرت بیشتری منتشر میشود.
4. بینشهای کلیدی
- غلبه نوسان بد: سرریزهای منفی به طور مداوم بزرگتر از سرریزهای مثبت هستند، به ویژه در طول بحرانها.
- عدم تقارن ناشی از رویداد: رویدادهای مالی (بدهی حاکمیتی) باعث سرریزهای خالص منفی میشوند؛ رویدادهای پولی و اقتصاد واقعی باعث سرریزهای خالص مثبت میشوند.
- ناهمگنی ارز: ارزهای مختلف نقشهای متمایزی را به عنوان فرستنده یا گیرنده نوسان بد/خوب نشان میدهند.
- پیامدهای پرتفوی: سرریزهای نامتقارن پیامدهای مستقیمی برای استراتژیهای پوشش ریسک و متنوعسازی دارند.
5. جزئیات فنی و فرمولبندی ریاضی
نوسان تحقق یافته به نیمواریانسهای نزولی و صعودی تجزیه میشود:
$RV_t = \sum_{i=1}^{N} r_{t,i}^2$
$RS^-_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} < 0)$
$RS^+_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} > 0)$
که در آن $r_{t,i}$ بازده درونروز است و $I(\cdot)$ تابع نشانگر است. معیارهای همبستگی بر اساس یک مدل VAR از مرتبه $p$ هستند:
$\mathbf{x}_t = \sum_{k=1}^{p} \mathbf{\Phi}_k \mathbf{x}_{t-k} + \mathbf{\epsilon}_t$
تجزیه واریانس خطای پیشبینی $H$-گام به جلو، ماتریس سرریز $\mathbf{D}$ را به دست میدهد، که در آن $d_{ij}$ سهم متغیر $j$ در واریانس خطای پیشبینی متغیر $i$ است. شاخص همبستگی کل عبارت است از:
$C = \frac{\sum_{i \neq j} d_{ij}}{\sum_{i,j} d_{ij}} \times 100$
سرریزهای جهتی (از دیگران، به دیگران) و سرریزهای خالص به طور مشابه برای نیمواریانسهای بد و خوب به طور جداگانه محاسبه میشوند.
6. نتایج تجربی و نمودارها
نمودار 1: شاخص همبستگی کل در طول زمان (2007-2015). این شاخص در طول بحران مالی 2008 و بحران بدهی اروپا در 2011-2012 به بیش از 80٪ میرسد، با یک خط پایه حدود 60٪.
نمودار 2: همبستگی نوسان بد در مقابل خوب. شاخص همبستگی بد (خط ثابت) به طور مداوم بالای شاخص همبستگی خوب (خط چین) قرار دارد، با میانگین شکاف 10 واحد درصد.
نمودار 3: سرریزهای خالص نامتقارن (بد منهای خوب) برای هر ارز. EUR/USD عدم تقارن خالص مثبت زیادی را در طول 2011-2012 نشان میدهد، در حالی که USD/JPY عدم تقارن خالص منفی را در همان دوره نشان میدهد.
جدول 1: میانگین سرریزهای جهتی (2007-2015). EUR/USD 25٪ از واریانس خود را به دیگران (نوسان بد) در مقابل 18٪ (نوسان خوب) منتقل میکند. USD/JPY 30٪ را از دیگران (بد) در مقابل 22٪ (خوب) دریافت میکند.
7. مثال چارچوب تحلیلی
مطالعه موردی: بحران بدهی حاکمیتی اروپا (2011-2012)
در این دوره، سرریزهای نوسان بد از EUR/USD به سایر ارزها به شدت افزایش یافت. عدم تقارن خالص برای EUR/USD به +15 واحد درصد رسید، به این معنی که نوسان بد بسیار بیشتر از خوب منتقل میشد. برای USD/JPY، عدم تقارن خالص -10 واحد بود که نشان میدهد این ارز یک گیرنده خالص نوسان بد بوده است. این عدم تقارن به نگرانیهای مالی در منطقه یورو نسبت داده میشود که باعث ایجاد احساس ریسکگریزی و فرار به ارزهای امن مانند JPY و USD شد.
کاربرد عملی: یک مدیر پرتفوی که دارای موقعیتهای EUR/USD و USD/JPY است، باید نسبتهای پوشش ریسک را در طول بحرانها تنظیم کند، زیرا سرریزهای نوسان بد همبستگیها را تقویت کرده و مزایای متنوعسازی را کاهش میدهند. با استفاده از چارچوب همبستگی نامتقارن، مدیر میتواند تشخیص دهد کدام ارزها فرستنده خالص نوسان بد هستند و بر این اساس پوشش ریسک را افزایش دهد.
8. چشمانداز کاربرد و جهتگیریهای آینده
چارچوب همبستگی نوسان نامتقارن کاربردهای گستردهای فراتر از بازارهای ارز دارد. تحقیقات آینده میتوانند تحلیل را به موارد زیر گسترش دهند:
- بازارهای ارز دیجیتال: اعمال چارچوب برای بیتکوین و سایر داراییهای دیجیتال، که نوسان شدید و عدم تقارنهای بالقوه را نشان میدهند.
- سرریزهای بین دارایی: بررسی عدم تقارنها بین سهام، اوراق قرضه، کالاها و ارزها به طور همزمان.
- پایش بلادرنگ: توسعه سیستمهای هشدار اولیه مبتنی بر شاخصهای سرریز نامتقارن برای تشخیص انباشت ریسک سیستمی.
- تحلیل سیاست: ارزیابی تأثیر مداخلات بانک مرکزی بر انتشار نوسان نامتقارن.
- ادغام یادگیری ماشین: استفاده از شبکههای عصبی برای پیشبینی سرریزهای نامتقارن و بهینهسازی استراتژیهای پوشش ریسک پویا.
9. تحلیل اصلی
این مقاله با گسترش ادبیات همبستگی نوسان برای گنجاندن عدم تقارن، که بعدی است که تا حد زیادی در کارهای قبلی نادیده گرفته شده است، سهم قابل توجهی دارد. استفاده از دادههای فرکانس بالا و تجزیه نیمواریانس از نظر روششناسی صحیح است و بینشهای دقیقی را ارائه میدهد. یافته مبنی بر اینکه نوسان بد در طول بحرانهای مالی غالب است در حالی که نوسان خوب با واگراییهای سیاست پولی مرتبط است، از نظر اقتصادی شهودی است و با ادبیات اثر اهرمی (بلک، 1976) همسو است.
با این حال، این مطالعه دارای محدودیتهایی است. نمونه به شش جفت ارز اصلی محدود است و ارزهای بازارهای نوظهور را که ممکن است الگوهای عدم تقارن متفاوتی نشان دهند، شامل نمیشود. معیار همبستگی مبتنی بر VAR خطی بودن را فرض میکند، که ممکن است وابستگیهای غیرخطی را در طول رویدادهای شدید ثبت نکند. علاوه بر این، شناسایی عوامل علی (مالی در مقابل پولی) مبتنی بر همبستگی روایی است تا آزمایش علی رسمی.
در مقایسه با بارونیک و همکاران (2016) در مورد سهام ایالات متحده، بازار ارز همبستگی کلی بالاتری را نشان میدهد اما الگوهای عدم تقارن مشابهی دارد. این نشان میدهد که عدم تقارن در سرریزهای نوسان یک ویژگی جهانی بازارهای مالی است، نه یک ناهنجاری خاص دارایی. نتایج همچنین کار دیبولد و ییلماز (2015) را با افزودن یک بعد جدید به تحلیل همبستگی تکمیل میکند.
از نقطه نظر عملی، یافتهها پیامدهای مستقیمی برای مدیریت ریسک دارند. مدیران پرتفوی باید هنگام ساخت پوششهای ریسک، سرریزهای نامتقارن را در نظر بگیرند، زیرا همبستگیها در طول رکودها بیشتر از رونقها افزایش مییابند. تنظیمکنندگان مقررات میتوانند از همبستگی نامتقارن به عنوان یک ابزار احتیاطی کلان برای پایش ریسک سیستمی استفاده کنند، زیرا افزایش سرریزهای بد اغلب مقدم بر بحرانها است.
10. منابع
- Baruník, J., Kočenda, E., & Vácha, L. (2016). Asymmetric volatility connectedness on forex markets. arXiv:1607.08214.
- Baruník, J., Kočenda, E., & Vácha, L. (2015). Asymmetric volatility connectedness: A new approach and evidence from oil commodities. Energy Economics, 52, 220-235.
- Barndorff-Nielsen, O. E., Kinnebrock, S., & Shephard, N. (2010). Measuring downside risk: Realised semivariance. In Volatility and Time Series Econometrics (pp. 117-136). Oxford University Press.
- Black, F. (1976). Studies of stock price volatility changes. Proceedings of the 1976 Meetings of the American Statistical Association, 171-181.
- Diebold, F. X., & Yilmaz, K. (2015). Financial and Macroeconomic Connectedness: A Network Approach to Measurement and Monitoring. Oxford University Press.
- Kitamura, Y. (2010). Testing for intraday interdependence and volatility spillover among the euro, the pound and the Swiss franc. Journal of International Money and Finance, 29(5), 943-960.
- BIS (2013). Triennial Central Bank Survey: Foreign exchange turnover in April 2013. Bank for International Settlements.
11. تفسیر کارشناسی: بینش اصلی، جریان منطقی، نقاط قوت و ضعف، بینشهای عملی
بینش اصلی: این مقاله فقط سرریزهای نوسان را اندازهگیری نمیکند - بلکه ثابت میکند که اخبار بد سریعتر و دورتر از اخبار خوب در بازارهای ارز حرکت میکند. عدم تقارن یک مصنوع آماری نیست؛ این یک ویژگی ساختاری است که توسط رژیمهای اقتصادی متمایز هدایت میشود: بحرانهای مالی سرریزهای بد را تقویت میکنند، در حالی که واگراییهای سیاست پولی باعث سرریزهای خوب میشوند. این یک تغییر دهنده بازی برای هر کسی است که فکر میکرد همبستگیهای ارز متقارن هستند.
جریان منطقی: نویسندگان با یک شکاف واضح شروع میکنند: همه میدانند که نوسان نامتقارن است، اما هیچکس آزمایش نکرده است که آیا سرریزها نامتقارن هستند یا خیر. آنها با تجزیه نوسان تحقق یافته به نیمواریانسهای بد و خوب، و سپس وارد کردن اینها به چارچوب همبستگی دیبولد-ییلماز، یک روششناسی دقیق میسازند. بخش تجربی به خوبی ساختار یافته است: ابتدا همبستگی کل، سپس عدم تقارن، سپس سرریزهای خالص، و در نهایت تفسیر اقتصادی. جریان منطقی و آسان برای دنبال کردن است، اگرچه ادعاهای علی (مالی در مقابل پولی) بیشتر پیشنهادی هستند تا اثبات شده.
نقاط قوت و ضعف: بزرگترین نقطه قوت تازگی است - این اولین مقالهای است که همبستگی نوسان نامتقارن را در بازارهای ارز مستند میکند. استفاده از دادههای فرکانس بالا (5 دقیقه) یک مزیت بزرگ است، زیرا پویاییهای درونروز را که دادههای روزانه از دست میدهند، ثبت میکند. تجزیه نیمواریانس ظریف و از نظر نظری مبتنی است. با این حال، نمونه به شش جفت اصلی محدود است و ارزهای بازارهای نوظهور را که ممکن است رفتار متفاوتی داشته باشند، نادیده میگیرد. مدل VAR خطی بودن را فرض میکند، که در طول دورههای بحران که غیرخطیها غالب هستند، یک فرض دور از ذهن است. همچنین، نسبت محرکهای سرریز به رویدادهای مالی در مقابل پولی مبتنی بر بازرسی بصری سریهای زمانی است، نه آزمایش فرضیه رسمی. این امر روایت علی را تضعیف میکند.
بینشهای عملی: برای مدیران پرتفوی: فرض همبستگیهای متقارن را متوقف کنید. در طول بحرانها، نسبتهای پوشش ریسک باید 20-30٪ افزایش یابد زیرا سرریزهای بد ریسک نزولی را تقویت میکنند. برای بانکهای مرکزی: همبستگی نامتقارن میتواند به عنوان یک شاخص هشدار اولیه عمل کند - افزایش سرریزهای بد از EUR/USD به سایر ارزها نشاندهنده استرس سیستمی است. برای محققان: این چارچوب را به ارزهای دیجیتال، که عدم تقارن شدید نشان میدهند، و به سرریزهای بین دارایی (به عنوان مثال، ارز به سهام) گسترش دهید. این روششناسی برای پیشرفتهای یادگیری ماشین آماده است - از شبکههای LSTM برای پیشبینی سرریزهای نامتقارن در زمان واقعی استفاده کنید. در نهایت، تنظیمکنندگان مقررات باید همبستگی نامتقارن را به عنوان یک ابزار احتیاطی کلان در نظر بگیرند؛ مقاله نشان میدهد که سرریزهای بد قبل از بحرانهای بزرگ به اوج میرسند و یک شاخص پیشرو بالقوه ارائه میدهند.