ارتباط پویای بین بازار سهام ایران و بازارهای کالایی: رویکرد TVP-VAR و بهینه‌سازی سبد دارایی

مقدمه

در دهه‎‌های اخیر، یکپارچگی نظام مالی جهانی به دلیل وقوع شوک‎‌های خارجی اقتصاد کاهش یافته است؛ ازاین‌رو، متنوع‎‌سازی سبد سرمایه‎‌گذاری ضرورت پیدا کرده است (Qu & Suganthan, 2011; Mishra et al., 2016). پایه‌ای‌ترین نظریۀ سبد دارایی، نظریۀ سبد مارکوویتز است که در تشکیل سبد، به دو عامل ریسک و بازده توجه می‎‌شود. براساس این نظریه، هدف سرمایه‎‌گذار انتخاب سبدی است که ریسک را در سطح مشخصی از بازده حداقل یا بازده را در سطح مشخصی از ریسک حداکثر کند (Markovitz, 1959). در رویکرد دیگر سبد دارایی موسوم به حداقل همبستگی[1]، وزن‎‌های سبد با استفاده از ماتریس همبستگی شرطی به‎‌دست می‎‌آید (Christoffersen et al., 2014). رویکرد نسبتاً جدیدی که برودستاک و همکاران (Broadstock et al., 2022) معرفی کرده‌اند، رویکرد موسوم به حداقل اتصال[2] است. براساس این رویکرد، دارایی که کمترین اتصال را با دیگر دارایی‎‌های موجود داشته باشد و کمترین تأثیرگذاری یا تأثیرپذیری را دارد، وزن بیشتری می‌گیرد (Broadstock et al., 2022). شایان ذکر است که اتصال نقش مهمی در مدیریت ریسک ایفا می‎‌کند (Billio et al., 2012). ازطریق اتصال نیز می‎‌توان وابستگی متقابل بین دارایی‌ها (Torrente & Uberti, 2021) و سرریزهای بین بازارها را سنجید (Yu et al., 2018; Bisias et al., 2012; Xiao et al., 2020; Maggi et al., 2020; Andries & Galasan, 2020).

اخیراً بررسی اتصالات متقابل بین دارایی‎‌های مالی به موضوعی درخور توجه تبدیل شده است؛ زیرا نوسانات رخ‌داده در بازاری خاص می‎‌تواند به بازارهای دیگر نیز منتقل شود. بیشتر ادبیات دربارۀ بررسی اثرات سرریز بین بازارها، به سهام به‌عنوان عامل اصلی سرریز اشاره می‌کند (Papathanasiou et al., 2022; Zhang et al., 2021; Elsayed et al., 2020; Evrim Mandaci et al., 2020; Zhang, 2017; Wang et al., 2016;)؛ بااین‌حال، در برخی از مطالعات، بیت‎‌کوین را به‌عنوان فرستندۀ خالص سرریزها تأیید کرده‎‌اند (Elsayed et al., 2022; Yousaf & Yarovaya, 2022; Adekoya & Oliyide, 2021). نتایج برخی مطالعات نیز دلالت بر دریافت‌کننده اثرات سرریز توسط اوراق قرضه (Duncan & Kabundi, 2013; Tiwari et al., 2018) و کالاها (Zhang et al., 2019) دارد. از نفت و طلا نیز هر دو به‌عنوان نقش فرستنده (Samitas et al., 2022; Mensi et al., 2019; Maghyereh et al., 2016) و دریافت‌کننده (Zeng et al., 2020; Kang & Lee, 2019) سرریزها یاد کرده‎‌اند. با وجود مطالعات مختلف در بررسی اثرات سرریز بین بازارها، بررسی سرریز بین بازار سهام ایران و بازارهای کالایی دیده نمی‎‌شود که در این پژوهش، این موضوع بررسی می‎‌شود؛ بنابراین، این پژوهش از چند جهت دارای نوآوری است: اول، در این پژوهش، ارتباطات بازار سهام ایران با گروه گسترده‌ای از دارایی‌ها شامل فلزات اساسی، طلا و نفت بررسی می‌شود؛ دوم، این پژوهش از روش خودرگرسیون برداری با پارامترهای متغیر در زمان[3] (TVP-VAR) که آنتوناکاکیس و همکاران (Antonakakis et al., 2020) آن را توسعه داده‌اند، برای تحلیل روابط پویای بین فلزات اساسی مانند مس، آلومینیوم، نیکل، قلع، روی و سرب، به‌همراه طلا و نفت در کنار شاخص کل بورس ایران در بازۀ زمانی ۲۶ خرداد ۱۳۹۳ تا ۱ خرداد ۱۴۰۳ استفاده می‌کند. ویژگی‌های متمایز روش TVP-VAR این است که نیازی به انتخاب تصادفی اندازۀ پنجرۀ غلتان ندارد، به مشاهدات پرت حساسیت کمتری دارد و با تغییرات پارامترها در تحلیل داده‌های با تواتر پایین به‌خوبی سازگار است. این مزایا روش TVP-VAR را به گزینه‌ای مناسب برای بررسی روابط پیچیده و پویا در بازارهای مالی تبدیل کرده است؛ سوم، سبد بهینه‌ای از دارایی‌ها با استفاده از رویکرد جدید سبد دارایی حداقل اتصالات[4] ارائه شده و با روش‌های سنتی سبد دارایی حداقل واریانس و حداقل همبستگی مقایسه می‌شود. این رویکرد را نخستین بار براداستاک و همکاران (Broadstock et al., 2022) معرفی کردند که با در نظر گرفتن تمامی شاخص‎‌های اتصالات زوجی به‌جای واریانس یا ماتریس همبستگی، امکان نظارت دقیق‌تر بر نوسانات بازار و واکنش سریع‌تر به تغییرات را فراهم و به بهبود مدیریت ریسک کمک می‌کند. استفاده از رویکرد حداقل اتصالات به‌جای روش‌های سنتی در ایجاد سبد بهینه، انعطاف‌پذیری و پویایی بیشتری در مدیریت سبد سرمایه‌گذاری ایجاد می‌کند و به کاهش ریسک و افزایش بازدهی منجر می‌شود.

در ادامه، بخش دوم مقاله پیشینۀ پژوهش را مرور می‎کند. بخش سوم، داده‎‌ها و رویکرد اقتصادسنجی به‎‌کاررفته را توصیف می‎‌کند و بخش چهارم، یافته‎‌های تجربی به‌دست‌آمده از تجزیه‌وتحلیل مدل را ارائه می‎‌دهد و درنهایت، بخش پنجم، بحث ونتیجه‎‌گیری می‌شود.

 

مبانی نظری

بخش زیادی از ادبیات مالی با هدف بررسی تأثیر سرریز بازده بین طبقات دارایی مختلف صورت گرفته است. نتایج پژوهش‎‌های احمدی و همکاران (Ahmadi et al., 2024)، رودری و همکاران (Roudari et al., 2022)، صیادی و کریمی (Sayadi & Karimi, 2019) و حیدری و بشیری (Heidari & Bashiri, 2012) در بررسی سرریز بین بازارهای سهام و ارز نشان داد که سرریز ریسک معناداری بین بازارهای ارز و سهام وجود دارد. بردبار و حیدری (Bordbar & Heidari, 2017) رابطۀ بین نوسانات قیمت نفت و بازدۀ سهام را بررسی کردند. نتایج حاکی‌از ارتباط منفی و معنادار بین نوسانات بازار نفت و نوسانات بازدۀ سهام بود. سرریز ریسک میان صنایع بورسی ایران در پژوهش طالبلو و همکاران (Taleblou et al., 2024) بررسی شد. نتایج نشان داد که صنایع پتروشیمی، فلزات، معادن و پالایشگاه‌ها بیشترین اتصالات و سرریز نوسانات را دارا بوده‌اند. در پژوهشی، شیرمردی و همکاران (Shirmardi et al., 2024) اثر شوک‌های مالی و اقتصادی بر بازدۀ سهام بازار نیویورک را بررسی کردند. نتایج نشان داد که در کوتاه‎‌مدت، شوک‌های اقتصادی اثر منفی دارند و در بلندمدت، سودآوری بیشترین تأثیر را دارد.

نتایج بررسی اثرات سرریز میان بازارهای سهام و کالایی در کانگ و همکاران (Kang et al., 2017)، نتاتمیس و ژو (Ntantamis & Zhou, 2015)، منسی و همکاران (Mensi et al., 2015) و کرتی و همکاران (Creti et al., 2013) حاکی‌از سرریز معنادار بین بازارهای کالا و سهام بود. نتایج غزانی و همکاران (Ghazani et al.,  2024)، آل یحیایی و همکاران (Al-Yahyaee et al., 2019) و یون و همکاران (Yoon et al., 2019) حاکی‌از تشدید سرریز بین بازارهای مالی و کالایی در طول بحران بود. بررسی سرریز میان بازارهای سهام و نفت در پژوهش ژانگ (Zhang, 2017) نشان داد شوک‌های نفتی سهم محدودی در بازار سهام دارند؛ درحالی‌که نقش شوک‎‌های نفت در پژوهش حنیف و همکاران (Hanif e al., 2024) درخور توجه بود. نتایج جونتیلا و همکاران (Junttila et al., 2018) نشان‌دهندۀ همبستگی منفی بازارهای سهام و نفت در طول دوره‌های رکود مالی بود. خو و همکاران (Xu et al., 2019) نشان دادند که اثر سرریزهای بد بین بازارهای سهام و نفت بر سرریزهای خوب غالب است. ارتباط سرریزهای قیمت نفت و سهام انرژی پاک نیز در پژوهش وانگ و همکاران (Wang et al., 2024) تأیید شد. بررسی ارتباط میان بازارهای سهام و طلا در پژوهش سینگهال و همکاران (Singhal et al., 2019) حاکی‌از وجود ارتباط مثبت بین قیمت‎‌های طلا و قیمت سهام بود. بررسی سرریز میان بازارهای سهام و فلزات گرانبها در پژوهش‌های اودین و همکاران (Uddin et al., 2020) و جیانگ و همکاران (Jiang et al., 2019) حاکی‌از وجود شواهدی از انتقال نوسانات طولانی‎‌مدت بین بازارها است.

بخشی دیگر از ادبیات مالی با استفاده از اثرات سرریز میان دارایی‎‌ها سبد دارایی‎‌ها را مدیریت کرده‎‌اند. براساس پژوهش اوزتک و اوکال (Öztek & Öcal, 2017) تنوع سبد بازارهای سهام و کالایی در زمان‌های آرام در مقایسه با دوره‌های پرنوسان، نتایج بهتری ارائه می‌دهد. پنگ (Peng, 2020) و بلوسوا و درفیتنر (Belousova & Dorfleitner, 2021) دریافتند که فلزات گرانبها متنوع‎‌کنندۀ خوبی برای بازارهای سهام هستند. بهاتیا و همکاران (Bhatia et al., 2020) دریافتند که نقره پوشش بهتری از سایر فلزات گرانبها برای بازارهای سهام نوظهور ارائه می‎‌دهد.

اسکیادوپولوس (Skiadopoulos, 2012) از طلا و نقره به‌عنوان تنوع‌بخش‌های خوب برای سرمایه‌گذاران استفاده کرد. در پژوهش هود و مالیک (Hood & Malik, 2013) پناهگاه امن‌بودن طلا برخلاف نقره و پلاتین تأیید شد و نتایج نشان داد طلا به‌عنوان پناهگاهی امن ضعیف برای بازار سهام S&P500 عمل می‎‌کند. نفت به‌عنوان دارایی پوششی برای بازارهای سهام در حال ظهور در پژوهش سادورسکی (Sadorsky, 2014) با استفاده از تحلیل سرریزهای نوسانات بین بازارهای سهام در حال ظهور و کالاهای مختلف شد. نتایج پژوهش اولسون و همکاران (Olson et al., 2014) حاکی‌ازاین بود که شاخص انرژی به‌طورکلی ابزار پوششی ضعیف است؛ در مقابل در پژوهش بتاچرجی و همکاران (Bhattacherjee et al., 2024) پناهگاه امن‌بودن انرژی پاک تأیید شد.

 

روش پژوهش

در این پژوهش، چارچوب تجربی چهارمرحله‌ای به این شرح استفاده شده است: در مرحلۀ اول، مدل TVP-VAR تخمین زده می‌شود تا ماتریس‌های واریانس‌کوواریانس متغیر در طول زمان به دست آید. این روش مشابه رویکرد آنتوناکاکیس و همکاران (Antonakakis et al., 2020) است؛ گام دوم شامل تجزیۀ واریانس است که امکان تجزیه‌وتحلیل دقیق اتصالات و سرریزها را فراهم می‌کند؛ در مرحلۀ سوم، سبد بهینه دارایی‌ها که با رویکرد سبد دارایی حداقل اتصالات[5] به دست آمده ‌است، با سبد بهینۀ حاصل از روش‎‌های حداقل واریانس[6] و حداقل همبستگی[7] مقایسه می‌شود. برای مقایسۀ عملکرد سبدها از دو معیار اثربخشی هج[8] و بازدهی تجمعی سبد دارایی‌ها استفاده می‌شود. این مراحل به‌صورت دوبه‌دو و چندمتغیره انجام می‌شود تا نتایج دقیق‌تری حاصل شود.

 

مدل خودرگرسیون برداری با پارامتر های متغیر در زمان (TVP-VAR)

رویکرد دیبولد و ییلماز (2009, 2012, 2014) به‌عنوان یکی از تکنیک‌های پرطرفدار اقتصادسنجی برای مطالعۀ اتصالات شناخته می‌شود. یکی از محدودیت‌های این رویکرد، وابستگی شدید آن به اندازۀ پنجرۀ غلتان تصادفی[9] است. یکی از تلاش‌هایی که برای رفع این نقص انجام شده است، جایگزین‌کردن رویکرد خودرگرسیون برداری با پارامترهای متغیر در زمان (TVP-VAR) به‌جای مدل VAR با پنجرۀ غلتان است که آنتوناکاکیس و ‌همکاران (Antonakakis et al., 2020) انجام داده‌اند. ویژگی متمایز این روش، رویکرد نوآورانۀ آن است که مزایای متعددی را به همراه دارد: نخست آنکه این روش نیازی به انتخاب اندازۀ تصادفی پنجرۀ غلتان ندارد؛ دوم آنکه این روش قادر است تمام مشاهدات را بدون هیچ‎‌گونه از دست دادن داده‎‌ها حفظ کند؛ زیرا که در این مدل به‌طور پویا پارامترهای هر زمان براساس داده‌های قبلی به‌روزرسانی می‌شوند؛ سوم آنکه حساسیت کمتری به مشاهدات دورافتاده دارد و سرانجام، این روش با تغییرات پارامترها در تحلیل مجموعۀ داده‌هایی با تواتر کم، سازگاری بهتری دارد. در این مقاله، از چارچوب اتصالات مبتنی‌بر TVP-VAR با بهره‌گیری از الگوریتم چندمتغیرۀ فیلتر کالمن استفاده شده است که آنتوناکاکیس و ‌همکاران (Antonakakis et al., 2020) ارائه‌ کرده‌اند. این روش انعطاف‌پذیری مدل را افزایش و اجازه می‌دهد پارامترهای مدل VAR و واریانس خطا و ماتریس واریانس-کوواریانس در طول زمان تغییر کنند. به‌طورکلی، مدل TVP-VAR(1) به فرم معادلات (1) و (2) ارائه می‌شود[10]:

                                           (1)

 

                                               (2)

 

که در آن  و  و  بردارهای  بُعدی و  و  نیز ماتریس‌های  بُعدی هستند.  و  به‌عنوان بردارهای  بُعدی و ماتریس  به‌عنوان ماتریس  بُعدی هستند. مدل ارائه‌شده با فرض پویایی پارامترها ( )، فرایند گام تصادفی[11] را اتخاذ می‌کند که در بررسی دقیق پارامترهای متغیر با زمان مؤثر است و انعطاف‌پذیری درخور توجهی را از مدل‌های سنتی ارائه می‌دهد. این ویژگی، امکان درک اهمیت تغییرات در واریانس و کوواریانس در طول زمان را فراهم می‌آورد.[12] ماتریس‌های واریانس-کوواریانس  و  به‌عنوان ماتریس‌های پویا در نظر گرفته می‌شوند که می‌توانند با گذشت زمان تغییر کنند. این رویکرد، درک عمیق‌تری از پویایی و تغییرات در سیستم ارائه می‌دهد و آن را از مدل‌های سنتی متمایز می‌سازد که پارامترهای ثابت دارند.[13] سپس در مدل  [14] براساس قضیۀ والد[15]،  است که در این مدل  و  نشان‌دهندۀ شوک نوفه سفید متقارن با ماتریس کوواریانس  متغیر با زمان است که به‌صورت  نشان داده می‎‌شود؛ بنابراین، خطای پیش‎‌بینی در  مرحلۀ بعد به‌صورت معادله (3) حساب می‌شود:

                                        (3)

 

در گام بعد، ماتریس کوواریانس خطای پیش‎‌بینی را می‎‌توان به‌صورت معادله (4) نوشت:

                                                      (4)

 

پارامترهای متغیر در زمان و واریانس خطای متغیر در زمان، اساس و پایۀ توابع پاسخ ضربه‌ای تعمیم‌یافته[16] (GIRF) و تجزیۀ واریانس خطای پیش‌بینی تعمیم‌یافته مقیاس‌شده[17] (GFEVD) هستند که کوپ و همکاران (Koop et al., 1996) و پسران و شین (Pesaran & Shin, 1998) توسعه داده‌اند. GFEVD روشی تعمیم‌یافته است که برخلاف تجزیۀ واریانس خطای پیش‌بینی متعامد[18] ، مزیت پایداری رتبه‌بندی متغیرها را ارائه می‌دهد. براساس پژوهش ویزن و همکاران (Wiesen et al., 2018) در نبود نظریۀ اقتصادی مناسب، این روش ترجیح داده می‌شود.  که تأثیر شوک متغیر  بر روی متغیر  را اندازه‎‌گیری می‎‌کند، به‌صورت معادلات (5) و (6) نمایش داده می‎‌شود:

 

                                                                               (5)

                                                                      (6)

 

در مدل تعمیم‎‌یافته،  برداری  از صفرهای انتخابی است که موقعیت ام آن برابر با 1 است.  نشان‎‌دهندۀ کاهش متناسب در واریانس خطای پیش‌بینی مرحله‎‌ای متغیر  است که ناشی از شرطی‌شدن شوک‎‌های آیندۀ متغیر  است. درصورتی‌که ، تبدیل‌پذیر به مجموعۀ سطری 1 نرمال است که به آن جدول سرریز تعمیم‌یافته[19]  گفته می‎‌شود. این جدول، پایه و اساس معیارهای خلاصه‌سازی سرریز چندگانه است که شامل اثرات کل شبکه از سایر متغیرها[20] بر متغیر  (رابطۀ 7) و نیز اتصال جهتی یک شوک از متغیر  به سایر[21] (رابطۀ 8) در شبکه است.

                                                                         (7)

                                                                               (8)

 

یکی از اصول مهم در رویکرد اتصال، بررسی اثر جهتی خالص[22] متغیر  بر شبکه است که به‌صورت معادلۀ (9) محاسبه می‌شود:

                                                                (9)

 

متغیر  به‌عنوان گیرندۀ (فرستنده) خالص در شبکه عمل می‌کند. هستۀ مرکزی این شبکه، شاخص اتصال کل[23] را ارائه می‌دهد که میزان اتصال یا به عبارتی ریسک بازار را نشان می‌دهد. این شاخص برای مدیران سبد و ریسک ضروری است. شاخص اتصال کل، میانگین کل اتصال از سایر گره‌ها در شبکه را محاسبه می‌کند و به فرم معادلۀ (10) تعریف می‌شود:

                                                (10)

 

درنهایت در تحلیل عمیق‌تر، رویکرد اتصال، روابط دو متغیر و مفهوم سرریزهای جهت‌دار زوجی را بررسی می‌کند. این دیدگاه بر ایدۀ سرریزهای خالص زوجی[24] متمرکز است که جهت‌دار است و می‌تواند تأثیرات متقابل بین دو متغیر را آشکار کند. (معادلۀ 11)

                                              (11)

 

اگر ، نشان‌دهندۀ تأثیر درخور توجه متغیر 𝑖 بر متغیر j است.

 

سبد دارایی بهینه

یکی از متداول‎‌ترین رویکردهای استفاده‌شده در ایجاد سبد، روش حداقل واریانس[25] است (رابطۀ 12) که سبدی با کمترین واریانس براساس دارایی‎‌های متعدد ایجاد می‎‌کند (Markowitz, 1959).

                                                                                                         (12)

 

که  بردار  بعدی وزن سبد است،  بردار   بعدی از یک‎‌ها و    ماتریس واریانس کوواریانس شرطی  بعدی در دوره  است. وزن دارایی‎‌ها در رویکرد حداقل همبستگی که کریستوفرسن و همکاران (Christoffersen et al., 2014) داده‌اند، با استفاده از ماتریس همبستگی شرطی به دست می‌آید. در این رویکرد گام نخست، محاسبۀ همبستگی‌های شرطی بین متغیرها است:

                                                                 (13)

 

که در آن    ماتریس  بعدی است. سپس، وزن‎‌ها به‌صورت رابطۀ (14) محاسبه می‎‌شود:

                                                                                                         (14)

 

در سبد با رویکرد حداقل اتصالات (MCoP) تمامی شاخص‌های اتصالات زوجی به‌جای واریانس یا ماتریس همبستگی استفاده می‌شوند (Broadstock et al., 2022). هدف از این روش، به حداقل رساندن ارتباط متقابل بین متغیرها و سرریزهای آنها است. در این روش، وزن بیشتری به دارایی‎‌هایی داده می‌شود که نه بر دیگر متغیرها تأثیر می‌گذارند و نه متأثر از آنها قرار می‌گیرند که به‌صورت رابطۀ (15) محاسبه می‌شود.

                                                                                                      (15)

 

که  ماتریس شاخص اتصال زوجی و  ماتریس یکه[26] است؛ درنهایت، برای نشان‌دادن عملکرد سبد از نسبت شارپه[27] و امتیاز اثربخشی هج استفاده می‌‎‌شود. نسبت شارپ (رابطۀ 16)، به‌عنوان نسبت پاداش به نوسان شناخته می‌شود (Sharpe, 1966):

                                                                                                       (16)                                                        

 

که  نشان‌دهندۀ بازدۀ سبد است[28]. براساس پژوهش ادرینگتون (Ederington, 1979) اثربخشی هج به‌صورت رابطۀ (17) محاسبه می‎‌شود:

                                                                                 (17)        

 

 واریانس بازدۀ سبد،  واریانس دارایی بدون هج[29] و  درصد کاهش در واریانس موقعیت بدون هج را نشان می‎‌دهد.

 

یافته‎‌ها

پژوهش حاضر با هدف بررسی سرریزهای بازده و ایجاد سبد بهینه‌ای از بازارهای مالی انجام شده است تا اتصالات میان آنها را بررسی کند. در بازارهای مالی بررسی‌شده شامل بازار سهام ایران، طلا به‌عنوان فلزی گرانبها، نفت برنت به‌عنوان کالای انرژی، فلزات اساسی مانند مس، آلومینیوم، نیکل، قلع، روی و سرب است. دورۀ زمانی این پژوهش از 26 خرداد 1393 تا 1 خرداد 1403 (16 ژوئن 2014 تا 21 می 2024) با تواتر روزانه در نظر گرفته شده است. به دلیل نوسانات ذاتی این بازارها و واکنش سریع آنها به رویدادهای مختلف سیاسی و اقتصادی، استفاده از تواتر روزانه امکان بررسی دقیق‌تر تغییرات آنها در طول دورۀ مطالعه‌شده را فراهم می‌کند. شاخص کل بورس اوراق بهادار ایران به کمک زبان برنامه‎‌نویسی پایتون[30] و روش خراش‌سایت^[31] از وب‌سایت بورس اوراق بهادار تهران[32] و بقیۀ داده‎‌ها به‌صورت خام از وب‎‌سایت اینوستینگ[33] جمع‎‌آوری شده‎‌اند. سپس بازدۀ لگاریتمی آنها نیز به کمک رابطۀ (18) محاسبه شده است که  نشان‎‌دهندۀ بازدۀ دارایی و  شاخص قیمت دارایی در زمان‌های مخنلف است. از زبان برنامه‌نویسی آر[34] برای تخمین مدل TVP-VAR استفاده شده ‌است.

                                                                  (18)

 

وضعیت مانایی متغیرهای پژوهش با کمک دو آزمون ریشه واحد ای‌آر‌اس[35] و دیکی‌فولر‌ تعمیم‌یافته[36] بررسی شد که باتوجه‌به معناداری تمام متغیرها در سطح خطای 1% می‌توان نتیجه گرفت که همۀ متغیرها مانا هستند. نتایج آمار توصیفی متغیرهای پژوهش در جدول (1) ارائه شده است.

 

جدول(1): آماره‎‌های توصیفی متغیرهای پژوهش

Table (1): Descriptive Statistics of the variables

	TSE	Gold	Brent	Al	Copper	Lead	Nickel	Tin	Zinc
میانگین	0/003	0/000	0/000	0/000	0/000	0/000	0/000	0/000	0/000
میانه	0/001	0/000	0/001	0/000	0/000	0/000	0/001	0/001	0/001
بیشینه	0/109	0/117	0/373	0/104	0/081	0/084	0/619	0/142	0/093
کمینه	-0/088	-0/100	-0/397	-0/116	-0/081	-0/080	-0/523	-0/129	-0/155
انحراف معیار	0/019	0/013	0/036	0/017	0/017	0/019	0/038	0/022	0/022
چولگی	0/885	0/274	-0/484	-0/048	-0/052	-0/041	2/620	-0/338	-0/220
کشیدگی	9/431	13/117	26/616	7/643	5//451	4/947	109/252	9/449	6/320
Q(20) )Prob(	899/187 (0/000)	107/17 (056/0-)	879/44 (0/000)	109/17 (058/0-)	421/18 (033/0-)	618/15 (098/0-)	859/55 (000/0)	182/8 (076/0-)	271/10 (476/0-)
Q2(20) (Prob)	914/321 (0/000)	425/202 (0/000)	267/359 (0/000)	216/190 (0/000)	971/15 (086/0-)	186/30 (0/000)	909/726 (0/000)	666/113 (0/000)	469/52 (0/000)
Jarque-Bera (Prob)	2483/927 (0/000)	5731/711 (0/000)	31192/770 (0/000)	1204/096 (0/000)	336/065 (0/000)	211/995 (0/000)	631860/100 (0/000)	2347/520 (0/000)	626/384 (0/000)

 

تحلیل آماری داده‌ها نشان می‌دهد که میانگین بازدهی‌ها به‌طورکلی در اطراف صفر متمرکز است. از میان متغیرهای مختلف، بازدۀ فلز نیکل با انحراف معیار 038/0 بالاترین میزان نوسان را دارد؛ درحالی‌که بازدۀ طلا با انحراف معیار 013/0 دارای کمترین نوسان است. این یافته‌ها نشان می‌دهند که ریسک مرتبط با بازدۀ سرمایه‌گذاری در طلا نسبتاً کمتر از سایر گزینه‌ها است. نتایج تحلیل آماره‌های چولگی و کشیدگی شواهد درخور توجهی را دربارۀ غیرنرمال‌بودن توزیع بازدهی‌ها ارائه می‌دهند؛ علاوه‌براین، آمارۀ آزمون جارک-برا که برابر صفر است، نیز تأیید دیگری بر غیرنرمال‌بودن مشاهدات بازدهی متغیرها است. یکی دیگر از نکات مهمی که آزمون‌های وزنی پورمانتوی[37] فیشر و گالاگر (Fisher & Gallagher, 2012) از جدول (1) تأیید می‌کند، وجود خودهمبستگی معنادار در اجزای اخلال و مربعات آنها (Q20 وQ²20) در بیشتر متغیرها است که از اجرای مدل‌سازی سری‌های زمانی با استفاده از رویکرد TVP-VAR با ساختار واریانس کوواریانس متغیر در زمان پشتیبانی می‌کند. در ادامه، شکل (1) نیز روند بازدهی هریک از متغیرها را در دورۀ زمانی پژوهش نشان می‎‌دهد که به‌وضوح مشخص است که نوسان بازدۀ نفت برنت و فلز نیکل بیشتر از بقیه است.

 

 

شکل(1): روند بازدهی متغیرهای پژوهش

Figure (1): Return series of variables

 

 

جدول(2): همبستگی‌های غیر‎‌شرطی

Table (2): Unconditional Correlations

	TSE	Gold	Brent	Al	Copper	Lead	Nickel	Tin	Zinc
TSE	1	043/0	087/0	063/0	079/0	079/0	014/0	108/0	083/0
Gold		1	124/0	152/0	252/0	158/0	196/0	207/0	197/0
Brent			1	221/0	331/0	161/0	181/0	206/0	236/0
Al				1	512/0	361/0	267/0	361/0	506/0
Copper					1	47/0	386/0	476/0	641/0
Lead						1	293/0	336/0	562/0
Nickel							1	405/0	386/0
Tin								1	424/0
Zinc									1

 

تحلیل همبستگی بین بازدهی متغیرهای نتایج نشان می‌دهد که بازدۀ شاخص کل و طلا ارتباط ضعیفی با سایر متغیرهای بررسی‌شده دارند. در مقابل، فلزات اساسی نظیر آلومینیوم، مس، سرب و روی همبستگی درخور توجهی با یکدیگر دارند.

 

برآورد شاخص‎‌های اتصالات

قبل از برآورد، تعیین تعداد بهینۀ وقفۀ مدل ضروری است. تعداد بهینۀ وقفه‌ها را می‌توان با استفاده از معیارهای مختلفی مانند آکائیک[38]، شوارتز-بیزین[39] و هنان‌کوئین[40] به‌ دست آورد. ازآنجاکه معیار شوارتز-بیزین در تعداد وقفه‎‌ها صرفه‎‌جویی می‎‌کند، برهمین اساس، از یک وقفه برای برآورد مدل استفاده شد.

نتایج مربوط به معیار میانگین اتصالات کل در جدول (3) ارائه شده است. مطابق نتایج، تجزیۀ واریانس خطا نشان می‎‌دهد که تغییرات بین‌بخشی حدود 69/42درصد و تغییرات درون‌بخشی 31/57درصد از واریانس خطای پیش‌بینی را تبیین می‌کنند. این نتایج نشان‌دهندۀ اهمیت هر دو عامل در شبکۀ بررسی‌شده است. براساس نتایج ستون آخر (FROM) اثرپذیری هریک از بازارها از بقیۀ متغیرهای موجود در شبکه مشخص می‎‌شود؛ براین‌اساس، بازارهای مس (49/61 %) و روی (94/59%) به ترتیب بیشترین اثرپذیری را از بقیۀ بازارها دارند. از طرف دیگر، ردیف (TO) بیانگر درصد اثرگذاری هر متغیر بر سایرین است که باتوجه‌به جدول (3) واضح است که مس و روی با 77/77% و 71% مؤثرترین متغیرهای موجود در شبکه هستند. ردیف (NET) هم اثرگذاری خالص هر متغیر را نشان می‎‌دهد که برای هر متغیر برابر با تفاضل دو بخش TO و FROM است. مس با 28/16درصد اثرگذاری خالص مثبت، فرستندۀ خالص سرریزهای بازده به سایر متغیرها است و بازده‌های شاخص بورس ایران (92/2-) و طلا (84/7-) گیرندۀ خالص شوک های بازده هستند. براساس سرریز جفتی (NPDC) که تأثیر متقابل متغیرها را نشان می‌دهد، عدد 8 مربوط به مس نشان‌دهندۀ تسلط سرریز مس بر بازارهای دیگر است.

 

جدول(3): متوسط اتصالات پویای بازده‎‌ها

Table (3): Averaged Dynamic Connectedness of returns

	TSE	Gold	Brent	Al	Copper	Lead	Nickel	Tin	Zinc	FROM
TSE	56/90	72/0	4/1	02/1	09/1	25/1	01/1	68/1	26/1	44/9
Gold	74/0	86/73	83/1	82/2	31/5	14/4	63/3	98/3	68/3	14/26
Brent	28/1	4/1	47/69	69/4	09/8	72/2	62/3	81/3	92/4	53/30
Al	76/0	13/2	35/3	52/50	19/12	17/7	83/6	56/5	49/11	48/49
Copper	73/0	9/2	16/5	51/9	51/38	18/9	87/9	47/8	67/15	49/61
Lead	98/0	07/3	4/2	89/6	5/11	43/48	64/5	66/5	44/15	57/51
Nickel	36/0	39/2	71/2	05/6	15/12	5/5	9/51	09/9	85/9	1/48
Tin	78/0	54/3	89/2	76/5	96/10	58/5	29/9	51/52	7/8	49/47
Zinc	9/0	15/2	11/3	46/9	48/16	91/12	24/8	69/6	06/40	94/59
TO	52/6	3/18	86/22	19/46	77/77	45/48	12/48	95/44	71	17/384
NET	92/2-	84/7-	67/7-	28/3-	28/16	12/3-	03/0	54/2-	07/11	TCI = 69/42
NPDC	1	0	2	4	8	4	6	4	7

 

اگرچه میانگین اتصالات بین متغیرها می‌تواند تصویری کلی از الگوی شبکه ارائه دهد، ممکن است جزئیات دقیق را نادیده بگیرد. برای درک بهتر پویایی شبکه، دورۀ نمونه به بازه‌های کوتاه‌تری تقسیم می‎‌شود تا امکان بررسی پویای روابط بین متغیرها فراهم آید. شکل (2) پویایی‌های شاخص اتصالات کل را در طول زمان نشان می‎‌دهد. براساس شکل (2) میزان اتصالات کل در شبکۀ بررسی‌شده، تغییرات چشمگیری را در طول زمان نشان می‌دهد و از کمتر از 40درصد تا بیشتر از 60درصد متغیر است. این امر نشان‌دهندۀ آن است که اتصالات بین انواع مختلف دارایی‎‌ها نه‌تنها به رویدادهای مرتبط با بازارهای جهانی واکنش نشان می‌دهند، بلکه این واکنش نیز می‌تواند بسیار سریع باشد؛ برای مثال، افزایش این شاخص‌ تا حدود ۵۰درصد در سال‌های ۲۰۱۸-۲۰۱۹ (۱۳۹۷-۱۳۹۸) می‎‌تواند به دلیل تأثیر مستقیم نوسانات ارزی بر بازار سهام باشد که با یافته‎‌های بذرائی و همکاران (Bazrayi et al., 2021) همخوانی دارد. در سال ۲۰۲۰ (۱۳۹۹) به دلیل همه‌گیری بیماری کووید- ۱۹، شاخص TCI  به‌دلیل رکود و کاهش تقاضای جهانی افت شدیدی کرد؛ اما در سال‌های ۲۰۲۱-۲۰۲۲ (۱۴۰۰-۱۴۰۱) با بهبود وضعیت اقتصادی و رشد قیمت فلزات، دوباره افزایش یافت که نشانگر افزایش تقاضای جهانی و تعامل بیشتر بازارهای بین‌المللی با بازار سهام ایران است.

 

شکل (2): پویایی‎‌های شاخص اتصالات کل

Figure (2): Total Connectedness Index dynamics

شکل (3) مشخص می‌کند که آیا متغیرها به‌عنوان انتقال‌دهندگان خالص[41]، دریافت‌کنندگان خالص[42] یا بدون الگوی مشخص در انتقال شوک‌ها عمل کرده‌اند. مقادیر مثبت نشان می‌دهند که یک متغیر به‌عنوان انتقال‌دهندۀ شوک‌ها به سیستم عمل کرده است، در حالی‌که مقادیر منفی نشان‌دهندۀ پذیرش خالص شوک‌ها از سیستم توسط آن متغیر هستند. براساس شکل (3) طی زمان بررسی‌شده، اثرگذاری متغیرها دستخوش تغییرات متعددی شده است. فلز قلع از ابتدای دوره تا حدود 2020 پذیرندۀ خالص سرریز‎‌های بازده بوده است؛ اما پس از آن، نقش آن به فرستندۀ سرریز ‌بازده تغییر یافته است. از طرفی دیگر،  فلزاتی مانند مس و روی عمدتاً فرستنده‎‌های خالص شوک‎‌های بازده بوده‎‌اند. طلا و نفت هم به دلیل نقش منحصربه‌فردشان در شرایط نا‎‌اطمینانی به طور عمده گیرندۀ خالص شوک‎‌های بازده از سایر متغیر‎‌های شبکه بوده‎‌اند.

 

شکل(3): خالص سرریزهای جهت‌دارکل

Figure (3): Net Total Directional Connectedness Index

 

تأثیر متقابل بازارها با شاخص خالص سرریزهای جفتی^[43] در شکل (4) ارائه شده است که مقدار مثبت شاخص نشان‌دهندۀ تأثیر درخور توجه یکی از بازارها (متغیر اول) بر بازار دیگر (متغیر دوم) است. در این حالت، بازار اول به‌عنوان منشأ سرریز بازده در نظر گرفته می‌شود، درحالی‌که بازار دوم، پذیرندۀ این تأثیر است؛ براین‌اساس، فلز طلا در تقابل با سایر متغیرها عمدتاً نقش پذیرندۀ سرریز‎‌های بازده را داشته و شدت این پذیرندگی در برابر بازارهای مس، سرب و روی نیز بیشتر بوده است.

تحلیل شدت سرریز بین بازار‎‌های مختلف در شکل (5) نشان‌دهندۀ اتصالات جفتی پویا[44] بین متغیرهای مختلف در طول زمان است. مقادیر بالاتر بین دو متغیر، تعامل قوی‌تر و ارتباط نزدیک‌تر بین بازدۀ آنها را نشان می‌دهد؛ برای نمونه، در شکل (5) به آسانی مشخص است که شدت تعاملات میان فلزات اساسی بسیار زیاد است که بیشترین مقادیر آن در میان بازار مس با سایر فلزات اساسی مشاهده می‎‌شود؛ علاوه‌براین، مس با نفت برنت و فلز طلا هم تعاملات پویای نسبتاً زیادی دارد.

شکل(4): خالص سرریزهای زوجی

Figure(4): Net Pairwise Directional Connectedness Index

 

شکل (5): اتصالات زوجی پویا

Figure(5): Pairwise Connectedness Index dynamics

 

 سبد بهینه دارایی‎‌ها

نتایج برآورد وزن‎‌های بهینه سبدهای دارایی بر‎‌اساس روش‎‌های حداقل واریانس (MVP)، حداقل همبستگی (MCP) و حداقل اتصالات (MCoP) در جدول (4) ارائه شده است.

بیشترین وزن در نظر گرفته‌شده در سبد رویکرد ‎‌MVP با 36% مربوط به فلز طلا بوده، درحالی‌که در دو رویکرد دیگر، بیشترین وزن مربوط به بازار سهام ایران بوده است. انحراف معیار سبد تشکیل‌شده براساس رویکرد حداقل اتصالات (MCoP) پایین‌تر از سبدهای تشکیل‌شده با استفاده از روش‌های سنتی است. در رویکرد ‎‌MVP فاصله کمترین و بیشترین وزن بهینه برابر36% است، به‌طوری‌که در رویکردهای MCP و MCoP به ترتیب برابر 22% و 17% است که نشان‌دهندۀ شباهت بیشتر رویکردهای MCP و MCoP به یکدیگر هستند.

اثربخشی هج ( ) به میزان موفقیت دارایی در کاهش ریسک سبد اشاره دارد که هرچه این مقدار به یک نزدیک‎‌تر باشد، نشان‎‌دهندۀ اثربخشی بیشتر است؛ برای مثال، اگر بر مبنای سبد حداقل واریانس، وزن صفر درصدی برای نیکل و وزن 1 درصدی برای نفت لحاظ شود، نوسان هریک از دارایی‎‌ها در این سبد به طور معناداری به اندازۀ 95درصد کاهش می‎‌یابد. بالاترین اثربخشی هج، نیز در سه روش برای نیکل و سپس نفت است.

پویایی‎‌های مرتبط به این سه رویکرد را می‎‌توان در شکل (6) مشاهده کرد. مطابق شکل (6) ترکیب MVP به طور چشمگیری با MCP و MCoP متفاوت است، درحالی‌که MCP و MCoP ترکیبات مشابهی دارند. این شباهت به دلیل استفاده از ماتریس واریانس-کوواریانس متغیر با زمان در هر دو روش است. در MCP، واریانس-کوواریانس به‌سادگی به ماتریس همبستگی تبدیل می‌شود؛ اما در MCoP نیاز به محاسبات پیچیده‌تری مانند GIRF و GFEVD و تحلیل اتصالات زوجی دارد؛ درنتیجه، باوجود بلوک‌های سازندۀ اولیه مشابه، فرایندهای تبدیل متفاوت منجر به وزن‌های سبد نزدیک در MCP و MCoP می‌شود. شکل(7) تحولات زمانی بازده تجمعی را نشان می‎‌دهد؛ به استثنای اوایل سال 2022 که سه شاخص با یکدیگر برابر شده‎‌اند، مقدار MVP در طی زمان به میزان مشخصی بیشتر از دو رویکرد دیگر بوده است.

 

جدول (4): آماره‎‌های توصیفی وزن‎‌های سبدهای چندمتغیره

Table (4): Descriptive Statistics of Dynamic Multivariate Portfolio Weights

نتایج رویکرد حداقل  واریانس(MVP)

نتایج  رویکرد حداقل همبستگی(MCP)

نتایج  رویکرد حداقل اتصالات(MCoP)

نماد

میانگین

انحراف معیار

5 %

95 %

HE

احتمال

میانگین

انحراف معیار

5 %

95 %

HE

احتمال

میانگین

انحراف معیار

5 %

95 %

HE

احتمال

TSE

25/0

17/0

03/0

58/0

82/0

0

23/0

04/0

16/0

28/0

61/0

0

2/0

02/0

17/0

24/0

6/0

0

Gold

36/0

1/0

19/0

54/0

57/0

0

18/0

03/0

11/0

22/0

1/0

05/0

17/0

02/0

13/0

2/0

07/0

17/0

Brent

01/0

01/0

0

03/0

95/0

0

16/0

03/0

09/0

2/0

89/0

0

16/0

02/0

14/0

19/0

89/0

0

Al

15/0

12/0

01/0

38/0

78/0

0

12/0

04/0

06/0

18/0

53/0

0

11/0

02/0

09/0

13/0

52/0

0

Copper

08/0

05/0

0

16/0

76/0

0

01/0

01/0

0

03/0

49/0

0

01/0

02/0

0

05/0

47/0

0

Lead

07/0

06/0

0

16/0

8/0

0

09/0

04/0

03/0

15/0

59/0

0

1/0

03/0

05/0

14/0

57/0

0

Nickel

0

01/0

0

02/0

95/0

0

11/0

06/0

03/0

22/0

9/0

0

1/0

04/0

04/0

18/0

9/0

0

Tin

07/0

07/0

0

24/0

86/0

0

08/0

05/0

0

15/0

7/0

0

1/0

04/0

04/0

15/0

69/0

0

Zinc

01/0

02/0

0

06/0

86/0

0

03/0

03/0

0

08/0

7/0

0

03/0

03/0

0

09/0

69/0

0

شکل (6): وزن‌های سبد چندمتغیرۀ پویا

Figure (6): Dynamic Multivariate Portfolio Weights

 

 

شکل (7): وزن‌های سبد چندمتغیرۀ پویا

Figure (7): Dynamic Multivariate Portfolio Weights

وزن‎‌های پویای سبدی دو متغیره[45] دارایی‎‌ها

وزن‌های سبد دومتغیره و نسبت‌های بهینۀ هج براساس مطالعات کرونر و ان‌جی (Kroner & Ng, 1998) و کرونر و سلطان (Kroner & Sultan, 1993) نیز محاسبه شده که نتایج آن در جدول (5) ارائه شده است.

 

جدول (5): آماره‎‌های توصیفی وزن‎‌های سبدهای دومتغیره و نسبت‎‌های هج

Table (5): Descriptive Statistics of Dynamic Bivariate Portfolio Weights and Hedge Ratios

ردیف	نماد ها	وزن‌های سبد دومتغیره				نسبت‌های هج
		میانگین	انحراف معیار	HE	احتمال	میانگین	انحراف معیار	HE	احتمال
1	TSE/Gold	38/0	19/0	72/0	0	04/0	09/0	02/0	16/0
2	TSE/Brent	81/0	1/0	23/0	0	05/0	04/0	02/0	13/0
3	TSE/Al	51/0	2/0	6/0	0	07/0	1/0	02/0	0
4	TSE/Copper	5/0	21/0	6/0	0	09/0	12/0	03/0	0
5	TSE/Lead	54/0	21/0	56/0	0	09/0	1/0	03/0	0
6	TSE/Nickel	73/0	2/0	43/0	0	01/0	05/0	01/0	0
7	TSE/Tin	58/0	22/0	49/0	0	08/0	11/0	04/0	0
8	TSE/Zinc	61/0	2/0	49/0	0	08/0	09/0	03/0	0
9	Gold/TSE	62/0	19/0	36/0	0	03/0	06/0	02/0	61/0
10	Gold/Brent	91/0	04/0	08/0	0	03/0	03/0	04/0	13/0
11	Gold/Al	68/0	16/0	35/0	0	09/0	09/0	06/0	0
12	Gold/Copper	69/0	11/0	26/0	0	18/0	09/0	1/0	0
13	Gold/Lead	73/0	1/0	27/0	0	12/0	09/0	07/0	0
14	Gold/Nickel	87/0	1/0	15/0	0	07/0	04/0	05/0	0
15	Gold/Tin	74/0	13/0	22/0	0	12/0	08/0	08/0	0
16	Gold/Zinc	79/0	13/0	22/0	0	1/0	07/0	07/0	0
17	Brent/TSE	19/0	1/0	79/0	0	12/0	17/0	03/0	61/0
18	Brent/Gold	09/0	04/0	89/0	13/0	28/0	29/0	05/0	16/0
19	Brent/Al	15/0	11/0	8/0	01/0	48/0	2/0	07/0	0
20	Brent/Copper	1/0	07/0	8/0	26/0	73/0	34/0	15/0	0
21	Brent/Lead	19/0	09/0	78/0	0	33/0	18/0	05/0	0
22	Brent/Nickel	44/0	24/0	6/0	0	25/0	12/0	06/0	0
23	Brent/Tin	21/0	12/0	72/0	0	38/0	18/0	06/0	0
24	Brent/Zinc	23/0	12/0	71/0	0	44/0	2/0	08/0	0
25	Al/TSE	49/0	2/0	51/0	0	05/0	08/0	02/0	61/0
26	Al/Gold	32/0	16/0	66/0	0	25/0	25/0	08/0	16/0
27	Al/Brent	85/0	11/0	13/0	0	13/0	06/0	09/0	13/0
28	Al/Copper	48/0	18/0	32/0	0	51/0	16/0	3/0	0
29	Al/Lead	57/0	16/0	33/0	0	34/0	14/0	16/0	0
30	Al/Nickel	85/0	09/0	1/0	0	2/0	11/0	14/0	0
31	Al/Tin	62/0	18/0	25/0	0	27/0	08/0	15/0	0
32	Al/Zinc	71/0	11/0	13/0	0	38/0	12/0	29/0	0
33	Copper/TSE	5/0	21/0	48/0	0	06/0	07/0	02/0	61/0
34	Copper/Gold	31/0	11/0	58/0	0	33/0	2/0	1/0	16/0
35	Copper/Brent	9/0	07/0	06/0	0	16/0	04/0	13/0	13/0
36	Copper/Al	52/0	18/0	26/0	0	49/0	12/0	28/0	0
37	Copper/Lead	61/0	09/0	21/0	0	43/0	09/0	25/0	0
38	Copper/Nickel	91/0	11/0	04/0	0	3/0	14/0	28/0	0
39	Copper/Tin	65/0	2/0	18/0	0	39/0	11/0	25/0	0
40	Copper/Zinc	81/0	16/0	07/0	0	5/0	07/0	42/0	0
41	Lead/TSE	46/0	21/0	53/0	0	08/0	06/0	02/0	61/0
42	Lead/Gold	27/0	1/0	66/0	0	29/0	22/0	07/0	16/0
43	Lead/Brent	81/0	09/0	16/0	0	09/0	05/0	05/0	13/0
44	Lead/Al	43/0	16/0	4/0	0	41/0	13/0	15/0	0
45	Lead/Copper	39/0	09/0	36/0	0	54/0	11/0	25/0	0
46	Lead/Nickel	77/0	13/0	14/0	0	22/0	1/0	13/0	0
47	Lead/Tin	55/0	2/0	32/0	0	29/0	09/0	13/0	0
48	Lead/Zinc	64/0	11/0	14/0	0	5/0	11/0	34/0	0
49	Nickel/TSE	27/0	2/0	86/0	0	04/0-	13/0	03/0	61/0
50	Nickel/Gold	13/0	1/0	91/0	0	57/0	54/0	1/0	16/0
51	Nickel/Brent	56/0	24/0	64/0	0	22/0	14/0	1/0	13/0
52	Nickel/Al	15/0	09/0	81/0	07/0	55/0	23/0	12/0	0
53	Nickel/Copper	09/0	11/0	82/0	42/0	84/0	15/0	16/0	0
54	Nickel/Lead	23/0	13/0	8/0	01/0	54/0	17/0	12/0	0
55	Nickel/Tin	21/0	14/0	71/0	03/0	67/0	23/0	21/0	0
56	Nickel/Zinc	25/0	14/0	71/0	02/0	62/0	12/0	2/0	0
57	Tin/TSE	42/0	22/0	61/0	0	09/0	09/0	03/0	61/0
58	Tin/Gold	26/0	13/0	74/0	0	34/0	27/0	09/0	16/0
59	Tin/Brent	79/0	12/0	23/0	0	13/0	07/0	07/0	13/0
60	Tin/Al	38/0	18/0	52/0	0	39/0	18/0	16/0	0
61	Tin/Copper	35/0	2/0	52/0	0	56/0	24/0	27/0	0
62	Tin/Lead	45/0	2/0	51/0	0	36/0	2/0	15/0	0
63	Tin/Nickel	79/0	14/0	11/0	0	28/0	11/0	21/0	0
64	Tin/Zinc	55/0	17/0	34/0	0	38/0	15/0	21/0	0
65	Zinc/TSE	39/0	2/0	6/0	0	1/0	08/0	02/0	61/0
66	Zinc/Gold	21/0	13/0	74/0	0	34/0	33/0	1/0	16/0
67	Zinc/Brent	77/0	12/0	2/0	0	16/0	06/0	08/0	13/0
68	Zinc/Al	29/0	11/0	44/0	01/0	6/0	16/0	28/0	0
69	Zinc/Copper	19/0	16/0	45/0	19/0	82/0	13/0	43/0	0
70	Zinc/Lead	36/0	11/0	38/0	0	64/0	09/0	33/0	0
71	Zinc/Nickel	75/0	14/0	12/0	0	33/0	13/0	21/0	0
72	Zinc/Tin	45/0	17/0	34/0	0	43/0	13/0	2/0	0

 در هر ردیف در جدول (5) وضعیت جفت بازارها مشخص شده ‎‌است. کمترین میانگین وزنی (09/0) برای سبد Nickel/Copper و Brent/Gold است که نشان می‎‌دهد سرمایه‎‌گذاران ترجیح می‎‌دهند مس و طلا را بیشتر از نیکل و نفت برنت نگه ‎‌دارند. بالاترین میانگین وزنی (91/0) نیز برای Copper/Nickel و Gold/Brent است که بیان می‎‌کند برای سبد یک دلاری، سرمایه‌گذاران ترجیح می‎‌دهند 91/0 سنت در مس و طلا و 09/0 سنت باقی‎‌مانده را در نیکل و نفت برنت سرمایه‎‌گذاری کنند. تفسیر هریک از جفت بازارهای دیگر نیز به همین ترتیب است. بالاترین  (91%) برای سبدی متشکل از Nickel/Gold است که نشان می‌دهد معرفی نیکل به مجموعه‌ای از بازارها به طور چشمگیری ویژگی‌های ریسک-بازدۀ آن را بهبود می‌بخشد؛ علاوه‌براین، مطابق شکل (8) وزن‌های بهینه در طول دورۀ نمونه، متغیر در زمان هستند؛ به این معنی که مدیریت پویای سبد هنگام سرمایه‌گذاری در این بازارها لازم است. نسبت‎‌های بهینۀ هج مشخص می‎‌کند چه میزان از ریسک دارایی اصلی خنثی شده ‎‌است. بیشترین میانگین نسبت هج در بین بازارهای بررسی‌شده مربوط به Nickel/Copper با 84% است و حاکی‌ازاین است که 84% ریسک سرمایه‎‌گذاری در بازار فلز نیکل توسط سرمایه‌گذاری در بازار فلز مس جبران خواهد شد و کمترین نسبت هم برای Nickel/TSE با مقدار منفی 04/0 بوده است. در شکل (9) نیز می‎‌توان روند پویای آنها را در طی زمان مشاهده کرد.

 

شکل 8: پویایی وزن‎‌های بهینۀ دومتغیره

Figure (8): Dynamics of bivariate optimal weights

 

شکل 9: نسبت‎‌های پویای پوشش ‌ریسک

Figure (9): Dynamic hedge ratios

 

بحث و نتیجه‌گیری

در این پژوهش روابط متقابل میان بازارهای مالی کلیدی بررسی شده است که تأثیر درخور توجهی بر تصمیم‌گیری افراد، مدیریت ریسک و مدیریت کارآمد سبد دارایی‌ها دارند. با استفاده از رویکرد نوین مبتنی‌بر روش خودرگرسیون برداری با پارامترهای متغیر در زمان (TVP-VAR)، پیوندهای متقابل بین بازارهای کالایی به همراه شاخص کل بورس ایران تحلیل شد. این بازارها شامل شش فلز اساسی (مس، آلومینیوم، نیکل، قلع، روی و سرب)، طلا (فلز گرانبها)، نفت برنت (انرژی) در بازۀ زمانی 26 خرداد 1393 تا 1 خرداد 1403 بودند. سپس با بهره‌گیری از اطلاعات حاصل از رویکرد TVP-VAR، سبد بهینه‌ای از دارایی‌ها (MCoP) با استفاده از شاخص‌های همبستگی زوجی (PCI) به دست آمد و با روش‌های سنتی MVP و MCP مقایسه شد؛ درنهایت، برای تحلیل دقیق‎‌تر، با استفاده از روش‌های دومتغیره و چندمتغیره اثربخشی هج تحلیل شد.

نتایج حاصل از برآورد مدل TVP-VAR نشان داد که میانگین اتصالات کل برای بازارهای مطالعه‌شده برابر با 69/42 است که تغییرات بین متغیرها حدود 69/42درصد از واریانس خطای پیش‌بینی را توضیح می‌دهد؛ درحالی‌که تغییرات درون‌بخشی 31/57درصد باقی‌مانده را تشکیل می‌دهند. این یافته‌ها حاکی‌از وجود ریسک سیستمی نسبتاً قوی بین بازارهای مذکور است. در این شبکه، فلز مس بیشترین انتقال‌دهی سرریزهای بازده را به سمت سایر بازارها داشت و در بین آنها، نفت برنت و فلز طلا - که دو کالای اساسی و راهبردی هستند- بیشترین تأثیرپذیری را نشان دادند. این امر نشان‌دهندۀ اهمیت چشمگیر این بازارها برای سرمایه‌گذاران است. در میان فلزات پایه، به‌ویژه با فلز مس بالاترین سطح از اتصالات پویا در طول دوره مشاهده شد. نتایج برآورد وزن‎‌های بهینۀ سبدهای دارایی چندمتغیره نیز بیانگر آن بود که در رویکردهای مختلف سرمایه‌گذاری، وزن‌های بهینه دارایی‌ها متفاوت است. به‌طورکلی، فلز طلا در رویکرد MVP بیشترین وزن را دارد، درحالی‌که شاخص بورس سهام ایران در دو سبد دیگر بیشترین وزن را دارد. فاصلۀ وزن‌های بهینه در رویکرد MVP بیشتر از دو رویکرد MCP و MCoP است که شباهت بیشتری به یکدیگر دارند. اثربخشی هج نیز در سه رویکرد نشان داد که راهبرد‌های هج به‌ویژه برای فلز نیکل و نفت برنت به کاهش درخور توجه نوسان دارایی‌ها منجر می‌شود. نتایج تحلیل وزن‌های بهینۀ سبدهای دومتغیره نشان داد میانگین وزنی بالاتر برای جفت‌های Copper/Nickel و Gold/Brent تمایل به سرمایه‌گذاری بیشتر در مس و طلا را نشان می‌دهد. اثربخشی بالای پوشش ‌ریسک (91%) در سبد Nickel/Gold نشان‌دهندۀ این است که اضافه‌کردن نیکل به بازارها می‎‌تواند ویژگی‌های ریسک-بازده را بهبود ‌بخشد. نسبت‌های بهینه هج بیشترین خنثی‌سازی ریسک را به طور متوسط برای ترکیب Nickel/Copper با 84% کارایی نشان می‌دهد، درحالی‌که این نسبت برای Nickel/TSE منفی و کمترین درصد (04/0-) را دارد. این تحلیل‌ها بر اهمیت مدیریت پویای سبد سرمایه‌گذاری باتوجه‌به ویژگی‌های ریسک و بازده تأکید دارند.

تحلیل‌ها نشان می‌دهد که تنوع‌بخشی به سبد دارایی‌ها نقش بسیار مهمی در مدیریت ریسک دارد. نتایج نشان می‌دهد که مس و طلا در رویکردهای مختلف سرمایه‌گذاری وزن بالایی دارند. فلز مس به دلیل بیشترین انتقال‌دهی سرریزهای بازده به سایر بازارها و تأثیرگذاری بالای آن، دارایی راهبردی به حساب می‌آید. طلا نیز به دلیل ویژگی‌های منحصربه‌فرد خود به‌عنوان دارایی امن و مقاوم در برابر نوسانات بازار، در سبدهای بهینۀ سرمایه‌گذاری وزن بالایی دارد؛ بنابراین، توصیه می‌شود سرمایه‌گذاران توجه ویژه‌ای به این دو بازار داشته باشند و با افزایش وزن این دارایی‌ها در سبد سرمایه‌گذاری، ویژگی‌های ریسک-بازدۀ سبد خود را بهبود بخشند. راهبردهای هج به سرمایه‌گذاران این امکان را می‌دهد که نوسانات و ریسک‌های موجود در دارایی‌ها را کاهش دهند. این تحلیل نشان داده است که راهبردهای هج به ویژه برای فلز نیکل و نفت برنت منجر به کاهش درخور توجه نوسانات دارایی‌ها می‌شوند. باتوجه‌به تغییرات پویا در همبستگی بین دارایی‌ها، مدیریت سبد سرمایه‌گذاری باید پویا و انعطاف‌پذیر باشد. استفاده از رویکردهای نوین مانند حداقل اتصالات به‌جای روش‌های سنتی حداقل واریانس و حداقل همبستگی می‌تواند به بهبود عملکرد سبد سرمایه‌گذاری منجر شود. این رویکردها به سرمایه‌گذاران امکان می‌دهند که به تغییرات بازار سریع‌تر واکنش نشان دهند و ترکیب سبد خود را به‌طور مستمر بهینه‌سازی کنند. این انعطاف‌پذیری و پویایی در مدیریت سبد سرمایه‌گذاری، به کاهش ریسک و افزایش بازدهی منجر می‌شود.

باوجود بینش‌های درخور توجه، این پژوهش بر دارایی‌های فلزات اساسی، طلا، نفت برنت و شاخص کل بورس ایران متمرکز است؛ افزون بر این، شاخص کل بورس ایران، ضمن محدودیت زمانی معامله و محدودیت نوسان در سهام، قابل معامله نیست که آن را متمایز از سایر دارایی‌های مطالعه‌شده می‌کند. پژوهش‌های آتی می‌توانند بر سهام‌های موجود در بورس ایران متمرکز شوند و دامنۀ تحلیل را با افزودن دارایی‌های دیگر مانند اوراق قرضه، ارزهای دیجیتال و بازارهای بین‌المللی گسترش دهند تا چشم‌انداز جامع‌تری از روابط بین بازارها به دست آید؛ علاوه‌براین، می‌تواند به مطالعۀ همبستگی‌ها در مقیاس‌های زمانی مختلف و تحلیل نقش سیاست‌های اقتصادی بر مدیریت سبد دارایی‌ها توجه شود.

 

[1] Minimum Corrolation

[2] Minimum Connectedness

[3] Time-Varying Parameter Vector Autoregressions (TVP-VAR)

[4] Minimum Connectedness portfolio (MCoP)

[5] Minimum Connectedness Portfolio

[6] Minimum Variance Portfolio

[7] Minimum Correlation Portfolio

[8] Hedging Effectiveness

[9] Random rolling window

 [10] مشابه آنتوناکاکیس و‌همکاران (2020)، ترتیب تأخیر و میانگین‌های قبلی (مقادیر ضرایب) و واریانس‌های قبلی استفاده‌شده برای مقداردهی اولیۀ فیلتر کالمن، از مدل VAR(1) ایستا، در 200 مشاهدۀ اول به دست می‌آیند.

[11] Random walk

[12]  در یک شبیه‌سازی مونت‌کارلو بسط‌یافته، آلپتکین و همکاران (2019) دقت نسبی توابع انتقال گام تصادفی را برای پارامترهای متغیر در زمان در مدلی تک‌متغیره بررسی کردند. نتایج آنها نشان داد که گام تصادفی در انواع سناریوهای مختلف مؤثر و دقیق است. باتوجه‌به اینکه مکانیسم اساسی فیلترکالمن تک‌متغیره و چندمتغیره یکسان است، انتظار بر این است که نتایج به طور مشابه برای TVP-VAR چندمتغیره نیز تعمیم یابد.

[13]   فیلتر کالمن مدل را در برابر موارد دورافتاده انعطاف‌پذیر می‌کند؛ از آنجایی که سری‌های زمانی مالی با فرکانس بالا بیشتر حاوی مشاهدات پرت هستند، باعث کارایی الگورینم می‌شود.

[14] Time Varying Parameter Vector Moving Average

[15] Wold representation theorem

[16] Generalized Impulse Response Functions (GIRF)

[17] Generalized Forecast Error Variance Decomposition (GFEVD)

[18] Orthogonal Forecast Error Variance Decomposition (OFEVD)

[19] Generalized spillover table

[20] From others

[21] To others

[22] Net total directional connectedness

[23] Total Connectedness Index (TCI)

[24] Net Pairwise Directional Spillovers

[25] Minimum Variance Portfolio (MVP)

[26] Identity matrix

[27] Sharpe ratio

 [28] برای سادگی فرض می‌شود که نرخ بدون ریسک برابر با صفر است.

[29] Un-hedged asset

[30] Python

[31] web scraping

[32] www.tsetmc.com

[33] Investing.com

[34] R programming language

[35] Elliott, Rothenberg and Stock (ERS)

[36] Augmented Dickey–Fuller test (ADF)

[37] Weighted Portmanteau tests

[38] AIC

[39] BIC

[40] HQ

[41] Net transmitter of shocks

[42] Net receiver of shocks

[43] Dynamic Net Pairwise Connectedness

[44] Dynamic Pairwise Connectedness

[45] Dynamic Bivariate Portfolio Weights

تعداد مشاهده مقاله: 705

تعداد دریافت فایل اصل مقاله: 231