تداوم تأثیر خطرات بازار سهام در بازارهای کالا: شواهدی از چین

سرریز ریسک در بازارهای مالی به طرز چشمگیری در تعداد زیادی از ادبیات مورد بررسی قرار گرفته است. با توجه به این آموزه ها ، ما در این مقاله ، تأثیر تداوم تأثیر نوسانات و سرریز ناتوانی در بازارهای کالای چینی را مورد بررسی قرار می دهیم. بر اساس نمونه از سال 2010 تا 2020 ، ما نشان می دهیم که یک بازار متقاطع از نوسانات و ناتوانی در چین وجود دارد و همچنین تعامل بین نوسانات و عدم اعتبار در بازارهای مختلف مالی تلفظ می شود. مهمتر از همه ، ما نشان می دهیم که بازارهای کالاهای مختلف پاسخگویی متفاوتی نسبت به شوک های بازار سهام دارند که ویژگی های بازار آنها را تعبیه می کند. به طور خاص ، ما می دانیم که اکثر معامله گران در بازار طلا ممکن است پرچین باشند و بنابراین بازار طلا نسبت به شوک نقص بازار سهام حساس تر است و بنابراین تأثیر شوک در مداوم است. از طرف دیگر ، بازارهای کشاورزی مانند بازارهای ذرت و سویا ممکن است توسط سرمایه گذاران حاکم باشند و بنابراین این بازارها به شوک های نوسانات بورس و تأثیر شوک در مداوم در طی 10 دوره پاسخ می دهند با توجه به اولین دوره شوک خطر. در حقیقت ، پاسخگویی به بازارهای مختلف کالاهای چینی نسبت به شوکهای خطر بازار سهام چین نشان می دهد که تأثیر ریسک بازار سهام در بازارهای کالای چینی تأثیر می گذارد. این نتیجه می تواند به سیاست گذاران کمک کند تا اثر انتشار سیاست را با توجه به این کانال ریسک ریسک و مکانیسم تداوم تأثیر خطر در چین درک کنند.

استناد: Ding S ، Yuan Z ، Chen F ، Xiong X ، Lu Z ، Cui T (2021) تأثیر تداوم خطرات بازار سهام در بازارهای کالا: شواهدی از چین. PLOS ONE 16 (11): E0259308. https://doi. org/10. 1371/joual. pone. 0259308

سردبیر: Junhuan Zhang ، دانشگاه Beihang ، چین

دریافت: 27 مه 2021 ؛پذیرفته شده: 16 اکتبر 2021 ؛منتشر شده: 8 نوامبر 2021

کپی رایت: © 2021 Ding et al. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که اجازه استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای می دهد ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: داده ها از پایگاه داده باد بارگیری می شوند (https://www. wind. com. cn/en/edb. html). مجموعه داده ها از بخش کالایی پایگاه داده باد برای بازارهای کالاهای چینی استخراج می شود ، از اول ژانویه 2010 تا 22 مارس 2021. داده های دیگر از بخش بورس اوراق بهادار پایگاه داده بادی برای داده های شاخص CSI 300 استخراج شده است.، از اول ژانویه 2010 تا 22 مارس 2021.

بودجه: نویسنده (ها) بودجه خاصی برای این کار دریافت نکردند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

1. معرفی

20 آوریل 2020 ، یک روز به یاد ماندنی برای بازار آینده نفت در ایالات متحده بود. این اولین بار در تاریخ بود که قیمت آتی نفت ایالات متحده در آن روز قیمت منفی را به نمایش گذاشت. قرارداد ماه مه برای معیار نفت خام درجه غربی تگزاس واسطه (WTI) در عرض چند دقیقه به 37. 63 دلار کاهش یافته است (شکل 1 را ببینید). پس از آن ، آژانس اطلاعات انرژی ایالات متحده (EIA) دو دلیل برای این رویداد تاریخی ارائه داد: عدم نقدینگی بازار زیرا قرارداد ماه مه نزدیک به سررسید بود و محدودیت موجود برای نفت خام بود [1].

اسلاید پاورپوینت تصویر بزرگتر بی پروا تصویر اصلی شکل 1. مه 2020 جنبش قیمت گذاری قراردادهای آتی واسطه غربی غربی در 20 آوریل 2020.

از مورد فوق ، می توان دریافت که نقدینگی بازار نقش مهمی در تجارت معاملات آتی کالا دارد. در نتیجه ، سرریز خطر عدم نقص ، ممکن است تأثیر قابل توجهی در فعالیت های معاملاتی در بازارهای کالا داشته باشد. آندریکوپولوس و همکاران.[2] اظهار داشت كه انتقال اطلاعات و احساسات بازار می تواند از طریق سرریز عدم اعتبار در بازارهای مختلف مالی تحقق یابد. Smimou و Khallouli [3] نشان می دهند که همبستگی و تبلیغ در بازارهای مالی در سطح کشور در داخل منطقه یورو وجود دارد. مهمتر از همه ، CESPA و Foucault [4] نشان می دهند که سرریز عدم استفاده می تواند باعث ایجاد شکنندگی در بازار شود ، جایی که کاهش اندک در نقص بازار می تواند از طریق یک حلقه بازخورد به یک سقوط نقدینگی بزرگ در بازار تشدید شود. اخیراً ، Amihud و Noh [5] اثبات می کنند که نقص بازار تأثیر قابل توجهی در ابعاد مقطعی و سری زمانی در بورس سهام دارد.

از طرف دیگر ، پیوند قوی بین نقص بازار و نوسانات به طور قابل توجهی در مطالعات معاصر مورد بررسی قرار گرفته است (به Bao و Pan [6] ؛ Valenzuela et al. [7] ؛ Iwatsubo et al. ، [8]). در واقع ، این واقعیت که نوسانات تعیین کننده اصلی نقدینگی بازار است نیز به خوبی ثبت شده است (رجوع کنید به چان و همکاران [9] ؛ چونگ و چووونگنانت [10]). بازار نفت خام نقش مهمی در بازارهای کالایی دارد و بنابراین ، سرریز نوسانات بازار نفت خام توسط ادبیات موجود به طور قابل توجهی مورد بررسی قرار گرفته است. بسیاری از مطالعات انتقال نوسانات بین بازار نفت و بازارهای کشاورزی را بررسی می کنند (به Du et al. ، [11] ؛ Nazlioglu et al. ، [12] ؛ Kang et al. ، [13]) و همچنین بازار سهام (Arouri مراجعه کنید. et al. ، [14] ؛ Khalfaoui et al. ، [15] ؛ Xu et al. ، [16]).

از آنجا که سرریز نابودی یک مسئله مهم در بازارهای مالی است و نوسانات تعیین کننده حیاتی نقدینگی بازار است ، سهم اصلی این مقاله بررسی تداوم تأثیر سرخوردگی و سرریز نوسانات در بازارهای مختلف کالا است. ما قصد داریم دنباله تأثیر بین سرریز نوسانات و سرریز ناهمواری را بررسی کنیم ، که به ما امکان می دهد تجزیه و تحلیل کنیم که آیا سرریز نوسانات منجر به سرریز بیشتر می شود. ما عمدتاً روی سرریز ریسک بازار سهام به سمت بازارهای کالا تمرکز می کنیم. این استدلال مبتنی بر نوسانات است که به عنوان تعیین کننده نقدینگی بازار و از همه مهمتر ، رابطه منفی بین نوسانات و نقدینگی بازار ، که در مطالعات زیادی مورد بحث قرار گرفته است ، استوار است (نگاه کنید به چان و همکاران [9] ؛ بارینوف [17] ؛چانگ و چوونگنانت [18]).

به تازگی ، مطالعات عظیم به بررسی رابطه بین سرریزهای ریسک بازار کالاها با سایر شوک های بازار اختصاص یافته است. احمد و هوو [19] رابطه پویا بین بورس ، بازارهای کالا و قیمت جهانی نفت را بررسی می کنند. آنها با استفاده از یک مدل Trivariate Var-Bekk-Garch ، اثر سرریز بازده یک طرفه قابل توجه را از بازار نفت به بازار سهام در چین نشان می دهند. جالب تر ، Frommel و همکاران.[20] از اینكه سهام نقدینگی پایین بتا از سهام نقدینگی بالا و بتا به صورت ریسك تنظیم شده در طی سالهای 1997 و 2016 در بازارهای مالی چین بهتر عمل می كند. آنها توضیحی مبتنی بر رفتاری رقابتی برای توضیح این ناهنجاری بتا نقدینگی در چین پیشنهاد می کنند. علاوه بر این ، عمر و همکاران.[21] وابستگی متقابل بین نوسانات قیمت نفت و کالاهای کشاورزی را از سال 2002 تا 2020 با استفاده از آزمایشات علیت گرنجر بررسی کنید. آنها داده های روزانه را از شاخص وحشت در سراسر جهان و قیمت کالاها به کار می برند تا نتیجه بگیرند که از شوک های نفتی می توان برای پیش بینی کالاهای کشاورزی آینده و برعکس استفاده کرد. ژانگ و دینگ [22] همچنین سعی در بررسی تأثیر نقدینگی بر قیمت کالاها و بازگشت حرکات دارند. تحقیقات آنها نشان می دهد که نقدینگی تأثیر استنباطی در ادغام قیمت کالا دارد. در کار اخیر عمر و همکاران.[23] ، انسجام موجک مربع (SWC) و تکنیک های اختلاف فاز انسجام موجک (WCPD) برای مطالعه رابطه بین شاخص هراس کروناویروس و حرکت قیمت کالاها استفاده می شود. نتایج آنها حاکی از آن است که همبستگی بالایی بین یک رویداد سیستمی مانند همه گیر COVID-19 و نوسانات بازار کالاها مشاهده شده است.

مطالعه ما از دو جنبه از مطالعات موجود متمایز می شود. در مرحله اول ، تحقیقات موجود بر روی سرریز خطر بین بازارهای کالا تمرکز دارد (به جی و همکاران ، [24] ؛ شهزاد و همکاران ، [25] ؛ منسی و همکاران ، [26]). این آموزه ها عمدتاً نوسانات را به عنوان معیار خطر برای کشف تأثیر سرریز بین بازارهای کالایی اتخاذ می کنند. در مکمل ، تحقیقات ما نه تنها از نوسانات استفاده می کند بلکه از ریسک نقص بازار در مدل ما نیز استفاده می کند تا تحقیقات در مورد سرریز ریسک را در بازارهای مالی گسترش دهد. مهمتر از همه ، ما از مدل VAR (رگرسیون خودکار وکتور) برای تجزیه و تحلیل حساسیت بازار کالا نسبت به شوک های ریسک بازار سهام و عدم اعتبار به عنوان پاسخگویی در بازار کالا استفاده می کنیم. مانند آندریکوپولوس و همکاران. مطالعه [2] ، تمرکز آنها بر روی ریسک خطر بازار سهام در کشورهای مختلف است. آنها از روابط علیت گرنجر بین ریسک ، بازده و نقص در بازار سهام G7 رونمایی می کنند و پیامدهای تحقیق در مورد تنوع بین المللی نمونه کارها را ارائه می دهند. در مقابل ، نقطه کانونی ما به تعامل بین بازار کالا و بازار سهام و همچنین ، نمونه داده های ما به جای بازارهای سهام G7 در بازارهای چین متمرکز است.

از طریق مطالعه ما ، ما از مدل VAR استفاده می کنیم تا تأثیر تأثیرگذاری از سرریز نوسانات و سرریز عدم نقص ، به ویژه از بازار سهام به سمت بازار کالاها را تجزیه و تحلیل کنیم. اول ، در این مقاله ، یک سرریز بازار متقاطع از نوسانات و ناتوانی در بازارهای مالی چین به نمایش گذاشته شده است. ما از آزمون گرنجر برای نشان دادن تعامل قابل توجه بین نوسانات و نقص در بازارهای مختلف مالی استفاده می کنیم. جالب تر اینکه ، ما می دانیم که بازارهای کالاهای مختلف پاسخگویی متفاوتی نسبت به شوک های بازار سهام دارند. از این طریق ما با توجه به رفتار پاسخگویی شوک آنها ، بازارهای کالایی را به سه گروه طبقه بندی می کنیم. نوسانات و نقص در بیشتر بازارهای کالایی وابسته به خود است که ما آن را به عنوان گروه اول معرفی می کنیم و دو گروه دیگر مستعد پاسخ دادن به شوک های بازار سهام هستند.

به طور خاص ، ما پرده برداری می کنیم که نوسانات بازار مس به شدت به شوک های نقص بازار سهام پاسخ می دهد و تأثیر شوک پایدار است. با این وجود ، نقص بازار مس نسبت به شوک های نوسانات بازار سهام پاسخگو نیست. از طرف دیگر ، شوک های نوسانات بازار سهام باعث ایجاد رفتار نادرست در بازارهای ذرت و سویا می شوند که می تواند به عنوان بازارهای کشاورزی شناخته شود و شوک های بازار سهام در بازارهای کشاورزی پایدار است. در نتیجه ، ما بازار مس و بازار کشاورزی را به عنوان دو گروه از بازارها به استثنای بازارهای وابسته به خود طبقه بندی می کنیم و بنابراین ، ما حفظ می کنیم که بازارهای کالا ویژگی های مختلفی را در خود جای داده اند. نتایج ما نشان می دهد که بازارهای کشاورزی به شدت توسط دولت تنظیم می شوند ، و نشان می دهد که فعالیت های تجاری ممکن است تا حد زیادی تحت تأثیر جنبش سیاست بازار سهام (دینگ و ژانگ [27]) باشد زیرا سرمایه گذاران نگران عدم اطمینان سیاست هستند (Sinha [28]). از طرف دیگر ، بازار مس یک بازار متمایز است که عمدتاً برای اهداف سرمایه گذاری و پرچین است (باربی و روماگنولی [29]) ، و پرچین ها توجه زیادی به نقدینگی بازار دارند زیرا نقدینگی کافی در بازار ضروری برای محافظت از موفقیت است. بنابراین ، ما پیشنهاد می کنیم که نقص در بورس ممکن است تأثیر قابل توجهی در نوسانات بازار مس داشته باشد. حساسیت به بازار ، سیاست گذاران را قادر می سازد تا سیاست های مربوطه را با توجه به درجات مختلف حساسیت به سیاست بازار تدوین کنند.

مقاله بصورت زیر مرتب شده است. در بخش 2 داده های نمونه و اقدامات متغیر برای بازارهای کالا را شرح می دهیم. در بخش 3 ، ما نتایج پایه خود را ارائه می دهیم و پایه و اساس تجزیه و تحلیل داده های بیشتر را ارائه می دهیم. بخش 4 نتایج تجربی و بررسی استحکام ما را ارائه می دهد ، و تداوم تأثیر سرریز نوسانات و سرریز نابودی از بازار سهام به بازارهای کالا را نشان می دهد. بخش 5 مقاله را نتیجه می گیرد.

2 داده و روش

2. 1 داده ها و تخمین های متغیر

داده های نمونه ای که ما جمع آوری می کنیم برای بازارهای کالاهای چینی و بورس اوراق بهادار چین به صورت هفتگی از پایگاه داده باد است. این نمونه دوره از اول ژانویه 2010 تا 22 مارس 2021 (575 مشاهدات هفتگی برای هر سری) را در بر می گیرد ، که شامل 11 سال اخیر داده ها در بازارهای مالی چین است.

برای توضیحات متغیر ، نسخه "COA" نمایانگر آینده کالاهای ذغال سنگ است ، "COP" نمایانگر آینده کالاهای مس است ، "COR" نمایانگر معاملات آتی کالاهای ذرت است ، "Gol" نمایانگر آینده کالاهای طلا است ، "ملاقات" نمایانگر آینده کالاهای متانول ، "روغن" است. نمایندگی آینده کالاهای نفتی ، "سویا" نمایانگر آینده کالاهای سویا است ، "استی" نمایانگر آینده کالاهای فولادی است ، "Sug" نمایانگر آینده کالاهای قند است و "CSI" نمایانگر شاخص CSI 300 برای بازار سهام چین است. شاخص CSI 300 از 300 بزرگترین و مایع ترین سهام A-Gare تشکیل شده است و هدف آن منعکس کننده عملکرد کلی بازار سهام A چین است. بنابراین ، ما این شاخص را برای نشان دادن حرکت بازار سهام چین انتخاب می کنیم. برای سه برآورد متغیر اصلی ، L مخفف اندازه گیری Amihud از عدم اعتبار است ، V مخفف نوسانات بازده آینده کالاها و R برای بازگشت تحقق یافته های آینده کالا است.

برای تجزیه و تحلیل تجربی ، ما از قیمت کالاها () از بازارهای آینده کالاهای چینی استفاده می کنیم تا بازده تحقق یافته بازارهای آینده کالاهای مختلف کالا را پیدا کنیم ، که به عنوان مشخص شده است ، که به عنوان تعریف شده است. سپس ، ما از انحراف استاندارد یک ماهه گذشته از بازگشت به پروکسی برای برآورد نوسانات بازار استفاده می کنیم.

ما سرانجام پروکسی نقص بازار را تعریف می کنیم (L_حرف) ، که میزان نقص بازار را اندازه گیری می کند. این نشان می دهد که هرچه LT کوچکتر باشد ، بازار مایع تر است. مارشال و همکاران.[30] تعداد زیادی از پروکسی های نقدینگی را برای 19 کالا آزمایش کنید. آنها دریافتند که پروکسی نقدینگی Amihud نسبت به تصحیح حداکثر در بین همه پروکسی ها دارد و آنها به شدت محققان را توصیه می کنند که هنگام مدل سازی نقدینگی کالا از این پروکسی استفاده کنند. کانگ و ژانگ [31] نشان می دهند که اقدامات تنظیم شده Amihud بینش مفیدی را برای نقدینگی در حال ظهور بازار مالی ارائه می دهد. Diaz and Escribano [32] نشان می دهد که اندازه گیری Amihud سه بعد اندازه گیری نقدینگی از جمله عمق ، فوری و سفتی است. در نتیجه ، ما از پروکسی ذکر شده در Amihud [33] برای اندازه گیری نقص دارایی برای این مطالعه استفاده می کنیم ، که شکل زیر را می گیرد: (1) که در آن r_حرفآیا بازگشت دارایی در زمان T و VOL است_حرفحجم معاملات دارایی در زمان t است.

در نتیجه ، بازده هفتگی تحقق یافته ، نوسانات ماهانه و اقدامات نقدینگی هفتگی سه متغیر اصلی برای تجزیه و تحلیل تجربی در این مقاله است.

2. 2 مدل VAR

روش اصلی که در این مقاله اتخاذ می کنیم مدل وکتور Autoregression (VAR) است که یک مدل چند متغیره پویا است که تعدادی از متغیرهای درون زا را به طور همزمان تجزیه و تحلیل می کند ، جایی که هر متغیر درون زا در تاخیر خود و تاخیر از همه رگرسیون می شودمتغیرهای دیگر (SIMS [34] ؛ جورج و همکاران ، [35] ؛ مارکوندز و والک [36]). این مدل همچنین به طور گسترده ای در مطالعه روابط بین بازارهای مختلف کالایی کاربرد دارد (به آلسالمن [37] ؛ داللاتابادی و همکاران ، [38] ؛ ژانگ و لین [39] مراجعه کنید). مدل VAR برای توصیف مشترک رفتار دینامیکی سری زمانی مالی بسیار مفید است و می تواند تکامل مجموعه ای از متغیرهای درون زا K را به عنوان یک تابع خطی از مقادیر گذشته آنها بیان کند. مدل اصلی var (p) فرم زیر را می گیرد (برای x_حرفبردار متغیرهای درون زا مربوطه است): (2) که در آن θ₀یک بردار k*1 ثابت است ، θ_jبرای j = 1 ،… ، p ، یک ماتریس k*k از ضرایب مدل و ε است_حرفیک بردار K*1 از اصطلاحات باقیمانده گاوسی برای مدل VAR است.

3 نتیجه تجربی پایه

در این بخش نتایج تجربی ما در مورد تداوم تأثیر سرریز نابودی و سرریز نوسانات در بازارهای مختلف کالا ارائه شده است. نتایج ما به طور متوالی به یک سری جداول اختصاص داده می شود.

در جدول 1 خصوصیات آماری مجموعه داده های ما از نظر نقدینگی و نوسانات بازار ارائه شده است که به طور متوسط برای هر بازار مالی در بین سهام است. آمار توصیفی ارائه شده میانگین ، حداکثر ، حداقل و انحراف استاندارد از سری زمانی ناهمواری و نوسانات بازار کالاها در دوره نمونه است. پانل A در جدول 1 خلاصه آماری را برای نقص بودن ارائه می دهد ، پانل B خلاصه آماری را برای نوسانات ارائه می دهد ، و ما در مجموع 575 مشاهده برای هر بازار مالی جمع آوری می کنیم. از این مشاهدات ، می توان دریافت که بازار فولاد بیشترین نقص را دارد و نفت بیشترین نوسانات را دارد (از نظر تخمین هفتگی اندازه گیری Amihud 3. 3 ٪ و 3. 1 ٪ نوسانات). علاوه بر این ، ویژگی های شناخته شده عدم تقارن و دم چربی در سری های غیرقانونی نیز در سری نوسانات برای نه بازار کالا وجود دارد.