نوسانات در بازارهای سهام بین المللی

پیش بینی نوسانات یک ضرورت در حوزه مالی است. برآورد نوسانات ، همراه با گرایش اصلی ، به ما اجازه می دهد تا شانس رسیدن به نتیجه خاص را ارزیابی کنیم. تحلیلگران مالی غالباً با اختصاص دارایی های متنوع به منظور تشکیل اوراق بهادار کارآمد با نسبت ریسک بالاتر برای پاداش ، به چالش کشیده می شوند. هدف از این تحقیق ، تجزیه و تحلیل تأثیر COVID-19 بر بازده و نوسانات شاخص های بورس سهام 10 کشور برتر بر اساس تولید ناخالص داخلی با استفاده از یک مدل اقتصاد سنجی گسترده-ناهمگونی مشروط به اتورگرایی ژنرال (GARCH) است. برای این منظور ، بازده روزانه شاخص های بازار از ژانویه 2019 تا ژوئن 2020 مورد توجه قرار گرفت. نتایج نشان می دهد میانگین منفی روزانه برای کلیه شاخص های بازار در دوره COVID (ژانویه 2020 تا ژوئن 2020). اگرچه سه ماهه دوم دوره COVID نشان دهنده بازگشت به همه شاخص های بازار با نقاط قوت تغییر یافته است ، نوسانات بالاتر از دوره های عادی است و نشانگر تمایل نزولی در بازار است. متغیر COVID ، به عنوان یک رگرننده واریانس اگزوژن در مدل سازی GARCH ، برای همه شاخص های بازار مثبت و معنادار است. علاوه بر این ، نتایج فرایند میانگین بازگشت برای همه شاخص های بازار را تأیید کرد.

1. مقدمه

بیماری مسری Covid-19 برای اولین بار در اواخر سال 2019 در ووهان ، چین مشاهده شد و سپس به عنوان بیماری همه گیر در سراسر جهان و بزرگترین بحران این قرن توسط سازمان بهداشت جهانی (WHO) در مارس 2020 اعلام شد. تأثیر ویرانگر که فراتر از سلامتی است. بسته شدن/قفل شدن کشورها منجر به قیمت اقتصادی سنگین تر می شود و اکنون در حال تبدیل شدن به اولویت بین زندگی و معیشت است (باخشی و چوداری 2020). عملکرد مالی ناچیز اقتصاد منجر به بازار سهام نزولی شده است. برای هر کشوری ، عامل خوب در بورس سهام یک عامل اصلی است که بازده احتمالی بازار سرمایه را در آن کشور نشان می دهد. در طی یک دوره بحران اولیه ، این عامل خوب به سرعت به یک عامل ترس برای سهامداران تبدیل می شود و در نتیجه بازار نزولی بدون تغییر زیاد در اصول شرکت ها ایجاد می شود (Totir and Dragotă 2011). از این رو ، تجزیه و تحلیل بازار سهام در دوره بحران که اصول امنیت توسط عوامل کلان اقتصادی رقیق می شود ، یک چالش بزرگ است (هوشی و کاشیاپ 2004) و این چالش برای هر اقتصاد باز با شکوه است که بحران مالی ناشی از همه گیر است. تولید ناخالص داخلی اسمی 10 کشور برتر ، یعنی ایالات متحده ، چین ، ژاپن ، آلمان ، هند ، انگلیس ، فرانسه ، ایتالیا ، برزیل و کانادا ، حدود 66 ٪ از اقتصاد جهان و تعداد Covid-19 مورد در این 10 کشور برتر 60 ٪ از کل موارد را از 15 اوت 2020 تشکیل می دهد. علاوه بر این ، تعداد افراد Covid-19 مثبت به طور مداوم در هشت کشور در 10 کشور برتر ، یعنی به جز چین و ژاپن در حال افزایش است. و اوضاع در آمریکا ، برزیل و هند حتی بدتر است. در ابتدا این بیماری در چین آغاز شد و به ایتالیا ، انگلیس ، فرانسه و آلمان ریخت. از آنجا که اقتصادهای این 10 کشور نشان دهنده اقتصاد جهانی است و همه تحت تأثیر COVID-19 قرار دارند ، این مطالعه بر تأثیر COVID-19 در بورس سهام این 10 کشور برتر بر اساس تولید ناخالص داخلی اسمی متمرکز است.

هدف از این مقاله ، تجزیه و تحلیل تأثیر COVID-19 بر بازده و نوسانات شاخص های بازار سهام 10 کشور برتر بر اساس تولید ناخالص داخلی است. این شاخص ها S& P 500 - US ، Shanghai Composite - China ، Nikkie225 - Japan ، Dax - Germany ، BSE Sensex - India ، FTSE100 - UK ، CAC40 - FTSE ITALIA ALL - ITALY ، IBX40 - BRAZIL ، و S & PTSX COMPOSITEواداین مقاله با توجه به ترس ناشی از تهدید ویروس ، یکی از اولین تلاش ها برای تجزیه و تحلیل تأثیر COVID-19 بر بازده و نوسانات شاخص های بورس سهام برای 10 کشور برتر بر اساس تولید ناخالص داخلی است.

بخش های باقیمانده این مقاله یک بررسی ادبیات ، روش مطالعه ، نتایج ، بحث و نتیجه گیری را ارائه می دهد.

2. بررسی ادبیات < Pan> هدف از این مقاله ، تجزیه و تحلیل تأثیر COVID-19 بر بازده و نوسانات شاخص های بورس سهام 10 کشور برتر بر اساس تولید ناخالص داخلی است. این شاخص ها S& P 500 - US ، Shanghai Composite - China ، Nikkie225 - Japan ، Dax - Germany ، BSE Sensex - India ، FTSE100 - UK ، CAC40 - FTSE ITALIA ALL - ITALY ، IBX40 - BRAZIL ، و S & PTSX COMPOSITEواداین مقاله با توجه به ترس ناشی از تهدید ویروس ، یکی از اولین تلاش ها برای تجزیه و تحلیل تأثیر COVID-19 بر بازده و نوسانات شاخص های بورس سهام برای 10 کشور برتر بر اساس تولید ناخالص داخلی است.

بخش های باقیمانده این مقاله یک بررسی ادبیات ، روش مطالعه ، نتایج ، بحث و نتیجه گیری را ارائه می دهد.

2. بررسی ادبیات هدف این مقاله ، تجزیه و تحلیل تأثیر COVID-19 بر بازده و نوسانات شاخص های بازار سهام 10 کشور برتر بر اساس تولید ناخالص داخلی است. این شاخص ها S& P 500 - US ، Shanghai Composite - China ، Nikkie225 - Japan ، Dax - Germany ، BSE Sensex - India ، FTSE100 - UK ، CAC40 - FTSE ITALIA ALL - ITALY ، IBX40 - BRAZIL ، و S & PTSX COMPOSITEواداین مقاله با توجه به ترس ناشی از تهدید ویروس ، یکی از اولین تلاش ها برای تجزیه و تحلیل تأثیر COVID-19 بر بازده و نوسانات شاخص های بورس سهام برای 10 کشور برتر بر اساس تولید ناخالص داخلی است.

بخش های باقیمانده این مقاله یک بررسی ادبیات ، روش مطالعه ، نتایج ، بحث و نتیجه گیری را ارائه می دهد.

2. بررسی ادبیات

تأثیر COVID-19 را نمی توان با هرگونه بحران مالی/جهانی قبلی یا بیماری همه گیر مقایسه کرد زیرا چالش های مرتبط با COVID در مقایسه با بحران های قبلی بسیار بیشتر است. این امر عمدتاً به این دلیل است که ما در دنیای بسیار یکپارچه تری زندگی می کنیم ، ما نرخ بهره تاریخی Bottommost و اثرات سرریز بسیار بیشتری را داریم (Feandes 2020). همه گیر فعلی پتانسیل قابل توجهی برای از بین بردن هرگونه اقتصاد در صورت عدم مدیریت کارآمد دارد (Anjorin 2020 ؛ Feinstein و همکاران 2020) یا تا زمانی که واکسن برای Covid-19 (Okhuese 2020) وجود نداشته باشد. نتیجه این بیماری همه گیر ، کند شدن اقتصاد یا به دلیل قفل شدن یا به دلیل ترس ناشی از چشم انداز قابل توجهی منفی است (Onvista 2020). با توجه به تأثیر منفی قفل شدن در بسیاری از مشاغل ، کل ضرر می تواند به میزان 0. 5 ٪ تولید ناخالص داخلی جهانی باشد (آیتیتی و همکاران 2020). تخمین های مشابهی توسط محققان برای کشورهای خاص مانند ایالات متحده (آلفارو و همکاران 2020) ، آلمان (میشلسن و همکاران 2020) ، چین (رویز و ماریو 2020) ، عربستان سعودی (آلبولسکو 2020) و بسیاری دیگر انجام شده است. تأثیر کاهش تولید ناخالص داخلی کشورها در عملکرد مالی بورس بسیار منعکس شده است. با توجه به خسارات تخمین زده شده و کاهش بازار سهام ، نیاز به مداخلات مهم سیاست ، کمک مالی و پولی و اقتصادی برای محافظت از سلامت انسان ، جلوگیری از ضرر اقتصادی و محافظت از سلامت مالی بورس در برابر COVID-19 وجود دارد.(Gourinchas 2020). جدا از این ، صندوق بین المللی پول (IMF) پیش بینی کرد که همه گیر Covid-19 از زمان رکود بزرگ ، عمیق ترین بحران جهانی را ایجاد می کند (FAZ 2020). در سراسر جهان ، بیشتر سرمایه ها از طریق بورس سهام رد و بدل می شوند. بازده بازار سهام بسیار تحت تأثیر عوامل کلان اقتصادی است (زاهدی و روناگی 2015). از این رو ، عملکرد بازار سهام می تواند بر روی اقتصاد داخلی مستقیماً تأثیر بگذارد. پیش بینی های بازار سهام به طور کلی خطرات سرمایه گذاری در بورس سهام را برطرف می کند. اگرچه در پیش بینی بازده بورس به دلیل رگرسیون دروغین ، با استفاده از رویکردهای مختلف داده کاوی و غیره ، چند چالش وجود دارد ، ادبیات کافی وجود دارد که پیشنهاد می کند بازده بورس دارای یک عامل قابل پیش بینی باشد (کمپبل و تامپسون 2008 ؛ کوکران 2008 ؛ Pástor وStambaugh 2009 ؛ Van Binsbergen and Koijen 2010).

محققان پیشنهاد کرده اند که نوسانات بازده بازار سهام به شدت با عدم اطمینان در بازار مرتبط است و از این رو پارامتر کلیدی در اکثر تصمیمات سرمایه گذاری/تصمیمات مدیریت پرتفوی است. نوسانات شاخص اصلی ریسک است و پیش بینی بی نظیر نوسانات بازار سهام بسیار مهم است (گرین و فیگلوسکی، 1999). نوسانات بیشتر نشان دهنده تغییرات قابل توجهی در قیمت سهام در کوتاه مدت است. با افزایش نوسانات، ریسک افزایش می یابد. نوسانات کمتر نشان می دهد که قیمت سهام در کوتاه مدت تغییرات زیادی را نشان نمی دهد و قیمت در یک دوره زمانی معین با نرخ ثابتی تغییر می کند (گلوستن و همکاران 1993). نوسانات بیشتر به احتمال بیشتر یک بازار نزولی مربوط می شود در حالی که نوسانات کمتر به شانس بیشتر یک بازار صعودی مربوط می شود (انگ و لیو 2007). رایج ترین معیارهای مورد استفاده برای نوسانات انحراف معیار، چولگی و کشیدگی است. چالش با معیار اولیه نوسان، انحراف استاندارد، محدودیت آن است که بر این فرض استوار است که بازده به طور معمول توزیع می شود. چولگی به جای تمرکز بر بازده متوسط، روی افراط در مجموعه داده ها کار می کند (چانگ و همکاران 2013). کورتوز، مانند چولگی، معیار دیگری است که زمانی که داده ها دارای مقادیر شدید هستند، استفاده می شود (Mei et al. 2017). ممان های بالاتر، یعنی چولگی و کشیدگی نیز در بازارهای نوظهور و توسعه یافته قیمت گذاری می شوند.(Fletcher and Kihanda 2005؛ Teplova and Shutova 2011؛ and Chaudhary et al. 2020). تست Jarque-Bera ابزاری برای آزمایش تناسب است. اگر مقدار آن دور از صفر باشد، این نشان می دهد که نمونه دارای توزیع نرمال نیست (تادوالد و بونینگ 2007). برخی از ویژگی های کلیدی داده های سری زمانی مالی وجود دارد که آن ها را از داده های سری زمانی معمولی متمایز می کند و بنابراین تجزیه و تحلیل بازده دارایی های مالی را از بازده سایر کلاس های دارایی ها متمایز می کند، به عنوان مثال، پراکندگی لپتوکورتیک، خوشه بندی نوسانات، و اثر اهرم. بنابراین در طول یک بحران مالی، نوسانات بازدهی را نمی توان با ابزارهای عادی مدلسازی کرد. در عوض، مدل های نوسانات متغیر با زمان مورد نیاز است (Rastogi 2014). استفاده از فرآیند ناهمسانی شرطی رگرسیون خودکار (ARCH) برای ادغام ماهیت در حال تغییر نوسانات در طول زمان برای اولین بار توسط Engle (1982) پیشنهاد شد، و مدل های ناهمسانی شرطی خودبازگشتی تعمیم یافته (GARCH) در نتیجه توسط Bollerslev (1986) برای کاهشچند کاستی مدل های ARCH

خانواده مدلهای GARCH به طور مداوم نشان داده شده است که دقیق ترین نتایج را به دست می آورند و به همین دلیل ، سیستم GARCH اساساً به روش استاندارد برای مدل سازی نوسانات در داده های سری زمانی مالی تبدیل شده است (بروکس و REW 2002).

در این کار ، ما عملکرد شاخص های بورس سهام را برای ده کشور اصلی در سراسر جهان از نظر بازده و نوسانات در دوره قبل از کار و COVID با استفاده از مدل GARCH تجزیه و تحلیل کردیم. این مطالعه به ادبیات موجود در بازارهای سرمایه گذاری بین المللی کمک می کند و هم افزایی ها را در بازارهای سراسر جهان مشخص می کند. این مطالعه همچنین به دلیل ماهیت ذاتی آن ، رفتار بازارهای مختلف را در این بحران مالی ، که بی نظیر است ، مشخص می کند. علاوه بر این ، واکنش بازارها به بحران را بررسی می کند و همچنین روند و رفتار بازارها را ارزیابی می کند. بنابراین ، این مطالعه به مدیران نمونه کارها در تصمیم گیری های آگاهانه کمک می کند.

3. داده ها و روش شناسی

3. 1جمع آوری داده ها و طبقه بندی بازار

در این مطالعه ، تحقیقات با گرفتن داده های قیمت روزانه از وب سایت مالی یاهو در شاخص های بورس سهام ده کشور برتر بر اساس تولید ناخالص داخلی ، که شامل ایالات متحده (S& P 500) ، چین (Shanghai Composite) ، ژاپن است ، انجام شد. Nikkie225) ، آلمان (DAX) ، هند (BSE-sensex) ، انگلستان (FTSE100) ، فرانسه (CAC40) ، ایتالیا (FTSE Italia All مشترک) ، برزیل (IBX40) و کانادا (Composite S& PTX). اقتصاد این ده کشور 66 ٪ از تولید ناخالص داخلی جهان را تشکیل می دهد و بنابراین می توان به عنوان نماینده ای برای نمایندگی کل اقتصاد جهانی در نظر گرفت. مدت زمان انجام شده برای مطالعه از 1 ژانویه 2019 تا 30 ژوئن 2020 است. انتخاب این دوره برای درج هر دو دوره قبل از کار (1 ژانویه 2019 تا 31 دسامبر 2019) و دوره COVID (1 ژانویه 2020 انجام شد. تا 30 ژوئن 2020). دوره در نظر گرفته شده برای این مطالعه ، درک برتر از رفتار بورس سهام را ارائه می دهد.

3. 2تکنیک های تخمین

در این مطالعه ، تجزیه و تحلیل از طریق تکنیک های مختلف آماری مانند آمار توصیفی ، آزمون ریشه واحد ، آزمون اثر قوس و ناهمگونی مشروط مشروط عمومی (GARCH) (1،1) مدل (Bhowmik and Wang 2020) انجام می شود.

3. 2. 1. آمار توصیفی₀در این پژوهش، آمار توصیفی شامل میانگین و میانه به عنوان معیارهای گرایش مرکزی و انحراف معیار و چولگی و کشیدگی به عنوان معیارهای متغیر است. برای تایید توزیع نرمال بازده، از آزمون Jarque-Bera استفاده شد. نمودارهای زمانی بازده روزانه شاخص های بازار برای ارائه بینش بهتر نمایش داده شده است. برای نشان دادن ضریب همبستگی بین شاخص های مختلف بازار از ماتریس همبستگی استفاده شد. بازده همه شاخص های بازار از طریق روش تفاوت لگاریتم طبیعی با استفاده از فرمول زیر محاسبه شد:

که در آن IR at = بازده شاخص a، P در = قیمت شاخص a در پایان روز t و P a، t - 1 = قیمت شاخص a در پایان روز t - 1.

3. 2. 2. تست ریشه واحد

آزمون ریشه واحد برای بررسی ثابت بودن یک سری داده استفاده می شود. اگر تغییر در زمان باعث تغییر در شکل توزیع نشود به یک سری زمانی ثابت گفته می شود. اگر سری ثابت باشد، نشان می دهد که میانگین، واریانس و ساختار همبستگی خودکار در یک دوره زمانی تغییر نمی کند. برای بررسی این موضوع، از آزمون دیکی-فولر تقویت شده استفاده شد که در آن یک فرضیه صفر به عنوان وجود یک ریشه واحد فرض شد (دیکی و فولر 1981).

که در آن "y" سری زمانی را نشان می دهد، "t" دوره زمانی است، "n" تعداد بهینه تاخیرها، "α" است.

' مقدار ثابت نامیده می شود و 'e' به عنوان اصطلاح خطا شناخته می شود.

3. 2. 3. تست اثر ARCH_tآزمون ضریب ناهمگونی شرطی-لاگرانژ با رگرسیون خودکار (ARCH-LM) برای بررسی ناهمگونی، باقیمانده ها و برای بررسی وجود اثر ARCH/GARCH Engle (1982) استفاده شد._tجایی که "u" باقیمانده مربع نامیده می شود که می تواند با مدل رگرسیون اولیه اندازه گیری شود. با این حال، در یک مدل رگرسیون ثانویه، تاخیر "p" گنجانده شده است.

3. 2. 4. مدل GARCH

ARCH تعمیم یافته (GARCH) توسعه ای از مدل ARCH است. یک مدل GARCH ممکن است پارامترهای کمتری در مقایسه با یک مدل ARCH داشته باشد. خانواده مدل های GARCH مرتباً نتایج دقیق تری ارائه می دهند و به همین دلیل، استفاده از مدل GARCH به روش استاندارد برای مدل سازی نوسانات در داده های سری زمانی مالی تبدیل شده است. مدل GARCH (p, q) را می توان به صورت زیر برشمرد (Brooks and Rew 2002):₁جایی که y₁میانگین شرطی، h است

آیا واریانس شرطی است ، ω و μ اصطلاحات ثابت هستند ، t اصطلاح خطا میانگین معادله است و Q و P تاخیر اصطلاح باقیمانده (خطا) و شرایط واریانس شرطی در معادله واریانس شرطی است.

ساده ترین اما اغلب مناسب ترین فرآیند Garch مدل Garch (1،1) است که به عنوان مدل Garch عمومی یا "وانیل ساده" نیز شناخته می شود. کارماکار (2005) استفاده از گارچ (1،1) را برای ثبت نوسانات مشروط در بازده سهام توصیه کرده است. مدل GARCH (1،1) به شرح زیر نوشته شده است ، جایی که P = 1 و Q = 1 ، و در آن معادله (6) به معادله تبدیل می شود (7):

در معادله (7) ، α

و β

به ترتیب ضرایب اصطلاحات قوس و گارچ است ، جایی که "α" (اثر قوس) پاسخ به شوک و "β" (اثر گارچ) را تخمین می زند ، زمان لازم برای تغییر هرگونه تغییر را تعیین می کند. مقادیر α بیشتر حساسیت بیشتری را به اطلاعات جدید نشان می دهد ، در حالی که مقادیر بیشتر β زمان بیشتری را برای تغییر تغییر نشان می دهد..

3. 2. 5. مدل Garch با رگرسیون نوسانات اگزوژن

مهم است که تأثیر COVID را بر روند میانگین بازده و نوسانات ارزیابی کنیم. این مدل با استفاده از متغیر ساختگی برای دوره COVID گسترش یافته است تا اهمیت دوره را مشخص کند.

متغیر ساختگی COVID مقدار 0 را برای دوره قبل از Coronavirus (1 ژانویه 2019-31 دسامبر 2019) و 1 برای دوره فعلی Coronavirus (یعنی 1 ژانویه 2020 تا 30 ژوئن 2020) فرض می کند. بنابراین ، در میانگین معادله مشروط ، یک ضریب منفی و آماری معنی دار برای COVID نشان دهنده همبستگی بین تاج و کاهش میانگین بازده بازارها است ، در حالی که ضریب مثبت و آماری معنی دار برای Covid نشان دهنده همبستگی بین کرونوویروس و AN است. افزایش میانگین بازده بازار. در معادله واریانس شرطی ، یک ضریب منفی و آماری معنی دار برای COVID نشان دهنده همبستگی بین تاج و کاهش نوسانات بازارها است ، در حالی که ضریب مثبت و آماری معنی دار برای Covid نشان دهنده همبستگی بین تاج و افزایش در افزایش در کرونوویروس و افزایش در افزایشنوسانات بازار.

4- نتایج تجربی

در جدول 1 خلاصه ای از آمار توصیفی بازده روزانه برای کلیه شاخص های 10 کشور برتر توسط تولید ناخالص داخلی ارائه شده است. کل دوره مطالعه از ژانویه 2019 تا ژوئن 2020 به دو دوره ، دوره قبل از کاوید (1 ژانویه 2019-31 دسامبر 2019) (جدول 1 قسمت (الف)) و دوره COVID-19 (1 ژانویه 2020 تقسیم شد.-30 ژوئن 2020) (جدول 1 قسمت (ب)). علاوه بر این ، دوره COVID-19 به دو چهارم تقسیم شد ، همانطور که در قسمت (c) و قسمت (د) جدول 1 ارائه شده است. جدول 1 خلاصه ای از آمار توصیفی بازده روزانه برای کلیه شاخص های بالا را ارائه می دهد10 کشور توسط تولید ناخالص داخلی. کل دوره مطالعه از ژانویه 2019 تا ژوئن 2020 به دو دوره ، دوره قبل از کاوید (1 ژانویه 2019-31 دسامبر 2019) (جدول 1 قسمت (الف)) و دوره COVID-19 (1 ژانویه 2020 تقسیم شد.-30 ژوئن 2020) (جدول 1 قسمت (ب)). علاوه بر این ، دوره COVID-19 به دو چهارم تقسیم شد ، همانطور که در قسمت (c) و قسمت (د) از جدول 1. جدول 1 خلاصه ای از آمار توصیفی بازده روزانه برای کلیه شاخص های 10 کشور برتر را ارائه می دهدتولید ناخالص ملی. کل دوره مطالعه از ژانویه 2019 تا ژوئن 2020 به دو دوره ، دوره قبل از کاوید (1 ژانویه 2019-31 دسامبر 2019) (جدول 1 قسمت (الف)) و دوره COVID-19 (1 ژانویه 2020 تقسیم شد.-30 ژوئن 2020) (جدول 1 قسمت (ب)). علاوه بر این ، دوره COVID-19 به دو چهارم تقسیم شد ، همانطور که در قسمت (c) و قسمت (d) جدول 1 ارائه شده است.

بازده روزانه کلیه شاخص ها در دوره COVID-19 (ژانویه 2020-ژوئن 2020) میانگین بازده منفی را نشان می دهد در حالی که دوره قبل از Covid-19 (ژانویه 2019-دسامبر 2019) دارای میانگین بازده روزانه است. علاوه بر این ، سه ماهه اول بحران COVID-19 میانگین بازده منفی را برای همه شاخص ها نشان می دهد و سه ماهه دوم بحران میانگین بازده مثبت برای همه شاخص ها را نشان می دهد ، که نشان می دهد واکنش منفی بازار در اوایل بحران قوی است. مشاهده شده است که حداقل ارزش کلیه شاخص ها در دوره بحران (ژانویه 2020 - ژوئن 2020) در ماه مارس 2020 بود. فقط شاخص کامپوزیت SSE چین در 3 فوریه 2020 دارای حداقل ارزش (8. 04 ٪) است. بزرگترین غوطه وری یک روزه در FTSE Italia ، همه شاخص سهم ایتالیا (17. 91 ٪) همراه با شاخص IBX50 برزیل (16. 25 ٪) در 12 مارس 2020 و در سنکس هند (14. 14 ٪) در 23 ام مشاهده می شود. مارس 2020. اندازه گیری اصلی ریسک ، یعنی انحراف استاندارد ، برای کلیه شاخص ها در دوره COVID-19 در مقایسه با دوره قبل از COVID-19 بسیار زیاد است. اگرچه میانگین بازده روزانه سه ماهه دوم دوره بحران COVID-19 مثبت است و در مقایسه با سه ماهه اول دوره بحران COVID-19 ، گزاف گویی قابل توجهی نشان می دهد ، در همان زمان ، تمام شاخص ها مقادیر زیادی از انحراف استاندارد را در مقایسه بادوره قبل از COVID-19. به طور کلی ، تمام شاخص ها در طول دوره بحران COVID-19 نسبت به دوره بحران قبل از COVID-19 نشان می دهند. با مقایسه قبل از COVID-19 و در طول دوره بحران COVID-19 ، تمام شاخص ها مقدار کورتوز بالاتری را نشان می دهند ، که نشان دهنده توزیع لپتوکورتیک بازده است. همچنین مشاهده شده است که در سه ماهه دوم دوره بحران COVID-19 ، کمبود منفی پایین تر و مقادیر پایین تر کورتوز توزیع بازگشت در مقایسه با سه ماهه اول دوره بحران COVID-19 را نشان می دهد. آزمایش Jarque-Bera تأیید می کند که بازده ها در دوره قبل از COVID-19 و در دوره COVID-19 غیر طبیعی است. علاوه بر این ، برخی از شاخص ها در سه ماهه دوم بحران COVID-19 بازده عادی را نشان می دهد ، اما در عین حال ، تمام شاخص ها در همان دوره ، انحراف استاندارد را نسبت به دوره های عادی نشان می دهند.

جدول 2 شامل نکات برجسته بازده دوره ای برای دوره های نیمه سالانه ، یکی در طول بحران (ژانویه-ژوئن 2020) و دیگری قبل از دوره بحران (ژوئیه-دسامبر 2019) است که برای مدت زمان برای طول پنجره کنترل می کند. علاوه بر این ، بازده دوره ای سه ماهه اول و دوم ، دوره بحران و بازگشت سالانه سال 2019 نیز به طور جداگانه در جدول نمایش داده می شود.

جدول نشان می دهد که شاخص های انگلستان (81. 81 ٪) ، فرانسه (98 /9 ٪) و ایتالیا (18. 49 ٪) فقیرترین را در رابطه با بازده دوره ای از ژانویه تا ژوئن 2020 انجام دادند. بازارهای چین و ایالات متحده هستندتنها بازارهایی که بازده مثبت را برای دوره ژانویه تا ژوئن 2020 نشان می دهند. با مقایسه بازده دوره ای سه ماهه دوم با سه ماهه اول سال 2020 ، به طور قابل توجهی بدیهی است که تمام شاخص های اقتصادی با نقاط قوت تغییر یافته عقب مانده اند. به طور کلی ، شاخص های انگلیس و فرانسوی ضعیف ترین برگشتی را نسبتاً داشتند ، در حالی که برزیل ، هند و شاخص های بازار ایالات متحده قوی ترین قدرت را در بازگشت خود به نمایش گذاشتند.

شکل 1 بازده روزانه کلیه شاخص ها را در دوره ژانویه 2019 تا ژوئن 2020 نشان می دهد. نمودارهای شکل 1 بینشی از نوسانات بالا در دوره کنونی کرونوویروس با تمام شاخص های بازار ده کشور در نظر گرفته شده است. علاوه بر این ، به نظر می رسد که تمام نمودارها خوشه بندی نوسانات را نشان می دهند ، بنابراین نوسانات در دوره فعلی بر دوره های نوسانات آینده تأثیر می گذارد ، و به نظر می رسد تمام سری های برگشتی به معنای بازگشت هستند ، که نشانگر ثابت بودن است._tجدول 3A ، B همبستگی بین کلیه شاخص ها برای دوره ژانویه 2019 - دسامبر 2019 و از ژانویه 2020 تا ژوئن 2020 ارائه شده است.

همانطور که از همبستگی های جدول 3 مشاهده شده است ، همبستگی مثبت در همه بازارها مشاهده می شود. هرچه جهان نزدیکتر و یکپارچه تر می شود ، سرمایه مالی در اقتصادهای مختلف جریان می یابد و بنابراین بازارهای سراسر جهان تمایل دارند که به آسمانی وابسته باشند. این ادغام اقتصادی باعث شده است که مدیران نمونه کارها در سراسر جهان متنوع شوند و همین امر منجر به گسترش ریسک از یک اقتصاد به دیگران شده است. علاوه بر این ، می توان در مقایسه با جدول 3A با جدول 3B ، که همبستگی مثبت در بازارها در دوره بحران افزایش یافته است ، نشان می دهد که نشان دهنده چسبندگی و وابستگی در بازارها است. این تجلی ، که بازار سهام در سراسر جهان به دلیل هرگونه تلاطم در اقتصاد بسیار منسجم تر می شود ، بهتر است "اثر مسری" نامیده شود (رول 1989). افزایش درجه انسجام در طول و بعد از یک بحران در مقایسه با انسجام قبل از بحران توسط هویگبرت و وانگ (2010) و اکتر و نوبی (2018) گزارش شده است.

در این مقاله ، مدل GARCH (1،1) برای تجزیه و تحلیل داده های سری زمانی مالی همه ده شاخص بازار کشور مورد بررسی قرار گرفت. از شرایط لازم برای ثابت بودن و آزمون اثر قوس استفاده شد. در این مقاله از آزمون افزودنی دیکی فولر (ADF) برای آزمایش یک ریشه واحد استفاده شد و از آزمون قو س-LM برای بررسی ناهمگونی و باقیمانده استفاده شد.

در جدول 4 نتایج تست تقویت شده دیک ی-فولر و آزمون قو س-LM ارائه شده است. همانطور که در جدول 4 نشان داده شده است ، تمام شاخص ها در فرم سطح دارای آمار آزمون بالاتری از ارزش بحرانی هستند. بنابراین ، فرضیه تهی از حضور ریشه واحد رد می شود و علاوه بر این ، نتیجه گرفته می شود که شاخص ها در سطح آنها در سطح یک درصد ثابت هستند. مقادیر احتمال آمار LM نیز معنی دار است ، بنابراین فرضیه تهی از اثر قوس را رد می کند. این تأیید وجود اثر قوس در باقیمانده مدل سری زمانی بازده را تأیید می کند. بنابراین ، شرایط پیش برای استفاده از مدل وانیل گارچ ساده (1،1) برآورده شد.

نتایج حاصل از گارچ وانیل ساده (1،1) برای کلیه شاخص های اقتصادی در جدول 5 ارائه شده است. میانگین ضریب معادله مشروط برای کلیه شاخص ها مثبت و از نظر آماری معنی دار است. در معادله واریانس ، ضریب اصطلاح واریانس ثابت و پارامترهای قوس و گارچ برای همه شاخص ها مثبت و از نظر آماری معنی دار است. ضرایب موجود در معادله واریانس شرطی ، یعنی α (اثر قوس) و β (اثر GARCH) ، هر دو مربوط به اخبار هستند. به طور خاص ، α نشانگر اخبار اخیر است ، و ارزش آن در اینجا از نظر آماری قابل توجه است ، این بدان معنی است که اخبار اخیر بر نوسانات بازار سهام تأثیر گذاشته است. β نشانگر اخبار قدیمی است ، و این واقعیت که ارزش آن نیز از نظر آماری قابل توجه است نشان می دهد که اخبار قدیمی نیز بر نوسانات بازار تأثیر گذاشته است. علاوه بر این ، ضرایب بزرگ گارچ نشان می دهد که شوک به واریانس مشروط مدت زمان زیادی را برای از بین می برد و نوسانات "مداوم" است. جدول 5 نشان می دهد که مجموع قوس و ضرایب گارچ (α + β) نزدیک به یک است. اگر α + β نزدیک به وحدت باشد ، یک "شوک" در زمان t برای مدت طولانی باقی خواهد ماند. به عبارت دیگر ، یک مقدار بالا برای α + β حاکی از "حافظه طولانی" است ، و هر شوک ممکن است منجر به تغییر دائمی در مقادیر آینده H شود

، نشان می دهد که واریانس شرطی پایدار است. در عین حال ، نتایج یک فرآیند متوسط را نشان می دهد ، زیرا مجموع ضرایب آلفا و بتا کمتر از یک است. علاوه بر این ، مقدار مطلق ، α + β ، سرعت میانگین برگشت را کنترل می کند. از این نتایج بدیهی است که کامپوزیت SPTSX (کانادا) و FTSE 100 (انگلیس) کمترین میانگین برگشت را دارند ، که حاکی از نیمه عمر نوسانات در حدود 402 و 397 روز است ، در حالی که Nikkei 225 (ژاپن) و SSE کامپوزیت (کامپوزیت SSE (چین) سریعترین میانگین برگشت را دارد و دلالت بر نیمه عمر نوسانات به ترتیب در حدود 15 و 19 روز دارد. بر اساس نتایج مدل GARCH ، فرضیه تهی از تغییر در نوسانات می تواند رد شود. در عوض ، تغییر نوسانات نشان داده شده است.

جدول 6 نتایج مدل GARCH (1،1) را نشان می دهد که متغیر کروناویروس را به معادله میانگین شرطی و واریانس شرطی اضافه می کند. نتایج نشان می دهد که ویروس تأثیر مثبت قابل توجهی بر واریانس شرطی برای همه شاخص ها دارد (به استثنای شاخص ترکیبی SPTSX کانادا که آمار Z معنی دار نیست اما مقدار آن هنوز بیشتر از یک است)، که نشان می دهد COVID-19 بازار را افزایش داده است. نوسان در همه این شاخص ها. این نتایج نتایج ابراهیم یوسف (2020) را تأیید می کند که همچنین دریافت که COVID-19 به طور مثبت و قابل توجهی با نوسانات بازده سهام در زمینه بازار ایالات متحده مرتبط است. علاوه بر این، همچنین مشاهده می شود که متغیر کرونا تاثیری بر میانگین بازدهی ندارد.

5. بحث و نتیجه گیری