یک رویکرد توپولوژی شبکه مبتنی بر EMD

از زمان تأمین مالی کالاها ، سرمایه گذاری های نمونه کارها به ابزاری مهم برای سرمایه گذاران تبدیل شده اند تا خطرات را متنوع کنند. با این حال ، به دلیل نوسانات غیرخطی ناشی از وقایع شدید ، سرمایه گذاران در انتخاب سبد ریسک با مشکلات بیشتری روبرو هستند. ما تجزیه حالت تجربی و مدل STVAR را به همراه داده های پایه فاصله نمونه اصلی بهینه شده اتخاذ می کنیم. علاوه بر این ، ما تحقیقات بالغ ریسک سیستمیک چند مقیاس را تحت فرکانس حفظ می کنیم و ابعاد خطر سیستمیک را به دو حالت تقسیم می کنیم. هنگامی که فرکانس با حالت ها ترکیب می شود ، مرکز سرریز خطر دستخوش تغییرات خرابکارانه ، به ویژه در طولانی ترین مدت ، و فلزات به مرکز سرریز ریسک تبدیل می شوند و جایگزین کالاهای انرژی می شوند ، به شرط اینکه ترکیبات با ارزش شدید قدرت قانع کننده را به چشم انداز چشم انداز می بخشد. بلند مدت. ما پیشنهاد کردیم که نوسان مشترک کالاهای کشاورزی و کالاهای انرژی باعث می شود که اولی به یکی دیگر از نقاط مهم ریسک تبدیل شود. برای سرمایه گذاران ، برگزاری دوره و نمونه کارها هر دو باید در نظر گرفته شوند.

1. معرفی

وقتی صحبت از بازار کالاها می شود ، مطالعات اولیه به طور کلی بر نوسانات قیمت کالاها از منظر تجارت بین المللی تمرکز می کنند ، یعنی مکانیسمی که واردات و صادرات آن را مختل می کند و قیمت کالا را تغییر می دهد و ساختار بازار کالا را تغییر می دهد ، که یک تحلیل میکروسکوپی استرابطه عرضه و تقاضا کالاها [1 ، 2]. با این حال ، با ظهور مزایای بالقوه در بازار کالاها ، موسسات مالی و سرمایه گذاران خرده فروشی به طور قابل ملاحظه ای در معرض کالاهای خود را در برابر کالاها افزایش داده و دارای یک موقعیت طولانی مدت خالص هستند که باعث توسعه سرمایه گذاری کالاها شده و به تدریج آنها را از دست و پا چلفتی آزاد می کنداقتصاد واقعی ، بنابراین از پویایی ساده عرضه و تقاضا جدا می شود [3-5]. چن و شیونگ گفتند که شرکت کنندگان در بازار ممکن است به طرز چشمگیری قیمت دارایی را افزایش داده و از اصول عرضه و تقاضا منحرف شوند و آنها را بسیار بی ثبات می کند. این یک بازار کالای نزدیک است که به یک ابزار سرمایه گذاری ارزشمند تبدیل می شود و به مالی سازی نیاز دارد [6]. به ویژه ، در سال 2004 هنگامی که "مالی" به اوج رسید ، بدون شک قیمت کالاها بسیار پیچیده تر شده است [7]. برای بدتر شدن اوضاع ، از آنجا که سقوط بازار سهام در سال 2002 ، توانایی تنوع ریسک آینده کالاها در معاملات متقابل بازار کشف شد [8] ، که می تواند با این واقعیت تأیید شود که سطح فعالیت مالی اندازه گیری شده توسط منافع آزادمعاملات آینده کالا از 103 میلیارد به 509 میلیارد در چند سال افزایش یافته است [9]. علاقه به تجزیه و تحلیل آلودگی ریسک سیستمیک از یک ماکروپرسپیک به طور فزاینده ای قوی شده است ، هم در بازار متقابل و هم در بازار کالاها ، و بسیاری از محققان در این امر درگیر شده اند. از منظر تئوری ریسک ، رفتار گله ای توضیحی مهم در زمینه تأمین مالی رفتاری است که نوسانات مشترک در بازار کالا ذکر شده است ، فقط مصرف انرژی و بازارهای کشاورزی به عنوان مثال [10]. اگر نوسانات متقابل از پویایی خود کالای واحد بالاتر باشد ، می توان از اطلاعات افزایشی ارزشمند موجود در سابق برای تعیین نوسانات قیمت آینده استفاده کرد. محققان دیگر این موضوع را دنبال کرده اند و از نوسانات مشترک کالاها به عنوان فرصتی برای گسترش عملکرد ناهمگن خود در اقتصادهای مختلف استفاده کرده اند. بازار کالا یک زیر بازار مالی مهم است.

نوسانات کالاها و پویایی ناشی از پیوندهای متقابل برای بسیاری از جنبه های مالی ، به ویژه در نمونه کارها سرمایه گذاری و مدیریت ریسک بسیار مهم است [12 ، 13]. بنابراین ، در چنین شرایطی که کالاها پس از دارایی های عدالت به دومین اقدام بزرگ فرسوده تبدیل شده اند ، و با در نظر گرفتن الزامات سرمایه گذاران برای تصمیم گیری های معقول ، از اهمیت زیادی برخوردار است ، کشف خطرات بازار کالاها از اهمیت بالایی برخوردار است.< SPAN> نوسانات کالاها و پویایی ناشی از پیوندهای متقابل برای بسیاری از جنبه های مالی ، به ویژه در سبد سرمایه گذاری و مدیریت ریسک بسیار مهم است [12 ، 13]. بنابراین ، در چنین شرایطی که کالاها پس از دارایی های عدالت به دومین اقدام بزرگ فرسوده تبدیل شده اند ، و با در نظر گرفتن الزامات سرمایه گذاران برای تصمیم گیری های معقول ، از اهمیت زیادی برخوردار است ، کشف خطرات بازار کالاها. نوسانات کالاها وپویایی حاصل از پیوندهای بین المللی برای بسیاری از جنبه های مالی ، به ویژه در سبد سرمایه گذاری و مدیریت ریسک بسیار مهم است [12 ، 13]. بنابراین ، در چنین شرایطی که کالاها پس از دارایی های عدالت به دومین اقدام بزرگ فرسوده تبدیل شده اند ، و با در نظر گرفتن الزامات سرمایه گذاران برای تصمیم گیری های معقول ، از اهمیت زیادی برخوردار است ، کشف خطرات بازار کالاها از اهمیت بالایی برخوردار است.

داده ها با نوسانات بالا به هدف اصلی تحقیق در مورد بازار کالای فعلی تبدیل شده اند و هرچه نوسانات بالاتر باشد ، الزامات استراتژی های کنترل ریسک نمونه کارها نیز بیشتر می شود [14 ، 15]. ما بازار کالاها را یک سیستم بزرگ می دانیم و کالاهای مختلف زیر سیستم هستند. با بررسی تأثیر یک کالای خاص بر کل سیستم در هنگام مشکل ، به عبارت دیگر ، شوک های شدید قیمت ، می توانیم خطر سیستمیک ناشی از نوسانات مشترک با متغیر را مشخص کنیم و CO عملکردهای مشترک را نشان می دهد [10]. Xu و همکاران. داده های داخلی را که معمولاً در زمینه تجربی استفاده می شود [16] به یک نوسانات محاسبه شده بر اساس قیمت 5 دقیقه ای به روز کرده اند [11]. استفاده گسترده از داده های با فرکانس بالا به ریسک سیستمیک در دامنه فرکانس اجازه داده است تا توجه زیادی را به خود جلب کند و روند ریسک متنوع در دوره های مختلف سرمایه گذاری ، درست مانند بلند مدت و کوتاه مدت اعمال شده است. گونگ و لین با استفاده از بازار نفت به عنوان نمونه ، خاطرنشان كردند كه بازار کالاها دارای خصوصیات غیرخطی است [17] ، كه تجزیه و تحلیل بیشتری از عملکرد آلودگی ریسك در بازار كالایی ها در كشورهای مختلف ارائه می دهد. عرضه نفت مربوط به همه جنبه های ارتش و سیاست کشور است و آشفتگی ژئوپلیتیکی در خاورمیانه و آفریقا خطر ژئوپلیتیکی را افزایش داده است ، حتی به حوزه اقتصادی نیز گسترش می یابد [18]. Bouoiyour و همکاران.[19] و سو و همکاران.[20] امکان ترکیب خطر ژئوپلیتیکی با بازارهای کالا را از دیدگاه فرکانس آزمایش کرد. عمل جایگزینی کل سیستم اقتصادی با شاخص های کلان محیط زیست در بررسی رابطه بین محیط خارجی و زیر مجموعه های مالی مختلف بسیار متداول است. Alqahtani و همکاران. نشان می دهد که خطر ژئوپلیتیکی در پیوند قیمت سهام به بازارهای کالا مؤثر است [21]. بنابراین ، تجزیه و تحلیل چند مقیاس از سرریز ریسک در بازار کالاها در شرایط مختلف از نزدیک با اشتها برای تنوع جامع ریسک ارتباط دارد.

ادبیات موجود در مورد سرریز خطر سیستمیک کافی نیست. بسیاری از کارهای تحقیقاتی فقط روی ویژگی های خارجی شاخص کالا تمرکز می کنند و فاقد شناسایی ویژگی های ذاتی نوسانات کالا هستند. در این میان ، بسیاری از مطالعات مرزی مبتنی بر دامنه فرکانس فقط روی دامنه فرکانس تک تمرکز دارند یا فاصله دولت را بر اساس ویژگی های خارجی تقسیم می کنند و توجه کمتری به خود دولت می کنند. تأثیر متغیرهایی مانند متغیرهای درون زا بر سرریز خطر نادیده گرفته می شود. سهم اصلی این مقاله به شرح زیر است. اولا ، پیشگیری از نمونه ها یک نقطه ابتکاری برای استفاده از ایده های آماری است. ما از تجزیه واریانس یک طرفه برای استفاده از داده های پیش ساز که به طور گسترده در پیش بینی زلزله استفاده می شود برای شناسایی نوسانات نامنظم در بازار کالاها استفاده می کنیم و ارتباط "سیستم" داخلی را بررسی می کنیم ، که باعث می شود تحقیق مناسب تر و منطقی تر شود. ثانیا ، در تئوری تحقیق ، ما از روش تجزیه حالت تجربی برای توضیح شکل گیری خطر سیستمیک استفاده می کنیم. یعنی به عنوان یک رسانه ، مقدار شدید از "اوج فوق العاده" و "افزایش مداوم دامنه" تشکیل شده است که با هم کار می کنند تا ریسک خطر را منطقی کنند. ثالثاً ، در استفاده از حالت تحقیق ، بر اساس داده های پیش ساز ، ما تحقیقات خطر فعلی سیستمیک را در دامنه فرکانس غنی کرده ایم ، مدل STVAR را در تجزیه حالت تجربی ادغام کرده ایم و از نمودار شبکه برای نشان دادن تغییرات در مراکز ریسک و آلودگی استفاده کرده ایم. مسیرهای تحت تأثیر فرکانس های متعدد و حالت های متعدد. ما نوسانات مشترک بین بازارهای مختلف کالا را بررسی می کنیم و راهنمایی تصمیم گیری مؤثر را برای سرمایه گذاران در تنوع خطرات در زمان و نمونه کارها ارائه می دهیم.

بقیه مقاله به شرح زیر سازماندهی شده است. در بخش بعدی ادبیات در حال ظهور اخیر در مورد بازار کالاها ، از جمله دیدگاههای نظری و کاربردی توضیح داده شده است. بخش بعدی روش و داده ها را شرح می دهد و ما نتایج تحلیل تجربی خود را پس از آن ارائه می دهیم. بخش آخر نتیجه گیری های اصلی را به دست می آورد.

2. بررسی ادبیات

ما مقالات را از دو طریق ترتیب می دهیم. اول از همه ، ما ادبیات مربوط به مطالعه ریسک سیستمیک را بر اساس تئوری ارزش شدید گزارش می کنیم ، که عمدتاً بر ادغام عوامل ارزش شدید در مدل ریسک سیستمیک محاسباتی متمرکز شده است ، و ما برای شناسایی ویژگی های تولید ارزش شدید ، پسوندهای لازم را انجام می دهیم. سپس ، ما ادبیات فعلی را در مورد غیرخطی بودن بازار کالاها بر اساس متغیرهای کلان کامپایل می کنیم ، که عمدتاً روی تأثیر کلی متمرکز شده است. سرانجام ، ما به طور خلاصه روش مورد استفاده در این مقاله را توضیح می دهیم.

پون و همکاراننشان می دهد که رویدادهای شدید نقش مهمی در پرتفوی سرمایه گذاری ایفا می کنند و گاهی اوقات تنها راه مؤثر برای اندازه گیری ریسک سیستمی، نظریه ارزش شدید است [22]. لی و پرز-سایز از روش های افراطی چند متغیره برای تقسیم کل زیرساخت بازار مالی به دو یا چند FMI برای ایجاد شاخص های مواجهه با ریسک اعتباری و سپس تخمین ریسک سیستمیک سیستم مالی استفاده می کنند [23]. با در نظر گرفتن سیستم بانکی به عنوان مثال، ون اورت و ژو ریسک سیستمی را به ابعاد تقسیم می کنند تا ریسک یک بانک ("ریسک دنباله بانک") و پیوند بانک به سیستم در شرایط بحرانی مالی ("پیوند سیستمی") را به دست آورند.، که دیدگاه های خرد و کلان تحقیق را متمایز می کند [24]. دی کلمنته از تئوری ارزش افراطی برای گسترش دامنه کاربرد اندازه گیری سهم ریسک سیستمیک استفاده می کند و به CoVaR اجازه می دهد در سیستم کلان تحقق یابد [25]. گاورونسکی و زیگلمن با انگیزه این واقعیت که ظهور بحران مالی 2007 نشان داد که اقدامات ریسک فرموله شده تا کنون به عملکرد مورد انتظار دست نیافته است، به طور مبتکرانه یک شاخص جدید ایجاد کردند که از سوآپ های پیش فرض اعتباری (CDS) موسسات مالی به عنوان شاخص استفاده می کند. منبع داده، پویایی زمان را اضافه کرد و در نهایت شاخص وابستگی سیستم مالی (FSDI) را تشکیل داد [26]. رویدادهای شدید بخش مهمی از ریسک سیستمی هستند و ویژگی های دنباله ای تظاهرات منحصر به فرد بازارهای مالی هستند. با این حال، مطالعات بسیار کمی در مورد خود رویدادهای شدید وجود دارد. در این مقاله، ما مقادیر افراطی را در مدل قرار نمی دهیم، بلکه اجزای مقادیر افراطی را از منظر تئوریک تجزیه و تحلیل می کنیم، و مشتاقانه منتظر تأیید این جمله هستیم که «ریسک ها اغلب در یک محیط اقتصادی پررونق تولید می شوند و سپس تا زمانی که به وجود می آیند انباشته می شوند. فعال شده» [27]، که راهنمایی تئوریکی را برای استفاده از داده های ماهانه نیز ارائه می دهد. به موازات تحقیقات جریان اصلی، ما همچنان به استفاده از CoVaR برای بررسی اثرات مسری ریسک های سیستمیک در بازار کالا ادامه می دهیم. خطرات سیستمیک از منظر فرکانس به موضوعات داغ تبدیل شده است که الزامات جدیدی را برای انتخاب داده های نمونه مطرح می کند. بوری از داده های روزانه برای محاسبه نوسانات تحقق یافته و یک مدل خودرگرسیون بردار پارامتر متغیر با زمان برای تجزیه و تحلیل اثر سرریز ریسک کل بازار کالا استفاده می کند که نشان دهنده فرکانس بالا است [11].

باکاها و Triantafyllou برای به دست آوردن واریانس ماهانه قابل دستیابی ، نرخ بازده اضافی روزانه هر کالا را وزن کردند و در نهایت کشف کردند که متغیر کلان نشان داده شده توسط عدم اطمینان اقتصادی تأثیر ماندگار تری در بازار کالا دارد [28]. غربالگری از منظر اینکه آیا تغییرات سیستمی وجود دارد ، به عنوان داده های پیشرو تعریف می شود که بهتر به تحقیق در مورد مکانیسم شکل گیری مقادیر شدید پاسخ می دهد ، ما داده های ماهانه را انتخاب می کنیم. به طور مشابه ، بر اساس تجزیه و تحلیل در حوزه فرکانس ، این مقاله به جای تجزیه موجک برای بررسی روند داخلی بازار کالا از تجزیه حالت تجربی استفاده می کند.< SPAN> باکاس و Triantafyllou برای به دست آوردن واریانس ماهانه قابل دستیابی ، نرخ بازده اضافی روزانه هر کالا را وزن کردند و در نهایت کشف کردند که متغیر کلان نشان داده شده توسط عدم اطمینان اقتصادی تأثیر ماندگار تری در بازار کالا دارد [28]. غربالگری از منظر اینکه آیا تغییرات سیستمی وجود دارد ، به عنوان داده های پیشرو تعریف می شود که بهتر به تحقیق در مورد مکانیسم شکل گیری مقادیر شدید پاسخ می دهد ، ما داده های ماهانه را انتخاب می کنیم. به طور مشابه ، بر اساس تجزیه و تحلیل در حوزه فرکانس ، این مقاله به جای تجزیه موجک برای بررسی روندهای داخلی بازار کالاها از تجزیه حالت تجربی استفاده می کند. Bakas و Triantafyllou نرخ بازده اضافی روزانه هر کالا را برای به دست آوردن واریانس قابل دستیابی ماهانه و به دست آوردند. سرانجام فهمید که متغیر کلان که توسط عدم اطمینان اقتصادی نشان داده شده است ، تأثیر ماندگار تری در بازار کالا دارد [28]. غربالگری از منظر اینکه آیا تغییرات سیستمی وجود دارد ، به عنوان داده های پیشرو تعریف می شود که بهتر به تحقیق در مورد مکانیسم شکل گیری مقادیر شدید پاسخ می دهد ، ما داده های ماهانه را انتخاب می کنیم. به طور مشابه ، بر اساس تجزیه و تحلیل در حوزه فرکانس ، این مقاله به جای تجزیه موجک برای بررسی روند داخلی بازار کالا از تجزیه حالت تجربی استفاده می کند.

با توجه به پیچیدگی زیاد ، اثرات مرزی ، روابط تصادفی و مدلهای علی غیرخطی با نقاط بحرانی ، تأثیر منفی خطر سیستمیک مورد توجه محققان قرار گرفته است [29]. تغییرات نامتقارن بدان معنی است که کانال های مختلفی از عفونت وجود دارد ، اما با توجه به مزایای متغیرهای کلان اقتصادی که می توانند نوسانات قیمت کالا را تنظیم کرده و ثبات آن را تقویت کنند [30-32] ، تحقیقات از دیدگاه کلان گسترش یافته است [33 ، 34]. از رگرسیون ساده و مدل DCC-GARCH گرفته تا حتی عملکرد کوپلا ، محققان اثر آلودگی ریسک سیستمیک در بازار کالاهای تحت پوشش فاکتورهای کلان را اندازه گیری کردند [35-37]. یانگ همبستگی فرکانس زمان بین عدم اطمینان اقتصادی و بازار کالا را بررسی کرد [38] ، در حالی که چن و همکاران. متمرکز بر آلودگی ریسک مبادله پیش فرض اعتباری حاکمیت به سمت کل سیستم است [39]. با این حال ، آنها بر روی خصوصیات خارجی تمرکز می کنند اما تغییرات غیر طبیعی ماکروفکتورها را نادیده می گیرند ، که می تواند به اجماع برسد. نادیده گرفتن اثرات تحول نهادی احتمالی در مسری خطر ، همراه با استفاده از چارچوب خطی سنتی برای تجزیه و تحلیل ، ممکن است منجر به انحرافات آشکار در نتیجه گیری شود که توسط Teräsvirta توضیح داده شده است [40]. بنابراین ، مطالعه بیماری خطر غیرخطی از اهمیت زیادی برخوردار است. معرفی شاخص های عدم قطعیت سیاست اقتصادی ، تأثیر خطر سیستمیک را تضعیف می کند ، به ویژه هنگامی که تفاوت های شدیدی در سیاست های اقتصادی وجود دارد ، همزمان با این دیدگاه که جوهر خطر سیستمیک تناوبی داخلی آن است [27]. برخی از مطالعات تأثیر انتقال در حالتها بر سرریز ریسک را از منظر رگرسیون کمی بررسی می کند [10] ، با استفاده از فرکانس های حالت خارج از کشور به عنوان استاندارد برای تمایز دولت ، که جهانی است. تحت هدایت ویژگی های مارکوف ، ارزیابی ریسک سیستم در حالت های مختلف در شبکه نیز در نظر گرفته شده است [41] ، اما هیچ یک از آنها از خصوصیات ذاتی متغیرهای حالت منحصر به فرد استفاده نمی کنند. در دوران درگیری های بی پایان ژئوپلیتیکی ، متغیر کلان ریسک ژئوپلیتیکی از طریق ارتباط با تجارت کالا به بازار مالی نفوذ کرده است و کاربرد آن از اهمیت فوری برخوردار است. ما مدل STVAR را نقل می کنیم ، که در آن GPR به عنوان یک متغیر درون زا عمل می کند ، و از ویژگی های ذاتی آن برای تقسیم وضعیت انبساط و رکود اقتصادی برای مقایسه تغییرات سرریز خطر استفاده می کنیم.

با توسعه مداوم روشهای اقتصاد سنجی مدرن ، از تجزیه و تحلیل شبکه جامعه شناختی استفاده شده است. بر خلاف لیو و جیانگ [42] ، ما فقط از درجه خارج از وزن به عنوان شاخص شبکه استفاده می کنیم ، برای درجه متقارن خارج از درجه و درجه در گفی. با این حال ، همان بیلیو و همکاران.[43] ، ما مرکز ریسک و مسیر عفونت را مورد تجزیه و تحلیل قرار خواهیم داد ، زیرا بخش تجمع نمودار شبکه نوسانات مشترک دسته های مختلف کالا را نشان می دهد.

3. روش و داده ها

3. 1داده های پیشرو

پیش ساز به عاملی که باعث تغییر در یک رویداد می شود ، یعنی علائم قبل از بروز آن اشاره دارد. در حال حاضر ، تحقیقات پیشرو به طور گسترده ای در علوم طبیعی مانند پیش بینی زلزله ، معدن زمین شناسی و زمین شناسی مهندسی مورد استفاده قرار می گیرد [44-46] ، اما بندرت در زمینه مالی اعمال می شود. نمونه داده های پیش ساز حاوی اطلاعات نسل مهم داده های شدید [47] ممکن است صحت تجزیه و تحلیل سرریز ریسک را بهبود بخشد. داده های نمونه بیش از حد باعث افزونگی اطلاعات و سوءاستفاده می شوند ، در حالی که داده های نمونه بسیار کمی اطلاعات مهم را از دست می دهند و راندمان تشخیص را کاهش می دهند. داده های پیش ساز مناسب و فواصل نمونه برای اعتبار نتایج بسیار مهم هستند [48 ، 49]. بنابراین ، در این مقاله از داده های پیش ساز به عنوان پایه ای برای مطالعه اطلاعات تکامل ارزش شدید که در نمونه ضمنی است ، استفاده می کند تا یک منبع داده مؤثرتر برای اندازه گیری خطر سیستمیک فراهم شود. با توجه به عدم اطمینان از نوسانات شدید [50] ، مشاهده مستقیم و تعیین فاصله تولید در کل مقیاس زمانی هنوز دشوار است ، و نتایج ممکن است با فواصل مختلف نمونه متفاوت باشد. بر این اساس ، این مقاله به تجزیه و تحلیل واریانس یک طرفه می پردازد ، آماری F را برای شناسایی تفاوت بین اطلاعات پنهان در داخل داده ها می سازد و طول نمونه داده های پیش ساز را تعیین می کند.