نوسانات بازار عدالت بیماری های عفونی ، خطر ژئوپلیتیکی ، حدس و گمان و بازده کالا: تجزیه و تحلیل مقایسه ای پنج شیوع اپیدمی

⁎ نویسنده مسئول در: مرکز تحقیقات اقتصاد عمومی و سیاست های عمومی ، دانشگاه چونگ کینگ ، چین.

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در مورد رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع Covid-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Coect میزبان است. Elsevier بدین وسیله اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع COVID-19 موجود است-از جمله این محتوای تحقیق-که بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی در دسترس است ، مانند پایگاه داده WHO COVID با حقوق برایتحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله ای با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

خلاصه

در این مقاله از یک تست علیت گرنجر متغیر و تست پارامترهای متغیر متغیر با مدل نوسانات تصادفی برای تجزیه و تحلیل اثرات نوسانات سهام عدالت بیماری های عفونی (ID-EMV) ، خطر ژئوپلیتیکی (GPR) و گمانه زنی در بازده کالا استفاده شده است. اثرات متغیر زمانی ID-EMV ، GPR و گمانه زنی در مورد بازده کالا در پنج اپیدمی در طی سالهای 1998-2021 مورد بررسی و مقایسه قرار گرفته است: آنفولانزای پرنده در سال 1998 ، SARS در سال 2003 ، آنفولانزای خوکی در سال 2009 ، MERS و ابولا در سال 2014 ، وCOVID-19 در سال 2019. تجزیه و تحلیل بیشتر برای پنج زیر مجموعه کالای منسوجات ، صنعت ، فلزات ، دام و مواد غذایی انجام شده است. نتایج نشان می دهد که اثرات متغیر زمان قابل توجه است ، و بیشتر پاسخ ها به ID-EMV مثبت هستند ، به GPR از منفی به مثبت تغییر می کند و به حدس و گمان منفی است. نکته قابل توجه ، ID-EMV در همه گیر Covid-19 در حال انجام است ، بدترین ضربه برای بازگشت کالاها در بیش از دو دهه است.

چکیده گرافیکی

1. معرفی

از ابتدای قرن جدید ، وقایع شدید به طور مکرر رخ داده است ، و خطرات بهداشت و سلامت و ژئوپلیتیکی (GPR) به طور قابل توجهی افزایش یافته است ، در نتیجه عدم اطمینان به اقتصاد جهانی و بازارهای مالی اضافه می شود. در حال حاضر ، بیماری همه گیر Covid-19 از سال 2020 به منبع خطر سیستمیک جهانی تبدیل شده است. تقریباً همه کشورها با کاهش تولید و قیمت سهام ، که بر بازارهای بین المللی کالاها تأثیر گذاشته است ، مورد توجه قرار گرفته است. پاسخ شدید بازارهای سهام و کالاها به COVID-19 را نمی توان به سادگی با مرگ و میر آن توضیح داد بلکه با محدودیت های دولت در تحرک و فعالیت های تجاری و فاصله داوطلبانه اجتماعی (بیکر و همکاران ، 2020). بنابراین ، عدم اطمینان ناشی از همه گیری ها به یک عامل مهم در نوسان قیمت های بین المللی کالا تبدیل شده است.

علاوه بر این ، با گسترش تأثیر این همه گیر ، بی ثباتی سیاسی و GPR باعث شده است که سرمایه گذاران استراتژی های سرمایه گذاری خود را در بازار کالاها تغییر دهند. GPR خطرات مرتبط با جنگ ، اقدامات تروریسم و تنش در بین کشورها یا مناطقی را که بر روند صلح عادی روابط بین الملل تأثیر می گذارد (Caldara and Iacoviello ، 2021). GPR تأثیرات غیرقانونی بر عرضه کالاها و فعالیتهای اقتصادی دارد و این عاملی است که بر نوسان بازار کالا تأثیر می گذارد. درک انتقال اطلاعات از GPR به بازار مالی فقط در حال ظهور است (لیو و همکاران ، 2021). علاوه بر این ، تأمین مالی کالاهای اولیه و فعالیتهای سوداگرانه در بازارهای آینده کالا به سرعت افزایش یافته است (لاوسون و همکاران ، 2021). برخی از شرکت کنندگان در بازار ، تحلیلگران و تنظیم کننده ها معتقدند که گمانه زنی ها به طور قابل توجهی بر حرکات قیمت کالاها تأثیر می گذارد (اتین و همکاران ، 2018). بنابراین ، سرمایه گذاران و مقامات نسبت به تأثیرات عدم اطمینان اپیدمی ، GPR و گمانه زنی در مورد قیمت کالاها توجه دارند. برای سرمایه گذاران ، درک تأثیرات این سه عامل به تصمیم گیری های معقول و معقول تر کمک می کند. برای مقامات ، تدوین سیاست های مربوطه برای کاهش نوسانات بازار کالاها و تقویت ثبات بازار مساعد است.

با این حال ، به دلیل دشواری در اندازه گیری اپیدمی و عدم قطعیت های ژئوپلیتیکی ، مطالعات کمی شواهد و نتیجه گیری های قابل اعتماد در مورد اثرات اپیدمی و GPR بر روی کالاها ارائه داده اند ، و تعداد کمتری شامل گمانه زنی ها نیز شده است. علاوه بر این ، هیچ ادبیات مربوط به روابط متغیر و غیرخطی آنها در طول اپیدمی متمرکز نیست. روابط بین کالاها و متغیرهای مالی در واقعیت پیچیده تر و غیرخطی تر است (Bekiros et al. ، 2020 ، Chowdhury et al. ، 2021) ، که نیاز به ارزیابی بهبود یافته توسط مدل های غیرخطی دارند.

بنابراین ، این مقاله بررسی می کند که آیا ID-EMV ، GPRS و گمانه زنی ها با گذشت زمان تأثیرات غیرخطی بر کالاها دارند ، به ویژه در پنج شیوع اپیدمی قبلی و اینکه آیا پیامدهای و راه حل هایی برای این تأثیرات وجود دارد. برای توصیف بهتر رابطه غیرخطی به مرور زمان ، ما از آزمون علیت گرنجر تازه توسعه یافته با زمان توسعه یافته استفاده می کنیم (شی و همکاران ، 2018 ، شی و همکاران ، 2020) و تداخل پارامتر تنوع با نوسانات تصادفی (TVP-VAR-SV) مدل برای تجزیه و تحلیل اثرات متغیر زمانی آنها به ترتیب از منظر کالاهای کل و زیر شاخه ها.

سهم اصلی این مقاله در جنبه های زیر نهفته است. اول ، این مقاله با هدف ادغام ID-EMV ، GPR و گمانه زنی ها در بازارهای کالا برای بررسی تأثیرات آنها در بازده کالا در طی پنج شیوع اخیر: آنفولانزای پرنده (H5N1) در سال 1998 ، SARS در سال 2003 ، آنفولانزای خوکی (H1N1) در2009 ، MERS و ابولا در سال 2014 ، و Covid-19 در سال 2019. این تلاش برای یافتن شواهد جدیدی برای بحث در مورد گمانه زنی ها در مطالعات قبلی نیز است. دوم ، منحصر به فرد ، این مقاله از یک مدل غیرخطی و پویا برای مقایسه اثرات متغیر زمان ID-EMV ، GPR و گمانه زنی در مورد بازده کالا در پنج اپیدمی استفاده می کند. سرانجام ، پاسخ های مختلف بازده پنج دسته کالاها برای ارائه درک کاملی از پاسخ های ناهمگن به شوک های دو نوع عدم قطعیت و گمانه زنی ها مقایسه شده است.

بخش های باقیمانده این مقاله به شرح زیر است: بخش 2 بررسی ادبیات را ارائه می دهد. بخش 3 روش تست علیت متغیر و مدل TVP-VAR-SV را معرفی می کند. بخش 4 متغیرها و داده ها را توضیح می دهد. بخش 5 نتایج تخمین زده شده را گزارش می کند و تجزیه و تحلیل پاسخ تکانه متغیر را انجام می دهد. و بخش آخر 6 نتیجه گیری است.

2. بررسی ادبیات

با گسترش جهانی COVID-19 و اجرای قرنطینه ها، خطرات سلامتی بیشتر با بازارهای مالی بین المللی مرتبط شده است و عدم اطمینان در مورد بیماری های عفونی توجه گسترده ای را به خود جلب کرده است. مطالعات روی COVID-19 در درجه اول ظرفیت پوشش دارایی ها را برای بهینه سازی سبد دارایی برای مدیریت تأثیر بیماری های عفونی مورد بررسی قرار داد. مطالعات متعدد در مورد بازارهای سهام، مانند سالیسو و وو (2020) و سالیسو و همکاران.(2020)، نشان داد که یک همبستگی قوی بین همه گیری فعلی و دارایی های مالی وجود دارد. کاجیانو و همکاران(2020) استدلال کرد که قرنطینه COVID-19 باعث بدترین رکود اقتصادی از رکود بزرگ شد. بوری و همکاران(2020) بر این باور بود که بازار مالی یک اوج قابل توجه و بی سابقه عدم اطمینان را تجربه می کند. بیکر و همکاران(2020) تأکید کرد که همه گیری COVID-19 تأثیر منفی قوی تری بر بازار سهام نسبت به هر شیوع بیماری عفونی قبلی داشته است، و ID-EMV توسعه یافته به طور گسترده در مطالعات تجربی به عنوان نماینده ای برای عدم قطعیت مربوط به همه گیری، مانند سالیسو استفاده شد. و سیکیرو (2020)، سالیسو و آددیران (2020)، سالیسو و همکاران.(2020)، و آدیران و همکاران، 2021a، Adediran و همکاران، 2021b. اگرچه مطالعات مختلف به نتایج ثابتی نرسیده اند، اما اهمیت کالاها را گزارش کردند. لیو و همکاران(2022) از روش مسیر بهینه حرارتی (TOP) برای مطالعه رابطه پویایی رهبر- تاخیر جهش ها در بین شاخص سهام چین و بازار آتی استفاده کرد و دریافت که این رابطه قبل و بعد از شیوع COVID-19 به طور قابل توجهی تغییر کرده است.

GPR یکی دیگر از عوامل مهم تأثیرگذار بر بازارهای سهام و کالا است ، در نتیجه قدرت توضیحی افزایشی قابل توجهی را فراتر از متغیرهای اساسی عرضه و تقاضا ، نوسانات تحقق یافته ، استرس مالی و عدم اطمینان سیاست اقتصادی فراهم می کند (لیو و همکاران ، 2021). برانت و گائو (2019) تأکید کردند که هر دو تصمیم سرمایه گذار و تصمیمات تجاری به طور قابل توجهی تحت تأثیر GPRS خواهند بود. آسای و همکاران.(2020) همچنین معتقد بود كه رویدادهای ژئوپلیتیکی فرصت هایی را برای تغییر اساسی در سیاست های دولت فراهم می كنند ، كه تأثیر گسترده ای بر احساسات سرمایه گذار در بازارهای مالی و كالایی داشته است. چنگ و چیو (2018) دریافتند که GPR در توضیح نوسانات چرخه تجارت در کشورهای نوظهور یکپارچه است. Caldara و Iacoviello (2018) اظهار داشتند که GPR ها فعالیت واقعی و بازده سهام را کاهش می دهند. گکیلاس و همکاران.(2018) ، بوری و همکاران.(2018) ، و Balcilar و همکاران.(2018) دریافت که GPR بر نوسانات بازار سهام تأثیر می گذارد. آیزان و همکاران.(2019) ، کولون و همکاران.(2021) ، و Gkillas و همکاران.(2019) تأثیر GPR بر روی ارزهای رمزنگاری شده و طلا را بررسی کرد. لیو و همکاران.(2021) دریافت که GPR در دراز مدت تأثیر مثبت معنی داری بر نوسانات انرژی دارد. Noguera-Santaella (2016) ، عمر و همکاران.(2017) ، و بوویور و همکاران.(2019) تأثیر GPR را بر روی نفت خام مورد بررسی قرار داد ، و آنتاناکاکیس و همکاران.(2017) توانایی پیش بینی GPRS در نفت خام و تأثیر منفی آن بر بازده قیمت نفت و نوسانات قیمت را تأیید کرد. جیا و همکاران.(2021) از شاخص درگیری پارتیزان ایالات متحده (PCI) استفاده کرد تا متوجه شود که ارزهای داوری نسبت به خطرات سیاست ایالات متحده حساس هستند و درگیری حزبی خطر تغییرات سیاست را کاهش می دهد. سلمی و همکاران.(2022) از شاخص خطر ژئوپلیتیکی BlackRock (BGRI) برای انجام تحقیقات تجربی در مورد طلا به عنوان پناهگاه های ایمن برای دارایی استفاده کرد و متوجه شد که طلا پاسخ مثبتی به GPRS دارد و دینگ و همکاران.(2022) دریافت که طلا با استفاده از شاخص خطر سیاسی بین المللی ریسک (ICRG) از توانایی محافظت از ضعف و تأثیر زمان بر GPRS برخوردار است.

بافس و هانیوتیس (2010) در مورد مالی شدن کالاها استدلال کردند که فعالیت صندوق های شاخص (یکی از انواع فعالیت های سفته بازانه در میان بسیاری از فعالیت هایی که ادبیات به آن اشاره می کند) در طول جهش قیمت کالاها در سال 2008 بسیار مهم بود. ایکلند و همکاران(2014) مالی شدن را به عنوان فرآیندی تعریف کرد که در آن حضور سفته بازان در بازارهای آتی حیاتی تر می شود. Büyükşahin و Robe (2014) بیشتر شواهدی از اهمیت رو به رشد انواع مختلف معامله گران مالی در بازارهای آتی کالاهای متعدد ارائه کردند. این تحول در سال های 2003-2004 آغاز شد و با تغییر تدریجی به سمت تجارت کالاهای الکترونیکی و افزایش تجارت شاخص کالا همراه بود (اکلند و همکاران، 2014). از آنجایی که معامله گران شاخص کالا به عنوان کانال اصلی در نظر گرفته می شوند که از طریق آن بازارهای کالایی مالی تر می شوند، اکثر مطالعات بر روی آن متمرکز شده اند، در حالی که لاوسون و همکاران.(2021) معیارهای سفته بازی مختلفی را در نظر گرفت که مفروضات اساسی متفاوتی را در مورد نقش سفته بازی در پویایی قیمت کالا منعکس می کند. تانگ و شیونگ (2012) دریافتند که سرمایه گذاری های شاخص بزرگ پس از سال 2004 شروع به سرازیر شدن به بازار کالا کردند و در نتیجه منجر به ادغام بازار کالا با سایر بازارهای مالی شد. علاوه بر این، هوانگ و همکاران.(2020) استدلال کردند که تعادل مجدد پرتفوی سرمایه گذاران شاخص منجر به سرریز نوسانات به بازارهای کالا می شود. بوش و اسمیمو (2022) دریافتند که بازدهی در بازارهای آتی کالا را می توان تا حد زیادی به تغییرات موقعیت پوشش دهندگان و سفته بازان معروف نسبت داد، در حالی که دلالان کوچک و معامله گران مبادله به ترتیب برای برخی از بازارهای ضعیف کالا و بازارهای فلزی حیاتی هستند.

در حال حاضر ، تأثیر فعالیت های سوداگرانه در بازارهای کالا نامشخص است و بحث مربوطه را می توان به عنوان فرضیه های کارآمد بازار و حباب سوداگرانه خلاصه کرد. حامیان معتقد بودند که حدس و گمان یک مؤلفه مفید بازارهای مالی است و تأثیر تثبیت کننده خالص بر قیمت ها دارد ، در حالی که مخالفان معتقد بودند که معامله گران غیر تجاری در حال بی ثبات کننده قیمت کالاها هستند. مطالعات تجربی مرتبط شاخص های سوداگرانه را بر اساس فرضیات اساسی مختلف ، در درجه اول شامل مواضع معامله گران شاخص کالاهای طولانی مدت (NLCIT) ، موقعیت های طولانی خالص غیر تجاری ، شاخص T سوداگرانه (WT) (1960) و حجم سوداگرانه اضافی (ESV) انتخاب کردند.) از Tadesse و همکاران.(2014). این چهار شاخص تفسیر و تعاریف مختلف محققان را منعکس می کند. ایروین و سندرز (2012) "فرضیه کارشناسی ارشد" را پیشنهاد کردند ، از این طریق استدلال می کنند که فعالیت های سرمایه گذاری طولانی مدت در اصل موقعیت های طولانی مصنوعی است که بر قیمت کالاها از طریق معاملات آتی در بازار واقعی تأثیر می گذارد. بنابراین ، این اقدامات در درجه اول برای بررسی حدس و گمان سنتی یا فعالیت معاملات غیر تجاری استفاده می شود. با این حال ، این شاخص ها مورد انتقاد قرار گرفته اند زیرا مواضع غیر تجاری قادر به تمایز بین تأثیرات سوداگرانه و اساسی نیستند. کار (1960) معتقد بود که میزان حدس و گمان در معاملات آتی فقط در صورت ترکیب با میزان فعالیت های محافظت از اهمیت معنی دار است. پک (1980) در ادامه خاطرنشان كرد كه شاخص T كار نشان می دهد میزان حدس و گمان از حداقل حداقل لازم برای جذب پرچین طولانی و کوتاه است. بنابراین ، شاخص T کار در درجه اول برای بررسی حدس و گمان های بیش از حد نسبت به فعالیت های محافظت شده استفاده می شود و به طور گسترده در مطالعات تجربی مورد استفاده قرار گرفته است.

تأثیر حدس و گمان بر کالاها مملو از بحث و جدال در درجه اول به دلیل تعاریف مختلف حدس و گمان و انتخاب متغیرهای کلیدی برای کالاها بوده است. اتین و همکاران.(2018) این چهار اقدامات سوداگرانه را مقایسه کرد و دریافت که تأثیر تجارت سوداگرانه بر قیمت ذرت به اقدامات مورد استفاده بستگی دارد: موقعیت خالص غیر تجاری یا شاخص ESV Tadesse به طور قابل توجهی قیمت ها را تحت فشار قرار می دهد ، در حالی که حدس و گمان های بیش از حد اندازه گیری شده توسط T کار T صفر استیا تأثیر منفیلوسون و همکاران.(2021) تحقیقات Etiee و همکاران را گسترش دهید.(2015) و دریافت که تأثیر حدس و گمان بر کالاهای مختلف بستگی به نحوه تعریف گمانه زنی دارد. اگرچه گیلبرت (2010) و باس (2011) و همکاران. استدلال می کند که گمانه زنی ها قیمت کالاها را بالا می برد ، بوید و همکاران.(2016) و کیم (2015) معتقد بودند که دلالان می توانند نقدینگی را برای تثبیت بازار کالاها و حتی سرکوب قیمت ها فراهم کنند. بوید و همکاران.(2018) نقش حدس و گمان در بازارهای کالا را دوباره بررسی کرد و شواهد کمیاب از بی ثباتی پیدا کرد ، در حالی که مک پیل و همکاران.(2012) و اتین و همکاران.(2015) نتیجه گرفت که تجارت سوداگرانه تأثیر تثبیت کننده خالص بر قیمت ها دارد. ویل و همکاران(2015) علاوه بر این هیچ مدرکی مبنی بر افزایش حدس و گمان منجر به افزایش قیمت نشد. Haase و همکاران.(2016) نتایج 100 مطالعه تجربی را مورد بررسی قرار داد و دریافت که مطالعات مربوط به و در برابر حدس و گمان تقریباً یکسان است ، با تقریباً 20 ٪ اثر تقویت کننده و بیش از 50 ٪ تأثیر تضعیف کننده بر بازده کالا را پیدا کرد.

از آنجا که از رویکردهای اقتصادی پیشرفته تر به طور گسترده استفاده می شود ، مطالعات بیشتر در مورد خصوصیات غیرخطی و ماهیت بازارهای کالایی بحث می کنند. هوانگ و همکاران.(2009) ، Rubaszek و Uddin (2020) و Rubaszek و همکاران.(2020) دریافت که مدل آستانه می تواند روابط پویا بین قیمت و آتی کالاهای انرژی را بهتر درک کند. Mamatzakis and Remoundos (2011) ، Beckma et al.(2014) ، Joëts و همکاران.(2017) ، De Albuquerquemello و همکاران.(2018) ، و Chowdhury و همکاران.(2021) از مدل تصحیح خطای بردار آستانه (TVECM) ، مدل رگرسیون انتقال صاف (STR) ، مدل وکتور ساختاری وکتور خودکار (TVAR) ، مدل آستانه خود هیجان انگیز خودکار (SETAR) استفاده کرد (NARDL) به ترتیب ، برای مطالعه پویایی غیرخطی قیمت کالاها. با پیشرفت فناوری اقتصادسنجی ، اودین و همکاران.(2019) از رویکردهای موجک ترکیبی برای بهبود پیش بینی بازارهای نفت خام استفاده کرد و Bekiros و همکاران.(2020) از تجزیه و تحلیل چند مقیاس موجک در مورد بازده و نوسانات شاخص های نفت خام متوسط برنت و غرب تگزاس برای پیش بینی در بازار نفت خام استفاده کرد. یحیی و همکاران.(2020) دریافت که وابستگی های مشروط بین دارایی های کالا با استفاده از کوپول های متغیر زمان ، متغیر زمان و نامتقارن با پتانسیل وابستگی به دم است. سان و همکاران.(2021) تست های علیت گرنجر پنجره نورد کامل و زیر نمونه ای از بوت استرپ را برای تحقیقات تجربی در بازار کالاهای کشاورزی به کار برد. لیو و همکاران.(2021) استدلال كرد كه ساختار کلان اقتصادی و سیستم بازار نفت پویا است ، که تأیید شده است (Baumeister and Peersman ، 2013 ، Riggi and Venditti ، 2015) و Salisu et al.(2017) و Chowdhury و همکاران.(2021) رفتارهای برجسته غیرخطی در بازارهای کالایی کشاورزی یافت.

به طور کلی ، اگرچه بیماری عفونی و GPR ها توجه قابل توجهی را به خود جلب می کنند ، تحقیقات نسبتاً کمی در مورد تأثیر آنها در بازارهای کالا قبل از ساختن شاخص ID-EMV و GPR انجام شده است زیرا اندازه گیری این خطرات دشوار است. علاوه بر این ، به دلیل عدم تعریف مداوم و اندازه گیری حدس و گمان ، هیچ اجماعی در مورد پاسخ بازده کالا به حدس و گمان حاصل نشده است. بنابراین ، استفاده از یک مدل پویا غیرخطی برای بررسی و مقایسه بازده متغیر زمان کالاها و دسته بندی های کل با ID-EMV ، GPR و گمانه زنی ها در پنج اپیدمی در سالهای اخیر ضروری است. بر خلاف مطالعات قبلی ، این یک اکتشاف اولیه در ادغام ID-EMV ، GPR و گمانه زنی ها در بازارهای کالا برای بررسی تأثیر آنها بر بازده کالا است.

3. روش شناسی

3. 1تست علیت گرنجر متغیر زمان

ما برای ارزیابی وجود علیت غیرخطی ID-EMV ، GPR و حدس و گمان در مورد بازده کالا از یک تست علیت گرنجر متغیر جدید توسط Shi et al. ، 2018 ، Shi et al. ، 2020 استفاده می کنیم. این روش جدید می تواند تغییرات در روابط علی را با گذشت زمان ردیابی کند ، و حقایق تلطیف شده ای را که در داده های بازار مالی مشاهده می شود ، مانند ناهمگونی ، روند قطعی و غیرخطی در نظر می گیرد. این می تواند تغییر در هر رابطه علّی را بررسی کند و تاریخ های دقیق منشأ و فروپاشی قسمت علیت را تشخیص دهد (مگی و همکاران ، 2022).

اجازه دهید سری زمان k-y t توسط y t = α 0 + α 1 t + u t تولید شود ، با u t = β 1 u t-1 +… + β p u t-p + ε t به دنبال فرآیند var (p). فرض کنید γ I توابع α I و β j با i = 0 ، 1 و j = 1 است.، P ، ما موارد زیر را داریم:

به گفته هامود و همکاران.(2020) ، آزمون علیت گرنجر برای یک متغیر یکپارچه ممکن y t را می توان با استفاده از یک تاخیر با ضعف (LA-VAR) y = τ γ ′ + x θ ′ + b φ ′ + ε انجام داد ، که به شرح زیر است:

(y 1 ⋮ y t) t × n = (τ 1 ⋮ τ t) t × 2 γ ′ + (x 1 ⋮ x t) t × n p (β 1 ⋮ β p) n p × n + (b 1 ⋮ bT) T × N D (β P + 1 ⋮ β P + D) N D × N + (ε 1 ⋮ ε t) t × n

جایی که x t = (y t - 1 ′ ،… ، y t - p ′) n p × 1 ′ ، b t = (y t - p - 1 ′ ،… ، y t - p - d ′) n d × 1 ′ و τ t = (1، T) 2 × 1 ′ با حداکثر ترتیب D ادغام برای y t.

Shi et al. ، 2018 ، Shi et al. ، 2020 یک آزمایش علیت متغیر متغیر را بر اساس توالی آماری Supremum Wald معرفی کرد. بگذارید θ ˆ = v e c (θ ˆ) بردار ردیف را با برآوردگر OLS θ ˆ = x ′ q x (x ′ q x) نشان دهد - 1 ، r و ω ˆ = t - 1 ε ˆ ε ˆ (m × n 2 p) ماتریس که M تعداد محدودیت ها است. آزمایش والد محدودیت های تحمیل شده توسط r θ = 0 به شرح زیر است:

آمار والد بیش از [F 1 ، F 2] با کسری از اندازه F W = F 2 - F 1 ≥ F 0 توسط W F 2 (F 1) مشخص شده است ، و بنابراین ، آمار Supremum Wald برای روش گسترش بازگشتی استبه شرح زیر است:

جایی که 0 ∧ =<( f 1 , f 2 ) : 0 برای حداقل نمونه نمونه f 0 ∈ (0 ، 1) در رگرسیون. شی و همکاران.(2018) استدلال كرد كه فرایندهای پنجره در حال گسترش و نورد ، موارد خاصی از فرآیندهای بازنمایی بازگشتی هستند. بگذارید F ˆ E و F ˆ F اولین مشاهدات زمانی تخمین زده شده را که آمار آزمون که از آن فراتر رفته یا پایین تر از مقادیر بحرانی برای نقاط مبدا و خاتمه در روابط علی است ، نشان دهد ، قوانین قدمت برای حمل و نقل ، نورد و رویه های در حال گسترش بازگشتی همانند استدنبال می کند:

جایی که C V و S C V مقادیر مهم مربوط به آمار W F و S W F هستند.

3. 2مدل TVP-VAR-SV

یک مدل VAR سنتی فرض می کند که واریانس پارامترها و اصطلاحات آشفتگی ثابت است و بنابراین ، نمی تواند رابطه متغیر زمان بین متغیرها را توصیف کند. بر این اساس ، Canova و ITO (1991) شامل پارامترهای متغیر زمان برای مطالعه نرخ ارز ایالات متحده ، Uhlig (2005) سپس شامل نوسانات تصادفی برای مطالعه تجربی ، و Primiceri (2005) و Nakajima (2011) شامل پارامترهای متناوب زمان و خطای کووارانسو TVP-VAR-SV را پیشنهاد کرد. در مقایسه با یک مدل VAR پارامتر ثابت ، مدل TVP-VAR-SV برای اعتبارسنجی تغییر در ساختار مدل ، نیازی به تقسیم داده ها به نمونه های زیر نیست (Nakajima et al. ، 2011). بنابراین ، بر اساس نمونه کامل ، بسته به انتخاب دلخواه فواصل زیر نمونه ها ، می تواند از خطر از دست دادن اطلاعات و امکان بدست آوردن نتایج اشتباه جلوگیری کند. با ترکیب نوسانات تصادفی ، واریانس های متغیر متغیر تغییر در تأثیر و ماهیت شوک ها را به خود جلب می کنند ، از این طریق مدل سازی کاهش ظاهری در نوسانات را قادر می سازد (Jebabli و همکاران ، 2014).

فرض کنید که مدل VAR ساختاری یک y t = f 1 y t - 1 + ⋯ + f s y t - s + u t است ، جایی که y t (k × 1) بردارهای متغیرهای قابل مشاهده ، a ، f 1 ،… ، f s هستند ((k × k) ماتریس ضریب ، ماتریس مثلثی پایین A رابطه همزمان تأثیر ساختاری مشخص را از طریق بازگشت مشخص می کند ، و اصطلاح اختلال تصادفی u t ∼ n (0 ، σ σ) تأثیر ساختاری است:

a = (1 0 ⋯ 0 α 21 ⋱ ⋱ ⋮ ⋮ ⋱ ⋱ ⋱ ⋱ 0 α k 1 ⋯ α k ، k - 1 1) ، σ = (σ 1 0 ⋯ 0 ⋱ ⋱ ⋮ ⋮ ⋱ ⋱ ⋱ 0 ⋯ 0 σ k k)

شکل ساده مدل VAR ساختاری y t = b 1 y t - 1 + ⋯ + b s y t - s + a - 1 σ ε t ، که در آن ε t ∼ n (0 ، i k) است. عناصر ردیف B I = A - 1 F I را برای شکل گیری (K 2 S × 1) وکتور جمع کنید. از محصول Kronecker برای تعریف x t = i s ⊗ (y ′ t - 1 ،… ، y ′ t - s) استفاده می شود ، و بحث در مورد آن به شرح زیر است:

جایی که پارامتر تخمین زده می شود β ، A ، σ است. یک مدل VAR ساختاری در هنگام β به دست می آید ، A پارامترهای ثابت هستند ، و یک مدل TVP-VAR با تغییر اینها به پارامترهای متغیر زمان ، یعنی معرفی پارامتر متغیر زمان σ بدست می آید.

اجازه دهید بردارهای ستون a t = (a 21 ، a 31 ، a 32 ،… ، a k ، k - 1) ′ و h t = (h 1 t ، h 2 t ،… ، h k t) ′ بردارهای تجمع عناصر α باشدو H j t = log (σ j t 2) در a t ، جایی که j = 1 ،… ، k. با فرض اینکه مدل TVP-VAR-SV از روند پیاده روی تصادفی زیر پیروی می کند ، موارد زیر را ارائه می دهیم:

β T + 1 = β T + U β T α T + 1 = α T + U α T H T + 1 = H T + U H T (ε T U β T U α T U H T) ∼ N (0 ، (i o o o o σ β o o o σ α o o o o 0σ h))

جایی که β S + 1 ∼ N (U β 0 ، σ β 0) نشان دهنده سری تغییر ضریب است ، α S + 1 ∼ N (U α 0 ، σ α 0) نشانگر سری تغییر اطلاعات ساختاری و H S + 1 است∼ N (U H 0 ، σ H 0) نشان دهنده سری تغییر نوسانات است.

پارامتر تخمین زده می شود β T ، α T ، H T ، σ β ، σ α ، σ H ، از این طریق فرض می شود که پارامتر پویا از روند پیاده روی تصادفی پیروی می کند. ماتریس کواریانس σ β ، σ α ، σ H یک اصطلاح اختلال در پارامتر را به عنوان یک ماتریس مورب تنظیم کنید و نتیجه مدل به تنظیم ماتریس مورب حساس نیست. تشخیص بازگشتی مدل به یک ماتریس مثلثی پایین تر A نیاز دارد ، که می تواند تخمین ساده تر و مؤثر باشد. برآورد بیزی نیاز به انتخاب دقیق مقادیر قبلی دارد. این مقاله فرض می کند که هیچ اطلاعاتی در مورد قبلی وجود ندارد ، و ارزش های قبلی یکنواختی معقول را به صورت مصنوعی تعیین می کند. روشهای زنجیره ای ماركوف مونت كارلو (MCMC) با استنباط بیزی می تواند مشکل بیش از حد پارامتر و همبستگی نمونه را حل كند.

4- داده ها و متغیرها

مدل TVP-VAR-SV مورد استفاده در این مطالعه شامل چهار متغیر است: ID-EMV ، GPR ، حدس و گمان و بازده کالا. برای به دست آوردن سری ثابت ، همه متغیرها به صورت لگاریتمی هستند و تفاوت مرتبه اول انجام می شود. داده های ماهانه از ژانویه 1998 تا ژوئن 2021 استفاده می شود ، که شامل پنج شیوع اپیدمی بیماری عفونی ، یعنی آنفولانزای پرنده (H5N1) ، SARS ، آنفولانزای خوکی (H1N1) ، MERS و ابولا و COVID-19 است.

این مقاله به ID-EMV توسط بیکر و همکاران اشاره دارد.(2020) به عنوان یک معیار عدم اطمینان از بیماریهای عفونی ، که نشان دهنده نوسانات بیماریهای عفونی در بازار سهام با ردیابی تقریبا 3000 روزنامه آمریکایی به صورت مشخص است. ID-EMV چهار مجموعه اصطلاح (از جمله E ، M ، V و ID) را مشخص می کند و روزنامه های مربوطه را شمارش می کند ، سپس آنها را مطابق با تمام مقالات روز مقیاس می دهد و در نهایت از شاخص کلی EMV برای مطابقت با سطح VIX استفاده می کندمنعکس کننده نسبت مقالات ID-EMV به تعداد کل مقالات EMV. داده های روزانه ID-EMV به داده های ماهانه تبدیل می شوند. داده ها را می توان از http://www. policyunctional.com بارگیری کرد.

ما شاخص GPR های توسعه یافته توسط Caldara و Iacoviello (2018) را به عنوان معیار عدم اطمینان ژئوپلیتیکی انتخاب می کنیم ، که تنش های ژئوپلیتیکی را در 11 روزنامه های بین المللی پیشرو ردیابی می کند. GPR با محاسبه تعداد مقالات مرتبط در هر روزنامه در هر ماه (حسابداری از تعداد کل مقالات خبری) شش گروه از کلمات مربوط به GPR را مشخص می کند و سپس عادی کردن ارزش متوسط در 2000-2009 تا 100 را انجام می دهد. 1 Caldara و Iacoviello (2021) ادعا كرد كه مقادیر بالاتر شاخص GPR به معنای شدت جریان بالاتر حوادث منفی ، احتمال وقایع منفی در آینده و شدت مورد انتظار حوادث منفی آینده است. این شاخص نشان دهنده GPRS است و هنوز به صورت تجربی در مقیاس بزرگ اعمال نشده است زیرا نسبتاً جدید است. داده های GPR را می توان از: https://www. matteoiacoviello.com/gpr. htm بارگیری کرد.

برای گمانه زنی ، سندرز و همکاران.(2010) شاخص T کار (1960) را برای تعیین کمیت درگیری نسبی سرمایه گذاران مالی پیشنهاد کرد ، که موقعیت های دلالان را با خواسته های پرچین مقایسه می کند. این شاخص همچنین در مطالعات تجربی مانند Büyükşahin و Robe (2011) ، Büyükşahin و Robe (2014) ، Alquist and Gervais (2013) و برونو و همکاران مورد استفاده گسترده ای قرار گرفته است.(2017). محاسبه T کار به شرح زیر است:

T I ، T =<1 + S S i , t H L i , t + H S i , t , H S i , t ≥ H L i , t 1 + S L i , t H L i , t + H S i , t , H S i , t

جایی که S S I ، T و S L I ، T به ترتیب موقعیت کوتاه و طولانی غیر تجاری از بازار آتی کالاها در Time T به ترتیب T هستند. H S I ، T و H L I ، T به ترتیب موقعیت های کوتاه و طولانی تجاری هستند. بگذارید وزن کالای مربوطه در شاخص کالا باشد ، و گمانه زنی از بازار کالای کل حاوی کالاهای n را می توان با میانگین وزنی وزنی توصیف کرد.

این مقاله با سرچشمه در سیستم بزرگ گزارش دهی معامله گر از کمیسیون معاملات معاملات آتی کالاها ، یک بانک اطلاعاتی را برای محاسبه این شاخص حدس و گمان در مورد شاخص دفتر تحقیقات کالاهای رویترز/جفری (RJ/CRB) تهیه می کند ، که موقعیت های هفتگی معامله گر را در 17 بازارهای آینده تجاری ایالات متحده ثبت می کنددر طی سالهای 1998-2021 و آنها را به داده های ماهانه تبدیل می کند. در مدل گروه ، آنها بیشتر به پنج گروه طبق شاخص CRB Spot طبقه بندی می شوند تا وضعیت دسته های مختلف کالا را بررسی کنند.

برای کالاها ، تفاوت مرتبه اول لگاریتمی ، شاخص RJ/CRB ، یک انتخاب طبیعی به عنوان یک شاخص گسترده از بازده است ، که شامل 19 کالا از جمله روغن خام ، مس ، آلومینیوم ، سویا ، ذرت و غیره است.، این مقاله شاخص قیمت CRB را به عنوان بازگشت کالا برای گروه بندی ، یعنی منسوجات ، صنعت ، فلزات ، دام و مواد غذایی انتخاب می کند که معیار متنوع تری برای بازارهای کالاهای بین المللی ارائه می دهد. این شاخص ها منابع بسیار مهمی برای نوسانات قیمت کالاهای بین المللی است که در بازار جهانی کالاها بسیار مورد توجه و کاربرد هستند. بنابراین ، دانشمندان بی شماری از این شاخص برای انجام مطالعات تجربی استفاده می کنند. شکل 1 روند متغیرهای فوق را نشان می دهد.

روند متغیرهای اصلی (داده های خام).

جدول 1 اطلاعات خلاصه توضیحات آماری و آزمایش ثابت را نشان می دهد ، جایی که Δ ln i d - e m v ، Δ ln g p r ، و Δ ln w t نشان دهنده چرمی مثبت است. شاخص CRB کمبود منفی را نشان می دهد ، و تمام متغیرها دارای کورتوز مثبت با مقادیر بیشتر از 3 هستند که نشان می دهد شکل قله ها تیز است و اوج توزیع شیب دار است. در مقایسه با میانگین مقدار ، خطاهای استاندارد Δ ln i d - e m v ، Δ ln g p r ، Δ ln w t و Δ ln c r b بزرگ هستند ، از این طریق نشان می دهد که چهار متغیر در طول نمونه به شدت تغییر کرده اند. آمار Jarqu e-Bera نشان می دهد که همه متغیرها به طور معمول توزیع نمی شوند به جز Δ Ln W t. برای جلوگیری از رگرسیون مبهم ناشی از داده های غیر ثابت ، ثابت بودن هر متغیر را آزمایش می کنیم. هر دو آمار افزوده Dicke y-Fuller (ADF) و فیلیپ س-پررون (PP) نشان می دهند که همه متغیرها در سطح اهمیت 1 ٪ ثابت هستند.

میز 1

توضیحات آماری و آزمون ثابت.

یادداشت ها: اعداد موجود در پرانتز مقادیر p هستند.* ، * * ، و ** به ترتیب در سطح 10 ٪ ، 5 ٪ و 1 ٪ قابل توجه است. همه متغیرها توالی لگاریتمی تفاوت مرتبه اول هستند.

5. نتایج تجربی

5. 1تست علیت گرنجر متغیر زمان

برای بررسی وجود علیت غیرخطی ID-EMV ، GPR و حدس و گمان در مورد بازده کالا با گذشت زمان ، ما شی و همکاران ، 2018 ، شی و همکاران ، تست علیت گرنجر متغیر زمان را اجرا می کنیم. نتایج شبیه سازی شی و همکاران.(2020) نشان می دهد که در مقایسه با یک الگوریتم در حال گسترش رو به جلو ، الگوریتم در حال گسترش بازگشتی قابل اطمینان ترین است و به دنبال آن الگوریتم پنجره نورد. بنابراین ، ما در درجه اول نتایج الگوریتم های پنجره در حال گسترش و نورد را نشان می دهیم.

این رویکرد روشهای اقتصاد سنجی مستحکم را برای یکپارچه سازی و خصوصیات ادغام اتخاذ می کند ، و داده ها نیازی به فیلتر کردن یا متفاوت بودن ندارند (شی و همکاران ، 2018 ، هامود و همکاران ، 2020). به دنبال شی و همکاران.(2018) ، از لگاریتم توالی ها برای آزمایش استفاده می شود.

شکل 2 رابطه علیت متغیر بین ID-EMV ، GPR ، گمانه زنی و بازده کالا را به ترتیب نشان می دهد که توالی های آماری والد و مقادیر مهم 5 ٪ و 10 ٪ را برای روشهای رو به رشد و بازخوانی بازگشتی تنظیم می کند. این دو روش مشخص می کنند که علیت از ID-EMV ، GPR ؛گمانه زنی ها به بازده کالاها بیشتر از زمان بسیار قابل توجه است و اثرات متغیر زمانی در محدوده نمونه دارد. علاوه بر این ، الگوریتم در حال گسترش بازگشتی رویدادهای علّی را بهتر از الگوریتم پنجره نورد تأیید می کند. به طور خلاصه ، بین ID-EMV ، GPR و گمانه زنی و بازده کالا علیت وجود دارد.