در این مقاله ، ما مدل جدید ضریب متغیر زمان را پیشنهاد می کنیم. فایده مدل ما این است که پارامتر بازده ریسک در معادله میانگین با گذشت زمان متفاوت باشد. در پایان سال 2019 تا آغاز سال 2020 ، جهان شاهد دو رویداد تکان دهنده بود: Covid-19 Pandemic و جنگ قیمت نفت 2020. بنابراین ، ما تصمیم می گیریم از داده های روزانه از 2 دسامبر 2019 تا 29 مه 2020 استفاده کنیم که این دو رویداد مهم را پوشش می دهد. هدف از این مطالعه یافتن حرکت پویا بین ریسک و بازگشت در چهار بازار عمده نفت است: برنت ، غرب تگزاس واسطه ، دبی و سنگاپور ، در طی همه گیر Covid-19 و جنگ قیمت نفت 2020. برای بازار نفت اروپا ، مدل ما در 26 مارس-21 آوریل 21 ، 2020 ، رابطه بازگرداندن ریسک قابل توجه و مثبت در برنت پیدا کرد. برای بازار نفت آمریکای شمالی ، مدل ما رابطه ای مثبت بازده مثبت در غرب تگزاس واسطه یافت (WTI) در 12 مارس 8 مه 2020. برای بازار نفت خاورمیانه ، ما در 12 مارس-14 آوریل-2020 ، رابطه ای قابل توجه و مثبت در بازگرداندن در دبی پیدا کردیم. یک رابطه بازگرداندن ریسک مثبت مثبت در تبادل سنگاپور (SGX) از 9 مارس 29-2020.

کلید واژه ها

• ضریب متغیر زمان ؛
• رابطه بازگرداندن ریسک ؛
• مدل Garch-in Mean ؛
• جنگ قیمت نفت ؛
• کووید 19

1. معرفی

نفت خام یکی از کالاهای بسیار مهمی است که اقتصاد جهانی را سوق می دهد زیرا این یکی از منابع اصلی انرژی است که ما این روزها به آن اعتماد می کنیم. قیمت نفت خام با قدرت تقاضا و عرضه در بازار تعیین می شود. حتی اگر ، قیمت نفت خام در بازار آینده بسیار نوسان داشته باشد ، بسیاری از سرمایه گذاران را وادار می کند تا خطر بازده بزرگی را به خود اختصاص دهند. سپس ، برای مطالعه رابطه بازگرداندن ریسک در بازار نفت خام یکی از مباحث جالب در زمینه های مالی و اقتصادی است. مدل قیمت گذاری دارایی سرمایه بین المللی مرتون توضیح می دهد که سرمایه گذار همیشه به منظور جبران ریسک بالاتر انتظار داشته است که بازده بیشتری را جبران کند ، سپس وی پیشنهاد کرد که رابطه ریسک و بازگشت باید مثبت باشد (مرتون ، 1973).

از اواخر سال 2019 تا آغاز سال 2020 ، ما دو بحران بزرگ داریم ، همه گیر Covid-19 و جنگ قیمت نفت 2020 ، که مستقیماً بر بازار نفت خام تأثیر می گذارد. ویروس جدید Corona با نام Covid-19 ، در آغاز دسامبر 2019 از ووهان چین شروع به گسترش می کند. سازمان بهداشت جهانی (WHO) Covid-19 را به عنوان یک بیماری همه گیر در 11 مارس 2020 اعلام کرد. در طول Covid-19پاندمی ، تقریباً در هر کشور تصمیم گرفت از استراتژی "قفل" استفاده کند - تمام کشور را برای جلوگیری از شیوع ویروس ، بستن کل کشور. از آنجا که بسیاری از فعالیت های اقتصادی مجبور به متوقف کردن ، به ویژه سفرهای زمینی و هوایی شده است ، تقاضا برای نفت خام به شدت کاهش یافته است. مدیریت اطلاعات انرژی ایالات متحده (2020) پیش بینی کرد که تقاضا برای سوخت های مایع از 100 میلیون بشکه در روز به 80 میلیون بشکه در روز در سه ماهه دوم سال 2020 کاهش می یابد.

از آنجا که تقاضا برای نفت رو به کاهش بود ، رهبر اوپک ، عربستان سعودی ، می خواست با سازماندهی جلسه بین اعضای اوپک و کشورهای صادرکننده نفت غیر اپک ، مانند روسیه ، قیمت نفت خام را حفظ کند تا تولید جهانی نفت را کاهش دهد. با این حال ، صحبت بین عربستان سعودی و روسیه در 8 مارس 2020 شکست خورد. سپس ، هر دو کشور اعلام کردند که آنها در بازار جهانی نفت بیشتری تولید می کنند. در سال 2019 ، تولید نفت از عربستان سعودی و روسیه 23 ٪ از بازار جهانی را به خود اختصاص داده است. عدم موفقیت جلسه 8 مارس 2020 منجر به سقوط شدید قیمت نفت شد. بنابراین ، می توان گفت که 8 مارس 2020 ، آغاز جنگ قیمت نفت 2020 است.

قیمت نفت خام در ابتدای سال 2020 به دلیل جدول زمانی همه گیر Covid-19 و جنگ قیمت نفت در حال نوسان بوده است. سپس ، سؤال این است: "رابطه بازگرداندن ریسک در طی این بحران ها چه خواهد بود؟"یکی از کارگاههای مطالعه بازگرداندن ریسک ، مدل Garch-in Mean است (Engle et al. ، 1987). از مدل Garch در میانگین مورد استفاده قرار گرفته است تا رابطه بازگرداندن ریسک در بازارهای سهام در سراسر جهان را مورد استفاده قرار دهد (نگوین و نگوین ، 2019 ؛ سهادودین ، 2015). با این حال ، پارامتر رابطه بازگرداندن ریسک که Garch-in Mean ارائه می دهد یک پارامتر متغیر است. بنابراین ، اگر مدلی داشته باشیم که بتواند پارامتر روابط بازده ریسک را که اجازه تغییر در این بحران ها را دارد ، تولید کند ، تولید کننده خواهد بود. به طور خلاصه ، مقاله ما ضریب جدید متغیر زمان Garchin-Mean را با استفاده از روش GAM برای مطالعه رابطه خطر سوختگی در چهار بازار عمده نفت خام در طول همه گیر COVID-19 و جنگ قیمت نفت 2020 پیشنهاد می کند.

این مقاله به شرح زیر سازماندهی شده است: بخش 2 بررسی ادبیات را شرح می دهد. بخش 3 مدل را ارائه می دهد. بخش 4 داده ها را شرح می دهد. بخش 5 نتایج را نشان می دهد. خلاصه در بخش آخر ارائه شده است.

2. بررسی ادبیات

درک رابطه بازگرداندن ریسک در بازار نفت خام یکی از مباحث جالب برای محقق است. با این حال ، نتایج این موضوع هنوز متناقض است و ممکن است به دوره زمانی ، طول مجموعه داده ها و مدل های مورد استفاده بستگی داشته باشد. برخی از مقالات گزارش می دهند که خطر و بازده رابطه مثبتی دارند ، در حالی که مطالعات دیگر رابطه منفی را گزارش می کنند.

Cifarelli و Paladino (2010) با استفاده از مدل Garch-in Mean ، رابطه بازگرداندن ریسک مثبت در قیمت نقطه نفت خام WTI را از 6 اکتبر 1992 تا 24 ژوئن 2008 پیدا کردند. گونگ و همکاران.(2017) گزارش یک رابطه مثبت معاصر بین خطر و بازگشت نفت خام WTI بین ژانویه 1998 و آوریل 2014 را گزارش کرد. با این حال ، آنها یک رابطه منفی و ناچیز بازگرداندن ریسک بین المللی پیدا کردند. Cotter و Hanly (2010) از مدل GARCH-in Mean برای مطالعه رابطه بازگرداندن بنزین بدون سرنشین در NYMEX از 19 فوریه 1992 تا 29 اکتبر 2008 استفاده کردند و دریافتند که رابطه بین ریسک و بازده مثبت است. Abduikareem و Abdulhakeem (2016) همچنین از مدل Garch-in Mean استفاده کردند و بین ژانویه 1987 و ژوئن 2017 رابطه مثبت ریسک و بازگشت در بازار نفت خام نیجریه یافتند. علاوه بر این ، Deebom و Essi (2017) اثر منفی پیدا کردنداصطلاح نامتقارن در معادله نوسانات در بازار نفت خام نیجریه.

از طرف دیگر ، لی و همکاران.(2013) با استفاده از مدل GARCH-in-Mean در مورد داده های قیمت نفت از مدیریت اطلاعات انرژی ایالات متحده (EIA) از 4 آوریل 1983 ، تا 28 فوریه 2012 ، رابطه بین المللی منفی بین ریسک و بازده را گزارش کرد. 2008) همچنین بین 2 ژانویه 1996 و 30 نوامبر 2006 رابطه منفی بین ریسک و بازگشت نفت خام Nymax یافت. علاوه بر این ، کریستوفک (2014) رابطه منفی بین خطر بازگشت و نوسانات روغن نفت خام برنت و WTI را گزارش کرد.

به طور خلاصه، ناهماهنگی مطالعات ممکن است ناشی از رویدادهای خاص، مانند بحران اقتصادی و جنگ باشد که در طول دوره مجموعه داده در مطالعات آنها اتفاق می افتد. متأسفانه، مدل GARCH-in-Mean فقط می تواند پارامترهای تغییرناپذیر زمان را ارائه دهد، که نمی توان آنها را برای محاسبه رویدادهای خاص تغییر داد. بنابراین، هدف اصلی این مقاله ارائه مدل جدید GARCH-in-Mean ضریب متغیر زمانی است که می تواند پارامتر ریسک-بازده را ارائه دهد که می تواند در طول زمان تغییر کند. علاوه بر این، ما مدل جدید خود را برای مطالعه رابطه ریسک و بازده در چهار بازار عمده نفت از دسامبر 2019 تا مه 2020 به کار می بریم که با دو رویداد ویژه، همه گیری کووید-19 و جنگ قیمت نفت در سال 2020 مشخص شده است، که به شدت بر بازارهای نفت در سراسر جهان تأثیر گذاشت.

3. روش تحقیق

3. 1. مدل

یکی از مدل های محبوبی که می تواند رابطه بین ریسک و بازده را نشان دهد، مدل GARCH-in-Mean است که توسط Engle و همکارانش پیشنهاد شده است.(1987). این مدل اجازه می دهد تا واریانس شرطی در طول زمان تغییر کند، که به آن شرایط هتروسکداستیسیته می گویند، و مدل واریانس شرطی را به عنوان ریسک دارایی مورد مطالعه در نظر می گیرد. معادله (3) معادله واریانس را به شکل بولرسلوف (1986) GARCH (1،1) نشان می دهد که در آن واریانس یا ریسک شرطی (h_t) به یک دوره تاخیری از شوک مجذور بستگی دارد (ε2_t-1) و یک دوره ریسک عقب افتاده (h_{t −1}) خودش. معادله (1) معادله میانگین را نشان می دهد که رابطه همزمان بین بازده (r_t) و ریسک (h_t ).

جایی که r_tبازده است، uf045(ε_t|اف_{t −1}) = 0، (ε 2_t|اف_{t −1} )= h_t, h_tواریانس شرطی یا ریسک و ξ است_t∼ من. من. د(0، 1)

اشکال مدل سنتی GARCH-in-Mean این است که پارامترهای (c, γ) در معادله میانگین که رابطه بازده ریسک را نشان می دهد، تغییرناپذیر زمان هستند. بنابراین، به این معنی است که در طول دوره داده هایی که در مدل قرار می دهیم، رابطه بین ریسک و بازده ثابت می شود. این چالش زمانی رخ می دهد که ما با موقعیت های ویژه ای مانند جنگ قیمت نفت در سال ۲۰۲۰ بین عربستان سعودی و روسیه و همه گیری کووید-۱۹ روبرو شویم، که رابطه ریسک و بازده ممکن است در طول زمان تغییر کند.

مقاله ما مدل جدید ضریب متغیر زمانی GARCH-in-Mean را با اجازه دادن به پارامترهای (c, γ) در معادله میانگین پیشنهاد می کند که در طول زمان تغییر کنند، در حالی که معادله واریانس هنوز به شکل GARCH (1،1) است.. بنابراین، معادله (1) به معادله زیر تغییر می کند.

از آنجایی که بازگشت (ر_t) سری ها مستقیماً از مجموعه داده ها می آیند، اگر بتوانیم ریسک را تخمین بزنیم (h_t) ، سپس می توانیم به راحتی پارامترهای مختلف را تخمین بزنیم (c_t γ_t) با استفاده از مدل افزودنی عمومی (GAM) از Hastie و Tibshirani (1990) و Wood (2006). گام از تکنیک عملکرد صاف غیر پارامتری استفاده می کند ، که مبتنی بر اسپلین های رگرسیون است. برای درک چگونگی برآورد ضریب متغیر زمان ، ما این مدل را ساده کردیم که فقط یک ضریب متغیر زمان داشته باشد تا تخمین زده شود همانطور که در معادله زیر نشان داده شده است (Bringmann et al. ، 2017).

ضریب متغیر زمان (ج_t) با استفاده از روش رگرسیون اسپلین به عنوان معادله زیر قابل تخمین است.

پس از انتخاب نوع عملکرد پایه r () و تعداد عملکرد پایه (k) ، می توانیم با استفاده از یک رگرسیون خطی ساده ، ( hat_ ) را تخمین بزنیم. برای ساده ترین مثال ، یک چند جمله ای با سفارش 4 می تواند به عنوان عملکرد پایه استفاده شود ، پس ما R داریم₁(t) = 1 ، r₂(t) = t ، r₃(t) = t 2 ، r₄(t) = t 3 ، r₅(t) = t 4 ، (چوب ، 2006). ما می توانیم این روش را به عنوان یک رویکرد داده محور بنامیم ، زیرا هر عملکرد پایه را می توان از داده ها محاسبه کرد. ضریب () که ما از معادله (6) تخمین می زنیم می تواند به صورت خطی یا غیر خطی باشد که به زمان بستگی دارد. در مقاله ما ، ما از یک رگرسیون رگرسیون صفحه نازک به عنوان عملکرد پایه در مدل استفاده می کنیم زیرا این تنظیم پیش فرض در بسته های برنامه R "MGCV" است. رگرسیون رگرسیون صفحه نازک از مزیت هایی برخوردار است زیرا نیازی به ارائه مکان های گره ندارد و وقتی متغیرهای مستقل تری را در مدل قرار می دهیم بسیار خوب عمل می کند (Wood ، 2003).

معادله (7) را می توان به حداقل رساند تا مقدار بهینه ضریب متغیر زمان ( ( hat_ )) را بدست آورد. معادله (7) دارای یک پارامتر صاف کننده λ است که بین مدت حداقل مربع خطی در سمت چپ و اصطلاح مجازات wiggliness در سمت راست تعادل برقرار می کند. مقدار یک پارامتر صاف کننده λ بر شکل ضریب متغیر زمان تأثیر می گذارد ( ( hat_ )). در صورتی که مقدار λ زیاد باشد ، مجازات wiggliness بزرگ خواهد بود ، سپس ضریب متغیر زمان ( ( hat_ )) یک خط خطی خواهد بود. از طرف دیگر ، اگر مقدار λ کم باشد ، مجازات wiggliness کوچک خواهد بود ، ضریب متغیر زمان ( ( hat_ )) یک خط غیر خطی خواهد بود. سپس به سؤال بعدی می رسد ، چگونه می توان مقدار بهینه یک پارامتر هموار سازی λ را بدست آورد.

از WAHBA (1980) و WOOD (2006) ، مقدار λ که حداقل تعداد اعتبار متقابل تعمیم یافته (GCV) را در معادله (8) فراهم می کند ، مقدار بهینه خواهد بود. با انجام معادله (6) ، (7) و (8) با هم ، مقدار بهینه ضریب متغیر زمان را دریافت خواهیم کرد.

مدل ساده در معادله (5) را می توان به راحتی گسترش داد تا متغیرهای مستقل تر و ضرایب متغیر زمان را شامل شود (وود ، 2006). مدل متغیر زمان با استفاده از رویکرد GAM در زمینه اقتصاد سنجی سری زمانی محبوب تر می شود. برینمن و همکاران.(2017) از مدل ضریب متغیر زمان با استفاده از رویکرد GAM به مدل خودکار برای مطالعه در حوزه روانشناسی استفاده کرد ، در حالی که Hongsakulvasu و Liammukda (2020) برای مطالعه بازارهای سهام آسیا از مدل ضریب ضریب زمان استفاده کردند. علاوه بر این ، Haslbeck و همکاران.(2017) با استفاده از رویکرد GAM به مدل اتورگرایی بردار ، مدل ضریب متغیر زمان را اعمال کرد. با این حال ، مقاله ما اولین کسی است که با استفاده از رویکرد GAM به مدل Garch-in Mean از مدل ضریب متغیر زمان استفاده می کند. سپس ، ضرایب زمانبندی ما مدل Garch-in در معادلات زیر نشان داده شده است.

r t = c t + γTHT + εt (9)

بازده کجاست ، uf045 (ε_t | F_{t −1}) = 0 ، (ε 2_t|اف_t-1 ) = h_t, h_tواریانس شرطی یا ریسک و ξt ∼ i است. من. د.(0 ، 1)

در معادله (11) ، معادله واریانس از فرآیند گارچ (1،1) پیروی می کند ، که فرض می کند_tبرای داشتن یک توزیع عادی Engle (1982). با این حال ، مورد مطالعه نلسون (1991) از توزیع دم ضخیم ε خبر داد_tبشرسپس ، ما تصمیم می گیریم که مطالعات لی و همکاران را دنبال کنیم.(2005) و لینتون و پررون (2003) برای فرض εt برای پیروی از توزیع خطای عمومی (GED) ، که فایده زیادی در پوشش الگوی دم ضخیم در توزیع دارد

در معادله (9) ، ضرایب متغیر زمان (ج_t , γ_t) بدون دانستن سری از آنها نمی توان تخمین زد. سخنرانی_tبا این حال ، ساعت_t، که به فرآیند GARCH در معادله (11) بستگی دارد ، بدون دانستن تأخیر در اصطلاح خطا (ε) قابل تخمین نیست. سرانجام ، ما نمی توانیم بدون دانستن ضرایب متغیر زمان در معادله میانگین ، مدت زمان خطا (ε) را بدست آوریم.

برای حل این مشکل ، ما تخمین تکراری را از کنراد و مانن (2008) اعمال می کنیم. روش تخمین ما در مراحل زیر شرح داده شده است.

مرحله 1: برای به دست آوردن مقدار اولیه ( hat _^) سنتی را انجام دهید.

مرحله 2: رگرسیون R_tدر ( hat _^) با استفاده از رویکرد GAM برای برآورد ضرایب مختلف ، ( hat _^) و ( hat<gamma>_^) و در نتیجه ، می توانیم ( hat _^) را بدست آوریم.

مرحله 4: مرحله 2 و 3 را برای تعداد ثابت تکرارها یا تا زمان همگرایی تکرار کنید.

در مطالعه ما ، الگوریتم تخمین بسیار پایدار است و همگرایی بسیار سریع است که در آن کمتر از 10 تکرار. معادله زیر یک معیار همگرایی است که ما آن را از کنراد و مانن (2008) اعمال می کنیم.

جایی که k = 1 ،… ، k تعداد تکرارها هستند ، ( hat _^= hat _^+ hat<gamma>_^ hat _^ ) و ( bar ) برخی از پیش بینی های کوچک است که در آن ما Conrad و Manmen (2008) را دنبال می کنیم تا ( bar ) = 0. 001 را انتخاب کنیم.

3. 2شرح داده ها

در این مقاله ، ما رابطه بازگرداندن ریسک را در سه بازار عمده نفت خام ، که عبارتند از واسطه غرب تگزاس (WTI) ، برنت و دبی و یک بازار نفت سوخت آسیایی در بورس سنگاپور (SGX) بررسی می کنیم. برای سه بازار نفت خام ، ما واحد قیمت را به دلار در هر بشکه داریم در حالی که در بازار SGX ، یک واحد قیمت در دلار آمریکا در هر تن متریک داریم. برای برنت و دبی ، ما از آینده نفت خام در قرارداد ژوئن 2020 استفاده می کنیم ، در حالی که برای WTI ما در قرارداد ژوئیه 2020 از آینده نفت خام استفاده می کنیم.

تمام مجموعه داده ها از بلومبرگ بدست می آیند. ما از داده های روزانه از 2 دسامبر 2019 ، تا 29 مه 2020 استفاده می کنیم. دلیل استفاده از داده ها در این دوره به این دلیل است که وقایع مهم همه گیر Covid-19 و جنگ قیمت نفت 2020 را در بر می گیرد. Covid-19 در دسامبر سال 2019 در ووهان ، چین گسترش یافت. که Covid-19 را در تاریخ 30 ژانویه 2020 به عنوان اضطراری بهداشت عمومی از نگرانی های بین المللی (PHEIC) اعلام کرد. و سازمان بین المللی در 11 مارس Covid-19 را یک بیماری همه گیر اعلام کرد2020. علاوه بر این ، جنگ قیمت نفت 2020 در 8 مارس 2020 و به دنبال وقوع مذاکرات بین اوپک و روسیه آغاز شده بود. قیمت نفت در WTI برای اولین بار در تاریخ ثبت شده در 20 آوریل 2020 به قیمت منفی کاهش یافت.

قیمت هر بازار با استفاده از فرمول به بازده تبدیل می شود: (r _ = ln سمت چپ ( frac> درست) ) قبل از قرار دادن در مدل. قیمت و بازده نفت خام در هر چهار بازار در شکل 1 با خط عمودی آبی نقطه ای که نشان دهنده روز باز بازار پس از شروع جنگ قیمت نفت در 8 مارس 2020 است ، ارائه شده است.

شکل 1: قیمت و بازده نفت در 4 بازار اصلی ؛برنت ، دبی ، غرب تگزاس واسطه (WTI) و بورس سنگاپور (SGX) در 2 دسامبر 2019 تا 29 مه 2020.

4. نتایج

در این بخش ، ما نتایج مطالعه رابطه ریسک سوختگی را در چهار بازار عمده نفت - برنت ، دبی ، واسطه ای واسطه (WTI) و تبادل سنگاپور (SGX) ارائه می دهیم.

در مرحله اول ، ما مدل سنتی Garrch-in Mean را انجام می دهیم تا با ضریب ضریب متغیر زمان خود مقایسه کنیم. معادله واریانس مدل سنتی از فرآیند GARCH (1،1) پیروی می کند و اصطلاح خطا را فرض می کند که از توزیع خطای عمومی (GED) پیروی کرده است ، که اجازه می دهد یک دم ضخیم در توزیع داشته باشد. نتایج حاصل از مدل سنتی GARCH در میانگین در جدول 1 نشان داده شده است. برای پارامتر بازده ریسک ، γ ما بین خطر و بازگشت در برنت ، دبی و SGX رابطه منفی معنی داری پیدا کردیم. با این حال ، برای WTI ، ما رابطه مثبت معنی داری در ریسک و بازده پیدا کردیم. برای اصطلاح ثابت ، C ، در هر چهار بازار تعداد مثبت بسیار قابل توجهی پیدا کردیم. با این حال ، اصطلاح ثابت ، C ، در کلیه مجموعه های داده بسیار کوچک و نزدیک به صفر است. برای پارامترهای موجود در معادله واریانس (ω ، α ، β) ، پارامتر ، ω ، در همه بازارها قابل توجه است. پارامتر α و β نیز در همه موارد به شدت قابل توجه است ، با ارزش زیاد β و مجموع α و β نزدیک به یک ، که استاندارد است (کریستینسن و همکاران ، 2012).

جدول 1: نتایج تخمین از مدل سنتی Garch در میانگین

توجه: R_t= C + γ H_t + ε_t , h_t= ω + αε 2_t-1+ βH_t-1بشرخطاهای استاندارد قوی در پرانتز گزارش شده است. ستاره ها حاکی از اهمیت آماری در سطح 10 ٪ (*) ، 5 ٪ (**) یا 1 ٪ (***) هستند.

ثانیاً ، ما ضریب متغیر زمان خود را انجام می دهیم و مدل متوسط و نتایج در شکل 2 و جدول 2 نشان داده شده است. برخلاف مدل سنتی Garch-in-Mean ، ضرایب در میانگین معادله ، r_t = c_t + γ_t h_t + ε_t، از مدل ما می تواند بیش از حد متفاوت باشد. ضرایب تخمین زده شده ما (ج_t , γ_t) و فاصله اطمینان 95 ٪ در شکل 2 نشان داده شده است. ستون سمت چپ شکل 2 ضریب متغیر زمان c است_t، در حالی که ستون مناسب برای γ است_tبشرهر ردیف شکل 2 بازارهای روغن را نشان می دهد.

توجه: خط سیاه جامد ضرایب مختلف تخمین زده شده است و خطوط سیاه نقطه مساحت 95 ٪ فاصله اطمینان دارند. ضریب متغیر زمان در میانگین مدل: R_t = c_t + γ_t h_t + ε_t , h_t= ω + αε 2_t-1+ βH_t-1.

شکل 2: ضرایب متغیر زمان تخمین زده شده (C_t , γ_t) از ضریب متغیر زمان در مدل میانگین.

جدول 2: نتایج تخمین معادله واریانس شرطی از ضریب متغیر زمان GARCH در مدل میانگین

توجه: ضریب متغیر زمان در میانگین مدل: R_t = c_t + γ_t h_t + ε_t , h_t= ω + αε 2_t-1+ βH_t-1بشرخطاهای استاندارد قوی در پرانتز گزارش شده است. ستاره ها حاکی از اهمیت آماری در سطح 10 ٪ (*) ، 5 ٪ (**) یا 1 ٪ (***) هستند.

برای پارامتر c_t، ما در هر چهار بازار ارزش قابل توجهی و منفی پیدا کردیم که برخلاف نتایج مدل سنتی Grach-in Mean است. پارامتر C_t، در برنت از 12 فوریه تا 20 آوریل 2020 منفی و قابل توجه است. برای دبی ، ج_tاز 11 فوریه تا 24 آوریل 2020 منفی و قابل توجه است. برای WTI ، ج_tاز 26 فوریه تا 5 آوریل 2020 منفی و قابل توجه است. برای SGX ، CT از 3 فوریه 2020 منفی و قابل توجه است.

برای پارامتر بازده ریسک ، γ_t، ما نتایج را بر خلاف مدل سنتی Garch-in Mean در بازار برنت ، دبی و SPG پیدا کردیم ، در حالی که ما در WTI همان رابطه مثبت را پیدا کردیم. برای بازار نفت خام برنت ، مدل ما دریافت که بین 26 مارس و 21 آوریل 2020 رابطه بازپرداخت مثبت مثبت وجود دارد. برای بازار نفت خام دبی ، مدل ما دریافت که بین رابطه مثبت بازگرداندن ریسک مثبت وجود دارد12 مارس و 14 آوریل ، 2020. برای بازار نفت خام WTI ، مدل ما بین 12 مارس و 8 مه 2020 رابطه ریسک مثبت معنی داری پیدا کرد. برای بازار نفت SGX ، مدل ما نشان داد که بازگرداندن ریسک مثبت قابل توجهی وجود داردرابطه از 9 مارس 2020.

نتایج حاصل از ضریب متغیر زمان ما Garchin-Mean Model بسیار جالب است زیرا نشان می دهد که پس از آغاز جنگ قیمت نفت در 8 مارس 2020 ، خطر و بازده مثبت است. در هر چهار بازاررابطه مثبت بازگشت ریسک تنها یک ماه باقی می ماند و پس از آن ، پس از نوسانات یا ریسک در پایان ماه آوریل و آغاز ماه مه ، رابطه بازگرداندن ریسک ناچیز می شود. بنابراین ، می توانیم نتیجه بگیریم که ، در یک وضعیت عادی ، هیچ رابطه ای در بازگرداندن ریسک در بازار نفت خام وجود ندارد ، اما در طول جنگ قیمت نفت یک رابطه مثبت بازگرداندن ریسک وجود دارد.

برای پارامترهای تخمین زده شده در معادله واریانس مدل ما ، که از GARCH (1،1) پیروی می کند ، فرآیندها در جدول 2 نشان داده شده است. پارامتر Ω در همه بازارها ناچیز است. پارامترهای α و β نیز در همه موارد به شدت قابل توجه هستند ، با ارزش زیاد β و مجموع α و β نزدیک به یک ، که استاندارد است (کریستینسن و همکاران ، 2012).

سرانجام ، به منظور مقایسه عملکرد ضریب زمان متغیر زمان ما و مدل سنتی Garch-in-Mean ، ما از خوبی های اقدامات مناسب از کریستنسن و همکاران استفاده می کنیم.(2012) همانطور که در معادلات زیر نشان داده شده است.

نتایج حاصل از خوب بودن تناسب در جدول 3 نشان داده شده است. ضریب ضریب متغیر زمان ما ، مدل میانگین و ارزش پایین تر از مدل سنتی گارچین-میانگین را در همه موارد فراهم می کند. بنابراین ، این بدان معنی است که ، داشتن ضرایب متغیر زمان در معادله میانگین عملکرد بهتری نسبت به سنتی دارد.

جدول 3: خوب بودن مقایسه متناسب بین میانگین خطای مربع مدل سنتی Garch-in Mean و ضریب زمان متغیر GARCH در میانگین.

توجه: "*" کمترین مقدار خطای مربع مدل را نشان می دهد. (m s e ( text) = frac sum _^ سمت چپ (r _- hat _- widehat<gamma>_ hat_ راست)^) ، (m s e ( text) = frac sum _^ سمت چپ [ سمت چپ (r _- hat _- hat<gamma>_ hat_ راست)^- hat_ راست]^).

5- نتیجه گیری

در این مقاله ، ما مدل جدید ضریب متغیر متغیر را برای بررسی خطر و بازگشت رابطه در چهار بازار عمده نفت در طول همه گیر COVID-19 و جنگ قیمت نفت 2020 پیشنهاد می کنیم. بر خلاف مدل سنتی Garch-in Mean ، که در آن پارامتر بازده ریسک متغیر است ، مدل جدید ما اجازه می دهد تا ضرایب در معادله میانگین با گذشت زمان متفاوت باشند. پس از استفاده از مدل جدید ما برای مطالعه رابطه بازگرداندن ریسک در برانت ، دبی ، WTI و SGX ، دریافتیم که ، حتی اگر Covid-19 در دسامبر 2019 در سراسر جهان گسترش یابد ، هیچ رابطه ای از ریسک وجود ندارددسامبر 2019 تا آغاز مارس 2020. با این حال ، پس از شروع جنگ قیمت نفت در 8 مارس 2020 ، ما در هر چهار بازار رابطه مثبت و قابل توجهی از بازگشت ریسک پیدا کردیم ، اما این رابطه فقط یک ماه باقی می ماند و سپس با آن ناپدید شدکاهش نوسانات بازار. سرانجام ، ما نشان می دهیم که مدل جدید ما عملکرد بهتری نسبت به مدل سنتی Garchin-میانگین دارد.

منابع

1. Abduikareem ، A. ، & Abdulhakeem ، K. A. (2016). تجزیه و تحلیل قیمت نفت و اقتصادی اقتصادی در نیجریه. مجله آمار کاربردی CBN ، 7 (1) (الف).
2. Bollerslev ، T. (1986). ناهمگونی شرطی مشروط عمومی ، مجله اقتصاد سنجی ، 31 (3) ، 307-327. https://doi. org/10. 1016/0304-4076(86)90063-1
3. Bringmann ، L. F. ، Hamaker ، E. L. ، Vigo ، D. E. ، Aubert ، A. ، Borsboom ، D. ، & Tuerlinckx ، F. (2017). تغییر دینامیک: مدل های اتورگرایی متغیر با استفاده از مدل سازی افزودنی عمومی. روشهای روانشناختی ، 22 (3) ، 409-425. https://doi. org/10. 1037/met0000085
4. Christensen ، B. J. ، Dahl ، C. M. ، & Iglesias ، E. M. (2012). استنباط نیمه پارامتری در یک مدل متوسط. مجله اقتصاد سنج ، 167 (2) ، 458-472. https://doi. org/10. 1016/j. jeconom. 2011. 09. 028
5. Cifarelli ، G. ، & Paladino ، G (2010). پویایی قیمت نفت و حدس و گمان. اقتصاد انرژی ، 32 ، 363-372. https://doi. org/10. 1016/j. eneco. 2009. 08. 014
6. Conrad ، C. ، & Mammen ، E. (2008). رگرسیون غیرپارامتری در متغیرهای نهفته با کاربردی برای مدلهای نیمه متوسط به میانگین. مقاله بحث شماره 473. گروه اقتصاد ، دانشگاه هایدلبرگ.
7. Cotter ، J. ، & Hanly ، J. (2010). بازگرداندن ریسک متغیر زمان: کاربردی برای محافظت از انرژی. اقتصاد انرژی ، 32 ، 432-441. https://doi. org/10. 1016/j. eneco. 2009. 08. 009
8. Deebom ، Z. D. ، & Essi ، I. D. (2017). نوسانات قیمت مدل سازی بازارهای نفت خام نیجریه با استفاده از مدل GARCH: 1987-2017. مجله بین المللی علوم کاربردی و نظریه ریاضی ، 3 (4) ، 23-49. https://iiardpub. org/get/ijasmt/vol.٪203٪20no.٪204٪202017/modeling٪20price. pdf
9. Engle ، R. F. (1982). ناهمگونی مشروط اتوگرافی با برآورد واریانس تورم انگلستان. اقتصاد سنج ، 50 (4) ، 987-1007. https://www. jstor. org/stable/1912773 https://doi. org/10. 2307/1912773
10. Engle ، R. F. ، Lilien ، D. M. ، & R. P. Robins (1987). برآورد زمان متغیر حق ریسک در اصطلاح ساختار: مدل ARCH-M. اقتصاد سنج ، 55 (2) ، 391-407. https://www. jstor. org/stable/1913242 https://doi. org/10. 2307/1913242
11. Gong X. ، Wen ، F. ، Xia ، X. H. ، Huang ، J. ، & Pan ، B. (2017). بررسی تجارت بازگرداندن ریسک برای آینده های نفت خام با استفاده از داده های فرکانس بالا. انرژی کاربردی ، 196 ، 152-161. https://doi. org/10. 1016/j. apenergy. 2016. 11. 112
12. Haslbeck ، J. ، Bringmann ، L. & Waldorp ، L. (2017). چگونه می توان مدلهای اتورگرایی وکتور متغیر را تخمین زد؟مقایسه دو روش. برگرفته از https://www. researchgate. net/publication/321095790_how_to_to_time_time-varying_vector_autoregressive_models_a_comparison_of_two_methods
13. Hastie ، T. J. ، & Tibshirani ، R. J. (1990). مدلهای افزودنی عمومی. بوکا راتون ، فلوریدا: چاپمن و هال/CRC.
14. Hongsakulvasu ، N. ، & Liammukda ، A. (2020). تجزیه و تحلیل بازارهای سهام آسیا: شواهد جدید از الگوی اتورگرایی ضریب زمان متغیر. مجله امور مالی آسیا ، اقتصاد و تجارت ، 7 (9) ، 95-104. https://doi. org/10. 13106/jafeb. 2020. vol7. no9. 095
15. Kristoufek ، L. (2014). تأثیر اهرم در آینده انرژی. اقتصاد انرژی ، 45 (ج) ، 1-9. https://doi. org/10. 1016/j. eneco. 2014. 06. 009
16. لی، کیو، یانگ، جی، هسیائو، سی، و چانگ، ی. جی (2005). رابطه بین بازده سهام و نوسانات در بازارهای سهام بین المللی. مجله مالی تجربی، 12 (5)، 650-665. https://doi. org/10. 1016/j. jempfin. 2005. 03. 001
17. لی، زی، سان، جی، و وانگ، اس. (2013). یک مدل مبتنی بر انتشار اطلاعات قیمت آتی نفت. اقتصاد انرژی، 36، 518-525. https://doi. org/10. 1016/j. eneco. 2012. 10. 009
18. لینتون، او، و پرون، بی (2003). شکل حق بیمه ریسک: شواهدی از یک مدل ناهمسانی مشروط خودبازگشتی تعمیم یافته نیمه پارامتریک. مجله آمار کسب و کار و اقتصادی، 21 (3)، 354-367. https://doi. org/10. 1198/073500103288619052
19. مرتون، آر سی (1973). یک مدل قیمت گذاری دارایی سرمایه ای بین زمانیاقتصادسنجی، 41 (5)، 867-887. https://www. jstor. org/stable/1913811 https://doi. org/10. 2307/1913811
20. نلسون، دی بی (1991). ناهمگونی مشروط در بازده دارایی: رویکردی جدیداقتصادسنجی، 59 (2)، 347-370. https://www. jstor. org/stable/2938260 https://doi. org/10. 2307/2938260
21. نگوین، سی تی، و نگوین، ام. اچ (2019). مدل سازی نوسان قیمت سهام: شواهد تجربی از بورس اوراق بهادار هوشی مین در ویتنام. مجله مالی آسیایی، اقتصاد و تجارت، 6 (3)، 19-26. https://doi. org/10. 13106/jafeb. 2019. vol6. no3. 19
22. سحدالدین، اول (1394). رویکرد GARCH نمایی به تأثیر تکانشگری یورو در بازار سهام هند. مجله مالی آسیایی، اقتصاد و تجارت، 2(3)، 17-22. https://doi. org/10. 13106/jafeb. 2015. vol2. no3. 17
23. ترول، A. B.، و شوارتز، E. S. (2008). حق بیمه واریانس ریسک در کالاهای انرژی. مجله مشتقات، 17، 15-32. https://doi. org/10. 3905/jod. 2010. 17. 3. 015
24. اداره اطلاعات انرژی ایالات متحده(2020). چشم انداز انرژی کوتاه مدتبرگرفته از https: //www. eia. gov/outlooks/steo/report/ global_oil. php? fbclid=IwAR28xHG1vuVEGAZq6uHe4ZHh_ aOr83gd1Ll08Hn1Af-ntvt8X9PnHQV71js.
25. وهبا، جی (1980). پایه های Spline، منظم سازی و اعتبارسنجی متقابل تعمیم یافته برای حل مسائل تقریبی با مقادیر زیاد داده های نویزدار. در: E. Cheney (ویرایش)، تئوری تقریب III. لندن، انگلستان: انتشارات آکادمیک.
26. Wood, S. N. (2003). خطوط رگرسیون صفحه نازک. مجله انجمن آمار سلطنتی، سری B، 65، 95-114. https://doi. org/10. 1111/1467-9868. 00374
27. Wood, S. N. (2006). مدل های افزودنی تعمیم یافته: مقدمه ای با R. Boca Raton، FL: Chapman و Hall/CRC.

ذکر شده توسط

1. تأثیر همه گیر Covid-19 در بازده بورس سهام در بورس اوراق بهادار جلد 8 ، صص 3 ، 2020 ، https://doi. org/10. 13106/jafeb. 2021. Vol8. No3. 0039
2. رفتار سرمایه گذار پاسخ به تغییرات در شرایط توقف معاملات: شواهد تجربی از بورس اندونزی جلد 8 ، صص 4 ، 2021 ، https://doi. org/10. 13106/jafeb. 2021. Vol8. NO4. 0135
3. بازارهای سهام نفت و بریک قبل و بعد از COVID-19: یک رویکرد همبستگی گاوسی Vol. 57 ، ص . 6 ، 2021 ، https://doi. org/10. 1080/1540496x. 2021. 1904886
4. شواهد تجربی از همبستگی شرطی پویا بین بورس سهام آسیا و شاخص های سهام ایالات متحده در طول Pandemic Covid-19 Vol. 8 ، pp. 9 ، 2021 ، https://doi. org/10. 13106/jafeb. 2021. vol8. no9. 0143 < Span> تأثیر همه گیر Covid-19 در بازده بورس سهام در بورس اندونزی جلد 8 ، صص 3 ، 2020 ، https://doi. org/10. 13106/jafeb. 2021. Vol8. No3. 0039