ارزیابی ریسک مالی و تأثیر وحشت COVID-19 بر بازار سهام اروپا و ویتنام

این مطالعه به بررسی تأثیر خطرات دم در بازارهای مالی جهانی ، که در درک بهتر ظهور COVID-19 کمک می کند. این مطالعه به بازار سهام جهانی و ویتنامی تحت تأثیر همه گیر COVID-19 برای شناسایی شرایط اضطراری سیستمیک می پردازد. مقدار وابسته به ریسک (متغیر) و پیوند دلتا VAR دو شاخص مهم ریسک مرتبط با دم هستند که در همبستگی پویا دو متغیره مشروط (DCC) (COVAR) استفاده می شوند. یافته های تجربی نشان می دهد که وقتی گسترش Covid-19 در سراسر جهان گسترش می یابد ، انتقال نوسانات خطرات سیستمی در بازار جهانی بورس و تغییر چند مبادله تغییر می کند و با گذشت زمان اهمیت بیشتری پیدا می کند. در زمان Covid-19 ، بازار جهانی صنعتی از بازار سهام ویتنامی بزرگتر بود و بازار سهام ویتنامی خطر کمتری برای بازار جهانی ایجاد کرد. بررسی دقیق تر پیوند بین نمونه شاخص محدوده ویتنام در معرض خطر (VAR) و شاخص سهام جهانی نشان دهنده درجه قابل توجهی از ادغام ریسک نزولی در سیستم های پولی کلیدی ، به ویژه در دوره COVID-19 است. یافته های مطالعه ما ممکن است به تنظیم کننده ها ، سیاستمداران و مدیران ریسک نمونه کارها در ویتنام و در سراسر جهان در لحظه منحصر به فرد عدم اطمینان ایجاد شده توسط اپیدمی COVID-19 کمک کند.

روی نسخه خطی کار می کنید؟

معرفی

هنگامی که بازار اوراق بهادار بسیار نامشخص است ، توزیع ریسک به طرز چشمگیری گسترش می یابد و ثبات کلی سیستم را به خطر می اندازد. عوارض جانبی ، به ویژه ، می تواند باعث واکنش های زنجیره ای و انتظارات بدبینانه شود (چسبرو ، 2020) ، (مانند بحران مالی آسیا 1997-98 ، بحران مالی جهانی 2007-2008 و بدهی اروپا 2010-2013). Coronavirus جدید (که به طور رسمی با نام Covid-19 شناخته می شود ، به عنوان شدیدترین بیماری عفونی عفونی طبقه بندی می شود) فشار را به بازار سهام وارد می کند. Covid-19 برای اولین بار در اواخر سال 2019 در ووهان ، استان هوبی ، چین مرکزی کشف شد (Sadiq et al. ، 2021a ؛ Hale et al. ، 2020). در تاریخ 30 ژانویه 2020 ، اضطراری بهداشت بین المللی اعلام شد. این ویروس از اواخر فوریه 2020 در سراسر جهان گسترش یافته است. پرونده های Covid-19 در بیش از 12 میلیون نفر در سراسر جهان تأیید شده است. در آغاز ژوئیه سال 2020 ، بودجه بیش از 500000 قربانی آزاد شده است. گسترش Covid-19 باعث افزایش علاقه مردم شده است. از نظر آینده نگر اقتصاد جهانی ، اقتصادی ترین فعالیت ها دوباره از بین رفته و یخ زده است. در نتیجه افت ناگهانی ، بازار مالی ناپایدار شد. ویتنام مهمترین کاهش یک روزه در تاریخ را تجربه کرده است ، افزایش قیمت روزانه حاکی از افزایش نوسانات است (هیل و همکاران ، 2020). در صورت ادامه اپیدمی ، ارزیابی تأثیر اقتصادی و مالی دشوار است. سرمایه گذاران و مدیران نمونه کارها به دلیل این واقعه فاجعه بار با چالش های بی سابقه ای روبرو بودند. در نتیجه ، آنها مجبور می شوند برای اتخاذ استراتژی های جدید سرمایه گذاری که می تواند سود را در حالی که خطر را کاهش می دهد ، به یک سفر خطرناک بپردازند (Mohsin et al. ، 2021) و (Agyekum et al. ، 2021).

بازده سهام در همان زمان با نوسانات زیاد برخورد خواهد کرد. بحران بهداشتی بی سابقه Covid-19 ، حرکات موازی شدید در بازارهای جهانی را بررسی می کند ، وابستگی متقابل و عفونت آنها را ارزیابی می کند و بر ثبات مالی تأثیر می گذارد. این اهمیت انتخاب را برجسته می کند. مطالعات متعددی در ادبیات مالی به بررسی انتقال یا سرریز بازار مالی پرداخته و نتایج را قبل و بعد از یک وضعیت منفی مقایسه کرده است (Atalan ، 2020 ؛ Chang et al. ، 2021 ؛ Crane et al. ، 2020 ؛ Farsalinos et al. ، n. d.؛ Lawal ، 2021 ؛ Li et al. ، 2021 ؛ Sadiq et al. ، 2021b). بسیاری از این مطالعات از روش GARCH (واریانس ناهمگن اتورگرایی مشروط چند متغیره) برای مقابله با نوسانات و همبستگی مشروط استفاده می کنند. مطالعات مختلف از مهمترین خطرات سیستمی در بازارهای مالی جهانی غافل می شوند و در عین حال کمترین پتانسیل برای ریختن ریسک را دست کم می گیرند (Conlon and McGee ، 2020) (Coibion et al. ، 2020 ؛ Del Rio-Chanona et al. ، 2020 ؛ id ، 2021a ؛ Prem et etAl. ، 2020 ؛ Sabat et al. ، 2020 ؛ Sadiq et al. ، 2021c ؛ Chien et al. ، 2021). این تأثیر قابل توجهی در ثبات بازار سهام دارد.

الگوی ایجاد شده توسط این بیماری همه گیر منجر به افزایش ریسک و در نتیجه "پرش" سهام مایع شده و منجر به نوسانات زیاد در بسیاری از کلاس های دارایی پر مخاطره می شود (Sebhatu et al. ، 2020 ؛ Li et al. ، 2021 ؛ Liu et al.، 2021). Covid-19 تأثیر مهلک بر سلامتی داشته است ، اما با محاصره جهانی ویتنام و چشم انداز تاریک در بسیاری از مناطق مشخص می شود (تونیو و همکاران ، 2021) و (کاوالینو و د فیور ، 2020). همچنین در یک وضعیت اقتصادی خطرناک بی سابقه قرار دارد.

علاوه بر این ، طبق گفته (لیندسی و همکاران ، 2020 ؛ شیانگ و همکاران ، 2021) ، استدلال پویا تقریباً در این مرحله از همه گیر نقش مهمی خواهد داشت. در پاسخ به اپیدمی ، سیستم مالی وحشت بازار را اغراق کرده و فعالیتهای تجاری را ارتقا می بخشد ، و در نتیجه نوسانات شدید قیمت (یاروایا و همکاران ، 2021b) (چن و همکاران ، 2020) به عنوان یک نتیجه ، سرمایه گذاران منطقی دارای دارایی های پرخطر هستندبه عنوان سهام و آنها را با دارایی های ایمن مانند ارز و اوراق قرضه دولتی جایگزین کنید تا اوراق بهادار سرمایه گذاری خود را بازسازی کنید (هپبورن و همکاران ، 2020). برداشت سریع نمونه کارها سرمایه گذاری بالاترین میزان قرار گرفتن در معرض خطر را افزایش می دهد. این رفتار سرمایه گذاران منجر به ادغام بازار خواهد شد که منجر به آلودگی مالی کل سیستم و افزایش خطر آشفتگی بازار مالی خواهد شد (الشیخ و همکاران ، 2021 ؛ Tropea and De Rango ، 2020). وابستگی متقابل جیراردی در این زمینه در دم استفاده می شود (Y. Zhang et al. ، 2020a ، b). در این مطالعه همچنین از Delta-Covar Adrian و Bruermeier (Covar) استفاده شده است ، که از خطر مشروط (کوار) برای "مشارکت" و "قرار گرفتن در معرض" استفاده می شود. این شاخص ها از سطح مشخصی از قابلیت اطمینان و مجموع ارزش در معرض خطر (VAR) فراتر می رود ، که حداکثر خسارت را که یک کشور می تواند در یک دوره زمانی معین متحمل شود محاسبه می کند (مورگان و همکاران ، 2020) ، اما VAR آن را تشخیص نمی دهدکشور بخشی از سیستمی است که ممکن است بی ثباتی را تجربه کند ، به ویژه در هنگام بحران و منبع جدیدی از خطر سیستمیک را تشکیل می دهد (موکانجری و استرنر ، 2020)."مشارکت" کوار بستگی به مشکلات اقتصادی کشورهای انفرادی دارد که در بازار جهانی VAR تعریف شده است.(Furceri و همکاران ، 2020)."سهم" متغیرهای متغیر هر کشور تفاوت بین متغیرهای متغیر است که به بازار جهانی کشور دشوار و متغیرهای متغیر بستگی دارد که به بازار جهانی کشور در یک کشور پایدار بستگی دارد (Taherzadeh ، 2021).

در این مطالعه ، به منظور تولید برآوردهای متغیرهای متغیر و کوار ، ابتدا از مدل GARCH یک متغیره برای محاسبه وار مبادلات جهانی و ویتنامی و هر بازار هدف کشور استفاده می کنیم. در زیر از یک مدل همبستگی شرطی (DCC) از دو متغیر پویا برای برآورد جفت جهانی هر کشور در ویتنام استفاده می کند (دیویدسون و همکاران ، 2021).

تأثیر Covid-19 در بازارهای مالی اخیراً مورد توجه تحقیقات مختلف قرار گرفته است (بیکر و همکاران ، 2020 ؛ کوکیا ، 2020 ؛ گودل و هوی ، 2020 ؛ هنک و همکاران ، 2020 ؛ کاپاتا و همکاران ، 2020 ؛ کراوسو همکاران ، 2020 ؛ روزر و همکاران ، 2020).

فقدان شواهد وجود دارد ، در مورد اینکه آیا بیماری همه گیر COVID-19 کشنده ارتباط عمده ای بین بیماری عفونی ایجاد کرده است ، و اینکه آیا این تأثیر قابل توجهی در بازده سهام دارد یا خیر. از دو طریق ، ما به ادبیات علمی کمک می کنیم. این مطالعات قبلی را با بی اعتنایی به تأثیر وقایع غم انگیز در حرکت موازی شدید بازارهای جهانی پشتیبان می دهد. طبق تحقیقات اخیر ، ضررهای بازار در شرایط الاستیک بالاتر از ضرر بازار در شرایط خنثی است (یعنی چانگ و همکاران ، 2021 ؛ د ویتو و گومز ، 2020). در نتیجه ، بررسی توزیع خطرات دم در بازارهای مالی جهانی به درک بهتر ارتباطات در دوره های سخت بازار مانند دوره COVID-19 کمک می کند. 14 اقتصاد تحت تأثیر COVID-191 (ایالات متحده ، اسپانیا ، ایتالیا ، چین ، آلمان ، ترکیه ، فرانسه ، انگلستان ، بلژیک ، سوئیس ، هلند ، اتریش ، کانادا و کره جنوبی) در این نمونه گنجانده شده است. یافته های ما بر تکنیک های تعادل و محافظت از نمونه کارها مورد استفاده قرار می گیرد که توسط مدیران جهانی نمونه کارها برای جبران خطرات سیستمی اضافی تحولات اقتصادی و مالی فعلی مرتبط با همه گیر COVID-19 استفاده می شود. نتایج ترکیبی ارتباط محکمی بین احتمال سقوط شدید بازار سهام ، به ویژه در Covid-19 نشان می دهد. این کار از بخش های زیر تشکیل شده است: بخش 2 شامل داده ها و تجزیه و تحلیل توصیفی ما است ، در حالی که بخش 3 تکنیک ما را توصیف می کند. یافته های تجربی در بخش 4 ارائه شده است. در قسمت 5 ، مقاله شامل نتیجه گیری است.

تجزیه و تحلیل داده ها و آمار توصیفی

از شاخص مورگان استنلی سرمایه بین المللی (MSCI) برای تجزیه و تحلیل بازارهای جهانی و ویتنامی و سهام سهام 14 کشور دیگر به صورت روزانه استفاده می شود. تمام شاخص ها در دلار آمریکا ارائه شده و با استفاده از پایگاه داده تامسون رویترز مشتق شده اند. ملل هدف این مطالعه عبارتند از: ایالات متحده ، ایتالیا ، اسپانیا ، آلمان ، چین ، فرانسه ، انگلستان ، ترکیه ، سوئیس ، بلژیک ، هلند ، کانادا ، اتریش و کره جنوبی. هر روز در طول دوره نمونه 1،170 مشاهده وجود داشت ، که از 7 ژانویه 2016 تا اول ژوئیه 2020 اجرا می شد. همچنین طول Covid-19 را به منظور تجزیه و تحلیل تأثیر این دوره غیرقابل پیش بینی طولانی در تعامل خطر جهانی پویا پوشش می دهد: هر یکشاخص سهام کشور. به گفته منابع ، از 20 فوریه 2020 ، مؤسسات بزرگ مالی (بلومبرگ ، مالی یاهو ، وال استریت ژورنال ، تایمز مالی و غیره) توجه جدی به تهدید Covid-19 را آغاز کرده اند. مرحله اول (COVID-19 و زیر) از 7 ژانویه 2016 تا 19 فوریه 2020 برگزار می شود و در تاریخ 31 دسامبر 2019 به پایان می رسد. Subperiod 2 (از Covid-19) در تاریخ 20 فوریه 2020 به پایان می رسد. بازده سهام را به عنوان تفاوت بین تعداد واحد اول در هر شاخص قیمت ، که به عنوان درصد بیان شده است ، تعریف کنید. جدول 1 مجموعه داده های عملکرد فنی را نشان می دهد.

علاوه بر این ، تمام نمرات Kurtosis نشان می دهد که تمام سری های درآمد بیشتر از 3 دارای طرف های طولانی تر و قله های بالاتر از توزیع عادی هستند. به جز شرایط ، تمام مجموعه های عملکرد زیر آستانه 1 ٪ از آزمایش Jarqu e-Bera عبور کردند. نتایج آزمایش گسترده دیکی در سطح 1 ٪ ، نشانگر صافی همه سری عملکردها است. این فرضیه تهی مبنی بر اینکه ردیف های پی در پی و مربع های آنها همبستگی ندارند ، توسط آمار q جعبه-پیر (تخمین زده می شود به 20 تاخیر) رد می شود ، نشان می دهد که نمونه حاوی همبستگی های خطی و غیرخطی قابل توجهی است. همه سری عملکردها با توجه به آمار ضرب Lagrangian Arch با ده تاخیر ، خوشه های نوسانات را نشان می دهند.

روش شناسی

استراتژی ما در سه مرحله سازماندهی شده است. ما با محاسبه VAR شاخص های سهام جهانی و ملی با استفاده از ریسک شدید (VAR) شروع می کنیم و متغیرهای متغیر و متغیر برخی از کشورها را بر اساس VAR (قرار گرفتن در معرض ریسک سیستمیک) بازارهای جهانی سهام محاسبه می کنیم. این امر امکان فکر کردن در مورد بلایای عظیم مانند Covid-19 را فراهم می کند. سوم ، این سیستم پیوند بین سری VAR 14 شاخص سهام و شاخص های سهام در سراسر جهان را بررسی می کند.

مرحله اول - var

فرض کنید که مدل AR (1) AR (1) AUTOREGENGIVE نشان دهنده هر گروه درآمدی به روش زیر است: (1) این نشان دهنده بازار جهانی یا نرخ بازده یک کشور است. برای همبستگی های سریال بالقوه ، نرخ بازده خودکار را در نظر بگیرید. این یک ثابت است و پارامتر بازخورد خودکار یک اصطلاح خطای یک بار (T1) است که توسط داده های فوق تعیین می شود.

واریانس شرطی از GARCH (1 ، 1) مدل تک متغیره به شرح زیر است: (2) واریانس شرطی هر سری عملکرد در زیر ذکر شده است. نوسانات بی قید و شرط با یک ثابت اندازه گیری می شود. اثرات Arch و Garch را به طور جداگانه بررسی کنید.

با استفاده از برآورد پارامتر مدل اصلاح شده GARCH (1،1) ، جهان زیر یا National VAR را تولید کنید:

مدل DCC-GARCH

برای برآورد همبستگی متغیرها در طول زمان ، مرحله دوم محاسبه مشخصات متغیرهای متغیر DCC-Garch و متغیرهای متغیر است (Bretscher et al. ، 2020). به عنوان نمونه ، ماتریس واریانس شرعی زیر را در نظر بگیرید: (5)

ماتریس مورب در مدل گارچ تک متغیره ماتریس مورب انحراف استاندارد شرطی است. ماتریس همبستگی شرطی با ضرب شماره های زیر با هم ایجاد می شود:

که در آن Q نشان دهنده ماتریس کواریانس مشروط باقیمانده مدل DCC-GARCH است.

در زیر ماتریس کواریانس بدون قید و شرط باقیمانده استاندارد است. این پارامتر یک ضریب مقیاس غیر منفی است که در هنگام بررسی تأثیر شوک اولیه و (Ferreira و همکاران ، 2020) از 1 کوچکتر از 1 است.(شریف و همکاران ، 2020) ، از برآوردگرهای احتمال شبه حداکثر برای برآورد پارامترهای مدل DCC-GARCH استفاده می شود. این به طور معمول صحیح است و توزیع چند متغیره غیر متغیره سری زمانی مالی را به طور کلی تشکیل می دهد.(D. Zhang et al. ، 2020a ، b) و (Holter et al. ، 2020) همبستگی نیز به عنوان Q Quitle از توزیع مشروط بازار جهانی G ، بسته به شاخص ملی سهام I. به شرح زیر محاسبه می شود. تعریف شاخص است: (دا کروز پرز و همکاران ، 2020).

محاسبه "سهم" متغیرهای متغیر یا متغیر برای ارزیابی شرایط جهانی یک ملت خاص ، ویتنام ، زیرا از حالت عادی به مشکل ساز (میانه) منتقل می شود (ایشاک و همکاران ، 2020). این تصویر ایالات متحده را به تصویر می کشد. با همکاری Girardi و (Tarrataca و همکاران ، 2021).

(10) روابط بین کشورهایی که مشروط هستند. انحراف استاندارد شرایط کلی Q است و سطح اطمینان 5 ٪ است. همچنین متغیرهای کل را محاسبه می کند تا بفهمد چگونه یک خطر حاشیه ای خاص بر خطر کلی بی قید و شرط تأثیر می گذارد. داده ها ممکن است محاسبه شوند ، کشور خاص دارای مشکلات (یا هیچ یک) است (کاکس و همکاران ، 2020). برای پایین آمدن متغیر ، فرمول زیر را اعمال کنید: (50 درصد) = 0.

همچنین از رویه هایی استفاده می کند که قابل مقایسه با مواردی است که در معادلات استفاده می شود. 9) -eq.(10) قرار گرفتن در معرض متغیرها در شرایط اضطراری داخلی و بین المللی (12).

اقدامات اتصال در مرحله سه / اقدامات برای بهبود اتصال در مرحله سوم

Zidouemba و همکاران.(2020) تکنیک اتصال مبتنی بر فرآیند وکتور (VAR) را پیشنهاد کرد. این روش از VAR گسترده برای تجزیه و تحلیل پیش بینی خطای واریانس (FEVD) استفاده می کند. رویکرد طبقه بندی VAR به شرح زیر در این مطالعه تعریف شده است: یک بردار متوسط I. I. D. S و یک بردار از ماتریس ها که شامل 14 مقدار ریسک و پارامترهای محاسبه شده است. ماتریس کواریانس نشان دهنده اصطلاح خطا است. اگر کواریانس سیستم پایدار باشد ، از میانگین متحرک ماتریس ضریب استفاده می شود ، و بازنمایی به صورت بازگشتی در مورد ماتریس هویت های ظاهر مشتق می شود.(Štreimikienė و Kaftan ، 2021 ؛ Wicaksono ، 2020). از کجا می توانم ماتریس واریانس خطا ، مؤلفه خطای انحراف استاندارد و بردار معادله را پیدا کنم؟

عناصر ماتریس تجزیه به شرح زیر عادی می شوند: (15) اتصال بین VAR هیچ محدوده اندازه گیری ندارد. سازگاری دامنه سیستم سری VAR به شرح زیر تعیین می شود.(12) اتصال شبکه نقطه به نقطه (13) است ، و اتصال var omnidirectional اطلاعات جهت در جهت مخالف انتقال VAR است. سلام ، var. برای هر سری VAR نشان داده شده توسط. برای یافتن ارتباط همه جانبه بین همه سری VAR و VAR ارائه شده از آن ، معادلات زیر را اعمال کنید.