بازار سهام ترکیه از همه گیر تا تهاجم روسیه ، شواهدی از الگوریتم یادگیری ماشین توسعه یافته

در زمان اخیر ، دو رویداد مهم ؛Coronavirus همه گیر و تهاجم روسیه از جنبه های مختلف در سراسر جهان تأثیر می گذارد. از نظر بهداشتی ، اقتصادی ، زیست محیطی و اجتماعی و غیره. اولین رویداد براساس انتقال اپیدمی ، عدم قطعیت در وضعیت اقتصادی در اکثر کشورها را به همراه داشته است. علاوه بر این ، در 24 فوریه 2022 ، حمله روسیه به اوکراین تقریباً همه بازارهای سهام در سراسر جهان را تحت تأثیر قرار داد ، اما این تأثیرات با توجه به روابط اقتصادی-سیاسی یا محله و غیره ، در سراسر کشورها ناهمگن است. قیمت بازار در ترکیه در آن دوره به طرز چشمگیری تحت تأثیر قرار گرفته است. این مطالعه تجربی اولین تلاش برای بررسی تأثیر اپیدمی کروناویروس و تهاجم روسیه بر شاخص بازار سهام Xu100 در ترکیه با استفاده از روش آماری توسعه یافته یعنی رگرسیون نهستیک نهستیک بر اساس تجزیه حالت تجربی است که می تواند دقیقاً با داده های غیرقانونی و غیرخطی مقابله کندبشرسپس با استفاده از تکنیک های غیرخطی مارکوف ، رگرسیون سوئیچینگ مارکوف را بررسی کردیم. داده ها از ابتدای اپیدمی در ترکیه از 11 مارس 2020 تا 31 مه 2022 جمع آوری شده است. این یافته نشان می دهد که تأثیر قابل توجهی از گسترش کروناویروس در شاخص بورس اوراق بهادار ترکیه ، به ویژه در موج اول وجود دارد. سپس پس از حمله روسیه ، شاخص XU100 منفی تر انجام می شود. از آنجا که مبادله پیش فرض اعتباری و نرخ بهره مرجع TL تأثیر منفی دارد اما نرخ ارز خارجی تأثیر معنی داری بر روی شاخص XU100 دارد و با توجه به دوره کوتاه مدت و بلند مدت متفاوت است. علاوه بر این ، نتایج به دست آمده با استفاده از چک استحکام ، یک یافته قوی و مداوم را نشان می دهد. در پایان ، درک تأثیر همه گیر همه گیر و تهاجم روسیه به بازار سهام ترکیه می تواند پیامدهای مهمی را برای سرمایه گذاران ، بخش های مالی و سیاست گذاران فراهم کند.

روی نسخه خطی کار می کنید؟

1. معرفی

به تازگی ، در سراسر جهان با یک بیماری همه گیر بهداشتی غیر منتظره روبرو شده است که در پایان سال 2019 یک رویداد قو سیاه در سراسر جهان ایجاد کرده است. علاوه بر این ، حمله روسیه به اوکراین از 24 فوریه 2022 آغاز شد ، که بزرگترین درگیری در اروپا از زمان این استجنگ جهانی دوم ، و در یک زمان حساس با وضعیت اقتصادی بحرانی که ناشی از همه گیر Covid-19 بود ، اتفاق افتاد. در نتیجه حمله به اقتصاد جهانی و بازارهای مالی که عمدتاً در سه کانال قرار دارد: تحریم های اقتصادی ، قیمت کالاها و اختلالات زنجیره تأمین. در نتیجه ، بازارهای جهانی سهام نوسان قابل توجهی را تجربه کرده اند ، اما این تأثیرات با توجه به وضعیت اقتصادی و روابط سیاسی یا محله با اوکراین یا روسی در سراسر کشورها ناهمگن است (Boungou & Yatié ، 2022). با این وجود ، تهاجم باعث ایجاد عدم قطعیت برای بازار و جامعه می شود ، زیرا اوکراین در بین پنج کشور برتر با ارزش کالاها و خدمات در سال 2021 قرار دارد. علاوه بر این ، واردات و صادرات روابط بین کشورهای جنگ و غیر جنگ نیز تحت تأثیر قرار گرفته است ،عدم اطمینان و تأثیرات منفی سرمایه گذار بر برخی از تولید شرکت ، سودآوری آینده ، جریان نقدی مورد انتظار و قیمت های سهم که منجر به تغییرات در قیمت سهام می شود.

بدون شک ، ترکیه یکی از کشورهای آسیب دیده است ، اولین مرگ در 17 مارس 2020 توسط وزارت بهداشت در ترکیه (MHT) به ثبت رسیده است. بازار اقتصادی ترکیه به هم ریخته است و نوسانات بازار در طول همه گیر Covid-19 به سرعت صعود کرده است ، علاوه بر سایر مشکلات اقتصادی مانند ارز ضعیف ، تورم بالاتر و بیکاری و غیره. تجارت شدید داردبا توجه به آن شاخص اصلی بازار سهام ترکیه Borsa Stanbul 100 (BIST100) در طی اپیدمی COVID-19 فرو ریخته است. به همین دلیل ، ما حضور همه گیر Covid-19 را در پیش بینی در نظر گرفتیم زیرا این یک نقطه شکست برای همه بازار مالی است و پیش بینی خوبی را برای سرمایه گذاران و تنظیم کننده ها فراهم می کند.

سهم اصلی این مطالعه تحقیق ، استفاده از روش آمار توسعه یافته فعلی یعنی رگرسیون خالص الاستیک بر اساس تجزیه حالت تجربی است که می تواند دقیقاً ویژگی های غیر ایستا و غیرخطی متغیرها را برطرف کند و می تواند با بررسی چند خطی بین پیش بینی کنندگان ، رفتار را بررسی کند. و روند بازار سهام ترکیه (XU100). پیش بینی کننده ها علاوه بر متغیرهای سطح مالی کشور ، شامل موارد آلوده Covid-19 هستند. مبادله پیش فرض اعتباری ، نرخ ارز خارجی USD/TL و نرخ بهره مرجع TL.

این تحقیق به شرح زیر سازماندهی شده است. فرقه2 نشان دهنده پیشینه و بررسی ادبیات نسبی بازار سهام ترکیه و تهاجم روسیه است. بخش 3 مجموعه داده ها و روش های آماری را توضیح می دهد. بخش 4 نتایج و بحث را نشان می دهد. بخش 5 توصیه ها و نتیجه گیری را ارائه می دهد.

2 پیش زمینه و بررسی ادبیات شیوع COVID-19 و حمله روسیه

بازار سهام به سرعت تحت تأثیر شیوع Covid-19 و حمله روسیه قرار گرفته است ، زیرا این امر باعث افزایش عدم اطمینان در بازارهای مالی در سطح جهانی و محلی می شود. بسته به این شرایط ، به ویژه کشورهای نوظهور تحت تأثیر جریان سرمایه گذاری نمونه کارها خارجی از شاخص سهام قرار گرفته اند ، زیرا شاخص های اصلی بورس اوراق بهادار فروپاشی شده است. به عنوان مثال ، در سطح جهانی ، شاخص متوسط صنعتی داو جونز از ابتدای فوریه 2020 تا اوایل مارس 2020 29 درصد کاهش یافته است. همچنین ، شاخص نوسانات مبادله گزینه های هیئت مدیره شیکاگو در اواسط مارس بیش از 80 امتیاز افزایش یافته استسال 2020 ، که از زمان بحران مالی جهانی در سال 2008 به بالاترین قله رسیده است (صندوق بین المللی پول ، 2020).

علاوه بر این ، چندین تحقیق قبلی تأثیر جنگ یا درگیری مدنی در بازارهای مالی مانند جنگ جهانی دوم ، جنگ خلیج فارس و درگیری در یوگسلاوی را بررسی کرده است ، در حالی که یافته های آنها تأیید می کند که بازارهای بین المللی بیشتر واکنش منفی نشان می دهند. با این حال ، مطالعات اخیر تأثیرات عوامل سطح کشور را که توسط برخی از بنگاه ها در کشورهای اتحادیه اروپا و وابستگی کشورهای تجاری بالاتر به روسیه در هنگام حمله به آن وابسته است ، بررسی کرده است. این یافته ها تأیید می کنند که تأثیرات منفی حمله روسیه برای شرکتهایی که مقر آن در کشورهای اتحادیه اروپا هستند یا در مناطقی نزدیک روسیه و مناطقی با هجوم عظیم پناهندگان واقع شده اند ، مهمتر است.

به طور خلاصه ، چندین متغیر وجود دارد که بیشتر بر قیمت بورس سهام تأثیر می گذارد ، که توسط سه گروه طبقه بندی می شود. سطح جهانی ، سطح کشور و سطح بازار (ژانگ و همکاران (2009) و یانگ و همکاران (2018)).

متغیرهای سطح جهانی: شاخص بازارهای نوظهور مورگان استنلی سرمایه بین المللی (MSCI) ، قیمت نفت ، شاخص نوسانات (VIX) ، قیمت بازار سهام و شاخص های سهام.

متغیرهای سطح کشور: مبادله پیش فرض اعتباری روزانه ترکیه (CDS) ، مبلغ خالص بودجه CBRT ، مبلغ اوراق بهادار که توسط CBRT ، نرخ بهره اوراق بهادار خزانه داری و نرخ بهره مرجع LIRA ترکیه (TLREF) برگزار می شود.

متغیرهای سطح بازار: ارزش معامله شده در بازار سهام ، سهم سرمایه گذاران خارجی در ارزش معامله شده ، سهم سرمایه گذاران خارجی در حفظ ، حفظ مقدار سرمایه گذاران خارجی در بازار سهام و خرید خالص سرمایه گذاران خارجی.

علاوه بر این ، ادبیات در مورد تأثیر همه گیر Covid-19 بر وضعیت اقتصادی از ابتدای بیماری همه گیر رونق گرفته است. ما خلاصه ای از برخی از تحقیقات را ارائه می دهیم که به بررسی تغییر موقعیت های اقتصادی در طول همه گیر در سطح جهانی که نمای کلی و اطلاعات مفید از رفتار بازار سهام را ارائه می دهد ، بررسی می کنیم. همچنین ما مختصری از برخی از تحقیقات را ارائه می دهیم که به ویژه بر تأثیر قیمت اقتصادی و بازار سهام ترکیه در طول اپیدمی متمرکز شده است. از آنجا که موارد آلوده و مرگ COVID-19 می تواند تحت تأثیر سایر عوامل در فصول مختلف باشد (Alsayed ، 2021).

Gupta و Shaju ، (2021) با استفاده از رویکرد جدید برای تجسم و مقایسه بازارهای مالی در سراسر جهان با استفاده از بازنمایی بازی های هرج و مرج از سیستم های عملکردی تکرار شده ، تأثیر COVID-19 را در بازارهای مالی جهانی مورد بررسی قرار دادند. آنها از دوره های مختلف داده های بورس استفاده می کنند ، سپس در حالی که اختلاف از طریق پارامتر به نام شاخص نزدیکی اندازه گیری می شود ، مقایسه می شوند. آنها تأثیرات قابل توجهی از بازار مالی در سراسر جهان و نوسانات به بیماری همه گیر Covid-19 نشان دادند. Duarte et al. ، (2021) اثرات اخبار عمومی و قیمت های تاریخی را به ضرر و زیان مالی در بازار سهام برزیل تجزیه و تحلیل کرد. آنها استراتژی های خرید و نگهدارنده سنتی را با چندین آزمایش طراحی شده با استفاده از چندین الگوریتم یادگیری ماشین مقایسه کردند. نتایج حاکی از رابطه محکم بین انتشارات خبری و تغییر قیمت سهام در برزیل است ، که حتی فرصت های داوری کوتاه مدت را نیز نشان می دهد. برخی از تحقیقات تأثیر بحران های مالی بر روی چندین انتشار آلاینده را مورد بررسی قرار داده اند و آنها وجود رابطه بین کیفیت اقتصادی و زیست محیطی را تأیید کرده اند (آلساید و همکاران ، 2020). نتایج نشان داد که بحران های مالی منجر به سقوط CO می شود₂انتشار گازهای گلخانه ای ، زیرا این بحران ها می تواند انتشار گازهای گلخانه ای مبتنی بر مصرف را که کالاها با کیفیت محیطی پایین تر مصرف می کنند ، افزایش دهد (Isa et al. ، 2015).

علاوه بر آن ، چند مطالعه تأثیر همه گیر COVID-19 را بر شاخص بازار سهام در ترکیه بررسی کرده اند. Kartal et al. ، (2021) با در نظر گرفتن اثرات COVID-19 ، تأثیرات جریان نمونه کارها خارجی و پاسخ های سیاست پولی را در بازار سهام ترکیه بررسی کردند. همچنین آنها شامل نرخ ارز خارجی ، گسترش پیش فرض اعتباری و شاخص نوسانات به عنوان متغیرهای کنترل هستند ، در حالی که شاخص بازار سهام به عنوان متغیر وابسته در نظر گرفته می شود. آنها بین 2 ژانویه 2017 و 20 اکتبر 2020 از یک مجموعه داده روزانه با استفاده از مدل تاخیر توزیع شده غیرخطی (NARDL) استفاده کردند ، سپس با استفاده از رگرسیون سوئیچینگ مارکوف (MSR) استحکام را بررسی کردند. دوره نمونه از ابتدای سال 2017 برای جلوگیری از عدم اطمینان از بازار ناشی از کودتای نظامی که در ژوئیه 2016 اتفاق افتاد ، تعیین می شود ، زیرا شرایط بازار مالی در سال 2017 به حالت عادی بازگشت. شاخص بازار سهام نسبت به سیاست های پولی در دوره COVID-19. Yağli ، (2020) تأثیر COVID-19 را بر نوسانات بازار سهام ترکیه بررسی کرد و آن وضعیت را قبل و در دوره COVID-19 مقایسه کرد. آنها با انجام مدل رگرسیون پویا مارکوف تغییر ، انتقال از نوسانات کم در طول قبل از COVID-19 به نوسانات زیاد در طول دوره COVID-19 را تشخیص دادند. این یافته ها از وجود وخامت قابل توجهی در نوسانات بازار سهام ترکیه در دوره COVID-19 حمایت می کند. همچنین ، نتایج نشان داد که افزایش بهبودی موارد آلوده به COVID-19 می تواند منجر به نوسانات کمتری برای اکثر صنایع شود. علاوه بر این ، نرخ ارز باعث کاهش نوسانات می شود اما مبادله پیش فرض اعتبار آن را افزایش می دهد. Ozkan ، (2020) در مورد تأثیر COVID-19 در بازار سهام ترکیه ، داده ها از Borsa stanbul در دوره ژوئن 2019 تا ژوئیه 2020 جمع آوری می شود. او از آزمون Broock ، Dechert ، Scheinkman (BDS) استفاده کرد تا غیرخطی بودن در سری Retu Daily را بررسی کند. این یافته نشان داد که افزایش موارد COVID-19 باعث پرش نوسانات برای کلیه شاخص های بخش در ترکیه به ویژه در مارس 2020. یانگ و همکاران ، (2018) شاخص بازار نوظهور MSCI در شاخص XU100 از زمان ترکیه را بررسی کرد.

این یافته ها تأیید می کنند که شاخص بازار در حال ظهور MSCI یک شاخص مهم برای ترکیه خواهد بود زیرا بین شاخص XU100 و شاخص MSCI رابطه مثبت وجود دارد و انتظار می رود ترکیه تحت تأثیر قیمت نفت باشد. علاوه بر این ، شاخص نوسانات تأثیر منفی بر شاخص اصلی بورس اوراق بهادار XU100 می گذارد زیرا ترس از بازارهای سرمایه نیز افزایش می یابد و با افزایش شاخص شاخص نوسانات ، جریان خروجی از کشورهای نوظهور افزایش می یابد. به همین دلیل ، رابطه منفی بین شاخص XU100 و شاخص نوسانات پیش بینی می شود (Liew et al. ، 2018). اردوغان و همکاران ، (2019) شامل نرخ ارز خارجی ، صورتحساب خزانه داری و نرخ بهره کوتاه مدت به عنوان عوامل پیش بینی کننده است ، در حالی که نتایج رابطه منفی بین شاخص سهام XU100 و این عوامل را تعریف می کند.

با این وجود ، استفاده از روشهای آماری پیش از این می تواند سهم قابل توجهی در تحقیق داشته باشد (امان و همکاران ، 1996). صفرا ، (2020) یک مدل پیش بینی را برای پیش بینی رفتار مصرف کنندگان با استفاده از روش های یادگیری ماشین پیشنهاد کرد. او از پنج طبقه بندی جداگانه با کیف کردن و تقویت در مجموعه داده های خرید آنلاین در طول اپیدمی COVID-19 استفاده کرد. این یافته ها نشان داد که گروه های مدل درخت تصمیم گیری با کیف کردن بهترین پیش بینی رفتار مصرف کننده را با صحت 95. 3 ٪ بدست آوردند. Alsayed و Manzi ، (2019) از ضریب وابستگی یکنواخت توسعه یافته برای تشخیص رشد اقتصادی استفاده کردند. آل سید و همکاران ، (2018) از روشهای مختلف تشخیصی تشخیصی برای تشخیص ارزشهای شدید رشد اقتصادی استفاده کردند. زیدی و همکاران ، (2017) برای به حداقل رساندن مدت خطای مدل تخمین ، از رگرسیون عملکرد معکوس استفاده کردند. Alsayed و Manzi ، (2018) از چندین برآوردگر قوی برای مدل سازی تغییر سرانه تولید ناخالص داخلی برای کشورهای توسعه یافته استفاده کردند. زیدی ، (2015) از مدل اثر ثابت برای کنترل تغییر در مصرف انرژی در رشد اقتصادی در کشورهای در حال توسعه انتخاب شده استفاده کرد.

3 ماده و روش

3. 1 داده

به منظور ارزیابی رفتار بازار سهام ترکیه در دوره COVID-19 همه گیر و تهاجم روسیه ، داده ها از ابتدای اپیدمی در ترکیه در 11 مارس 2020 جمع آوری می شود تا تاریخ اخیر این تحقیق شامل یکدوره زمانی تهاجم روسیه 31 مه 2022. عوامل Covid-19 ؛برای موارد جدید تأیید شده روزانه از وزارت بهداشت جمهوری ترکیه (MHT ، 2022) بدست می آید. از طرف دیگر ، مجموعه داده های شاخص اصلی که نماینده بورس بورس در ترکیه BIST-100 (XU100) است از بانک مرکزی جمهوری ترکیه (CBRT) بدست می آید. متغیرهای دیگر از منابع مختلف داده جمع آوری شده اند. نرخ ارز از ترمینال بلومبرگ (2022) که به عنوان متغیرهای کنترل استفاده می شود ، در حالی که مبادله پیش فرض اعتبار از سرمایه گذاری سرمایه گذاری (2022) بدست می آید. XU100 شامل قیمت سهام روزانه است و به عنوان متغیر وابسته در این تحقیق تجربی در نظر گرفته می شود ، همچنین ما تغییر ارزش بازار سهام از حذف دو صفر از شاخص در ژوئیه 2020 را در نظر گرفتیم. در تجزیه و تحلیل ، شاخص XU100 در استفاده می شودقیمت بسته شدن جلسه معاملاتی ، سایر متغیر که نماینده سطح کشور است ، مبادله پیش فرض اعتبار ، نرخ ارز خارجی USD/TL و نرخ سود مرجع TL است. داده های مربوط به کلیه متغیرها فقط شامل مشاهدات روز هفته است ، اما آخر هفته و تعطیلات رسمی از تجزیه و تحلیل خارج می شود.

شکل 1 نشان می دهد که شاخص Xu100 در ابتدای اپیدمی به شدت کاهش یافته است ، سپس به آرامی افزایش می یابد تا در اوایل سال 2022 به سطح بالایی برسد. علاوه بر این ، شکل 2 نشان دهنده موارد جدید روزانه در هر میلیون است ، به وضوح استاینکه تعداد موارد جدید در ترکیه در کل دوره پایدار نیست زیرا در چندین نقطه به شدت افزایش می یابد. شکل 1 و 2 نشان می دهد که قیمت بازار سهام با موارد تأیید شده روزانه جدید ناشی از COVID-19 منفی است. در مقابل ، قیمت شاخص Xu100 در طی دوره این مطالعه به بالاترین سطح افزایش یافته است تا پس از حمله روسیه به بیش از 2500 برسد.

3. 2 روش آماری

در این بخش ، ما به طور خلاصه روشهای آماری کاربردی را در این تحقیق نشان می دهیم ، که برای بررسی تأثیر بیماری همه گیر COVID-19 بر شاخص بورس سهام XU100 در ترکیه در طی اپیدمی و حمله روسیه استفاده می شود. ما رگرسیون الاستیک (en) فعلی توسعه یافته را بر اساس تجزیه حالت تجربی (EMD) اعمال می کنیم که مشکلات چند قطبی ، غیر ایستگاه و غیرخطی بودن را برطرف می کند (الجاوورنها ، همکاران ، و و. 2020). رگرسیون EN مدل برآوردگر حداقل مربعات مجازات شده است ، مجموعه داده های با ابعاد بالا را تجزیه و تحلیل می کند و مهمترین پیش بینی کننده ها را که بر متغیر پاسخ تأثیر می گذارد انتخاب می کند. این به طور موثری ضرایب مشابه رگرسیون ریج را کاهش می دهد ، و برخی از ضرایب را دقیقاً صفر به عنوان آثار رگرسیون لاسو قرار می دهد (Zou & Hastie ، 2005).<_|left|>>x08eta ight||>^+ <<lambda>_|left|x08eta ight||>^+<lambda>_<|left|x08eta ight||>_$$

$ $ widehat =

$$علاوه بر این ، روش EMD به طور تطبیقی سیگنال داده اصلی غیر ایستگاه و غیرخطی را به یک مجموعه محدود از اجزای متعامد ، یعنی اجزای خطی مستقل بر اساس بازه زمانی مشخصه محلی داده ها ، آن دسته از مؤلفه ها گفته می شود که توابع حالت ذاتی (IMF) و باقیمانده/روند باقیمانده است ، تجزیه می کند. مؤلفه بدون تغییر در دوره سری زمانی ، در حالی که در اقتصادی مؤلفه روند می تواند روند متغیر را در دراز مدت نشان دهد (هوانگ و همکاران ، 1998).

_ = sum _^_+ _ $ $_sجایی که n تعداد IMF را نشان می دهد ، (i ) تعداد مؤلفه ها را نشان می دهد ، (_ ) مؤلفه باقیمانده را نشان می دهد. صندوق بین المللی پول_{و مؤلفه باقیمانده (_ ) به صورت خطی مربوط به داده های اصلی x است}.

حرف

ترکیبی از EMD & EN به مشکل مجموعه داده های غیر ایستگاه و غیرخطی می پردازد و می تواند مشکل چند قلو را برطرف کند. در مرحله اول ، برای تجزیه سیگنال های اصلی مجموعه داده ها به مجموعه ای از مؤلفه های صندوق بین المللی پول متعامد و یک مؤلفه باقیمانده ، سپس از آن اجزای تجزیه به عنوان متغیرهای پیش بینی کننده جدید متعامد استفاده می شوند تا با رگرسیون EN با متغیر پاسخ مدل شوند. با انتخاب زیر مجموعه اجزای تجزیه شده با قوی ترین اثر در متغیر پاسخ ، دقت پیش بینی را افزایش دهید.

علاوه بر این ، از روش اعتبار سنجی متقابل (C. V) به منظور انتخاب سطح مناسب انعطاف پذیری با روش های کاربردی برای به دست آوردن بهترین مؤلفه λ که MSE را به حداقل می رساند ، استفاده می شود. به طور خلاصه ، برای ارزیابی بهترین عملکرد در بین روشهای کاربردی ، از معیارهای مختلفی یا مناسب بودن تناسب استفاده می شود. مانند ضریب تعیین (R 2) ، میانگین خطای مربع (RMSE) و میانگین خطای مطلق (MAE) و میانگین خطای مقیاس مطلق (MASE). علاوه بر این ، وجود چند قطبی تمایل به افزایش واریانس ضرایب تخمین زده شده و منجر به تخمین های نادرست می شود. با استفاده از فاکتور تورم واریانس (VIF) آزمایش می شود.

$$با این وجود ، فرضیه ای که ما در این تحقیق فرض می کنیم این است که گسترش اثرات ویروس COVID-19 به طور قابل توجهی در شاخص بازار سهام ، همچنین حمله روسیه تأثیر قابل توجهی در تغییر در شاخص بورس سهام دارد. قیمت بازار سهام به عنوان تابعی از عوامل مختلفی که در Eq نشان داده شده است مدل می شود. 3

_ = _+ _ n. c. m+ _ _ usdtl _ tlref+ _ (3) $ $_{و مؤلفه باقیمانده (_ ) به صورت خطی مربوط به داده های اصلی x است}حرف

اصطلاح خطا است

با این وجود ، تجزیه و تحلیل این تحقیق می تواند همانطور که در شکل 3 نشان داده شده است خلاصه شود. همه متغیرها استاندارد سازی هستند. ثابت بودن داده ها با استفاده از آزمون افزودنی Dickey-Fuller و KPSS بررسی می شود. با این حال ، با توجه به تجزیه و تحلیل EN-EMD ، ما اجزای IMF را با رویکرد EMD می سازیم ، سپس چند قطبی در بین مؤلفه های صندوق بین المللی پول آزمایش می شود. سرانجام ، خوب بودن معیارهای مناسب برای مدل تخمین زده شده محاسبه می شود.

4 نتیجه و بحث

در مرحله اول ، ما مدل را با استفاده از رگرسیون خالص الاستیک برای داده های آزمون همانطور که در جدول 1 نشان داده شده است تخمین زده ایم. این امر می تواند توضیح داده شود زیرا پرونده های جدید Covid-19 تا 24 نوامبر 2020 با تعداد کم ثبت شد ، پس از آن ، دو اعلامیه توسط وزارت بهداشت ترکیه در مورد COVID-19 وجود داشت. اعلامیه اول در مورد ضبط موارد جدید COVID-19 است که نه تنها بیماران بستری یا بستری بلکه در بیماران سرپایی در ضبط نیز شامل می شود که ضبط پرونده های جدید Covid-19 در ترکیه را به شدت افزایش می دهد. همراه با اعلامیه دوم که در مورد تعداد بیماران روزانه است که فقط بیماران بستری ثبت شده را شامل می شود. مهمتر از آن ، تأثیر عوامل اقتصادی سطح کشور نشان می دهد که نرخ ارز خارجی USD/TL تأثیر معنی داری بر روی شاخص XU100 دارد ، اما مبادله پیش فرض اعتبار و نرخ بهره مرجع TL تأثیر منفی بر مقادیر شاخص XU100 دارد. این می تواند توضیح داده شود که افزایش ارز خارجی و سیاست پولی باعث افزایش شاخص XU100 می شود که نشان می دهد ترکیه اقدامات مختلفی از جمله افزایش نرخ بهره را برای تثبیت اقتصاد اعلام کرده است. نتایج این تحقیق مطابق با یافتن مطالعه Kartal و همکاران ، (2021) است ، زیرا آنها اثرات مثبت قابل توجهی از COVID-19 را نسبت به شاخص بازار سهام XU100 به پایان رساندند ، و مشابه مطالعه نتایج (نتایج (نتایج) است. Ozkan ، 2020 ؛ Yağli 2020) ، به عنوان یافته های آنها نشان می دهد که نوسانات شاخص بازار سهام به سرعت در طی اپیدمی COVID-19 افزایش یافته است. با این حال ، مطالعات دیگر نشان داد که اپیدمی COVID-19 در تقریباً همه بخش های اقتصادی تأثیر منفی دارد (Ozkan ، 2020).

علاوه بر این ، جدول 2 نتایج آزمایش چند قطبی VIF را در بین تمام مؤلفه های IMF متعامد ارائه می دهد ، این یافته نشان می دهد که در بین همه صندوق های بین المللی پول و اجزای باقیمانده ساخته نشده است ، زیرا تمام مقادیر کمتر از 10 هستند. علاوه بر این ، شکل 5 نشان دهنده C. V است. برای MSE در مقابل log (λ) برای مدل سازی EMD-EN. خط افقی فوقانی طرح تعداد ضرایب رگرسیون غیرزرو را برای یک سیاهه داده شده (λ) نشان می دهد که نشان می دهد چهار فرکانس پایین از مؤلفه های IMF وجود دارد.₁جدا از این ، شکل 6 رابطه بین ورود به سیستم (λ) و ضرایب تخمین زده شده Nonzero توسط EMD-EN را نشان می دهد. ضرایب با توجه به مقدار حداقل λ که شامل کلیه اجزای صندوق بین المللی پول در سطوح قابل توجه مختلف تأثیر بر شاخص Xu100 است ، برآورد می شود. این روند یا مؤلفه باقیمانده اثرات قابل توجهی در Xu100 و بیشتر از سایر مؤلفه ها دارد. در همین حال ، صندوق بین المللی پول

مؤلفه فقط در خطای استاندارد 1 λ قابل توجه است. این یافته های رویکرد EMD مطابق با مطالعه (Dai Z. & Zhu H. 2020) است ، برای پیش بینی بازده بازار سهام در روند طولانی مدت با استفاده از روش جمع و گروه هاتجزیه حالت تجربی.₁مهمتر از همه ، نتایج پیش بینی بسیار قابل توجهی برای شاخص Xu100 هم از نظر اقتصادی و هم از نظر آماری ارائه می دهد ، زیرا تمام ضرایب IMFS در مدل نهایی گنجانده شده است. جدول 3 ضرایب تخمین زده شده از صندوق بین المللی پول و اجزای باقیمانده موارد جدید در هر میلیون را در شاخص XU100 با استفاده از حداقل λ نشان می دهد ، زیرا از خطای استاندارد λ بر اساس کمترین ارزش RMSE بهتر است. جالب اینجاست که برخی از ضرایب تخمین زده شده صندوق بین المللی پول به طور قابل توجهی بر XU100 تأثیر منفی می گذارد اما برخی دیگر بر آن تأثیر مثبت می گذارد. می توان مشاهده کرد که ضرایب زیاد فرکانس IMF (صندوق بین المللی پول₄به صندوق بین المللی پول₅) به تدریج شاخص XU100 را به طور منفی تحت تأثیر قرار می دهد ، در حالی که ضرایب IMF فرکانس پایین (IMF₆، صندوق بین المللی پول₆و مؤلفه روند) تأثیر مثبت معنی داری بر روی شاخص Xu100 دارد و نسبت به فرکانس بالای صندوق بین المللی پول نسبتاً بالاتر است. این از آنجا که صندوق بین المللی پول از فرکانس های پایین بسیار صاف است ، و بنابراین ، بسیار محتمل است که آنها با هم متفاوت باشند. به عبارت دیگر ، نوسانات طولانی مدت ؛صندوق بین المللی پول₇و صندوق بین المللی پول₅) به تدریج شاخص XU100 را به طور منفی تحت تأثیر قرار می دهد ، در حالی که ضرایب IMF فرکانس پایین (IMF₆، صندوق بین المللی پول₅) به تدریج شاخص XU100 را به طور منفی تحت تأثیر قرار می دهد ، در حالی که ضرایب IMF فرکانس پایین (IMF₆، صندوق بین المللی پول

مؤلفه ها و باقیمانده دارای معانی اقتصادی فراوانی هستند و برخی از ویژگی های جدید شاخص Xu100 را نشان می دهند. علاوه بر این ، جدول 3 ضرایب تخمین زده شده برای اجزای صندوق بین المللی پول و خوبی بودن معیارهای مناسب را ارائه می دهد.

جدول 3 ضرایب تخمین زده شده برای اجزای صندوق بین المللی پول و خوب بودن معیارهای مناسب

4. 1 بررسی استحکام

ما با استفاده از تکنیک های غیرخطی سوئیچینگ مارکوف (MSR) پس از مطالعه Kartal و همکاران ، (2021) بررسی استحکام را انجام دادیم تا تأثیرات عوامل COVID-19 و عوامل اقتصادی را در سطح کشور برای شاخص بازار سهام XU100 در ترکیه بررسی کنیم. این یافته ها مطابق با یافته های موجود در جدول 2 است ، که ضرایب قابل توجهی را برای همه متغیرهای این مطالعه نشان می دهد ، و تأثیر منفی مبادله پیش فرض اعتبار و نرخ بهره مرجع TL به شاخص XU100.

5 نتیجه گیری

در نتیجه بیماری همه گیر کرونوویروس و تهاجم روسیه ، بازارهای مالی که از عدم اطمینان رنج می برند ، بازارهای سهام فروپاشیده می شوند و نوسانات بازار به سرعت صعود می کند. اگرچه چندین تلاش برای درک تأثیر تجربی COVID-19 بر وضعیت اقتصادی انجام شده است ، اما هنوز هم در بیشتر موارد به طور غیرقابل توصیف است. این مطالعه با هدف بررسی تأثیرات همه گیر و تهاجم روسیه Coronavirus و روسیه بر شاخص بازار سهام در ترکیه با استفاده از رویکرد توسعه یافته رگرسیون الاستیک شبکه بر اساس تجزیه حالت تجربی برای مقابله با غیر ایستگاه و غیرخطی. داده ها از ابتدای اپیدمی در ترکیه از 11 مارس 2020 تا 31 مه 2022 جمع آوری می شود. یافته های این مطالعه پیش بینی قابل توجهی برای شاخص XU100 با تأثیر مثبت مثبت موارد جدید COVID-19 در هر میلیون ارائه می دهد. علاوه بر این ، تأثیر عوامل اقتصادی سطح کشور نشان می دهد که نرخ ارز خارجی USD/TL تأثیر معنی داری بر روی شاخص XU100 دارد ، اما مبادله پیش فرض اعتبار و نرخ بهره مرجع TL تأثیر منفی بر ارزش های شاخص XU100 دارد. علاوه بر این ، یافته های بخش دوم تجزیه و تحلیل که مربوط به رویکرد EMD-EN است ، نشان می دهد که متغیر موارد جدید در هر میلیون می تواند به هفت مؤلفه با خصوصیات مجزا برای غلبه بر غیر ایستگاه و غیرخطی تجزیه شود. فرکانس های بالاتر و پایین ضرایب صندوق بین المللی پول به ترتیب روی شاخص Xu100 تأثیر منفی و مثبت دارند. این می تواند مربوط به دو اعلامیه وزارت بهداشت ترکیه در مورد COVID-19 در مورد ضبط پرونده های جدید COVID-19 و موارد مرگ روزانه در ترکیه در 24 نوامبر 2020 باشد (MHT ، 2020). بنابراین ، رگرسیون الاستیک شبکه مبتنی بر تجزیه حالت تجربی دارای تنظیمات نسبی و متغیرهای پیش بینی کننده منتخب است ، همچنین داده های غیر ایستگاه و غیرخطی را تجزیه می کند تا روند دقیقی از اثرات روی شاخص Xu100 را نشان دهد.

در دسترس بودن داده ها و مواد

داده های مورد استفاده این مطالعه در وب سایت بلومبرگ https://evds2. tcmb. gov. tr/index. php؟/evds/seriemarket و بانک مرکزی جمهوری ترکیه در و وزارت بهداشت ترکیه در https: // موجود است. covid19. saglik. gov. tr.

• منابع
• Al-Jawaeh ، A. S. ، Ismail ، M. T. ، Awajan ، A. M. ، & Alsayed ، A. R. (2020). بهبود مدل های دقت با استفاده از رویکرد رگرسیون خالص الاستیک مبتنی بر تجزیه حالت تجربی. ارتباطات در آمار-شبیه سازی و محاسبه ، صص 1-20.
• Alsayed ، A. R. M. (2021). ارتباط بین موارد کروناویروس و متغیرهای آب و هوایی فصلی در منطقه اروپایی مدیترانه ، شواهدی توسط رگرسیون داده های پانل. مجله بین المللی علوم و فناوری محیط زیست ، صص 1-8.₂Alsayed ، A. R. ، Isa ، Z. ، Kun ، S. S. ، & Manzi ، G. (2020). رگرسیون کمی برای مقابله با ناهمگونی در رابطه بین رشد اقتصادی ، مصرف انرژی و CO
• انتشار گازهای گلخانه ایمدل سازی و ارزیابی محیط زیست ، 25 (2) ، 251-258. doi: 10. 1007/s10666- 019- 09669-7
• Alsayed ، A. R. ، & Manzi ، G. (2019). مقایسه اقدامات همبستگی یکنواخت با Outliers. معاملات WSEAS در رایانه ها ، 18 (1) ، 223-230. گوگل دانشکده
• Al Sayed ، A. R. ، Isa ، Z. ، & Kun ، S. S. (2018). روشهای تشخیص Outliers در رگرسیون داده های پانل: برنامه ای برای علوم محیط زیست. مجله بین المللی اقتصاد و آمار زیست محیطی ، 39 (1) ، 73-86. گوگل دانشکده
• Alsayed ، A. ، & Manzi ، G. (2018). پیش بینی اعتبار سنجی با استفاده از برآوردگرهای قوی در کاربردهای زیست محیطی. Int J Energy Enround Econ ، 26 (3) ، 183-195. گوگل دانشکده
• Amman ، H. M. ، Tesfatsion ، L. ، Kendrick ، D. A. ، Rust ، J. ، Judd ، K. L. ، Schmedders ، K. ،.& Lebaron ، B. D. (Eds.).(1996). کتابچه راهنمای اقتصاد محاسباتی: اقتصاد محاسباتی مبتنی بر عامل (جلد 2). Elsevier
• Borsa Istanbul دوره جدیدی را نشان می دهد زیرا 2 صفر از index https://www. dailysabah. com/business/economy/borsa-stanbul-marks-new-a-is-itrikes-2-zeros-from-index را نشان می دهد.
• Boungou ، W. ، & Yatié ، A. (2022). تأثیر جنگ اوکراین و روسیه بر بازده بازار سهام جهانی. نامه های اقتصاد ، 215 ، 110516. ArticleGoogle Scholar
• بانک مرکزی جمهوری ترکیه.(2020). سیستم توزیع داده های Electronik (EVDS). https://evds2. tcmb. gov. tr/index. php؟/evds/seriemarket. دسترسی به 5،2022 ژوئن.
• Dai ، Z. ، & Zhu ، H. (2020). پیش بینی بازده بورس سهام با ترکیب مجموعه های جمع و مجموعه های تجربی گروه. اقتصاد کاربردی ، 52 (21) ، 2309-2323. Articlegoogle Scholar
• Duarte ، J. J. ، González ، S. M. ، & Cruz ، J. C. (2021). پیش بینی قیمت سهام با استفاده از داده های خبری: شواهدی از بازار برزیل. اقتصاد محاسباتی ، 57 (1) ، 311-340. Articlegoogle Scholar
• اردوغان ، س. ، گیدیکلی ، ا. ، و çevik ، E. ̇.(2019). اثرات سرریز نوسانات بین بازارهای سهام اسلامی و نرخ ارز: شواهدی از سه کشور نوظهور. Borsa ̇stanbul rev ، 2 ، 1-19. گوگل دانشکده
• Gupta ، A. ، & Shaju ، C. (2021). مطالعه رفتار بین المللی بورس در طی بیماری همه گیر COVID-19 با استفاده از یک سیستم عملکرد تکراری محور. اقتصاد محاسباتی ، صص 1-12.
• Huang ، N. E. ، Zheng ، S. ، Steven ، R. L. ، Wu ، M. C. ، Shih ، H. H. ، Zheng ، Q. ، Yen ، N.-C. ، Tung ، C. C. ، & Liu ، H. H. (1998). تجزیه حالت تجربی و طیف هیلبرت برای تجزیه و تحلیل سری زمانی غیرخطی و غیر ثابت. مجموعه مقالات انجمن سلطنتی لندن A: علوم ریاضی ، فیزیکی و مهندسی ، 454 (1971) ، 903-995. https://doi. org/10. 1098/rspa. 1998. 0193ArticleGoogle Scholar
• Isa ، Z. ، Alsayed ، A. R. ، & Kun ، S. S. (2015). مقاله را در مورد رشد اقتصادی بررسی کنید - میزان مصرف انرژی در کل. مجله بین المللی اقتصاد و سیاست انرژی ، 5 (2) ، 385-401. گوگل دانشکده
• صندوق بین المللی پول.(2020). به روزرسانی چشم انداز اقتصادی جهانی (ژوئن 2020). برگرفته از https://www. imf. org/fa/publications/weo/issues/2020/06/24/weoupdatejune2020
• Kartal ، M. T. ، Ertuğrul ، H. M. ، & Ulussever ، T. (2021). تأثیر جریان نمونه کارها خارجی و پاسخ های سیاست پولی در بازارهای سهام با در نظر گرفتن همه گیر Covid-19: شواهدی از ترکیه. بررسی Borsa Stanbul.
• Liew ، P. X. ، Lim ، K. P. ، & Goh ، K. L. (2018). جریان سهام خارجی: BOON یا BANE به نقدینگی بازار سهام مالزی؟مجله اقتصاد و دارایی آمریکای شمالی ، 45 ، 161E181.
• MHTجمهوری ترکیه وزارت بهداشت (2021). شماره های Covid-19. https://covid19. saglik. gov. tr. دسترسی به 5 ژوئن 2022.
• Ozkan ، O. (2020). پرش نوسانات: تأثیر COVID-19 در بورس سهام ترکیه. مجله علوم اجتماعی دانشگاه Gaziantep ، 19 (شماره ویژه COVID-19) ، صص 386-397.
• Safara ، F. (2020). یک مدل محاسباتی برای پیش بینی رفتار مصرف کننده در طول همه گیر COVID-19. اقتصاد محاسباتی ، صص 1-14.
• سازمان بهداشت جهانی.(2020). وضعیت شیوع بیماری Coronavirus (COVID-19). https://www. who. int/emergencies/dises/novel-coronavirus-2019. دسترسی به 5 ژوئیه 2021).
• Yağli ، ̇.(2020). تأثیر COVID-19 بر نوسانات در حال ظهور بورس سهام: شواهد تجربی از بورسا استانبول. ekonomi politika ve finans araştırmaları dergisi ، 5 (özel sayı) ، صص. 269 279.
• Yang ، L. ، Yang ، L. ، & Hamori ، S. (2018). عوامل تعیین کننده ساختارهای وابستگی از مبادله پیش فرض اعتباری حاکمیتی بین کشورهای G7 و BRICS گسترش می یابد. تجزیه و تحلیل مالی Int Rev ، 59 ، 19-34. Articlegoogle Scholar
• Zaidi ، I. ، Ahmed ، R. M. A. ، & Siok ، K. S. (2017). بررسی رابطه بین رشد اقتصادی ، مصرف انرژی و انتشار CO2 با استفاده از رگرسیون عملکرد معکوس. اکولوژی کاربردی و تحقیقات محیط زیست ، 15 (1) ، 473-484. Articlegoogle Scholar
• Zaidi ، I. ، Al Sayed ، A. R. ، & Sek ، S. K. (2015). رابطه بین مصرف انرژی ، رشد اقتصادی و گازهای گلخانه ای را با تجزیه و تحلیل داده های پانل تشخیص دهید. علوم ریاضی کاربردی ، 9 (54) ، 2645-2656. گوگل دانشکده
• ژانگ ، B. Y. ، ژو ، H. ، و Zhu ، H. (2009). توضیح مبادله پیش فرض اعتباری با نوسانات عدالت و خطرات پرش بنگاه های انفرادی. Stud Rev Financ ، 22 ، 5099-5131. Articlegoogle Scholar

Zou ، H. ، & Hastie ، T. (2005). تنظیم و انتخاب متغیر از طریق شبکه الاستیک. مجله انجمن آماری سلطنتی: سری B (روش آماری) ، 67 (2) ، 301-320. https://doi. org/10. 1111/j. 1467-9868. 2005. 00503. xarticlegoogle Scholar

منابع مالی

بودجه دسترسی آزاد ارائه شده توسط Università degli studi di milano در توافق نامه مراقبت CRUI. این تحقیق بودجه خاصی را دریافت نکرد. نویسندگان تأیید می کنند که هیچ ارتباطی با هیچ سازمانی با هرگونه علاقه مالی ندارند.

اطلاعات نویسنده

1. نویسندگان و وابستگی ها

1. گروه اقتصاد ، مدیریت و روشهای کمی ، گروه علوم اجتماعی و سیاسی ، دانشگاه میلان ، 20122 ، میلان ، ایتالیا احمد R. M. Alsayed

احمد آر. م. آلساید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

مشارکت

نویسنده کار در مفهوم سازی ، نوشتن پیش نویس اصلی ، بررسی و ویرایش. جمع آوری داده ها ، بحث در مورد نتایج ، نتیجه گیری. روش شناسی ، تجزیه و تحلیل رسمی ، بحث در مورد نتایج.

نویسنده متناظر

اعلامیه های اخلاق

تضاد منافع

نویسندگان هیچ تضاد منافع برای اعلام ندارند.

رضایت برای انتشار

نویسنده مایل به اجازه ژورنال برای انتشار مقاله است.

اطلاعات اضافی

یادداشت ناشر

طبیعت Springer با توجه به ادعاهای قضایی در نقشه های منتشر شده و وابستگی های نهادی ، خنثی است.

حقوق و مجوزها

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، به استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثل اجازه دهید. پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از دارنده حق چاپ مجوز دریافت کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons. org/licenses/by/4. 0/ مراجعه کنید.

در مورد این مقاله

این مقاله را ذکر کنید

• آلساید ، A. R. M. بازار سهام ترکیه از همه گیر به تهاجم روسیه ، شواهدی از الگوریتم یادگیری ماشین توسعه یافته. Comput Econ (2022). https://doi. org/10. 1007/s10614-022-10293-z
• پذیرفته شده: 22 ژوئن 2022
• منتشر شده: 14 ژوئیه 2022

doi: https://doi. org/10. 1007/S10614-022-10293-Z

این مقاله را به اشتراک بگذارید

هرکسی که لینک زیر را با آن به اشتراک بگذارید قادر به خواندن این محتوا خواهد بود:

لینک اشتراکی دریافت کنید

با عرض پوزش ، یک لینک قابل اشتراک در حال حاضر برای این مقاله در دسترس نیست.

کپی به کلیپ بورد

ارائه شده توسط SPRINGER NATURE SHAREDIT SICTIONATION CONTENT

• کلید واژه ها
• پاندمی ویروس کرونا
• تهاجم روسی