شوک های اطلاعاتی ، بازده بازار و نوسانات: تجزیه و تحلیل مقایسه ای از بازارهای سهام توسعه یافته در آسیا

کپی رایت © نویسنده (ها) ، تحت مجوز انحصاری به Springer Nature Switzerland AG 2023 ، Springer Nature یا مجوز آن (به عنوان مثال یک جامعه یا شریک دیگر) طبق توافق نامه انتشار با نویسنده (ها) یا سایر افراد راستگرا ، حق انحصاری این مقاله را در اختیار دارد.(ها) ؛نویسنده خود معماری از نسخه خطی پذیرفته شده این مقاله صرفاً با شرایط چنین توافق نامه انتشار و قانون قابل اجرا اداره می شود.

این مقاله از طریق زیر مجموعه دسترسی باز PMC برای استفاده مجدد از تحقیقات نامحدود و تجزیه و تحلیل ثانویه به هر شکلی یا به هر وسیله با تأیید منبع اصلی در دسترس است. این مجوزها برای مدت زمان اعلام سازمان بهداشت جهانی (WHO) COVID-19 به عنوان یک بیماری همه گیر جهانی اعطا می شود.

داده های مرتبط

داده ها و کدهایی که از یافته های این مطالعه پشتیبانی می کنند در صورت درخواست از نویسنده در دسترس هستند.

خلاصه

این تحقیق به بررسی عملکرد شوکهای اطلاعاتی در بازده سهام و نوسانات یکپارچه بازارهای نوظهور آسیا با استفاده از رویکرد واریانس مبادله (SWV) در دوره 20 سال (فوریه 2001 - FEB 2020) می پردازد. این میانگین بازده ماهانه و نوسانات دوره های شوک را با دوره های غیر شوک پس از جدا کردن شوک های منفی و مثبت مقایسه می کند. یافته ها نشانگر بروز مکرر شوک های اطلاعاتی در کلیه بازارهای سهام توسعه یافته آسیایی با شوک مثبت نسبت به شوک های منفی است. علاوه بر این ، بازارهای توسعه یافته بسیار بی ثبات آسیا در دوره های شوک بازده بالاتری کسب می کنند ، در حالی که بازارهایی با نوسانات بالاتر و بازده مداوم پایین تر در دوره های شوک تحت تأثیر منفی قرار می گیرند. نسبت نوسانات تحقق یافته کل و نسبت متوسط نوسانات شوک ، نشان می دهد که شوک ها مقدار قابل توجهی از نوسانات را تشکیل می دهند ، و نوسانات یکپارچه در مراحل شوک های منفی بیشتر است. این مطالعه برای همه ذینفعان بازارهای مالی برای تصمیمات سرمایه گذاری منطقی پیامدهایی دارد.

واژه های کلیدی: شناسایی شوک ، واریانس مبادله ، نوسانات تحقق یافته ، تغییر قدرت ، تنوع Tripower

معرفی

جهانی سازی منجر به اتصال جهانی بازارهای مالی شده است. ادغام جهانی جهان در حال توسعه دسترسی خود را به بازارهای جهانی سرمایه افزایش می دهد و آسیب پذیری در برابر شوک های بیرونی را کاهش می دهد (لی و ماجروسکا ، 2007). بنابراین ، تحقیقات تجربی برای بررسی روند محلی و بین المللی بورس به صورت نمایی رشد کرده است. در حالی که تحقیقات زیادی در مورد ادغام مالی انجام شده است ، مطالعات نسبتاً کمی در بازارهای سهام آسیا متمرکز شده است.

تحقیقات در مورد بازارهای سهام در حال ظهور در آسیا ، محاصره در بازارهای سهام از طریق لنزهای ادغام و اتمام وکتور را مورد بررسی قرار داده است (Bhattachary ، 2001 ؛ احمد و همکاران 2005 ؛ Hoque 2007 ؛ Sahiner 2022) در حالی که در تجزیه و تحلیل از تعامل بازار مفقود شداز نظر شوک اطلاعاتی و نوسانات ادغام. با این وجود ، دهه گذشته توجه قابل توجهی به نوسانات یکپارچه (IV) و شوک های اطلاعاتی (IS) در ادبیات مربوط به قیمت گذاری دارایی ها نشان داده شده است (راجو و همکاران 2020).

فروپاشی تقاضای جهانی 2008-2009 به طور قابل توجهی بر بهره وری از بورس سهام آسیا تأثیر گذاشت (Donadelli 2015) ، و باعث بی احتیاطی در سرمایه گذاران شد. بازارهای آسیا برای مدت طولانی نسبت سود و ریسک نسبتاً برجسته ای را ارائه دادند زیرا این بازارها دارای حق بیمه خطر بالایی (ERP) هستند (Donadelli and Persha 2014). این "شکاف عملکرد" به طور مداوم در دوره بحران پس از آسیا (2002-2012) بیشتر شده است. شواهد تجربی نشان می دهد که فقدان ادغام مالی و اقتصادی ممکن است این "شکاف عملکرد" را ایجاد کرده باشد. سرمایه گذاران خارجی به دلیل حساسیت بازار سهام آسیا در برابر شوک ها ، حق بیمه را می طلبند (Donadelli and Prosperi 2012).

بررسی میزان و طول تأثیر شوک در بورس سهام آسیا ، ذینفعان را قادر می سازد تا تعیین کنند که آیا یک نمونه کارها از شاخص های برجسته بورس سهام آسیا در کوتاه مدت/طولانی مدت با تغییر در وقایع غیر معمول مانند شوک های عدم اطمینان تحت تأثیر قرار می گیرد. طبق نظریه فرضیه کارآمد بازار (EMH) ، ورود اطلاعات با نوسانات بازار و بازده همبستگی مثبت دارد (Duangin et al. 2018). بنابراین ، به احتمال زیاد باعث ایجاد شوک و اختلال در قیمت گذاری می شود (Bajgrowicz et al. 2016 ؛ Jiang and Zhu 2017 ؛ Ferriani and Zoi 2020 ؛ Sun and Gao 2020 ؛ Ganguly and Bhunia 2022).

اعتقاد بر این است که شناسایی شوک ها پیامدهای عمیقی برای قیمت گذاری دارایی ، مدیریت ریسک ، تخصیص پروتئین و ارزیابی مشتقات دارند. توسعه و تجارت بسیاری از محصولات مشتق مبتنی بر نوسانات در بازارهای مالی نیاز به شناسایی شوک های اطلاعاتی برای طراحی و پیش بینی نوسانات و سود دارد (Eraker et al. 2003 ؛ Bollerslev and Todorov 2011). نوسانات و بازده در قالب افزایش قیمت به دلیل شوک های مثبت و کاهش به دلیل شوک های منفی در نوسان است (Amaya and Vasquez 2011a ، b). طبق گفته پان (2002) ، سرمایه گذاران انتظار دارند حق بیمه با خطر بیشتری برای سرمایه گذاری در محصولات مرتبط با شوک های اطلاعاتی داشته باشند.

از نظر تاریخی ، نوسانات از طریق انحراف استاندارد بازده ، که نوسانات سهام نسبت به میانگین سود است ، اندازه گیری می شود. واریانس تحقق یافته (RV) توسط اندرسن و همكاران (2001a ، ب) برای تجزیه و تحلیل بی ثباتی كلی در ارزش سرمایه گذاری با جمع سودهای مربع داخل intraday كه از طریق روش MA (1) محاصره شده اند ، تهیه شده است. نکته قابل توجه ، RV به عنوان یک اندازه گیری بهتر از نوسانات نسبت به انحراف استاندارد در نظر گرفته می شود زیرا فرآیند میانگین متحرک را که در مرتبه اول یکپارچه است ، در نظر می گیرد. بدین ترتیب ، با جذب شوک های ناگهانی به بی نظمی های کوتاه مدت در سری داده ها می پردازد.

RV در پیش بینی تنوع درجه دوم کاملاً قابل اعتماد است و در محاسبه نوسانات یکپارچه منحصر به فرد از شوک و آشفتگی دقیق ترین است. Badorff and Shephard (2004) ایجاد شده از تغییر دو قدرت (BPV) و تنوع سه قدرت (TPV) را به عنوان برآوردگرهای قوی شوک برای اندازه گیری مؤلفه غیر شوک از تغییرات درجه دوم ایجاد کردند. RV هر دو شوک و همچنین شوک اطلاعات را تخمین می زند. تفاوت RV و BPV یا RV و TPV ضریب شوک را نشان می دهد (Badorff & Shephard ، 2004 ؛ Andersen et al. 2007).

به دنبال بحران بازار سهام در سال 2008 و اخیراً همه گیر Covid-19 ، نگرانی های مربوط به بازار سهام باعث جلب علاقه همه ذینفعان شده است. وضعیت نوسان نیاز به شواهد تجربی برای تصمیمات سرمایه گذاری صحیح دارد. از این رو ، آخرین تحقیقات برای رسیدگی به موضوعات شناسایی شوک های اطلاعاتی و نوسانات و بازده در دوره های شوک و غیر شوکها لازم است. چنین تحقیقاتی از نظر سیاست و مقررات برای محافظت از علاقه ذینفعان نیز قابل توجه است. بنابراین ، اهداف این مطالعه شناسایی شوک های اطلاعاتی در بازارهای منتخب آسیایی است. و بررسی تأثیر نامتقارن شوکهای اطلاعاتی بر بازده سهام و نوسانات یکپارچه.

سهم این مطالعه شامل شناسایی شوک های اطلاعاتی در هر بازارهای توسعه یافته آسیایی است. علاوه بر این ، شوکهای شناسایی شده در شوکهای مثبت و منفی جدا می شوند و تأثیر نامتقارن شوکهای اطلاعاتی (شوکهای مثبت و منفی) در بازده سهام و همچنین بر نوسانات یکپارچه را مورد بررسی قرار می دهند و نتایج را با هم مقایسه می کنند. علاوه بر این ، این مطالعه همچنین واریانس قدرت (BPV) و واریانس Tripower (TPV) را برای شناسایی روش بهتر برای برآورد مؤلفه غیر شوک از تغییرات درجه دوم مقایسه می کند. در پایان توصیه ای را به سرمایه گذاران بازارهای توسعه یافته آسیایی در مورد تخصیص بودجه خود ارائه دهید.

این مطالعه به طور ضمنی فرض می کند که شوک های اطلاعاتی اغلب در بازارهای سهام کمتری اطلاعاتی ایجاد می شود. شوک های اطلاعات بیشتر تأثیرگذاری بر بازده و نوسانات یکپارچه در مقایسه با بازده و نوسانات در دوره های غیر شوکها را نشان داده است. بقیه مقاله به شرح زیر سازماندهی شده است: فرقه. 2 شامل بررسی ادبیات است. فرقه3 جزئیات مربوط به روش شناسی را ارائه می دهد. فرقه4 یافته ها و بحث های تجربی را ارائه می دهد. و فرقه5 نتیجه را نتیجه می گیرد ، و پیامدهای سیاست و توصیه ها را ارائه می دهد.

بررسی ادبیات

پارامتر اصلی مدیریت ریسک توانایی تمایز جهش از نوسانات است. پرش ها و وجود آنها به طور گسترده در ادبیات مورد بحث قرار گرفته است. بی ثباتی بازار سهام از نظر مدیریت دارایی و ریسک های درگیر ، مورد علاقه بسیار زیادی قرار می دهد. در این راستا ، ادبیات بهبود قابل توجهی در ارزیابی و پیش بینی نوسان بازگشت سرمایه نشان داده است.

در حالی که اکثر روشهای استاندارد فرض می کنند که نوسانات و همبستگی ها ثابت هستند ، محققان و کارشناسان میدانی به خوبی می دانند که این متغیرها با گذشت زمان تغییر می کنند. یک قهوه ای پایدار و یک مؤلفه پرش هر دو در شبیه سازی مقیاس برای مقادیر دارایی بانکی که در کاهش ریسک ، قیمت گذاری گزینه ها و انتخاب نمونه کارها استفاده می شود ، وجود دارند. آنها بررسی می کنند که چگونه می توان یک پدیده را از دیگری گفت.

اندرسن و همکاران (2001a ، ب) اقدامات خاصی از سود روزمره سرمایه گذاری و پیوند علتی به دست آمده از قیمت گذاری روزانه روزانه در سهام در طی مدت پنج سال برای تقویت و گسترش طبقه بندی فعلی عدم اطمینان و ارتباط مالی اعمال می کنند. نتایج مطابق با یک ساختار نوسانات ذاتی است و راه را برای افزایش مدل نوسانات با ابعاد بالا و خارج از نمونه پیش بینی می کند که تضمین بهبود مدیریت در زمینه های دنیای واقعی مانند.

اندرسون و همکاران برای جلوگیری از مشکلات داده در حالی که داده های اصلی مربوط به داده های همان روز را برای سنجش ، مدل سازی و پیش بینی نوسانات فوری و طولانی مدت بازار ، اندرسون و همکاران خودداری می کنند.(2003a) روشهای نوسانات تحقق یافته از ارزیابی سودهای تنظیم شده روزانه را پیشنهاد می کند. از طریق تظاهرات فردی ، پیش بینی و ارزیابی مؤلفه های بدون وقفه و پرش از تنوع سود کل ، نتایج ارائه می دهد مزیت مالی افزایش یافته ، مدیریت تهدید و قیمت گذاری محصول. اندرسون و همکاران.(2003b) همچنین چارچوبی را برای اندازه گیری ، مدل سازی و پیش بینی نوسان و بازده بازده روزمره و دوره ای که ارتباطات رسمی بین بی ثباتی شناخته شده و ماتریس کواریانس موقت ایجاد می کند ، فراهم می کند. این مطالعه مشخص می کند که توزیع مخلوط پارامتری-طبیعی و غیر طبیعی و پیش بینی نوسانات اتورگرایی وکتور پیش بینی های کمی خاص و پیش بینی چگالی خوب ارزیابی سودهای آینده.

بعداً ، اندرسون و همکاران.(2007) نتایج حاصل از بازده با فرکانس بالا و تکنیک های مدل سازی ساده را از طریق استفاده از تنوع تحقق یافته اندازه گیری می کند. این تحقیق یک رویکرد قابل اعتماد برای ارزیابی فاکتور پرچین در ناپایداری سود از طریق آخرین یافته های فرضی برای روشهای تمایز دو قدرت قابل مقایسه ارائه می دهد. مدل پیش بینی نوسانات ساده و در عین حال پیچیده ، حرکات غیر پرش را از حرکات پرش متمایز می کند. این کشف می کند که تقریباً تمام قابلیت اطمینان در سودآوری سود از عامل غیر جنجالی سرچشمه می گیرد.

Eraker et al (2003) روشهای نوسانات تصادفی مداوم را که سود و بی ثباتی را در نظر می گیرند ، بررسی می کنند. همچنین اثرات خطر تخمین در قیمت گذاری گزینه را بررسی می کند. با استفاده از نتایج 100 شاخص ، این مطالعه یک تکنیک محاسبه مبتنی بر احتمال ایجاد می کند و ارزیابی درایورها ، اندازه پرش و سنج و بی ثباتی را ارائه می دهد. از طریق تشخیص رسمی و غیررسمی ، این مطالعه نشانگر نشانگرهای قانع کننده برای سنبله در بی ثباتی و نوسان سود است. نتایج نشان می دهد که در حالی که نوسانات پراکنده از پایداری بالایی برخوردار است ، یک حرکت براون حاکم بر پویایی خود است. نوسانات تصادفی سیال می تواند به تدریج در یک سری مراحل متوسط و معمولی توزیع شود. علاوه بر این ، پرش در نوسانات به عنوان پلی بین نوسانات پراکنده و پرش در بازده با تهیه یک مؤلفه سریع و در عین حال ماندگار که باعث نوسانات موقت بازده می شود ، عمل می کند.

Aït-Sahalia (2004) کشف می کند که پرش ها و سر و صدای براون را می توان با دقت از هم جدا کرد حتی در هنگام پرش های کوچک بی پایان در هر دوره زمانی محدود. این تحقیق امکان تمایز نوسانات از پرش ها را با استفاده از روشهای آماری مبتنی بر احتمال نشان می دهد ، و این امکان را می دهد تا تخصیص دارایی روی بخش مرتبط با خطر کلی متمرکز شود. در همان سال ، یوهانیس (2004) مطالعه ای در مورد تأثیر جهش انجام داد. او تست را برای شناسایی خواندن مبتنی بر پرش و احتمال پرش پیشنهاد می کند. این تحقیق از مدل پرش غیر پارامتری برای بررسی چگونگی تأثیر پرش بر قیمت گذاری استفاده می کند. یافته ها نشان می دهد که پرش ها تأثیر آماری قابل توجهی دارند. با توجه به ارزیابی فواصل پرش و اندازه ها ، پرش ها ناشی از اخبار کلان اقتصادی غیرقابل پیش بینی است.

اولین تکنیک برای تمایز بین جنبه های مداوم و پرش یک تغییر درجه دوم توسط براندروف و همکاران ارائه شده است.(2004). این مطالعه در حالی که به مبالغ و محصولات قدرت بازگشت مطلق در مورد کلیت های خاص اشیاء بحث می کند ، بحث می کند. این نشان می دهد که تغییر قدرت تحقق یافته و تغییر قدرت هر دو در برابر جهش های نادر در فرآیند قیمت ورود به سیستم کاملاً مقاوم هستند. علاوه بر این ، تنوع دوقلو تحقق یافته ، در شرایط خاص ، می تواند واریانس تعبیه شده را در مدلهای نوسانات تصادفی محاسبه کند.

به همین ترتیب ، کمیت تأثیر پرش ها بر تغییر قیمت دارایی ، بارنندروف و همکاران.(2006) معیارهای قابل اعتماد را برای تعیین اینکه آیا پرش در روزهای خاص معاملات در بازارهای مالی رخ می دهد ، تهیه کنید. این تحقیق یک تئوری توزیع بدون علامت برای چند آزمایش غیر پارامتری فرضیه مسیر نمونه مداوم برای قیمت دارایی ارائه می دهد.

از طریق یک آزمایش غیر پارامتری جدید ، لی و همکاران.(2008) وقایع ظهور پرش را شناسایی کرده و حجم پرش را در قیمت دارایی روزانه تحقق بخشید. آنها نشان می دهند که استفاده از بازگشت با فرکانس بالا عملاً احتمال سوء طبقه بندی پرش ها را از بین می برد. این یافته ها نشان می دهد که افزایش سهام خاص مربوط به گزارش های سود برنامه ریزی شده و اخبار کلی است. علاوه بر این ، افزایش شاخص نیز مربوط به اعلامیه های خبری در بازار عمومی است. این نشان می دهد که گزینه های سهام فردی و گزینه های شاخص مکانیسم قیمت گذاری جداگانه دارند.

به طور مشابه ، با استفاده از داده های بازده دارایی و شبیه سازی ، Aït-Sahalia و Jacod (2009a ، b) یک تکنیک جدید را برای تعیین وجود پرش در بازده سود و/یا سایر پدیده های آزمایش شده جداگانه پیشنهاد می کنند. آمار آزمون آنها در صورت پرش و به مقدار قابل پیش بینی دیگر در صورت عدم وجود جهش در صورت عدم وجود فاصله نمونه برداری ، به 1 همگرا می شود.

به گفته ژانگ و همکاران.(2009) مبادلات پیش فرض اعتباری به طور قابل توجهی تحت تأثیر ناپایداری های ترکیبی و نوسانات پرش قیمت سهام قرار دارد. در مقابل ، ارزیابی تغییرات درجه دوم علاوه بر این با نویز در ریزساختار بازار پیچیده است. کورسی و همکاران (2010) توضیح می دهند که استفاده از نوسانات یکپارچه و تغییر پرش به جای فقط کل تنوع درجه دوم ، دقت محاسبه خطر را افزایش می دهد.

Podolskyi (2010) آزمایشی را برای تشخیص اینکه آیا پرش ها در یک روش نمونه گیری گسسته رخ می دهد ، نشان می دهد. ایده تغییر قدرت کوتاه برای ساخت داده های تجزیه و تحلیل استفاده شده است. مشخص شده است که در صورت وجود پرش ، آمار آزمون در حالی که در غیر این صورت توزیع عادی را دنبال می کند ، به بی نهایت واگرایی می شود. این رویکرد برای هر semimartingales با خصوصیات مداوم مطلق و بازنمایی گسترده ای از فرآیند سر و صدا کاربرد دارد. شبیه سازی ها نشان می دهد که آزمون جدید به طور قابل توجهی مؤثرتر از تست های پیشنهادی Badorff-Nielsen و Shephard (2004 ، 2006) برای مدل های semimartingale است.

آمایا و همکاران.(2011) رابطه منفی بین بازده سهام مورد انتظار و میانگین اندازه جهش پیش بینی شده توسط مدل های پرش را تأیید کنید. با تکیه بر اندازه متوسط پرش ، آنها ده پرتفوی ایجاد می کنند و بازده سهام هفتگی آینده را تخمین می زنند. آنها میانگین اندازه پرش بازده سهام فردی را از داده های با فرکانس بالا محاسبه می کنند و رابطه تجربی آنها را با بازده سهام بعدی تجزیه و تحلیل می کنند تا بررسی کنند که چگونه قیمت سهام از پرش تأثیر می گذارد. به طور مشابه ، لی و میکلند (2012) از داده های فرکانس بالا برای بررسی چگونگی تمایز بین تغییرات قابل توجه در قیمت گذاری تعادل و نویز استفاده می کنند. آنها یک آزمایش غیر پارامتری کاملاً جدید را پیشنهاد می کنند که فیلتر بدون علامت را از سر و صدا از داده های قیمت قابل مشاهده و شناسایی تغییرات در ارزش دارایی های اساسی امکان پذیر می کند. این آزمایش قدرت کافی برای تمایز بین سر و صدا و پرش در نمونه های محدود را فراهم می کند. با این حال ، طبق گفته اندروز و چنگ (2012) ، اگر شدت پرش جمعیت از طریق مدل انتشار پرش تخمین زده شود ، به صفر تبدیل می شود ، ابعاد زیر مجموعه مدل قابل تشخیص نیست ، و تخمین پارامترها را غیرممکن می کند.

Aït-Sahalia و Jacod (2012) با محاسبه بزرگی و شدت پرش ، یک روش ساده و مستقیم را برای تجزیه بازده دارایی که در فرکانس بالا به پرش های مداوم ، کوچک و بزرگ آزمایش شده اند ، ترسیم می کنند. با استفاده از تکنیک در بازده ، معاملات و نقل قول های مستقل با فرکانس بالا ، و همچنین بازده شاخص سهام ، این تحقیق تئوری فعلی را گسترش می دهد تا تأثیر سر و صدای ریزساختار بازار را در آمار آزمون به حساب آورد تا ویژگی های کیفی فرآیند تخمینی را برای مقایسه مقایسه کند. مجموعه داده های مختلف

Bajgrowicz و همکاران (2016) با ترکیب پرش های توسعه یافته در زمینه نشانگر چسبندگی تصادفی و کورتوز در گردش سود ، این پویایی را به طور مؤثر به خود اختصاص می دهند. این تحقیق نشان می دهد که استفاده از آزمون های پرش در مجموعه داده های بانکی می تواند منجر به مقدار قابل توجهی از مثبت کاذب شود زیرا این تکنیک هر آخرین تشخیص کاذب را از بین می برد ، که در سهام داو جونز می تواند حداکثر 90 ٪ از افزایش اولیه را به خود اختصاص دهد.

نوسانات قابل توجه در قیمت سهام روزمره و عملکرد آنها در ارزیابی سود گروه های بزرگتر توسط جیانگ و همکاران انجام می شود.(2013). نتایج نتایج ، تئوری های پیش بینی بازده سهام را پذیرفته و با نشان دادن اینکه سهام کوچک و غیرقانونی بازده پرش بیشتری دارند ، بینش جدیدی در مورد پویایی بازده سهام فراهم می کند.

انتشار عمومی پرش در بین سهام ایتالیا توسط بورمتی و همکاران بررسی شده است.(2015) از طریق مدل کاملاً پارامتری اتخاذ شده برای محاسبه داده های روزانه. این مطالعه از داده های با فرکانس بالا پرش می کند ، از روش ADL خارج می شود و از فرآیندهای هاوکس برای مدل سازی پویایی استفاده می کند. به طور غیر منتظره ، هیچ اثبات انتقال پرش بین بازارها را کشف نمی کند. در حالی که ، اثرات خود برای تحریک آماری معنی دار فقط در همان دوره های روز تشخیص داده می شود. علاوه بر این ، در مقایسه با زمان استرس ، پرش در زمان کم خطر و سهم آنها در اختلاف کلی قیمت به نظر می رسد. این همچنین یک تمایز اساسی از پویایی است که توسط مدل ADL دلالت دارد ، که در آن افزایش قیمت نشانگر دوره ناآرامی های بازار است.

Buncic و همکاران.(2017) اهمیت پرش ها و تأثیر کنترل بر پیش بینی بی ثباتی تحقق یافته در 18 بازار سهام بین المللی را تجزیه و تحلیل کنید. با توجه به نتایج ، تنها شش بازار پیشرفت تخمین بزرگ و قابل توجهی را نشان می دهد. با این حال ، با افزایش افق پیش بینی ، این مزایا به سرعت و ناگهان بدتر می شود. از طرف دیگر ، هر 18 بازار سهام بین المللی به طور قابل توجهی تحت تأثیر نتیجه کنترل قرار دارند. در همین زمان ، جیانگ و همکاران.(2017) داده ها را برای پشتیبانی از واکنش موقت در بازار سهام ایالات متحده ارائه می دهد ، با استفاده از افزایش در مقادیر سهام به عنوان جایگزینی برای شوکهای اصلی اطلاعات. این داده ها ، بر اساس پرش های داخلی ، به ویژه پرش های روزانه ، اثبات دیگری را ارائه می دهند که واکنش زیر را رخ می دهد.

Corradi et al (2018) با تکیه بر کارهای قبلی توسط Aït-Sahalia (2009) ، یک آزمایش پرش برای فرضیه تهی ایجاد می کند که احتمال پرش صفر است. این آزمایش برای تشخیص پرش در فرآیند تولید داده به جای پرش هایی که واقعاً در یک دوره از پیش تعیین شده اتفاق افتاده است ، در نظر گرفته شده است. بنابراین ، جایگزینی برای آزمایش معمولی در شب در شب ارائه می دهد.

انجمن پرش سهام با سایر کالاها یک پدیده خوب است. به گفته چوی و هموده (2010) ، قیمت بازار به طور کلی در دوره های شاد و نوسانات سایر دارایی ها افزایش می یابد. براساس این تحقیقات ، کالاهایی مانند بازار ارز و طلا تأثیر قابل توجهی بر نوسانات قیمت نفت دارند. نوسانات قیمت نفت خام برای قیمت گذاری دارایی ، مدل سازی نمونه کارها و مدیریت ریسک ضروری است زیرا تأثیر قابل توجهی در ثبات اقتصادی و مالی دارد (بوروی و همکاران 2018). به همین ترتیب ، نگوین و همکاران.(2019) به افزایش ناگهانی قیمت بازار کالاها نگاه کنید و ارزیابی کنید که پرش ها وقایع غیرمعمول و شدید هستند که در بازارهای سهام کمتر اتفاق می افتد. با این وجود ، بسته به بخش کالاها ، همبستگی های پرش در کالاها ممکن است کاملاً قوی باشد. در حالی که کالاهای گوشت و کالاهای نرم به سختی در ارتباط هستند ، اما انرژی ، فلز و غلات روابط محکم را نشان می دهد. بررسی در سراسر انجمن های بازار نشان می دهد که در حالی که می توان جهش ها را گسترش داد ، بازده کالا با بازار مالی همبستگی دارد.

بررسی اینکه آیا جهش های متغیر زمان در شاخص نوسانات بازار نفت (OVX) وجود دارد ، و ارزیابی ظرفیت آن برای پیش بینی واریانس شرطی بازده نفت خام ، دوتا و همکاران.(2020) به دانش موجود در OVX اضافه کنید. با استفاده از یک مدل پرش پرش ، آنها می فهمند که OVX با رفتار پرش مشخص می شود که اغلب با گذشت زمان متفاوت است. علاوه بر این ، با توجه به اینکه رفتار پرش OVX تخمین واریانس شرطی از بازده نفت خام را افزایش می دهد ، یافته ها پیامدهای نظارتی را برای بهبود مدل پیش بینی نوسانات و اقدامات ریسک نشان می دهد زیرا صفات OVX مورد بررسی برای قیمت گذاری دارایی و تجزیه و تحلیل ریسک ضروری است.

ژانگ و همکاران.(2020) با استفاده از یک تست پرش که اخیراً توسعه یافته است ، اندازه مؤلفه پرش را در بازار سهام چین برای اندازه گیری مؤلفه از داده های کنه پر سر و صدا انجام دهید. این آزمایش با نمونه های کوچک به خوبی عملکرد خوبی دارد و به اندازه ها و قدرت های بدون علامت قابل قبول می رسد. از تکنیک آستانه جهانی برای جلوگیری از تشخیص نادرست استفاده می شود. طبق شبیه سازی مونت کارلو ، این آزمایش در محیط های پر سر و صدا بسیار خوب عمل می کند. در همین مدت ، Maneesoontho و همکاران (2020) تجزیه و تحلیل کاملی از آزمایشات پرش قیمت در مورد داده های مالی با پیش پرداخت بالا انجام می دهند. آنها توجه زیادی به نوسانات نوسانات و نویز ریزساختار و همچنین اثرات فرکانس نمونه دارند. مشاهده می شود که پرش ها نقش مهمی در رفتار توزیع بازده دارند.

مشاهده می شود که جدا از سایر قیمت های کالا و اخبار کلان اقتصادی ، شوک های خارجی مانند همه گیر نیز به طور قابل توجهی بر بازارهای سهام تأثیر می گذارد. طبق گفته بیکر و همکاران (2020) ، COVID-19 در مقایسه با موارد قبلی همه گیر بیشترین تأثیر را در بازار مالی داشته است. با توجه به اینکه ویروس جهانی تر شد ، نوسانات بازار سقوط کرد و نوسانات بازار بسیار زیاد شد. علل شامل محدودیت هایی است که بر تجارت و تجارت و فاصله اجتماعی داوطلبانه تحمیل می شود ، که هر دو با تأثیرات قابل توجهی در اقتصاد خدمات محور عمل می کنند.

Kostrzewski و Kostrzewska (2021) بر تخمین قیمت ساعتی در روز قدرت از دیدگاه های پرش تمرکز دارند. آنها با یافته های چندین استراتژی برای پیش بینی پرش در تضاد هستند. آنها با توجه به میزان متغیر زمان وقایع پرش قیمت ، با استفاده از یک عملکرد توزیع دو برابر از اندازه های پرش و عوامل علیت ، از مدل پرش استفاده می کنند تا دقت پیش بینی های قیمت قدرت را افزایش دهند. آنها با استفاده از مدل ورود به سیستم عمومی ، لحظاتی را پیش بینی می کنند که وقایع پرش بر اساس متغیرهای مختلف مانند فصل و آب و هوا اتفاق می افتد. شرایط آب و هوایی ، شدت تجارت و چندین عامل دیگر بر عرضه و تقاضای برق تأثیر می گذارد ، که می تواند منجر به قیمت برق بسیار بی ثبات و پرش ناگهانی شود. ویژگی های قیمت گذاری برق اغلب شامل سطح شدید و نوسانات متغیر زمان است. با این حال ، از آنجا که پیش بینی سنبله های قیمت دشوار است ، پیش بینی هزینه های برق دشوار است.

به همین ترتیب ، اودوسامی (2021) عملکرد پرش را در سری زمانی بازده از اعتماد سرمایه گذاری در املاک و مستغلات (REITS) بررسی می کند. این تحقیق شواهدی از جهش در بازده و نوسانات بازده با استفاده از اندازه گیری دیفرانسیل های درجه دوم سودهای REIT پیشینی بیشتر ارائه می دهد. نشان داده شده است که دیفرانسیل های اندازه پرش ، شیوع و بی ثباتی های تحقق یافته بازده REIT را می توان با استفاده از چندین مدل در داده های پرش توصیف کرد.

باتن و همکاران.(2022) برای تجزیه و تحلیل اثرات نامتقارن تغییرات در نوسانات ضمنی از رگرسیون های کمی استفاده کنید. آنها ارتباط سیال بین بازده بانکهای مهم سیستماتیک جهانی اروپا (GSIB) و شناخته شده ترین شاخص اضطراب بازار ، شاخص نوسانات CBOE را پیدا می کنند. 1 نتایج نشان می دهد که افزایش در VIX در کوارتیل پایین که حاوی بازده نامطلوب شدید است ، کاملاً قابل توجه است. در مقایسه با بحران مالی جهانی (GFC) ، این تأثیر در COVID-19 مشهودتر است.

به همین ترتیب ، چودوری و همکاران.(2022) بررسی کنید که آیا اوراق قرضه طلا و دولت در میان مصیبت ها در هنگام همه گیر مانند COVID-19 ، پناهگاهی را فراهم می کند. این تحقیق به بررسی ارتباطات محدود کننده بین بازده روزانه طلا و اوراق قرضه مستقل کلیدی می پردازد. Apergis و Apergis (2022) از مدل خودکشی تعمیم یافته به صورت ناهمگن (GARCHX) برای تجزیه و تحلیل تأثیر همه گیر Covid-19 در بازده و نوسانات بازار چین استفاده می کنند. براساس نتایج ، افزایش روزانه در تعداد موارد تأیید شده در چین ، همانطور که با تعداد مرگ و میر روزانه اندازه گیری می شود ، تأثیر منفی زیادی بر سود دارد. یافته ها همچنین تأثیر آماری معنادار و مثبت COVID-19 را بر بی ثباتی بازده بازار نشان می دهد.

فری و همکاران.(2022) پدیده پرش دو متغیره را با اطلاعات پیشگویی بالا بررسی کرده و هیچ مدرکی در مورد آلودگی بازار پیدا نکنید. حتی اگر آنها به فواصل زمانی داخلی محدود شوند ، آنها اثرات خوشه بندی پرش قوی را مشاهده می کنند. علاوه بر این ، مشخص شده است که تأثیر مقایسه ای پرش ها بر عدم تناقض ارزش کلی در زمان آرامش بیشتر است که توسط چوی و هموده (2010) نشان داده شده است.

ادبیات مورد بررسی در بالا پیامدهای عمیقی برای قیمت گذاری دارایی ، مدیریت ریسک ، تخصیص پروتئین و ارزیابی مشتقات دارد. با این حال ، در شناسایی شوک های اطلاعاتی ، و نوسانات و بازده در دوره های شوک و غیر شوک وجود ندارد. بنابراین ، این مطالعه با هدف پر کردن شکاف با شناسایی شوکهای اطلاعاتی در بازارهای منتخب آسیایی انجام شده است. این تأثیر نامتقارن شوکهای اطلاعاتی بر بازده سهام و نوسانات یکپارچه را بررسی می کند و واریانس قدرت (BPV) و واریانس Tripower (TPV) را مقایسه می کند تا بتواند یک روش بهتر برای برآورد مؤلفه غیر شوک از تنوع درجه دوم را مشخص کند.

روش شناسی

همانطور که در مقدمه مورد بحث قرار گرفت ، این مطالعه با هدف شناسایی شوک های اطلاعاتی در بازارهای سهام توسعه یافته در آسیا انجام شده است. بنابراین ، از آزمون واریانس مبادله (SWV) روش جیانگ و روش اومن (2008) استفاده می کند تا شوک های اطلاعاتی را در بازارهای عدالت توسعه یافته آسیایی شناسایی کند. این روش صریحاً سر و صدای ریزساختار بازار را در نظر می گیرد و برای مجموعه داده های مشاهدات روزانه کاربرد دارد (Jiang & Zhu 2017). این مطالعه همچنین از مجموعه داده های روزانه برای شناسایی شوک های اطلاعاتی ماهانه استفاده می کند. بنابراین ، رویکرد SWV مناسب ترین آن است.

شرح داده ها

تمرکز این مطالعه فقط بر روی بازارهای توسعه یافته آسیایی طبق طبقه بندی بین المللی مورگان استنلی پایتخت کشورها (MSCI) است. این چهار بازار توسعه یافته آسیایی را تجزیه و تحلیل می کند: شاخص S& P-ASX 200 استرالیا ، Nikkei 225 شاخص ژاپن ، شاخص Hang Seng از هنگ کنگ و NZX 50 شاخص نیوزیلند. ما این چهار بازار را از منطقه توسعه یافته آسیا گنجانده ایم زیرا شاخص های این کشورها در فوریه 2001 یا قبل از فوریه 2001 ایجاد شده است. ما تمام بازارهایی را که شاخص های آنها تا فوریه 2001 تأسیس نشده است حذف کرده ایم. زیرا ما علاقه مند به پوشش دوره های بحران آسیا هستیماین اتفاق در سال 2001 ، 2007-9 ، در طول سال 2015 و غیره رخ می دهد.

داده های روزانه قیمت بازار سهام برای دوره نمونه 20 سال (فوریه 2001 - FEB 2020) جمع آوری می شود و برای شناسایی شوک های اطلاعاتی ماهانه استفاده می شود. تاریخ شروع مبتنی بر در دسترس بودن داده ها است. داده های فهرست روزانه همه این بازارها از فوریه 2001 در دسترس است. بنابراین ، این بازارها در نمونه گنجانده شده است.

شناسایی شوک های اطلاعاتی

روش جیانگ و اومن (2008) واریانس واریانس (SWV) برای شناسایی شوک های اطلاعاتی استفاده می شود. این یک روش غیر پارامتری برای شناسایی شوک های اطلاعاتی است. روش کلی در Eq آورده شده است.(1). فرایند تخمین سپس گام به گام از Eq ارائه می شود.(2) به Eq.(5). در حالی که Eq.(3) (4) (5) ورودی های Eq هستند.(1) ، که به طور جداگانه تخمین زده می شود.

معادله 1 آمار آزمون شناسایی شوک SWV را تحت فرضیه تهی از هیچ شوک ارائه می دهد.

j t = bpv t m - 1 ω ^ swv 1 - rv t swv t ،

جایی که j_tآیا آمار تست شوک اطلاعات SWV به عنوان زمان t است ، اهمیت تقریبی J_tبزرگتر از 1. 645 امتیاز به سمت وقوع شوک در سطح 5 درصد اهمیت.

RV_tآیا نوسانات تحقق یافته در زمان t است و تخمین زده می شود:

rv t = ∑ i = 1 m - 1 (rt i) 2.

BPV_tآیا تغییر قدرتی تحقق یافته است و به عنوان محاسبه می شود

bpv t = π 2 m m - 1 ∑ i = 2 m rt i rt i - 1.

SWV_tواریانس مبادله است و به عنوان

swv t = 2 ∑ i = 1 m rt i - rt i ،

rt i = p n - p o po بازگشت ساده است و rt i = l n pn po بازده لگاریتمی قیمت ها است. PN هزینه امروز است و PO هزینه روز قبل است. M مشاهدات ماهانه را نشان می دهد. در اینجا 22 مشاهده در هر ماه است و در کل کشورها در کل مجموعه داده ها یکسان است تا روند تخمین ساده باشد.

ω ^ SWV به شرح زیر داده شده است:

ω ^ swv = 3. 05 m 3 m - 3 ∑ i = 1 m ∏ k = 0 3 rt i - k 3/2 ،

تعداد کل ماههای داشتن شوک به عنوان مشخص می شود