این مقاله به عنوان بخشی از پاسخ اضطراری بهداشت عمومی کووید-19 به صورت رایگان در دسترس است. این می تواند برای استفاده مجدد از تحقیقات بدون محدودیت و تجزیه و تحلیل در هر شکل و یا به هر وسیله با تصدیق منبع اصلی برای مدت زمان اورژانس بهداشت عمومی استفاده شود.
داده های مرتبط
داده هایی که یافته های این مطالعه را پشتیبانی می کنند در صورت درخواست از نویسنده مربوطه در دسترس هستند. برخی از داده ها به دلیل حریم خصوصی یا محدودیت های اخلاقی در دسترس عموم نیستند.
چکیده
قرنطینه های جهانی از جمله محدودیت های حرکتی در طی همه گیری کووید‐19 بر تجارت مهمان نوازی تاثیر منفی گذاشت و با گسترش معاملات سهام مرتبط مانند سهام مسافرتی و گردشگری. با توجه به مدت طولانی پتانسیل مصون سازی طلا, ما به بررسی اینکه این پتانسیل را می توان به سفر گسترش & سهام گردشگری به منظور پرچین در برابر خطرات ناشی از این بیماری همه گیر در حال حاضر. با استفاده از داده های روزانه از ژانویه 2016 تا جولای 2020 و ساخت بهینه نمونه کارها استراتژی پیدا کنیم که طلا در خدمت به عنوان بسیار قوی پرچین و پناهگاه امن برای سفر & گردشگری سهام به خصوص در دوره همه گیر. این نتیجه گیری گنجاندن طلا در سبد متنوع سهام سفر و گردشگری را به منظور بهبود عملکرد بازده تعدیل شده با ریسک برای سرمایه گذاران در این بخش به ویژه در طی همه گیری کووید‐19 تایید می کند.
1. مقدمه
گسترش مقالات بررسی رابطه بین سهام و فلزات گرانبها, به ویژه طلا, شهادت به علاقه شدید در میان محققان در درک رابطه مصون سازی بین دو دارایی های مالی است. طلا به ویژه یک دارایی مهم و تنوع موثر توسط سرمایه گذاران در نظر گرفته, دانشگاهیان و سیاست گذاران با توجه به برخی از ویژگی های ذاتی دارای (کانور, جنسن, جانسون, & مرسر, 2010; هنریکسن, 2018; ون & چنگ, 2018). این به عنوان یک دارایی مالی/مایع دیده می شود که به راحتی می تواند به پول نقد تبدیل شود و به عنوان یک ذخیره ارزش به عنوان کمک می کند تا در برابر تورم محافظت شود (نگاه کنید به: 2015; بله, چانگ, & گوپتا, 2016 برای بررسی ادبیات). طلا همچنین دارای ارزش های دیگر مانند اقدام به عنوان داوری مالی, سود تنوع و پتانسیل مصون سازی در برابر سهام دلار قیمت و کالاها به عنوان طلا نیز به دلار قیمت (دیدن باور & لوسی, 2010; کوربت, لارکین, & لوسی, 2020; دی, لی, & ژنگ, 2013, بین دیگران) و همچنین اموال پناهگاه امن خود را در طول بار سکوت و متلاطم (دیدن ارفعویی & ردب, 2017; باور & لوسی, 2010; باور & مک درموت, 2010; کاپی, میلز, & چوب, 2005; کوربت و همکاران., 2020; جنسر & موساوغلو, 2014; گوکمنو اوغلو & فضل اللهی, 2015; لو, وانگ, & لای, 2014; ربوردو & اوگاندو, 2014; ربوردو & اوگولینی, 2016; سادورسکی, 2014; سالیسو, ندکو, & اولوکو, 2019). 1 با این حال, برخی از افکار ابراز احتیاط کرده اند, بیان کرد که رفتار سرمایه گذار می تواند اموال مصون سازی طلا به ویژه محدود زمانی که سرمایه گذاری در فلزات گرانبها است که به دلایل سوداگرانه انجام (نگاه کنید به باور & گلاور, 2012).
از لحاظ نظری تحلیل رابطه بین / میان داراییهای مالی ناشی از نظریه پرتفوی مدرن پیشگام مارکوویتز (1952, 1959) است که از چارچوب میانگین واریانس (بازگشت–ریسک) برای تجزیه و تحلیل تصمیمات انتخاب و متنوع سازی پرتفوی استفاده می شود (همچنین نگاه کنید به, ادووی, عودومی, & متروکه, 2019). توجیه این امر اهمیت به حداقل رساندن ریسک است و این باور که نوسانات دارایی یا بی ثباتی بازار به دلیل شرایط اقتصادی مانند چرخه های تجاری و تغییرات تکنولوژیکی در طول زمان در دارایی ها متفاوت است. مدل قیمتگذاری داراییهای سرمایهای بهبودی در نظریه پرتفوی مدرن است و رابطه خطی بین نرخ بازده مورد انتظار یک دارایی و ریسک دارایی را مشخص میکند. این نظریه بیشتر گسترش یافته است تا خطرات موجود در بازار بین المللی را در بر بگیرد که در توسعه مدل قیمت گذاری دارایی های سرمایه بین المللی به اوج خود رسید. این چارچوب به سرمایه گذاران اجازه می دهد تا سرمایه گذاری خود را از دارایی های محلی مانند سهام به دارایی های بین المللی مانند طلا در طول بحران بازار منتقل کنند (ارفعویی و رجب, 2017).
تجزیه و تحلیل رابطه بین طلا و بازده سهام است که جدید نیست (نگاه کنید به عنوان مثال, بشیر & سادورسکی, 2016; باور & لوسی, 2010; باور & مک درموت, 2010; بکمن, برگر, & چداج, 2015; چکیلی, 2016; گرمگرگ ارگنر & ارمنالمış, 2014; رضا, جواد, شهزاد, کومار تیواری, & شهباز, 2016; شهزاد, رضا, بالسیلار, علی, & شهباز, 2017) و بیشتر یافته ها به نفع استفاده از طلا به عنوان پرچین یا پناهگاه امن برای سهام است البته با نتایج متفاوت در سراسر کشورها و دارایی های مالی. به عنوان مثال لوسی و باور (2010) دریافتند که طلا هم به عنوان پرچین و هم به عنوان پناهگاه امن برای سهام ایالات متحده و انگلستان عمل می کند اما نه برای المان. باور و مک درموت (2010) همچنین شواهدی از مصون سازی و پناهگاه امن بالقوه برای اروپا و ایالات متحده اما نه برای استرالیا, کانادا, ژاپن و کشورهای بریک. در این میان تنها مطالعات اندکی نشان داده اند که طلا نه پرچین است و نه پناهگاه امنی. برای مثال, شارلوت و ماریموتو (2014) ایجاد که نفت به جای طلا یا اوراق قرضه, هجز سهام بهترین در بازارهای نوظهور. ادعای مشابهی در بشیر و سادورسکی (2016) گزارش شده است اما شهزاد, بوری, روبو, و کریستوفک (2020) نتایج برتر طلا را در مقایسه با پتانسیل پوشش و پناهگاه امن بیت کوین و طلا برای سهام کشورهای گروه 7 پیدا می کنند.
پس از این پس زمینه, پیشنهاد ما برخی از تجزیه و تحلیل اولیه در بخش 2 برای تعیین مدل مناسب برای تجزیه و تحلیل; در بخش 3, ما ارزیابی نسبی مصون سازی اثربخشی طلا برای سفر & گردشگری سهام برای به حداقل رساندن خطرات ناشی از این بیماری همه گیر در حالی که بخش 4 نتیجه گیری مقاله.
2. داده ها و پیش تست ها
ارقام توصیفی با استفاده از بازده سری 4 از دو متغیر در جدول جدول 1 خلاصه شده است. 1 . ارقام در نظر گرفته شده شامل میانگین, بیشترین, کمترین, انحراف معیار, چولگی و کورتوز (جدول جدول را ببینید 1). 1 ). میانگین ارقام خلاصه نشان دهنده میانگین مثبت بازده سهام طلا در نمونه های داده است در حالی که میانگین بازده سهام سفر و گردشگری فقط قبل از ظهور کووید‐19 مثبت است اما در دوره همه گیری منفی است. میانگین مثبت بازده طلا می تواند نشان دهنده بهبود عملکرد متوسط در طول همه گیری کووید‐19 باشد در حالی که بخش مسافرت و گردشگری از زمان شیوع کووید‐19 شاهد کاهش کلی عملکرد سهام خود بوده است.
جدول 1
بازده سهام طلا و مسافرت و گردشگری
| طلا | مسافرت و گردشگری | |||||
|---|---|---|---|---|---|---|
| کامل | پیش کووید | کووید | کامل | پیش کووید | کووید | |
| میانگین | 0.0514 | 0.0309 | 0.1877 | 0.0068 | 0.0260 | −0.1320 |
| حداکثر | 5.6010 | 4.4087 | 5.6010 | 11.494 | 8.796 | 11.494 |
| حداقل | −4.7462 | −3.3844 | −4.7462 | −13.400 | −13.378 | −13.400 |
| انحراف معیار | 0.8675 | 0.7484 | 1.4305 | 1.9494 | 1.5227 | 3.7239 |
| چولگی | 0.3399 | 0.2559 | 0.1358 | −1.0936 | −1.6538 | −0.3628 |
| کورتوز | 9.3228 | 6.5504 | 6.4462 | 15.425 | 17.090 | 5.7785 |
توجه: سری بازگشت به عنوان بازگشت ورود به سیستم است که به عنوان 100 * ورود( ها تعریف محاسبهt/ بازدید کنندگانتی-1) کجاtداده های قیمت/شاخص را در دوره نشان می دهد تی .
انحراف استاندارد که معیاری برای اندازهگیری میزان نوسانات در سریهای زمانی است نشان میدهد که سهام سفر و گردشگری در مقایسه با سه نمونه داده در نظر گرفته شده بیثباتتر از طلا است اگرچه نوسانات این دو سری در طول همهگیری کووید‐19 بیشتر از دوره قبل است. علاوه بر این, در حالی که سفر & سهام گردشگری منفی اریب, طلا مثبت اریب است. هر دو سری نیز لپتوکورتیک هستند که نشان می دهد دم سنگینی دارند. نمودار نشان داده شده در شکل شکل 1 1 حرکت مشترک بین دو سری بازگشت را نشان می دهد.
همبستگی بین شاخص های سهام طلا و سفر و گردشگری [شکل رنگ را می توان در wileyonlinelibrary. com]
در ادامه برخی از پیش تست ها را برای تعیین مدل مناسب برای محاسبه وزن بهینه و جیره های مصون سازی بهینه انجام می دهیم. این تست ها شامل همبستگی سریال و تست های هتروسداستیسیته شرطی است. تست همبستگی سریال با استفاده از داده های لیونگ ‐باکس کیو انجام شده و از تست قوس‐ال-ام برای ارزیابی هتروسداستیسیته شرطی استفاده شده است. همچنین تست عدم تقارن را با استفاده از تست علامت انگل و نانوگرم (1993) و تست سوگیری [انگل–نانوگرم از این پس] و همچنین تست همبستگی شرطی ثابت با استفاده از تست انگل و شپرد (2001) انجام میدهیم. پیش تست ها در سه نمونه داده انجام می شود و نتایج خود را در جدول جدول 2 2 خلاصه شده است .
جدول 2
تست های هتروسداستیسیته شرطی, خود همبستگی و عدم تقارن
| نمونه کامل | نمونه قبل از کووید | نمونه کووید | ||||
|---|---|---|---|---|---|---|
| طلا | گردشگری | طلا | گردشگری | طلا | گردشگری | |
| صفحه 2 الف: تست های هتروسداستیسیته شرطی و خودهمبستگی | ||||||
| طاق لمسی (5) | 23.82*** (0.00) | 32.12*** (0.00) | 5.20*** (0.00) | 0.53 (0.76) | 4.39*** (0.00) | 4.16*** (0.00) |
| طاق لمسی (10) | 19.25*** (0.00) | 20.17*** (0.00) | 2.79*** (0.00) | 0.66 (0.76) | 3.00*** (0.00) | 2.74*** (0.00) |
| پوند (5) | 2.87 (0.58) | 6.82 (0.15) | 1.71 (0.79) | 2.61 (0.70) | 1.64 (0.80) | 5.12 (0.28) |
| پوند (10) | 12.23 (0.20) | 43.40*** (0.00) | 7.68 (0.57) | 8.91 (0.45) | 15.34* (0.08) | 19.23** (0.02) |
| پوند 2 (5) | 168.3*** (0.00 | 261.4*** (0.00) | 24.84*** (0.00) | 2.78 (0.73) | 29.45*** (0.00) | 35.68*** (0.00) |
| پوند 2 (10) | 380.3*** (0.00) | 434.0*** (0.00) | 27.99*** (0.00) | 6.89 (0.74) | 63.48*** (0.00) | 57.64*** (0.00) |
| قاب 2 ب: تست عدم تقارن و تست سی سی سی | ||||||
| تعصب علامت | 1.061 (0.289) | 1.054 (0.292) | 0.840 (0.401) | 1.270 (0.205) | 1.150 (0.252) | 1.318 (0.190) |
| سوگیری منفی | 1.295 (0.195) | 0.466 (0.641) | 2.200** (0.028) | 0.340 (0.734) | 0.893 (0.373) | 0.606 (0.546) |
| تعصب مثبت | 0.244 (0.807) | 0.412 (0.681) | 1.511 (0.131) | 2.304** (0.021) | 0.159 (0.874) | 1.144 (0.255) |
| تعصب مشترک | 2.279 (0.517) | 1.118 (0.773) | 7.511* (0.057) | 5.547 (0.136) | 1.922 (0.589) | 2.091 (0.553) |
| تست | 0.0171 (0.992) | 0.007 (0.997) | 0.120 (0.942) | |||
توجه داشته باشید: تست ال ام قوس به تست انگل (1982) برای هتروسداستیسیته شرطی اشاره دارد در حالی که پوند و پوند 2 به ترتیب حاکی از تست های جعبه لیونگ برای همبستگی های مربوط به باقیمانده های استاندارد شده در سطوح و باقیمانده های استاندارد مربع است. تست شایگان انگل و شپرد است (2001) سی سی سی χ 2 2 تست; مقادیر داخل پرانتز نشان دهنده ارزش احتمال محاسبه. * ,**, و * * * علامت گذاری اماری را به ترتیب در سطوح 10%, 5% و 1% نشان دهید.
تست های قوس-قوس نشان می دهد که دو سری بازگشتی در بین سه نمونه داده هتروسداستیسیته شرطی از خود نشان می دهند و بنابراین محاسبه اثرات قوس در فرایند تخمین مطلوب است. به همین ترتیب تستهای همبستگی سریال لژونگ–باکس اهمیت ویژه ای را به ویژه در نمونه داده کووید‐19 نشان می دهد. بنابراین حسابداری برای پویایی بیشتر در مدل تجربی برای بهبود خوبی تناسب ضروری است. همچنین نتایج حاصل از تست انگل–نانوگرم برای نمونههای کامل و کووید معنادار نیست. این بدان معنی است که هیچ شواهدی از اثرات نامتقارن قابل توجهی در بازده سهام طلا و مسافرت و گردشگری برای هر دو نمونه کامل و کووید وجود ندارد. با این حال طلا اثرات نامتقارن مشترک و منفی قابل توجهی از خود نشان می دهد در حالی که مجموعه سفر و گردشگری شواهدی از سوگیری نامتقارن مثبت را در نمونه پیش از کووید نشان می دهد. در نهایت عدم اهمیت تست انگل-شپرد در سه نمونه داده شواهدی از همبستگی شرطی ثابت بین دو سری فراهم می کند. در نتیجه ما وارما‐سیسیسی‐گارچ 5 را نسبت به سایر نمونههای فول و کووید ترجیح میدهیم در حالی که نوع نامتقارن برای نمونه پیش کووید ترجیح داده میشود.
3. مدل و تجزیه و تحلیل تجربی
3.1. مدل
این مطالعه از مدل وارما‐سی سی سی گارچ پیشنهاد شده توسط لینگ و مک کالیر (2003) با تکیه بر نتیجه پیش تست های رسمی گزارش شده و مورد بحث در بخش 2 استفاده می کند. 6 مدل وارما‐سی سی سی گارچ یکی از ابزارهای برجسته برای مدل سازی وابستگی های متقابل بین سری های زمانی مالی با یا بدون اثرات شوک نامتقارن بوده است (نگاه کنید به المدید, کاپورال, اسپاگنولو, & اسپاگنولو, 2017; سالیسو & موبولاجی, 2013; سالیسو و اولوکو, 2015یا, 2015ب). این مدل معادلات میانگین شرطی و واریانس شرطی را در یک چارچوب دو متغیره مشخص می کند که هر دو سرریز بازده, شوک و نوسانات ارزیابی می شوند. میانگین معادلات این دو سری به صورت زیر بیان می شود:
جایی که رtاست برای سری بازگشت; den نشان دهنده شرایط ثابت; is است برای ضرایب عقب مانده خود بازده;; دلالت بر ضرایب عقب مانده متقابل بازده و اقدامات سرریز متقابل بازگشت بین دو بازار;;tبرای خطاهای توزیع شده یکسان است در حالی که نسخه های فرعی به ترتیب نشان دهنده طلا و سفر و گردشگری هستند. از سوی دیگر معادله واریانس شرطی که محاسبه اثر نوسانات و سرریز شوک بین دو کلاس دارایی را فراهم میکند به ترتیب در معادلات (3) و (4) برای بازده سهام طلا و گردشگری مشخص شده است:
h t gld = c gld + α 1 gld ε t − 1 gld 2 + α 2 gld ε t − 1 tsm 2 + β 1 gld h t − 1 gld + β 2 gld h t − 1 tsm ,
h t tsm = c tsm + α 1 tsm ε t − 1 tsm 2 + α 2 tsm ε t − 1 gld 2 + β 1 tsm h t − 1 tsm + β 2 tsm h t − 1 gld .
معادلات واریانس شرطی نشان می دهد که واریانس شرطی برای هر سری به مقادیر و ابداعات گذشته فوری و همچنین مقادیر و ابداعات گذشته از کلاس دارایی دیگر بستگی دارد. بدین ترتیب, اثرات سرریز شوک و نوسانات بین دو سری بازگشت به ترتیب به عنوان اندازه گیری as2و β2جایی که از نسخه های فرعی برای شناسایی سریال مورد نظر استفاده می شود. کوواریانس شرطی به صورت زیر بیان می شود:
جایی که G جی تی همبستگی ثابت مشروط بین دو سری است که جی تی به طور مشخص نشان دهنده طلا ( گرم) و سفر و گردشگری ( تی) است. روش تخمین و همچنین خصوصیات ساختاری و ساختاری مدل که شرایط لازم و کافی را فراهم می کند در لینگ و مک کالیر (2003) فراهم شده است (همچنین نگاه کنید به سالیسو و اولوکو, 2015, 2015ب). از روش های تشخیصی پس از تخمین مربوطه مانند امار جعبه لیونگ و امار مک لود‐لی برای بررسی اینکه پویایی ذاتی این مجموعه به اندازه کافی در روند تخمین ثبت شده است استفاده می شود. مدل تخمین زده شده زمانی قوی است که فرضیه های صفر هر دو داده های لیونگ باکس و مک لود لی رد نشوند. نتایج ارزیابی شده در بخش بعدی مورد بحث و بررسی قرار می گیرد.
3.2. بحث در مورد نتایج
جدول 3
نتایج تخمین مدل های وارما‐سی سی سی-گارچ و اگارچ
| متغیرها | نمونه کامل | قبل از کووی د-19 | در طول کووید-19 |
|---|---|---|---|
| معادله میانگین | |||
| φ1 | 0.0250 * (0.0150) | 0.0440 *** (0.0000) | 0.0379 (0.0858) |
| φ2 | 0.0496 (0.0354) | 0.0026 (0.7343) | 0.2194 *** (0.0000) |
| ϕ1 | −0.0089 (0.0205) | −0.0146 (0.1994) | 0.0228 (0.1093) |
| ϕ2 | 0.0236 (0.0310) | 0.0438 *** (0.0000) | 0.0245 (0.5423) |
| θ1 | 0.0426 *** (0.0125) | 0.0391 *** (0.0000) | −0.0218 ** (0.0361) |
| θ2 | 0.1923 *** (0.0621) | 0.2024 *** (0.0000) | −0.2237 *** (0.0003) |
| معادله واریانس | |||
| c1 | 0.1490 *** (0.0000) | 0.1626 *** (0.0000 | 0.0356 *** (0.0000) |
| c2 | −0.6966 *** (0.0000) | 1.0044 *** (0.0000) | 0.3140 *** (0.0000) |
| α11 | -0.0043 (0.2543)ر | −0.0394 *** (0.0000) | 0.0333 *** (0.0000) |
| α22 | 0.1157 *** (0.0000) | 0.0947 *** (0.0000) | 0.1104 *** (0.0000) |
| α12 | 0.0183 *** (0.0000) | 0.0309 *** (0.0000) | 0.0209 *** (0.0000) |
| α21 | 1.3600 *** (0.0000) | 1.5085 *** (0.0000) | 0.6226 *** (0.0000) |
| β11 | 0.6058 *** (0.0000) | 0.4725 *** (0.0000) | 1.0040 *** (0.0000) |
| β22 | 0.2824 *** (0.0000) | 0.3614 *** (0.0000) | 0.8220 *** (0.0000) |
| β12 | 0.0248 *** (0.0000) | 0.0356 *** (0.0000) | −0.0270 *** (0.0000) |
| β21 | 2.6603 *** (0.0000) | −0.7823 *** (0.0000) | −0.1948 *** (0.0000) |
| γ1 | 0.0027 (0.8416) | ||
| γ2 | 0.0080 *** (0.0000) | ||
| ρ12 | −0.1170 *** (0.0000) | −0.0659 *** (0.0020) | −0.2141 *** (0.0000) |
| تشخیص مدل | |||
| ایک | 6.315 | 5.835 | 8.770 |
| سی بی سی | 6.390 | 5.929 | 9.104 |
| هانان-کوین | 6.343 | 5.871 | 8.771 |
توجه: پارامترهای معادلات میانگین و واریانس همانطور که در مدل داده شده در معادلات تعریف شده است (1), (2), (3), (4)); زیرنویس های 1 و 2 به ترتیب بازده سهام طلا و سفر و گردشگری را نشان می دهند. مقادیر داخل پرانتز مقادیر احتمال محاسبه شده را نشان می دهد.
همچنین اثرات سرریز نوسانات ثبت شده در معادله واریانس در صفحه پایینی جدول جدول 3 خلاصه شده است. 3 . نتایج نشان می دهد که تمام پارامترها از جمله اصطلاحات قوس ((11, α12, α21و α22) و اصطلاحات گارچ ((11, β12, β21و β22) به ویژه برای نمونه کووید قابل توجه است. اثر شوک خود برای بازده طلا ((11) قبل از همه گیری منفی و از نظر اماری قابل توجه است در حالی که در طول همه گیری مثبت و قابل توجه است. اساسا در حالی که بازده طلا پاسخ منفی به قبلی خود شوک قبل از وقوع کووید‐19 همه گیر پاسخ مثبت در طول دوره همه گیر است. از سوی دیگر, برای سفر & سهام گردشگری, پاسخ شوک خود ( response22) در سه زیر نمونه دوره مثبت و قابل توجه است. سرریز شوک بین بازار بین طلا و سهام سفر و گردشگری ( α12, α21) نشان می دهد که نوسانات شرطی فعلی برای هر یک از بازارها به طور قابل توجهی به شوک های گذشته فوری از بازار دیگر بستگی دارد. علاوه بر این, نشانه های مشابه و مثبت برای هر دو بازار در سراسر سه نمونه دوره در نظر گرفته.
همانطور که انتظار می رود, انتقال خود نوسانات برای هر دو بازار ((11, β22) مثبت و قابل توجه است. با این حال, نتایج حاصل از سرریز نوسانات متقابل ( effects12, β21) مخلوط می شوند اگرچه همه از نظر اماری قابل توجه هستند. ما دریافتیم که ارزش گذشته فوری نوسانات طلا بر نوسانات فعلی سهام سفر و گردشگری قبل و در طی همه گیری کووید‐19 تاثیر منفی می گذارد. این امر نیازمند اعتبارسنجی پتانسیل هجینگ و پناهگاه امن طلا است که نوسانات بالاتر در بازار طلا باعث کاهش نوسانات در بخش سفر و گردشگری در دوره های سکون (قبل از کووید) و بحران (کووید) می شود. اگرچه نشانه سرریز متقابل بخش سفر و گردشگری در طول همه گیری منفی است اما در محافظت در برابر خطرات در هنگام بحران کمتر موثر است. به همین ترتیب بر خلاف طلا نشانه مثبتی که برای بازار مسافرتی و گردشگری در دوره پیش از کووید حاصل شد نشان دهنده پتانسیل ضعیف این بازار در تامین حفاظت حتی در دوره های سکون است. در نهایت نتیجه تجزیه و تحلیل بازگشت و نوسانات در مورد انتخاب نمونه های داده برای تجزیه و تحلیل هجینگ احتیاط می کند. از همه مهمتر اینکه نمونه کووید باید هنگام مدل سازی انتقال بازده و نوسانات با توجه به شواهد متضاد بین دوره های قبل از کووید و کووید به طور واضح تجزیه و تحلیل یا محاسبه شود.
از لحاظ اثر شوک نامتقارن 7 که فقط در پیش تست برای تخمین پیش کووید ایجاد شده است, نتایج نشان می دهد که شواهدی از اثرات شوک نامتقارن مثبت برای هر دو بازار وجود دارد اما فقط از نظر اماری برای بازار مسافرتی و گردشگری با توجه به ارزش ص is2. در جایی که قابل توجه است به این معنی است که شوک منفی ممکن است نوسانات بیشتری نسبت به شوک مثبت با همان اندازه ایجاد کند. ما در ادامه برخی از تشخیص های پس از تخمین را با استفاده از امار جعبه لیونگ و مک لود لی همانطور که قبلا بحث شد انجام می دهیم. تست های تشخیصی خلاصه شده در جدول جدول 4 4 کفایت پویایی مدل را تایید می کند. نتایج حاصل از تست لژونگ–باکس نشان می دهد که فرضیه صفر عدم همبستگی سریال قابل رد نیست و به همین ترتیب کفایت اصطلاحات قوس و گارچ توسط تست مک لود-لی پشتیبانی می شود که نشان می دهد هیچ اثر قوس و گارچ باقی مانده در مدل وجود ندارد. به عبارت دیگر اجازه دادن به ترتیب تاخیر یک در معادلات میانگین و واریانس برای گرفتن دینامیک ذاتی در مدل کافی است و افزایش(کاهش) ترتیب تاخیر ممکن است منجر به برازش مدل بیش از(زیر)شود.
جدول 4
تشخیص تخمین پست
| نمونه کامل | قبل از کووی د-19 | در طول کووید-19 | ||||
|---|---|---|---|---|---|---|
| طلا | گردشگری | طلا | گردشگری | طلا | گردشگری | |
| لیونگ جعبه س (2) | 0.2315 (0.8097) | 0.2386 (0.8875) | 0.2903 (0.8649) | 0.0169 (0.9916) | 0.6573 (0.7199) | 1.2044 (0.5476) |
| لیونگ جعبه س (5) | 0.7261 (0.9815) | 1.1835 (0.9464) | 1.1661 (0.9481) | 1.5028 (0.9127) | 2.7782 (0.7341) | 2.2363 (0.8156) |
| مک لود-لی (2) | 0.0164 (0.9918) | 0.4534 (0.7971) | 2.1370 (0.3435) | 0.2556 (0.8800) | 0.0029 (0.9988) | 0.1315 (0.9364) |
| مک لود-لی (5) | 0.2971 (0.9977) | 1.1347 (0.9510) | 4.8004 (0.4407) | 0.7363 (0.9809) | 0.3567 (0.9964) | 1.3149 (0.9334) |
توجه: تست های لیونگ باکس و مک لود به ترتیب برای همبستگی سریال و هتروسداستیسیته شرطی باقی مانده از سفارشات 2 و 5 برای اهداف استحکام فراهم می کنند.
