این تحقیق با هدف شناسایی ارتباط نوسانات فرامرزی بین ارزهای مختلف در بازار ارز با توجه به فرکانس های مختلف نمونه برداری انجام شده است. یازده جفت ارز در نمونه گنجانده شده است که دوره ای از 2009 تا 2020 را پوشش می دهد. ارتباط نوسانات در میان این نرخ ارز انتخاب شده با استفاده از یک مدل ور-بک-گارچ چند متغیره مورد بررسی قرار گرفت. نتایج نشان می دهد که پیوندهای نوسان در میان ارزهای نمونه برداری شده در شرایط فرکانس بالاتر بسیار قوی تر است. قابل توجه است که نتایج نشان می دهد که ارزهای اصلی نقش مهمی در انتقال نوسانات ندارند. این یافته در مقایسه با نتایج روزانه و روزانه بیشتر مشهود است.
کار بر روی یک مقاله?
مقدمه
یکی از مهمترین موارد برای معامله گران و بالاتر برای سیاستگذاران شکل انتقال نوسانات در بازارهای جهانی ارز است زیرا ارتباط شدید نوسانات بین چندین بازار ممکن است باعث مزایا و معایبی در کنار هم شود. به خصوص, حضور انتقال نوسانات در بازارهای ارز در معرض ابتلا به فرصت های مصون سازی محدود است, با این حال ممکن است به ترتیب صحنه را برای سود تجاری احتمالی سوداگرانه مجموعه.
با توجه به دیدگاه یک سیاستگذار بحثهای جاری در مورد تاثیر مداخله بانک مرکزی بر نوسانات نرخ ارز وجود دارد. برخی مطالعات ادعا می کنند که این مداخلات یا افزایش, و یا هیچ تاثیری بر نوسانات (دومینگز, 2003; برادرچر, 2006; راجرز & سیکلوس, 2003), در حالی که دیگران سند کاهش نوسانات (کیم و همکاران., 2000; کیومین & کیان, 2017). در این رابطه, تجزیه و تحلیل انتقال نوسانات بین ارزهای برای مقامات بانک مرکزی بسیار مهم است, به عنوان نتایج ممکن است در تدوین و فرموله تصمیم گیری های خود مفید.
مطالعات متعدد در سرریز نوسانات در بازارهای ارز جهانی وجود دارد, با داستان های مختلف محصور (کوسندا & موراوکووا, 2019; پاندا و همکاران., 2019; سالیسو و همکاران., 2018; کنورگیوس و همکاران., 2015; بوباک و همکاران., 2011, کیتامورا, 2010; چانگ & تیلور 2003). با این وجود مجموعه داده های نمونه در اکثر این موارد محدود به ارزهای اصلی بود و به طور کلی تعاملات بین ارزهای اصلی و فرعی را نادیده گرفت. علاوه بر این, در اکثر مطالعات بررسی دینامیک نوسانات که فرکانس های مختلف استفاده, نمونه به یک یا تعداد کمی از ارزهای محدود شد (سیمان و همکاران., 2011; گوا & هوا, 2007; ملوین & ملوین, 2003). برعکس, باکلاچی و همکاران. (2020) سعی کنید تاثیر معاملات بازار سهام بر نوسانات بازار ارز را شناسایی کنید در حالی که تعاملات بین ارزهای اصلی و فرعی را در نظر بگیرید و تنوع یافته ها را در مورد فرکانس های مختلف نمونه گیری تجزیه و تحلیل کنید. با این حال, از مطالعه زیر نمونه ها بر اساس عامل و غیر عامل ساعت از سه بازار عمده سهام (توکیو, لندن و نیویورک), نوسانات ارتباط میان نمونه ارز در حال تجزیه و تحلیل با استفاده از نمونه های گسسته به نمایندگی از بازار سهام جلسات. این رویکرد جریان مداوم اطلاعات بین ارزها را مخدوش می کند اما تاثیر معاملات بازار سهام بر بازار ارز را متمایز می کند. همچنین در نتیجه نمونههای فرعی گسسته از فرکانسهای نمونهگیری بالاتری برای ارضای تعداد مشاهدات مورد نیاز برای یک تخمین عملی استفاده شده است.
در این رابطه, ادبیات هنوز فاقد یک مطالعه ترکیبی استقبال از اثرات سرریز نوسانات در میان ارزهای مختلف با توجه به فرکانس های مختلف نمونه برداری.
این مطالعه خاص با هدف پر کردن این شکاف با تشخیص الگوهای سرریز نوسانات در میان یازده جفت ارز, که, به نظر ما, نشان دهنده تعداد گسترده ای از جفت ارز. یکی دیگر از ویژگی های منحصر به فرد مجموعه داده این است که از ارزهای اصلی و کوچک و عجیب و غریب تشکیل شده است. علاوه بر این, انتقال نوسانات در میان یازده جفت ارز با به کارگیری فرکانس های مختلف نمونه برداری مورد بررسی قرار: یعنی روزانه, 30-دقیقه و 15 دقیقه داده ها. دوره نمونه از 1 ژانویه 2009 تا 31 دسامبر 2020 است. از داده های روزانه برای نمونه را می توان به ابتدای ترسیم 2009, در دسترس بودن داده ها علت اصلی برای تعریف این دوره نمونه است. در نتیجه مجموعه داده ها شامل تعداد کافی مشاهدات برای تجزیه و تحلیل نوسانات بین ارز است.
سوالات تحقیق مطالعه را می توان به طور خلاصه به شرح زیر خلاصه کرد:
نقش اصلی ارزهای اصلی و فرعی در فرایند انتقال نوسانات چیست? کدام یک از ارزهای نمونه نقش فرستنده نوسانات در فرکانس های مختلف نمونه برداری بازی?
یک تغییر در تعداد یک طرفه وجود دارد/ارتباط نوسانات دو طرفه که فرکانس های مختلف روزانه به کار می شوند?
یادداشت مقاله به شرح زیر تنظیم شده است: بخش بعدی شامل بحث مختصری در مورد ادبیات مربوطه است. بخش سوم شامل بحث در مورد داده ها و روش شناسی و سپس تفسیر یافته های تجربی است. بخش پایانی یادداشت ها را تکمیل می کند.
بررسی ادبیات
به موازات افزایش اهمیت ظاهرا بازار ارز, نوسانات ارز تبدیل به یک موضوع نگرانی, به ویژه برای مقامات پولی و سرمایه گذاران بین المللی به دنبال تنوع خطر. به تازگی, مطالعات گسترده به بررسی ادغام و اثر سرریز بازار ارز برای توسعه و همچنین برای اقتصادهای در حال ظهور اختصاص داده شده است (گرین وود-نیمو و همکاران., 2016; کوسندا & موراوکووا, 2019; پاندا و همکاران., 2019; سالیسو و همکاران., 2018).
مطالعات قبلی در مورد سرریز نوسانات در بازارهای ارز نتیجه گیری های متنوعی را انجام داد. شواهدی در سرریز نرخ ارز قابل توجهی وجود دارد (سیاه & مک میلان, 2004; کارنی & پاتون, 2000) و همچنین سرریز نامتقارن در میان ارزهای انتخاب شده (بورو و همکاران., 2011). بخصوص, شواهد قوی برای افزایش نوسانات طولانی مدت در دوره های پس از بحران وجود دارد (کول, 2006; لو & دیوید, 2014; گروبی, 2015). نتایج برخی از مطالعات اخیر در مورد سرریز نوسانات را می توان به شرح زیر خلاصه کرد:
اوزر ایمر و اوزکان (2014) داده های روزانه 16 ارز را در طول بحران مالی جهانی 2008-2009 با استفاده از تخمین های دو مرحله ای در نظر می گیرند. کنورگیوس و همکاران. (2015) بررسی تاثیر اطلاعیه های بانک مرکزی در سرریز نوسانات بین یورو, پوند انگلیس و Japanese ژاپن. نتایج نشان می دهد افزایش نوسانات انتقال از یورو به Y در طی اعلامیه های بانک مرکزی اروپا و افزایش نوسانات از پوند به یورو در طی اعلامیه های بانک مرکزی اروپا. بکیروس (2014), لاو و شنگ (2018), و جین و سهگال (2019) همه استدلال می کنند که بازارهای عمده فارکس و سهام پس از بحران های مالی به صورت غیر خطی ادغام می شوند.
برخی مطالعات نشان می دهد که عوامل مختلف ممکن است توضیحی برای انتقال نوسانات در بازارهای فارکس باشد. اطلاعیه های خبری برنامه ریزی شده برای توضیح انتقال نوسانات تا حدی (گوا و هوا, 2004); در حالی که اطلاعیه سود سه ماهه توسط بانک های مرکزی (کنورژیوس و همکاران., 2015), جریان سفارش به عنوان خریدار شروع معاملات خالص از فروشنده شروع معاملات در بازارهای فارکس (کیتامورا, 2010), عدم قطعیت نرخ ارز (کاپوراله و همکاران. و مداخلات کلامی در بازارهای فارکس (دیواچر و همکاران., 2014) به طور قابل توجهی انتقال نوسانات را تحت تاثیر قرار. لاکونن (2014) اهمیت فیلتر کردن تناوب روزانه نوسانات برای جلوگیری از نتایج مغرضانه و همچنین اهمیت روش فیلتر انتخابی در تجزیه و تحلیل تاثیر اخبار در بازارهای ارز را برجسته می کند.
اکثر مطالعات اخیر (لابورد و اولمو, 2021; هونگ و وو, 2021; ژانگ و هاموری, 2021; بالسیلار و عثمان, 2021) با استفاده از رویکرد دیبولد-ییلماز سرریز نوسانات را در بازارهای مالی و ابزارهای همه گیر کووید-19 بررسی کرده اند (2012).
دیبولد و ییلماز (2012) یک شاخص سرریز نوسانات را برای بررسی مکانیسم انتقال بین بازارهای مالی و ابزارهای مختلف ایجاد کرده اند. اگرچه تجزیه واریانس خطای پیش بینی با رویکرد دیبولد و ییلماز به عنوان یک نوع مدل بک کی-گارچ در نظر گرفته می شود اما تجزیه واریانس خطای پیش بینی با نظم متغیر ثابت نیست. بدین ترتیب رویکرد ایشان به عنوان چارچوب بهتری در جذب سرریزهای نوسان نامتقارن در نظر گرفته میشود.
با توجه به فراوانی داده ها, استقرار داده های روزانه ارزشمند است نه تنها به درک الگوهای در روز, بلکه برای بهبود تخمین نوسانات در افق های مختلف (اندرسن و همکاران., 2000). به عبارت دیگر, داده های فرکانس بالا می تواند منجر به اندازه گیری دقیق نوسانات شود, و از این رو در افزایش کارایی (بولرسلو و رایت, 2000). در مطالعات مختلف (باب ارمک و همکاران., 2011; ملوین و ملوین, 2003), داده های بسیار با فرکانس بالا برای حمایت از شواهد سرریز قابل توجه نوسانات در بازارهای فارکس استفاده می شود.
این مطالعه با هدف شناسایی ارتباط نوسانات جهانی بین یازده ارز در بازار ارز با توجه به فرکانس های مختلف نمونه برداری و در عین حال حسابداری برای هر دو تداوم نوسانات در ارزها و همچنین اثرات سرریز نوسانات بین ارزها انجام شده است.
مطابق با سوالات تحقیق مورد بحث در بالا, این مطالعه منجر به ادبیات فعلی در دو جنبه عمده: اولا, با بهره گیری از یک مجموعه داده گسترده برای مقایسه و کنتراست مکانیسم انتقال نوسانات در میان ارزهای اصلی و فرعی به طور همزمان. این رویکرد در مطالعات قبلی تا حد زیادی نادیده گرفته شده است زیرا اکثر مطالعات عمدتا از ارزهای اصلی در نمونه خود استفاده کرده اند. در مرحله دوم, هر دو داده روزانه و روزانه مورد استفاده برای تشخیص اگر تعویض از پایین تر به فرکانس بالاتر عملکرد داده نتایج متمایز در مکانیسم سرریز نوسانات.
به منظور درک ارتباط نوسانات مرزی در بازار ارز, در مجموع یازده ارز, از جمله عمده, ارزهای کوچک و عجیب و غریب, در مجموعه داده مورد استفاده قرار گرفت. دوره نمونه از 1 ژانویه 2009 تا 31 دسامبر 2020 است. همانطور که در مقدمه نشان داد, از داده های روزانه برای همه ارزهای نمونه شروع از ژانویه 2009, پنجره نمونه می کند داده ها قبل از را شامل نمی شود 2009. بعلاوه, این دوره نمونه تعریف شده اجازه می دهد تا ما را به جلوگیری از بحران بحران جهانی در 2007 و 2008, مشهود توسط نوسانات پربرکت در تمام بازارهای مالی, که نتایج تحریف. متناسب با سوال تحقیق برای تشخیص اینکه انتقال نوسانات با داده های فرکانس بالاتر افزایش می یابد, روزانه, مشاهدات 30 دقیقه ای و 15 دقیقه ای انتخاب می شوند. منطق برای انتخاب 30 - و 15 دقیقه فرکانس برای نمونه روزانه محبوبیت خود را در میان بانک های سرمایه گذاری و حرفه ای است. بالاترین فرکانس داده شامل مشاهدات 15 دقیقه ای 3009622 نقطه داده دارد که برای انجام تجزیه و تحلیل های مورد نیاز به اندازه کافی بزرگ است.
همانطور که در بالا نشان داد, نمونه شامل عمده, ارزهای کوچک و عجیب و غریب. جفت ارزهای اصلی عبارتند از: یورو/دلار امریکا, پوند انگلیس/دلار/دلار امریکا, دلار/Japanese ژاپن, دلار/فرانک سوییس (دلار), و دلار / دلار کانادا (دلار کانادا). جفت ارز های کوچک عبارتند از: دلار استرالیا/دلار نیوزیلند/دلار نیوزیلند/دلار امریکا/کرون نروژ/دلار/کرون نروژ (دلار) و دلار امریکا / کرون کرون (دلار هنگ کنگ) و دلار / پزوی مکزیک ().
اگرچه برخی از اختلافات کوچک از نظر در طبقه بندی نوع ارز وجود دارد, طبقه بندی ارز مورد استفاده در مطالعه در سازگار با طبقه بندی از اکثریت منابع وب برجسته فارکس از جمله انجام finance. yahoo. com, Forextraders. com و ارز قاره ای. همچنین طبقهبندی ارزی ما با رتبهبندی ارزهای بانکی برای تسویه حسابهای بینالمللی بر اساس حجم معاملات انها مطابقت دارد.
دلیل اصلی انتخاب این ارزهای خاص این است که این ارزها از جمله ارزهایی هستند که بیشترین گردش مالی فارکس را در بازارهای ارز جهانی دارند (جدول 1). پاورقی 1 ارقام گردش مالی فارکس در جدول 1 نشان می دهد که نمونه ارزها نمایندگان قابل اعتمادی از بازارهای ارز جهانی هستند.
منطق پشت فرایند انتخاب نمونه نه تنها در گردش مالی بر اساس, بلکه در تنوع منطقه ای به منظور دستیابی به درک درستی از نتایج جهانی. این مطالعه با هدف شناسایی تاثیر اختلاف فرکانس بر مکانیسم انتقال نوسانات و شناسایی هر گونه تفاوت با توجه به جهت سرریزهای نوسانات انجام شده است.
سری قیمت ها مستقیما به سری بازگشت تبدیل می شوند. این به نوبه خود تاثیر احتمالی نقل قول مستقیم یا غیرمستقیم سری قیمت ها را بر تجزیه و تحلیل از بین می برد. به همین ترتیب, سیمان و همکاران. (2011) و سالیسو و همکاران. (2018) فقط از سری بازگشت به عنوان ورودی در تجزیه و تحلیل تجربی خود استفاده کنید.
داده ها از طریق رویترز جمع شده و با بلومبرگ بررسی می شوند تا صحت داده ها را تایید کنند. قیمت ها از داده های معاملات در زمان واقعی جمع می شوند تا اطمینان حاصل شود که داده های معاملاتی واقعی را نشان می دهند. علاوه بر این, از بازارهای ارز جهانی هستند 24-ساعت بازارهای, داده ها مستمر و مناسب برای تجزیه و تحلیل فرکانس بالا است.
امار توصیفی و همچنین نتایج حاصل از واحد ریشه و اثر قوس تست پاورقی 2 برای نمونه ارز در فرکانس روزانه, پاورقی 3 در جدول فراهم شده 2.
جدول 2 ارقام نشان می دهد که تغییرات درصد روزانه به طور متوسط در ارزهای نمونه در مجاورت نزدیک هستند, احتمالا به دلیل تعداد زیادی از مشاهدات. از سوی دیگر, ارقام انحراف استاندارد نشان می دهد برخی از اختلاف: همانطور که انتظار می رود, انحراف استاندارد برای ارزهای کوچک و عجیب و غریب بزرگ در مقایسه با ارزهای اصلی.
نتایج تست ریشه واحد نشان می دهد که اولین تفاوت همه ارزها ثابت است. علاوه بر این, نتایج تست قوس به وضوح به وجود یک اثر قوس در درصد تغییر سری از ارزهای نمونه اشاره.
روش شناسی
در این پژوهش از مدل ور-بک-گارچ (انگل و کرون 1995) برای اندازهگیری پویایی وابستگی متقابل نوسانات شرطی و نوسانات در میان ارزهای نمونه استفاده شده است. این مشخصات هم ماندگاری نوسانات هر ارز و هم اثرات سرریز خود و نوسانات متقابل بین ارزها را به خود اختصاص می دهد. مدل کامل بک کی دارای سه مزیت اصلی نسبت به وک-گارچ و سایر مشخصات جایگزین مدل های مگارچ است: ابتدا مدل ور-بک-گارچ امکان پویایی مقطعی را فراهم می کند. به طور خاص, ور بک گارچ نه تنها سرریز نوسانات را تعریف می کند بلکه نشان می دهد جهت دقیق در سرریز نشان داد, که متناسب با بهترین به هدف تحقیق ما. از این نظر سایر مشخصات پرکاربرد از جمله وچ گارچ یا دی سی گارچ در خدمت اهداف ما نیستند زیرا هر دو مدل اطلاعات را فقط در مورد بزرگی و نه جهت وابستگی های متقابل نوسان نشان می دهند. در مرحله دوم, با ساخت و ساز, مدل ور-بک-گارچ تضمین می کند یک ماتریس واریانس-کوواریانس مثبت تخمین زده. سرانجام, ور-بک-گارچ ناقص تر است, اجازه می دهد کاهش تعداد پارامترهای تخمینی با اجرای محدودیت هر دو در داخل و در سراسر معادلات.
در این مطالعه از مدل ور-بک-گارچ چندمتغیره برای تحلیل سرریزهای نوسان در میان ارزهای نمونه استفاده شده است.
مدل ور-بک-گارچ با استفاده از روش تخمین احتمال شبه بیشینه انجام شده است. تابع احتمال ورود به سیستم برای یک نمونه داده شده از مشاهدات \(تی\) توسط داده شده است:
جایی که \(ل\) بردار پارامتری است که باید تخمین زده شود, \(ک\) تعداد متغیرها است, \(تی\) نمونه ای از سازمان ها است و \(_\) ماتریس واریانس–کوواریانس شرطی است و فرض می شود که از یک تابع احتمال ورود به سیستم گاوسی پیروی می کند.
گسترش از طریق ضرب ماتریس منجر به \(ح_\), \(ح_\) و \(ح_\) مدل بدون محدودیت توسط معادلات. (2), (3):
$$H_
