این مقاله بیشتر مدل Garch-Midas موجود را برای مقابله با تأثیر نویز ریزساختار در داده های فرکانس مختلط گسترش می دهد. این مقاله دارای دو نکته برجسته است. اول ، با توجه به برآورد اجزای نوسانات بلند مدت مدل GARCH-MIDAS ، RAVGRV برای جایگزینی برای برآوردگر RV اتخاذ شده است. RAVGRV از منابع داده های غنی در داده های باکشی استفاده می کند و تأثیر سر و صدای ریزساختار بر تخمین نوسانات را به طور قابل توجهی اصلاح می کند. دوم ، علاوه بر معرفی متغیرهای کلان اقتصادی (به عنوان مثال ، شاخص سازگاری کلان اقتصادی (MCI) ، سپرده های مؤسسات مالی (DFI) ، ارزش افزودنی صنعتی (IVA) و M2) ، عدم اطمینان سیاست اقتصادی چین (CEPU) و نوسانات عدالت در بازار بیماری های عفونیردیاب (EMV) در مؤلفه نوسانات بلند مدت مدل Garch-Midas معرفی می شود. همانطور که با نتایج این مقاله نشان داده شده است ، Garch-Midas مبتنی بر RAVGRV کمی بهتر از Garch-Midas مبتنی بر مدل RV است. علاوه بر متغیرهای کلان اقتصادی مشترک که به طور قابل توجهی بر نوسانات بازار سهام تأثیر می گذارد ، CEPU همچنین به طور قابل توجهی بر نوسانات بازار سهام تأثیر می گذارد. با این وجود ، تأثیر EMV در بورس سهام ناچیز است.
1. مقدمه
از مدلهای اقتصاد سنجی سنتی به طور گسترده برای تجزیه و تحلیل داده های فرکانس نمونه گیری کلان اقتصادی و مالی استفاده شده است. به طور کلی ، روشهای تحقیق با استفاده از چنین داده هایی از مدل های نوع VAR ، مدل های نوع GARCH ، تست های ادغام و تست های علیت Granger تشکیل شده است. بسیاری از مطالعات ذکر شده با مدل های داده با فرکانس پایین برای بررسی همبستگی بین اقتصاد کلان و نوسانات بازار سهام مطابقت دارند. طی چند سال گذشته ، در میان مطالعات مربوط به مشکلات مدل سازی متغیرها در فرکانس های نمونه برداری مختلف ، نمونه گیری داده های مختلط (MIDAS) ارائه شده توسط Ghysels و همکاران.[1] بزرگترین توجه را برانگیخته است. چنین مدلی می تواند یک همبستگی خطی بین متغیرهای توضیحی با فرکانس بالا و متغیرهای توضیحی با فرکانس پایین ایجاد کند ، و در مطالعات مربوط به اقتصاد کلان ، بازار سهام و معاملات آینده نفت خام به دلیل توانایی آن در ترسیم کامل اطلاعات موجود ، به طور گسترده اعمال شده است. بر اساس مدل رگرسیون MIDAS ، انگل و همکاران.[2] یک مدل GARCH-MIDAS ایجاد کرد و نوسانات را به اجزای بلند مدت و کوتاه مدت تجزیه کرد. مدل آنها برای مطالعه همبستگی بین نوسانات بازار سهام و متغیرهای کلان اقتصادی اتخاذ شده است. پس از آن ، اص الریان و همکاران.[3] با اتخاذ مدل Garch-Midas ، تأثیر متغیرهای کلان اقتصادی ایالات متحده بر نوسانات بازار سهام را بررسی کرد.
دلیل عملکرد بهتر این مدل از مدلهای کلاس GARCH معمولی این است که میتواند کل واریانس شرطی مدل GARCH معمولی را به دو بخش تجزیه کند، یعنی نوسانات کوتاهمدت در فرکانس بالا که توسط فرآیند GARCH و بلندمدت گرفته شده است. نوسانات در فرکانس پایینبرای محاسبه مجموع مجذورهای داده های بازده روزانه، اندرسن و همکاران.[4] مدل GARCH-MIDAS را با یک جزء بلندمدت بر اساس نوسانات واقعی (RV) پیشنهاد کرد. برای برآوردگر RV، اکثر محققان از داده های بازگشتی با فرکانس نمونه برداری 5 دقیقه ای برای تعیین نوسانات درک شده در فرکانس بالا استفاده کردند (وانگ و گیسلز [5]؛ کنراد و کلین [6]). اگرچه دادههای فرکانس بالا درون روز شامل اطلاعات دادهای کافی است و میتواند کارایی تخمینی نوسانات سهام را افزایش دهد، به دلیل دادههای قابلتوجه تخمین آن دشوار است. علاوه بر این، زمانی که از دادههای با فرکانس بالا برای تخمین نوسانات بازار سهام استفاده میشود، قیمتها در فواصل زمانی دقیقتر نمونهبرداری میشوند و مسائل ریزساختاری مشخصتر میشوند.
RV پیشنهاد شده توسط Andersen و همکاران.[4] بر اساس فرض یک فرآیند تصادفی پیوسته برای رویارویی با چالش ناشی از نویز ریزساختار بازار در کاربردهای عملی توجیه شده است (Aït-Sahalia و همکاران [7]). ژانگ و همکاران[8] نوسانات تحقق یافته را از طریق میانگین گیری زیر نمونه (rAVGRV) پیشنهاد کرد که از منابع فراوان در داده های تیک به تیک بهره برداری می کرد. تا حد زیادی می تواند اثر نویز ریزساختار بر تخمین نوسانات را تصحیح کند. همانطور که توسط لیو و همکاران نشان داده شده است.[9]، rAVGRV یک برآوردگر تئوری و تجربی قابل اعتمادتر از RV است.
هنگام پیشبینی نوسانات بازار مالی، شاخصهای کلان اقتصادی مهم هستند (اندرسن و همکاران [4]؛ کنراد و لوچ [10]؛ دوریون [11]). مدل GARCH-MIDAS محبوبترین مدلی است که برای بررسی همبستگیهای بین نوسانات مالی کل و متغیرهای کلان اقتصادی یا مالی اتخاذ شده است (کنراد و همکاران [12]؛ کنراد و همکاران [13]؛ پان و همکاران [14]). سو و همکاران [15]؛ کنراد و کلین [6]؛ Opschoor و همکاران [16]؛ Dominicy و Vander Elst [17]؛ Lindblad [18]؛ Amendola و همکاران [19]؛ Conrad و همکاران [12]]؛ و بوروپ و یاکوبسن [20]).
این مطالعه با مطالعات موجود متفاوت است و مؤلفه نوسانات بلندمدت مدل GARCH-MIDAS تحت تأثیر نوسانات واقعی و سایر متغیرهای توضیحی قرار میگیرد. متغیرهای توضیحی در اینجا شامل متغیرهای کلان اقتصادی، یعنی شاخص ثبات اقتصاد کلان (MCI)، سپردهها در مؤسسات مالی (DFI)، ارزش افزوده صنعتی (IVA) و M2، و همچنین شاخص عدم قطعیت سیاست اقتصادی چین (CEPU) وردیاب نوسانات بازار سهام بیماری های عفونی (EMV). دلیل انتخاب متغیرهای CEPU و EMV دو مورد است. از یک سو، اگرچه بازار سهام چین در دو دهه گذشته جهش به جلو داشته است، اما همچنان در حال ظهور است. به اندازه کافی بالغ نیست که از دولت بخواهیم با انتشار و اجرای سیاست های لازم، آن را تثبیت کند. سیاستهای دولت بسیار مکرر هستند و تغییرات مداوم در سیاستها باعث افزایش عدم اطمینان داخلی و خارجی میشود و در نتیجه نوسانات بازار سهام را افزایش میدهد. از سوی دیگر، شیوع ویروس کرونا (COVID-19) در دسامبر 2019 به طور قابل توجهی بر اقتصاد کلان و بازارهای مالی جهانی تأثیر گذاشته است. به طور شهودی، بازار سهام نسبت به سایر بخشهای سیستم اقتصادی و مالی، سریعتر و مستقیمتر به چنین بیماری همهگیری واکنش نشان میدهد. بر این اساس، دو متغیر ذکر شده باید در این مقاله گنجانده شوند.
این مقاله مطالعات موجود را بیشتر گسترش میدهد و نکات برجسته بر دو جنبه تمرکز دارد.(1) در تخمین مولفه های نوسان طولانی مدت مدل GARCH-MIDAS، rAVGRV برای جایگزینی برآوردگر RV استفاده می شود. rAVGRV از منابع غنی در داده های تیک به تیک استفاده می کند و تا حد زیادی اثر نویز ریزساختار بر تخمین نوسانات را تصحیح می کند. بر این اساس، مدل GARCH-MIDAS مبتنی بر rAVGRV باید بتواند به طور موثرتری نوسانات بازار سهام را مشخص کند. در حقیقت، مطالعه لیو و همکاران.[9] تایید کرد که rAVGRV عملکرد بهتری نسبت به RV از خود نشان داد.(2) علاوه بر معرفی متغیرهای کلان اقتصادی MCI، IVA، DFI، و M2، CPEU و EMV نیز در مؤلفه نوسانات بلندمدت مدل GARCH-MIDAS معرفی شدند. سیاستهای دولت چین بسیار مکرر هستند و تغییرات مداوم در سیاستها، عدم قطعیتهای داخلی و خارجی را افزایش میدهد. علاوه بر این، COVID-19 بار بزرگی را بر اقتصاد کلان و بازارهای مالی جهانی تحمیل کرده است. به همین دلیل باید CEPU و EMV معرفی شوند.
بقیه مطالعه به شرح زیر سازماندهی شده است. بخش دوم مدل GARCH-MIDAS را توضیح می دهد. بخش سوم به یک مطالعه تجربی اشاره دارد که تخمین را بررسی می کند و مدل GARCH-MIDAS ساخته شده در مطالعه را در چندین سطح پیش بینی می کند. بخش چهارم کاربرد مدل را در پورتفولیو ارائه می کند. بخش پنجم، تحلیل استحکام این مقاله است. بخش آخر مطالعه حاضر را به پایان می رساند.
2. مدل GARCH-MIDAS
مطابق با کمپبل [21]، همبستگی بین تغییرات بازده پیش بینی نشده و مورد انتظار در بازار سهام را می توان در زیر تنظیم کرد: