پویایی و عوامل تعیین کننده ادغام بازار سرمایه گذاری های انرژی سبز ، تمیز ، کثیف و شاخص های سهام معمولی

ساخت وبلاگ

شین لیو 1 ، الی بوری 2 * و ناجی ژله 3

  • 1 دانشکده اقتصاد و مدیریت ، کالج معلمان میانانگ ، میانانگ ، چین
  • 2 دانشکده تجارت ، دانشگاه آمریکایی لبنان ، بیروت ، لبنان
  • 3 دانشکده تجارت و مدیریت ، دانشگاه سنت جوزف ، بیروت ، لبنان

ما ادغام بازار را در سراسر سرمایه گذاری های تمیز و سبز ، نفت خام و شاخص های سهام معمولی که سهام فناوری و سهام ایالات متحده و اروپا را پوشش می دهد ، بررسی می کنیم. با استفاده از داده های روزانه پوشش دوره اول دسامبر 2008-8 اکتبر 2020 ، ابتدا مدل تعادل پویا (DECO) را اعمال می کنیم و در مورد سطح متغیر زمان ادغام بازار استنباط می کنیم. سپس ، ما از چندین مدل رگرسیون استفاده می کنیم و از عوامل محرک ادغام بازار در مقادیر پایین و فوقانی توزیع تعادل استفاده می کنیم. نتایج نشان می دهد که تعادل بازگشت با زمان متفاوت است و با شیوع Covid19 شکل می گیرد. اقدامات مختلف عدم قطعیت محرک اصلی ادغام بازار ، به ویژه در سطوح بالای ادغام بازار است. در دوره شیوع COVID-19 ، شاخص دلار ایالات متحده ، اصطلاح گسترش و شاخص بازار سهام چین به طور قابل توجهی ادغام بازار را افزایش داده است.

1. معرفی

غالباً استدلال می شود كه افزایش/كاهش همبستگی در بازارها می تواند به عنوان شواهدی از افزایش/كاهش ادغام بازار در نظر گرفته شود ، كه برای قیمت گذاری دارایی ، تخصیص دارایی و مدیریت ریسک اهمیت دارد. ادبیات دانشگاهی مرتبط در مورد ادغام بازار طی دهه های گذشته رشد یافته است که بازارها و کلاسهای مختلف دارایی مانند سهام ، اوراق قرضه و کالاها را پوشش می دهد (به عنوان مثال ، Bekaert and Harvey ، 1995 ؛ Pukthuanthong and Roll ، 2009 ؛ Aladesanmi et al. ، 2019 ؛باتن و همکاران ، 2019 ؛ ساجی ، 2021). با این حال ، ادغام بازار یک پدیده در حال تحول است که می تواند توسط رویدادهای مختلف اقتصادی و بحران های مالی شکل بگیرد و Covid-19 با توجه به عدم اطمینان و خسارت بی سابقه ای که در صحنه های اقتصادی و مالی ایجاد کرده است ، می تواند در این زمینه مرتبط باشد.

در اوایل سال 2020 ، بیماری همه گیر Covid-19 به طور ناگهانی به عنوان یک بحران بهداشت جهانی از بزرگی که قبل از تأثیرگذاری بر زندگی انسان دیده نمی شود ، ظاهر شد ، قبل از تبدیل شدن به یک بحران که بر شرایط اقتصادی جهانی تأثیر می گذارد و بازارهای مالی را در سراسر جهان شکل می دهد. شیوع Covid-19 منجر به مشکلات شدید سلامتی و اختلال گسترده اجتماعی شد که چالش های شدید و بی نظیری را برای افراد ، جوامع ، اقتصادها ، بازارهای مالی و سیاست گذاران ایجاد کرد. در سه ماهه دوم سال 2021 ، تعداد افراد آلوده به بیش از 200 میلیون نفر رسید و تعداد کشته ها از 5 میلیون نفر فراتر رفت. در جبهه اقتصادی ، بسیاری از کشورها به رغم تلاش دولتها برای خنثی کردن رکود اقتصادی با حمایت سیاست های مالی و پولی ، در رکود عمیق قرار گرفتند و میزان بیکاری به سطح بالایی رسید. در صحنه مالی ، بازارهای مالی جهانی نسبت به همه گیر ، به ویژه در مورد دوره اولیه فوریه-آوریل 2020 واکنش منفی نشان دادند. به ویژه ، تقاضای نفت فروپاشید و سقوط در قیمت نفت و شاخص های سهام سهام جهانی رخ داد. جالب اینجاست که جهان سرمایه گذاری های تمیز و سبز مقاومت در برابر شیوع Covid-19 را نشان می دهد ، به ویژه اگر عملکرد قیمت آنها نسبت به سرمایه گذاری های انرژی کثیف (به عنوان مثال ، نفت خام) و سرمایه گذاری های معمولی در ایالات متحده و اروپا در نظر بگیرد. بشربرای سرمایه گذاری در سهام شرکت های فناوری که مهمترین پیشرفت نوآوری های فناوری جدید برای محصولات و خدمات انرژی پاک هستند ، سطح پایین تری از انعطاف پذیری نشان داده شده است (به ارقام موجود در شکل تکمیلی S1 مراجعه کنید).

بحث فوق به ما انگیزه می دهد تا جهان سرمایه گذاری های انرژی پاک و کثیف و شاخص های سهام معمولی و همچنین سهام فناوری را در نظر بگیریم. نگاهی به ادبیات دانشگاهی نشان می دهد که مطالعات قبلی بر تأثیر شیوع Covid-19 بر فعالیت های اقتصادی متمرکز شده است (König and Winkler ، 2020 ؛ Ozili and Arun ، 2020) ، بازارهای سهام در ایالات متحده و اروپا (ابزایید و همکاران. ، 2021 ؛ بوری و همکاران ، 2021) ، و پویایی قیمت شاخص های سهام نفت خام و انرژی پاک (سعید و همکاران ، 2020a ؛ سعید و همکاران ، 2020b ؛ دوتتا و همکاران ، 2021). اگرچه اوراق قرضه سبز و سرمایه گذاری های انرژی پاک در طی 10 تا 15 سال گذشته توجه بسیاری از بازیگران اقتصادی را به خود جلب کرده است ، اما مطالعات کمی اثرات این همه گیر را در این سرمایه گذاری ها در نظر گرفته اند. نکته قابل توجه ، فقدان مطالعاتی در مورد ادغام بازار در جهان سرمایه گذاری های انرژی سبز ، پاک ، کثیف ، سهام فناوری و شاخص های سهام معمولی وجود دارد و مشخص نیست که متغیرهای اقتصادی و مالی می توانند ادغام بازار را تعیین کنند و تأثیر آن چیست. شیوع Covid-19.

در برابر این پیش زمینه ، هدف از این مطالعه بررسی ادغام در بازارهای سرمایه گذاری های تمیز و سبز ، نفت خام ، سهام فناوری و ایالات متحده و سهام اروپا است. با استفاده از داده های روزانه پوشش دوره 1 دسامبر 2008-8 اکتبر 2020 ، ما مدل تعادل پویا (DECO) Engle و Kelly (2012) را اعمال می کنیم و در مورد سطح متغیر زمان ادغام بازار استنباط می کنیم. سپس ، ما از چندین مدل رگرسیون استفاده می کنیم و از عوامل محرک ادغام بازار در مقادیر پایین ، میانه و فوقانی توزیع تعادل استفاده می کنیم. مزیت مدل DECO در توانایی و قدرت آن در پردازش تعداد زیادی از سری های بازگشت ضمن غلبه بر تخمین و مشکلات عددی قرار دارد. به این معنا ، دکو نسبت به سایر مدل های چند متغیره GARCH مانند DCC یا مدل های BEKK و انواع آنها ، برتر و راحت تر است. این مربوط به این واقعیت است که مدل DECO با همبستگی بین شاخص های مورد مطالعه به طور همزمان مساوی اما ناهموار است ، که برای زمینه مطالعه ما مناسب است و به دنبال کشف تکامل زمان ادغام بازار است.

مقاله فعلی ما به ادبیات موجود در چندین جبهه کمک می کند. در مرحله اول ، آن را به ادغام بازار در بین انواع مختلف سرمایه گذاری های پوشش اوراق قرضه سبز ، سهام انرژی پاک ، نفت خام ، سهام فناوری و شاخص های کل سهام از ایالات متحده و اروپا متمرکز می کند. این مطالعات قبلی در مورد ادغام بازار را گسترش می دهد ، که تجزیه و تحلیل آنها را به جهان سهام (Aladesanmi و همکاران ، 2019 ؛ Saji ، 2021) یا کالاهای انرژی محدود می کند (به عنوان مثال ، باتن و همکاران ، 2019). ثانیا ، این امر از طریق استفاده از تعادل دکوراسیون دکوراسیون که امکان در نظر گرفتن حقایق تلطیف شده از بازگشت متغیرها مانند خوشه بندی نوسانات ، ناهمگونی و دم چربی را در نظر می گیرد ، از متغیر زمانی در سطح ادغام بازار پرده برداری می کند. سوم ، این محرک ها را با استفاده از سرکوب های استاندارد و کمی و در نظر گرفتن مجموعه بزرگی از متغیرهای اقتصادی و مالی و همچنین شیوع COVID-19 کشف می کند.

مطالعه حاضر ما مربوط به ادبیات رو به رشد است که با محوریت انتقال اطلاعات در سرمایه گذاری های انرژی پاک و کثیف (Ferrer et al. ، 2018 ؛ Ferreira et al. ، 2021) ، شاخص های نفت خام و بورس (داور و همکاران ، 2021 ؛ Geng ؛و همکاران ، 2021) ، و عوامل مؤثر بر هر یک از این دارایی ها (باتن و همکاران ، 2019 ؛ سعید و همکاران ، 2020a). با این حال ، مطالعه حاضر ما در تمرکز خود بر ادغام بازار در بین عوامل فوق الذکر و عوامل تعیین کننده تحت مقدار مختلف و همچنین استفاده از مدل DECO که تعداد زیادی از سری های زمانی را بدون مواجهه با مشکل ابعاد پردازش می کند ، متفاوت است.

تجزیه و تحلیل تجربی ما نشان می دهد که ادغام در بازارهای مورد مطالعه با گذشت زمان تکامل می یابد و تحت تأثیر شیوع Covid-19 قرار می گیرد. این نتیجه مربوط به استراتژی های معاملاتی و تخصیص نمونه کارها و مدیریت ریسک است که شامل سرمایه گذاری در ترکیب اوراق قرضه سبز ، سهام پاک ، نفت خام ، سهام فناوری و شاخص های سهام است. نتایج حاصل از تجزیه و تحلیل رگرسیون نشان می دهد که محرک های اصلی ادغام بازار اقدامات مختلف عدم اطمینان جهانی ، به ویژه در سطوح بالای ادغام بازار هستند. تجزیه و تحلیل بیشتر نشان می دهد که شاخص دلار ایالات متحده و گسترش مدت به طور قابل توجهی تعادل را در دوره شیوع COVID-19 افزایش داده است.

بقیه مقاله در سه بخش به شرح زیر ساخته شده است. داده ها و مدل های به کار رفته در بخش 2 شرح داده شده است. نتایج تجربی تکامل زمان تعادل و محرک های آن در بخش 3 ارائه شده است. برخی از پیامدهای سیاست و اظهارات نتیجه گیری در بخش 4 ارائه شده است.

2 داده و مدل

2. 1 مجموعه داده

مجموعه داده های ما در فرکانس روزانه است و شاخص های اوراق قرضه سبز ، سهام انرژی پاک ، فناوری ARCA 100 ، S& P 500 ، قیمت نفت خام برنت ، شاخص کامپوزیت S& P 500 و Eurostoxx 50 را پوشش می دهد. دوره نمونه اول دسامبر 2008 است - 8 اکتبر 2020 ، همانطور که توسط در دسترس بودن داده ها نشان داده شده است. همه سری ها به برگه های ورود به سیستم ضرب شده با 100 تبدیل می شوند و 3،084 مشاهدات برگشتی روزانه برای هر شاخص دارند. ضمیمه شکل 1 تکامل زمان سطح و بازده ورود به شش شاخص را ترسیم می کند.

www.frontiersin.org

شکل 1 . معادله بازگشت. یادداشت ها: این شکل نشان دهنده تکامل زمان تعادل بازده دکوراسیون در بین شاخص های مورد مطالعه (برآورد شده بر اساس مدل شرح داده شده در بخش 2. 2) برای دوره 1 دسامبر 2008 - اکتبر 8 ، 2020 است.

آمار خلاصه بازده روزانه در جدول 1 نشان داده شده است. شاخص ARCA Technology 100 بالاترین میانگین بازده را ارائه می دهد و پس از آن S& P 500. بازده روغن خام دارای بازده متوسط منفی و بالاترین انحراف استاندارد است. در مقابل ، اوراق قرضه سبز کمترین انحراف استاندارد را دارند. بازده تمام شاخص ها به جز اوراق قرضه سبز منفی است. شواهدی از کورتوز اضافی در کلیه شاخص ها وجود دارد. آمار Jarque-Bera نشان دهنده عزیمت از توزیع گاوسی برای همه سریال های برگشتی است. شواهدی از آزمون افزودنی دیکی فولر (ADF) (دیکی و فولر ، 1979) به سمت ثابت بودن همه سری بازگشت ها اشاره دارد. ناهمگونی مشروط همانطور که با نتایج آزمون ARCH-LM نشان داده شده است. همبستگی های زوج در بازده شش شاخص (جدول 2) همه مثبت هستند ، بین 0. 1888 (اوراق قرضه سبز و روغن خام) و 0. 9458 (ARCA Technology 100 و S& P 500). نکته قابل توجه ، همبستگی بین اوراق قرضه سبز و شاخص های دیگر ضعیف ترین است.

www.frontiersin.org

میز 1 . آمار خلاصه بازده روزانه.

www.frontiersin.org

جدول 2همبستگی بی قید و شرط بازده روزانه.

2. 2 مدل دکو

از مدل تعادل پویا (DECO) برای مطالعه ادغام بازار در بین شاخص های مختلف مورد مطالعه استفاده می شود. این مدل ارائه شده توسط Engle و Kelly (2012) به دلیل کارآیی آن در برآورد ماتریس کواریانس بدون مشکلات عددی که اغلب در سایر مدل های چند متغیره گارچ (به عنوان مثال ، مدل های DCC و BEKK) وجود دارد ، شناخته شده است.

فرض کنید که R T یک بردار 6 × 1 بازده دارایی مانند:

ماتریس کواریانس شرطی H t مطابق با Engle (2002) به عنوان:

در جایی که ماتریس مورب (D T) حاوی انحراف استاندارد مشروط از مدل GARCH یک متغیر است (به معادله 5 مراجعه کنید) ، R T نشان دهنده ماتریس همبستگی شرطی متغیر است ، ε T یک وکتور N × 1 باقیمانده های مشروط بر مجموعه اطلاعات است. در زمان T-1 ، z t یک n × 1 i. i. d را نشان می دهد. بردار باقیمانده های استاندارد ، و Q T ماتریس همبستگی شرطی باقیمانده های استاندارد است. ما عناصر H T را از مدل یک متغیره (1،1) به دست می آوریم:

where h i , t is the conditional variance of the retu series, ω i is a constant term, α i and β i measure the ARCH effect and the persistence of the volatility process, respectively. To make sure of the positivity and stability of the process of conditional variances, we set the following constraints: α i >0 و α I + β i< 1 .

پس از تخمین روند یک متغیره گارچ در Eq. 5 ، ما از باقیمانده های استاندارد z t برای برآورد پارامترهای همبستگی شرطی استفاده می کنیم. ما پویایی Q را در فرآیند DCC بیان می کنیم:

جایی که Q T ∗ یک ماتریس مورب را با یک ریشه مربع از مورب I T H در موقعیت مورب I T H نشان می دهد.

برای برآورد فرآیند DCC Engle (2002) ، ابتدا مدل های یک متغیره Garch را برای هر سری بازگشت متناسب می کنیم. سپس ، ما دینامیک همبستگی شرطی را محاسبه می کنیم. با این حال ، با افزایش تعداد سری های مورد مطالعه ، تخمین Eq دشوار می شود. 6. بنابراین ، Engle و Kelly (2012) مدل DECO را پیشنهاد می کنند که فرض می کند که همبستگی در تمام سری های برگشتی در هر زمان معین یکسان است اما با گذشت زمان متفاوت است. در حقیقت ، مدل DECO با کاهش آن به دو پارامتر تعادل ، α و β ، فرآیند تخمین را ساده می کند. نتیجه می گیرد که ماتریس همبستگی بی قید و شرط:

r t توسط:

جایی که من ماتریس هویت N بعدی را نشان می دهد ، j n ماتریس n × n را نشان می دهد ، و ρ ¯ t نشان دهنده تعادل ارائه شده توسط:

ما مدل Scalar Deco را 1 تعریف می کنیم:

2. 3 محرک های بازگرداندن

در این بخش، محرک های بالقوه همبستگی بازگشتی DECO را بررسی می کنیم. هنگامی که سری همبستگی بازده از مدل DECO همانطور که در بخش 2. 2 نشان داده شده است استخراج شد، عوامل محرک آن با استفاده از OLS و رگرسیون چندتی برای استنتاج در مورد عوامل تعیین‌کننده یکپارچگی بازار در بین شش شاخص مورد مطالعه کشف می‌شوند. مدل رگرسیون پایه (OLS) به صورت زیر مشخص می شود:

Δ DECO t = b 0 + b 1 V I X t + b 2 O V X t + b 3 E P U t + b 4 Δ D X Y t + b 5 F S I t + b 6 Δ T E R M t + b 7 Δ E M V t + e t ( 11 )

که در آن VIX، OVX، EPU، DXY، FSI، TERM و EMV نشان دهنده شاخص نوسانات ضمنی CBOE ایالات متحده، نوسانات ضمنی نفت CBOE، عدم قطعیت سیاست اقتصادی ایالات متحده (بیکر و همکاران، 2016)، شاخص دلار ایالات متحده، استرس مالی OFR هستند. به ترتیب شاخص، اسپرد مدت (تفاوت اسپرد بین سررسیدهای ثابت 10 ساله و 3 ماهه خزانه داری، نماینده احتمالات رکود)، و شاخص EMV عفونی (بیکر و همکاران، 2019). همه از DataStream Refnitiv استخراج می شوند، به جز داده های مربوط به FSI و EMV که از https://www.policyuncertainty.com/infectious_EMV.html و https://www.financialresearch. gov/financial-stress-index/ دانلود می شوند.، به ترتیب.

انتخاب متغیرهای توضیحی توسط یافته های قبلی انگیزه می یابد (به عنوان مثال ، باتن و همکاران ، 2019 ؛ سعید و همکاران ، 2020a ؛ گوپتا و همکاران ، 2021) و منطقی های زیر. اولا ، ما از VIX ایالات متحده استفاده می کنیم زیرا این یک پروکسی برای عدم اطمینان بازار سهام ایالات متحده است. سطح بالای VIX اغلب در شاخص S& P 500 با سطح پایین همراه است. ثانیا ، OVX به عنوان فشارسنج عدم اطمینان در بازار نفت خام استفاده می شود. به عنوان مثال ، در طی شیوع COVID-19 ، OVX به سطح بی وقفه ای که قبلاً دیده نمی شد ، رسید ، بیش از موارد گزارش شده در هنگام سقوط قیمت نفت 2014-2016. سعید و همکاران.(2020a) نشان داده است که اتصال بین سرمایه گذاری های انرژی تمیز و کثیف تحت تأثیر OVX قرار دارد. ثالثاً ، EPU ایالات متحده مورد استفاده قرار می گیرد زیرا تنها متریک عدم اطمینان موجود در فرکانس روزانه توسط بیکر و همکاران است.(2016). این مناسب است زیرا اقتصاد ایالات متحده به عنوان لوکوموتیو برای اقتصاد جهانی در نظر گرفته می شود. با استفاده از EPU ، ما به شواهد ترسناک در مورد نقش EPU برای ادغام بازار به طور کلی و پویایی همبستگی سرمایه گذاری های انرژی پاک ، کثیف و شاخص های بازار سهام اضافه می کنیم. انگیزه ما برای استفاده از اقدامات عدم اطمینان (به عنوان مثال VIX و EPU) در مورد همبستگی ناشی از ادبیات رو به رشد است که نشان دهنده عدم اطمینان پیرامون تصمیم و سیاست های اقتصاددانان در دوره های بحران مانند بحران مالی جهانی 2008 و شیوع COVID-19 است. چهارم ، شاخص دلار ایالات متحده به عنوان یک متغیر توضیحی بالقوه برای ادغام بازار با توجه به تأثیر آن نه تنها بر قیمت نفت خام و شاخص های بازار سهام بلکه در رابطه بین شاخص های سهام ایالات متحده و اروپا نیز استفاده می شود. پنجم ، EMV یک ردیاب نوسانات بازار سهام عفونی مبتنی بر روزنامه است که توسط بیکر و همکاران ساخته شده است.(2019). این خاصیت حسابداری برای بیماریهای عفونی از جمله COVID-19 اخیر است. مطالعات متعددی قدرت این شاخص را در رانندگی در بازارهای مالی نشان داده است (به عنوان مثال ، گوپتا و همکاران ، 2021). ششم ، FSI شاخص استرس مالی OFR است که میزان استرس مالی در بازارهای مالی را اندازه گیری می کند. هفتم ، اصطلاح گسترش اختلاف بین بلوغ ثابت گنجینه 10 ساله و 3 ماهه ، یک پروکسی برای احتمالات رکود است.

برای صرفه جویی در فضا ، ما آمار خلاصه و تست های ریشه واحد متغیرهای توضیحی را در Eq ارائه نمی دهیم. 11. در عوض ، ما در اینجا نشان می دهیم که نتایج تست های تقویت شده دیکی فولر و فیلیپس-پرورون نشان می دهد که VIX ، OVX ، EPU و FSI در سطوح ثابت هستند ، بنابراین ما از سطح این متغیرها در مدل های رگرسیون استفاده می کنیم. در مقابل ، DXY ، گسترش مدت و EMV غیر ثابت هستند و بنابراین ما از اختلاف اول این متغیرها استفاده می کنیم.

علاوه بر استفاده از یک مدل OLS در Eq. 11 ، ما یک رگرسیون کمی را در نظر می گیریم که اجازه می دهد تا رانندگان حالتهای مختلف (بالا و پایین) از همبستگی بازگشت را کشف کنیم. مزایای استفاده از رگرسیون کمی در آکادمی به خوبی شناخته شده است ، که شامل توانایی آن در حرکت فراتر از میانگین عملکرد به عملکردهای کم و زیاد توزیع مشروط متغیر وابسته است (Koenker and Bassett ، 1978 ؛ Koenker ، 2005). رگرسیون کمی اخیراً در مقالات مختلفی که زمینه های دارایی ، اقتصاد و انرژی را پوشش می دهد ، اعمال شده است (به عنوان مثال ، بوری و همکاران ، 2019 ؛ داوار و همکاران ، 2021).

نسخه کمی از Eq. 11 شامل مقدار شرطی τ t h از توزیع ΔDeco شکل کلی زیر دارد:

جایی که d e c o t نمایانگر تعادل متغیر زمان استخراج شده از مدل دکو است. q δ d e c o t |x t (τ) τ t h شرطی ، x را نشان می دهدحرفنمایانگر یک بردار (K+1) × 1 رگرسیون است که در ابتدای این بخش مورد بحث قرار گرفته است ، و همچنین ثابت 1 برای رهگیری. در Eq12 ، پارامترها برای هر مقدار τ با به حداقل رساندن انحراف مطلق وزنی تخمین زده می شود:

علاوه بر استفاده از مدل رگرسیون پایه در Eq. 11 ، ما اثر COVID-19 را بر روی محرک های تعادل بررسی می کنیم. برای این منظور ، ما اصطلاحات تعامل Covid-19 را با ضرب متغیر ساختگی COVID-19 با هر رگرسیون اضافه می کنیم. بنابراین ، ما مدل افزوده زیر را تخمین می زنیم:

δ deco t = b 0 + b 1 v i x t + b 2 o v x t + b 3 e p u t + b 4 Δ d x y t + b 5 f s i t + b 6 Δ t e r m t + b 7 δ e m v t + b 8 v i x t d c o v i d+ B 9 O V X T D C O V I D + B 10 E P U T D C O V I D + B 11 Δ D X Y T D C O V I D + B 12 S F I T D C O V I D + B 13 δ T E R M T D C O V I D + E T (14)

جایی که DCOVID یک متغیر ساختگی است که نمایانگر شیوع COVID-19 است. این مقدار 1 را از فوریه 2020 تا پایان دوره نمونه (8 اکتبر 2020) و در غیر این صورت در نظر می گیرد.

3 نتیجه تجربی

3. 1 نتایج مدل DECO

اولین نتایج ما شامل مدل دکو (جدول 3) است. پارامتر β (0. 9825) زیاد و معنی دار است ، و این نشان می دهد که در ارتباط بین شش شاخص مورد مطالعه ، پایداری در ارتباط است. پارامتر α (0. 0134) معنی دار است. نکته قابل توجه ، α + β تقریباً وحدت است ، و نشان می دهد که یکپارچه سازی یکپارچه است. با توجه به پارامترهای قوس و گارچ که در مرحله اول تخمین زده می شود ، هر دو در سطح 1 ٪ برای همه سری 2 بازده معنی دار هستند. نکته قابل توجه ، مدت GARCH برای S& P 500 تا 0. 9268 برای شاخص باند سبز بین 0. 8147 متغیر است.

www.frontiersin.org

جدول 3. تخمین های دکو برای بازگشت ارزهای رمزنگاری.

با حرکت به طرح تعادل (شکل 1) ، شواهد روشنی از تغییر در تکامل زمان آن را نشان می دهد. نکته قابل توجه ، بین 0. 25 تا 0. 66 متغیر است ، با مقدار متوسط 0. 42 توسط خط جامد نشان داده شده است. تعادل در اوت 2010 و دسامبر 2011 به 0. 64 رسید که مربوط به قله های موقت در سطح بسیاری از شاخص ها از جمله اوراق قرضه سبز ، سهام انرژی پاک و قیمت نفت خام است. برعکس ، در اواخر سپتامبر 2017 و فوریه 2020 درست قبل از فوران Covid19 مشاهده می شود که پس از آن سطح تعادل به 0. 44 افزایش یافته است ، که حاکی از افزایش سطح ادغام بازار در اطراف همه گیر است. در آن دوره از افزایش عدم اطمینان در بازارهای مالی ، قیمت نفت خام سقوط کرد و شاخص های سهام به شدت کاهش یافت. بنابراین ، اگر یک شاخص مانند نفت خام یک فروپاشی قیمت را تجربه کند ، شاخص های مورد مطالعه بیشتر در معرض اثرات مسری قرار دارند. با این حال ، ما در رابطه بین شش شاخص مورد مطالعه و میانگین تعادل ، رفتارهای مختلف قیمت را مشاهده می کنیم. در حقیقت ، از سال 2015 تا اواخر سال 2019 ، شاخص های سهام گسترده ، شاخص فناوری و تا حدی بازار نفت خام ، یک صعود طولانی را تجربه کرد ، در حالی که بقیه شاخص ها وارد یک منطقه احتقان (جانبی) شدند. بر این اساس ، تعادل در اطراف Q3-2017 به پایین خود رسید. در حالی که تمام شاخص ها در دوره شیوع COVID-19 کاهش عمده ای را تجربه کرده اند ، ما متوجه یک سنبله طولانی در شاخص سهام انرژی پاک می شویم که باعث شد این شاخص به سطح جدید تمام وقت منتقل شود. در این زمان ، سطح ادغام به 0. 44 افزایش یافته است ، که به طور کلی با مطالعات قبلی مطابقت دارد که نشان می دهد سطح همبستگی بین بازارهای مالی در مواقع استرس افزایش می یابد (لانگین و سولنیک ، 2001).

3. 2 محرک های بازگرداندن

در این بخش ، ما اهمیت محرک های بالقوه تعادل را در نظر می گیریم ، همانطور که در معادلات مشخص شده است. 11-13

نتایج برآورد شده بر اساس رگرسیون OLS مشخص شده در Eq. 11 در جدول 4 گزارش شده است. آنها نشان می دهند که VIX ، EPU ، FSI و ΔEMV محرک قابل توجهی از میانگین تعادل بازده هستند. به طور خاص ، ضرایب VIX ، EPU و ΔEMV به ترتیب در سطح 1 ، 5 و 10 ٪ مثبت و معنی دار هستند ، در حالی که ضریب FSI در سطح 5 ٪ منفی و معنی دار است. از نظر بزرگی ، قوی ترین اثر برای VIX و FSI است و پس از آن EMV و EPU ، که نشان دهنده رابطه نزدیکتر در میانگین اقدامات عدم اطمینان بازار جهانی و ادغام بازار در بین سرمایه گذاری های سبز ، پاک ، کثیف ، سهام فناوری و سهام معمولی استشاخص ها

www.frontiersin.org

جدول 4. محرک های بازگشت همبستگی - OLS و رگرسیون کمی.

در مرحله بعد ، ما بر اساس رگرسیون کوانتری به سمت درایورهای بازگشت همبستگی در مقادیر پایین و فوقانی حرکت می کنیم (معادله 12). نتایج تخمین زده شده از جدول 4 نشان می دهد برخی تفاوتها بین عوامل تعیین کننده تعادل بازده در کمیته های پایین و بالا ، که بیشتر انگیزه تصمیم ما برای استفاده از رگرسیون کمی را ایجاد می کند. در حقیقت ، در سطوح پایین تعادل (به عنوان مثال ، مقدار 0. 10 و 0. 20) ، تنها OVX عامل مهمی در ادغام بازار است ، با ضریب مثبت که در سطح 1 ٪ قابل توجه است. با این حال ، در سطوح بالای تعادل (به عنوان مثال ، مقدار 0. 80) ، متغیرهای بیشتر محرک های قابل توجهی در ادغام بازار هستند ، که در افزایش شبه R 2 و مقدار احتمال STAT شبه LR برجسته شده است. نکته قابل توجه ، VIX ، OVX ، EPU و FSI محرک مهمی در ادغام بازار هستند که ضریب VIX مثبت است در حالی که ضریب بقیه منفی است. در 0. 90 کمی ، ضریب ΔEMV معنی دار می شود ، و ضریب VIX در حالی که در سرزمین های مثبت باقی مانده است ، در بزرگی شدت می یابد. بنابراین ، در مقادیر بالاتر (80 و 90 ٪) ، ضرایب مثبت VIX از افزایش سطح همبستگی بین بازارهای مالی در مواقع استرس ، همانطور که در مطالعات قبلی نشان داده شده است ، تأیید ، تقویت و پشتیبانی می کنند (Longin and Solnik ، 2001). این یافته با همبستگی منفی خوب بین شاخص ترس بازار و S& P500 تقویت می شود.

با توجه به نتایج حاصل از اصطلاحات تعامل ، جدول 5 نشان می دهد که فقط ضرایب تعامل ΔDxy*dcovid و Δterm*dcovid از نظر آماری معنی دار هستند. هر دو مثبت هستند ، این بدان معناست که در دوره شیوع COVID-19 شاخص دلار و گسترش مدت ایالات متحده به طور قابل توجهی باعث افزایش همبستگی سرمایه گذاری های انرژی سبز ، تمیز و کثیف شده است. اصطلاحات تعامل دیگر از اهمیت آماری برخوردار نیستند ، و این نشان می دهد که متغیرهای دیگر ادغام بازار را در طول بیماری همه گیر نمی کنند.

www.frontiersin.org

جدول 5محرک های بازگشت همبستگی-رگرسیون OLS و اصطلاحات تعامل COVID-19.

با توجه به اینکه چین نقش مهمی در سرمایه گذاری های تمیز و سبز ، نفت خام و شاخص های سهام معمولی که سهام فناوری را به عنوان دومین اقتصاد بزرگ پوشش می دهد ، ایفا کرده است ، ما تأثیر بازده شاخص بازار سهام آن را در ادغام بازار در نظر می گیریم. برای این منظور ، ما دوباره Eq را اجرا کردیم. 14 ضمن افزودن بازده شاخص سهام MSCI چین 3 به عنوان یک متغیر توضیحی اضافی. علاوه بر این ، ما همچنین یک اصطلاح تعامل (چین*dcovid) را اضافه می کنیم با توجه به اینکه چین از همه گیر 4 عبور کرده است. نتایج در جدول 2 در جدول 5 گزارش شده است. آنها نشان می دهند که نه تنها بازده بورس سهام چین تأثیر قابل توجهی در تعادل سرمایه گذاری های انرژی سبز ، تمیز و کثیف دارد بلکه اصطلاح تعامل آن با متغیر ساختگی COVID-19 نیز هستقابل توجه ، با ارزش مثبت ، نشان می دهد که باعث افزایش قابل توجهی ادغام بازار بین شاخص های مورد مطالعه شده است.

به طور کلی 5 ، نتایج فوق درک ما از عوامل مؤثر بر ادغام بازار در جهان سرمایه گذاری های انرژی سبز ، پاک ، کثیف ، سهام فناوری و شاخص های سهام معمولی را بهبود می بخشد. این به ادبیات موجود مانند دوتا و همکاران می افزاید.(2021) و سعید و همکاران.(2020b) ، که تمایل به مطالعه سرریزهای برگشتی بدون در نظر گرفتن تکامل زمان ادغام و عوامل مالی و اقتصادی که می تواند بر آن تأثیر بگذارد.

4 اظهارات نتیجه گیری

برای غنی سازی ادبیات دانشگاهی در مورد ادغام بازار ، ما در این مقاله ابتدا شواهد تجربی در مورد تکامل زمان تعادل بازده در جهان سرمایه گذاری های سبز ، پاک ، کثیف ، سهام فناوری و شاخص های سهام معمولی و همچنین شواهدی در مورد این مقاله ارائه می دهیم. محرک های ادغام بازار و تأثیر شیوع COVID-19. یافته های اصلی ما به شرح زیر است: اول ، ادغام بازار همانطور که توسط Deco Retu Equicorrelation اندازه گیری می شود ، یک پدیده پویا است که با گذشت زمان تکامل می یابد و کمی تحت تأثیر شیوع Covid-19 قرار می گیرد. دوم ، عوامل محرک ادغام بازار بین مقادیر پایین و فوقانی توزیع تعادل بازده متفاوت است. سوم ، VIX ، OVX ، EPU ، FSI و EMV محرک اصلی ادغام بازار در سطوح بالای ادغام بازار هستند ، در حالی که VIX ، EPU و FSI هنگام استفاده از برآوردگرهای مبتنی بر میانگین نقش مهمی دارند. چهارم ، نتایج حاصل از تعامل در جدول 5 نشان می دهد که شاخص دلار آمریکا ، گسترش مدت و شاخص بورس سهام Chinse به طور قابل توجهی باعث افزایش همبستگی در دوره شیوع Covid-19 شده است.

یافته های فوق برای سرمایه گذاران و مدیران نمونه کارها علاقه مند به درک پویایی همبستگی مشروط بین سرمایه گذاری های انرژی پاک ، کثیف و شاخص های بازار سهام است که می تواند بر استراتژی های تنوع و قیمت گذاری دارایی تأثیر بگذارد. این امر به ویژه در دوره های بحران مانند شیوع COVID-19 که به نظر می رسد بر ادغام بازار و هویت رانندگان آن تأثیر می گذارد ، اهمیت دارد. آنها همچنین برای سرمایه گذاران که سرمایه گذاری های سبز و غیر سبز را در نمونه کارها خود و سیاست گذاران که اغلب درخواست سرمایه گذاری های سبزتر و سازگار با محیط زیست می کنند ، مهم هستند. به این معنا ، تحقیقات آینده می تواند همبستگی بازده و فعالیت های دلالان و سرمایه گذاران را در نظر بگیرد تا استنتاج های تصفیه شده تری در مورد چگونگی هویت شرکت کننده در بازار بر ادغام بازار در بین سرمایه گذاری های سبز ، پاک ، کثیف ، سهام فناوری و شاخص های سهام معمولی تأثیر بگذارد.

بیانیه در دسترس بودن داده ها

داده های مورد تجزیه و تحلیل در این مطالعه منوط به مجوزها/محدودیت های زیر است: داده ها از DataStream استخراج شدند. درخواست های دسترسی به این مجموعه داده ها باید به elie. elbouri@lau. edu. lb هدایت شود.

کمک های نویسنده

XL: روش شناسی ، درمان داده ها ، تجزیه و تحلیل رسمی ، اعتبار سنجی ، نوشتن بخش از مقاله. NJ: روش شناسی ، پیش نویس تهیه پیش نویس اصلی. EB: مفهوم سازی ، روش شناسی ، درمان داده ها ، تجزیه و تحلیل رسمی ، تهیه پیش نویس نوشتن- اصلی.

منابع مالی

XL موارد زیر را تأیید می کند: پروژه مرکز تحقیقات توسعه اقتصادی شهرستان سیچوان ، پایگاه کلیدی تحقیقات علوم اجتماعی استان سیچوان "مطالعه در مورد سیستم شاخص و روش ارزیابی توسعه سبز روستایی در سطح شهرستان در سیچوان" (XY2018028).

تضاد منافع

نویسندگان اعلام می کنند که این تحقیق در غیاب هرگونه روابط تجاری یا مالی که می تواند به عنوان یک تضاد احتمالی منافع تفسیر شود ، انجام شده است.

یادداشت ناشر

کلیه ادعاهای بیان شده در این مقاله صرفاً مواردی است که نویسندگان دارند و لزوماً نمایانگر سازمان های وابسته خود یا موارد ناشر ، ویراستاران و داوران نیستند. هر محصولی که ممکن است در این مقاله ارزیابی شود ، یا ادعایی که ممکن است توسط تولید کننده آن ساخته شود ، توسط ناشر تضمین یا تأیید نمی شود.

مواد تکمیلی

پانویسها و منابع

1 خواننده می تواند عملکرد ورود به سیستم را در Engle و Kelly (2012) مشاهده کند.

2 این نتایج در صورت درخواست از نویسندگان در دسترس است.

3 شاخص MSCI چین منعکس کننده عملکرد قیمت سهام شرکت های بزرگ و میانی در CAP چینی است که 740 مؤلفه را پوشش می دهد که 85 ٪ از جهان سهام چین را تشکیل می دهد. داده های آن از DataStream of Refinitiv جمع آوری شده و بازده آن به عنوان بازده های ورود به سیستم ضرب شده توسط 100 محاسبه می شود.

4 ما از یک داوری ناشناس بخاطر ارائه این پیشنهاد مهم تشکر می کنیم.

5 هنگامی که اصطلاح نامتقارن در مدل GARCH یک متغیر گنجانیده شود ، نتایج به صورت کیفی بدون تغییر باقی می مانند.

منابع

Abuzayed ، B. ، Bouri ، E. ، Al-Fayoumi ، N. ، and Jalkh ، N. (2021). سرریز ریسک سیستمیک در بازارهای سهام جهانی و کشور در طول همه گیر COVID-19. ECONمقعدpol. 71 ، 180-197. doi: 10. 1016/j. eap. 2021. 04. 010

Aladesanmi ، O. ، Casalin ، F. ، and Metcalf ، H. (2019). ادغام بازار سهام بین انگلیس و ایالات متحده: شواهد بیش از هشت دهه. گلوبامور مالی J. 41 ، 32-43. doi: 10. 1016/j. gfj. 2018. 11. 005

Baker ، S. R. ، Bloom ، N. ، Davis ، S. J. ، and Kost ، K. J. (2019). اخبار سیاست و نوسانات بازار سهام (شماره W25720). کمبریج ، کارشناسی ارشد ، ایالات متحده. دفتر ملی تحقیقات اقتصادی.

Baker ، S. R. ، Bloom ، N. ، and Davis ، S. J. (2016). اندازه گیری عدم اطمینان سیاست اقتصادی*. Q. J. Econ. 131 (4) ، 1593-1636. doi: 10. 1093/qje/qjw024

Batten ، J. A. ، Kinider ، H. ، Szilagyi ، P. G. ، and Wagner ، N. F. (2019). انرژی متغیر زمان و ادغام بازار سهام در آسیا. انرژیECON80 ، 777-792. doi: 10. 1016/j. eneco. 2019. 01. 008

Bekaert ، G. ، and Harvey ، C. R. (1995). ادغام بازار جهانی متغیر. J. Finance 50 (2) ، 403-444. doi: 10. 1111/j. 1540-6261. 1995. tb04790. x

Bouri ، E. ، Cepni ، O. ، Gabauer ، D. ، and Gupta ، R. (2021). اتصال به کلاسهای دارایی در اطراف شیوع COVID-19. int. قیام مالی مقعد. 73 ، 101646. doi: 10. 1016/j. irfa. 2020. 101646

Bouri ، E. ، Jalkh ، N. ، and Roubaud ، D. (2019). شوک های نوسانات کالا و خطر حاکمیت بریک: یک رویکرد Garch-Quantile. منبعpol. 61 ، 385-392. doi: 10. 1016/j. resourpol. 2017. 12. 002

بوچینسکی ، م. (1995). برآورد ماتریس کواریانس بدون علامت برای مدلهای رگرسیون کمی ، یک مطالعه مونت کارلو. J. اقتصاد. 68 (2) ، 303-338. doi: 10. 1016/0304-4076 (94) 01652-G

Dawar ، I. ، Dutta ، A. ، Bouri ، E. ، and Saeed ، T. (2021). قیمت نفت خام و شاخص های سهام انرژی پاک: اثرات عقب مانده و نامتقارن با رگرسیون کوانتیل. تجدیدانرژی163 ، 288-299. doi: 10. 1016/j. renene. 2020. 08. 162

دیکی ، D. A. ، و فولر ، دبلیو. A. (1979). توزیع برآوردگرها برای سری های زمانی خودکار با ریشه واحد. مربا. آمارAssoc74 (366a) ، 427-431. doi: 10. 1080/01621459. 1979. 10482531

Dutta ، A. ، Bouri ، E. ، Dutta ، P. ، and Saeed ، T. (2021). خطرات بازار کالاها و سرمایه گذاری های سبز: شواهدی از هند. J. Clean. محصول318 ، 128523. doi: 10. 1016/j. jclepro. 2021. 128523

Engle ، R. (2002). همبستگی شرطی پویا. J. Econ Business. آمار20 (3) ، 339-350. doi: 10. 1198/073500102288618487

Engle ، R. ، and Kelly ، B. (2012). همبستگی پویا. J. Econ Business. آمار30 (2) ، 212-228. doi: 10. 1080/07350015. 2011. 652048

Ferreira ، P. ، Almeida ، D. ، Dionísio ، A. ، Bouri ، E. ، and Quintino ، D. (2021). بازارهای انرژی - تأثیرگذار چه کسانی هستند؟انرژی 239 ، 121962. doi: 10. 1016/j. energy. 2021. 121962

Ferrer ، R. ، Shahzad ، S. J. H. ، López ، R. ، and Jareño ، F. (2018). پویایی زمان و فرکانس اتصال بین سهام انرژی های تجدید پذیر و قیمت نفت خام. انرژیECON76 ، 1-20. doi: 10. 1016/j. eneco. 2018. 09. 022

Geng ، J.-B. ، Liu ، C. ، Ji ، Q. ، and Zhang ، D. (2021). آیا تغییرات قیمت نفت واقعاً برای بازده انرژی پاک اهمیت دارد؟تجدیدپایدارانرژیوحی 150 ، 111429. doi: 10. 1016/j. rser. 2021. 111429

Gupta ، R. ، Subramaniam ، S. ، Bouri ، E. ، and Ji ، Q. (2021). عدم قطعیت مربوط به بیماری عفونی و مشخصه امن اوراق بهادار خزانه داری ایالات متحده. int. روحانی اکون. امور مالی 71 ، 289-298. doi: 10. 1016/j. iref. 2020. 09. 019

Koenker ، R. ، and Bassett ، G. (1978). مقادیر رگرسیون. Econometrica 46 ، 33-50. doi: 10. 2307/1913643

Koenker ، R. (2005). رگرسیون کمی. کمبریج ، انگلیس: انتشارات دانشگاه کمبریج.

Koenker ، R. W. ، and D'Orey ، V. (1987). الگوریتم به عنوان 229: محاسبات مقادیر رگرسیون. کاربردآمار36 (3) ، 383-393. doi: 10. 2307/2347802

König ، M. ، and Winkler ، A. (2020). COVID-19 و رشد اقتصادی: آیا عملکرد خوب دولت از بین می رود؟بین اقتصاد 55 (4) ، 224-231. doi: 10. 1007/s10272-020-0906-0

Longin ، F. ، and Solnik ، B. (2001). همبستگی شدید بازارهای سهام بین المللی. J. Finance 56 ، 649-676. doi: 10. 1111/0022-1082. 00340

Ozili ، P. K. ، and Arun ، T. (2020). سرریز COVID-19: تأثیر بر اقتصاد جهانی. الکترون SSRN. J. موجود در SSRN 3562570. doi: 10. 2139/ss. 3562570

Pukthuanthong ، K. ، and Roll ، R. (2009). ادغام بازار جهانی: یک اقدام جایگزین و کاربرد آن. J. Econ Financial. 94 (2) ، 214-232. doi: 10. 1016/j. jfineco. 2008. 12. 004

Saeed ، T. ، Bouri ، E. ، and Alsulami ، H. (2020a). اتصال شدید بازگشت و عوامل تعیین کننده آن بین انرژی تمیز/سبز و کثیف. انرژیECON96 ، 105017. doi: 10. 1016/j. eneco. 2020. 105017

Saeed ، T. ، Bouri ، E. ، and Tran ، D. K. (2020b). استراتژی های محافظت از دارایی های سبز در برابر دارایی های انرژی کثیف. انرژی 12 (13) ، 3141. doi: 10. 3390/en13123141

Saji ، T. G. (2021). ادغام بازار سهام آسیا پس از بحران مالی جهانی: یک رویکرد آزمایش محدود ARDL. مالی مدیریتی 47 ، 1651-1671. doi: 10. 1108/mf-08-2020-0430

واژه‌های کلیدی: اوراق قرضه سبز ، سهام انرژی پاک ، نفت خام ، شاخص های عدالت ، دکوراسیون دکوراسیون ، محرک های ادغام ، طبقه بندی JEL COVID19: C22 ، G10

استناد: Liu X ، Bouri E and Jalkh N (2021) دینامیک و عوامل تعیین کننده ادغام بازار سرمایه گذاری های انرژی سبز ، تمیز ، کثیف و شاخص های سهام معمولی. جلو. محیطعلمی9: 786528. doi: 10. 3389/fenvs. 2021. 786528

دریافت: 30 سپتامبر 2021 ؛پذیرفته شده: 11 نوامبر 2021 ؛منتشر شده: 01 دسامبر 2021.

ژن وانگ ، دانشگاه کشاورزی Huazhong ، چین

Partha Gangopadhyay ، دانشگاه غربی سیدنی ، استرالیا Zhenxing Liu ، دانشگاه کارولینای شمالی در چاپل هیل ، ایالات متحده

کپی رایت © 2021 لیو ، بوری و ژله. این یک مقاله با دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons (CC توسط) توزیع شده است. استفاده ، توزیع یا تولید مثل در سایر انجمن ها مجاز است ، مشروط بر اینکه نویسنده اصلی (ها) و مالک (های) دارای حق چاپ (دارایی) اعتبار داشته باشند و انتشار اصلی در این ژورنال مطابق با عمل دانشگاهی پذیرفته شده استناد می شود. بدون استفاده ، توزیع یا تولید مثل مجاز است که این شرایط را رعایت نمی کند.

التداول المالي...
ما را در سایت التداول المالي دنبال می کنید

برچسب : نویسنده : سیروس ابراهیم‌زاده بازدید : 48 تاريخ : جمعه 4 فروردين 1402 ساعت: 18:13