بازار نفت خام و بازارهای سهام در طول همه گیر Covid-19: شواهدی از ایالات متحده ، ژاپن و آلمان

  • 2021-02-12

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Connect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

چکیده

ما با استفاده از دو روش تجربی برای اتصال: رویکرد دامنه زمان توسعه یافته توسط Diebold و Yilmaz (2012) و روش مبتنی بر روش ، تجزیه و تحلیل بازده و نوسانات بین همه گیر COVID-19 در سال 2020 ، بازار نفت خام و بازار سهام را مورد تجزیه و تحلیل قرار دادیم. در مورد دینامیک فرکانس توسعه یافته توسط Barunik و Krehlik (2018). ما می دانیم که سرریز بازگشت عمدتا در کوتاه مدت رخ می دهد. با این حال ، سرریز نوسانات عمدتا در دراز مدت رخ می دهد. از نتایج تجزیه و تحلیل پنجره در حال حرکت ، تأثیر COVID-19 سطح بی سابقه ای از ریسک مانند کاهش قیمت نفت را ایجاد کرده و چهار بار باعث ایجاد قطع کننده مدار بورس ایالات متحده می شود و همین امر باعث شده است که سرمایه گذاران در یک دوره کوتاه متحمل ضرر سنگین شوند. علاوه بر این ، تأثیر COVID-19 بر نوسانات بازار نفت و سهام بیش از آنچه ناشی از بحران مالی جهانی سال 2008 است ، و همچنان تأثیر دارد. تأثیر بیماری همه گیر Covid-19 در بازارهای مالی از نظر کوتاه و طولانی نامشخص است. تحقیقات ما برخی از بینش های فوری و برجسته را برای کمک به سرمایه گذاران و سیاست گذاران به دلیل همه گیر Covid-19 و استراتژی های سیاست توسعه اقتصادی مجدداً از خطرات موجود در بازار نفت و بورس استفاده می کند.

کلمه کلیدی: COVID-19 ، بازار نفت خام ، بازار سهام ، اثر سرریز ، رویکرد دامنه زمان ، روش مبتنی بر پویایی فرکانس

1. مقدمه

براساس اعلام سازمان بهداشت جهانی ، 29444،198 مورد تأیید شده Covid-19 ، از جمله 931،321 مرگ ، از 16 سپتامبر 2020 وجود داشته است. در سال 1918 - تقریباً یک قرن قبل - بیماری همه گیر آنفولانزای اسپانیا حدود 40 میلیون نفر در سراسر جهان کشته شد. همانطور که توسط بارو و همکاران بررسی شده است.(2020) ، انتظار می رود تعداد مرگ و میر ناشی از آنفولانزای اسپانیا بالاتر از موارد ناشی از Covid-19 باشد ، اما انتظار می رود تأثیر همه گیر Covid-19 بر اقتصاد بسیار بیشتر از آنفولانزای اسپانیا باشدواداز آنجا که بسیاری از کشورها پس از شیوع COVID-19 ، سیاست های دقیق قرنطینه را اتخاذ کرده اند ، فعالیت های اقتصادی بسیار محدود شده است. پیامدهای بلند مدت همه گیر Covid-19 ممکن است بیکاری و تعطیلی تجارت باشد. برخی از صنایع مانند گردشگری و حمل و نقل هوایی با مشکلات و چالش های مختلفی روبرو هستند.< SPAN> به گفته سازمان بهداشت جهانی ، 29444،198 مورد تأیید شده Covid-19 ، از جمله 931،321 مرگ ، از 16 سپتامبر 2020 وجود داشته است. در سال 1918 - تقریباً یک قرن قبل - بیماری همه گیر آنفولانزای اسپانیا حدود 40 میلیون نفر در سراسر جهان کشته شد. همانطور که توسط بارو و همکاران بررسی شده است.(2020) ، انتظار می رود تعداد مرگ و میر ناشی از آنفولانزای اسپانیا بالاتر از موارد ناشی از Covid-19 باشد ، اما انتظار می رود تأثیر همه گیر Covid-19 بر اقتصاد بسیار بیشتر از آنفولانزای اسپانیا باشدواداز آنجا که بسیاری از کشورها پس از شیوع COVID-19 ، سیاست های دقیق قرنطینه را اتخاذ کرده اند ، فعالیت های اقتصادی بسیار محدود شده است. پیامدهای بلند مدت همه گیر Covid-19 ممکن است بیکاری و تعطیلی تجارت باشد. برخی از صنایع ، مانند گردشگری و حمل و نقل هوایی ، با مشکلات و چالش های مختلفی روبرو هستند. با توجه به سازمان بهداشت جهانی ، 29444،198 مورد تأیید شده از Covid-19 ، از جمله 931،321 کشته ، از 16 سپتامبر 2020 وجود داشته است. در سال 1918 - تقریباً یک قرن قبل - بیماری همه گیر آنفولانزای اسپانیا حدود 40 میلیون نفر در سراسر جهان کشته شد. همانطور که توسط بارو و همکاران بررسی شده است.(2020) ، انتظار می رود تعداد مرگ و میر ناشی از آنفولانزای اسپانیا بالاتر از موارد ناشی از Covid-19 باشد ، اما انتظار می رود تأثیر همه گیر Covid-19 بر اقتصاد بسیار بیشتر از آنفولانزای اسپانیا باشدواداز آنجا که بسیاری از کشورها پس از شیوع COVID-19 ، سیاست های دقیق قرنطینه را اتخاذ کرده اند ، فعالیت های اقتصادی بسیار محدود شده است. پیامدهای بلند مدت همه گیر Covid-19 ممکن است بیکاری و تعطیلی تجارت باشد. برخی از صنایع مانند گردشگری و حمل و نقل هوایی با مشکلات و چالش های مختلفی روبرو هستند.

در حالی که همه گیر Covid-19 باعث افزایش شدید عدم اطمینان شده است ، شوک به بازار نفت و بازار سهام بی سابقه است. در ماه مه 2020 ، همراه با گسترش جهانی همه گیر Covid-19 ، قیمت بین المللی نفت شاهد سقوط نادر بود و قیمت معاملات آینده WTI در چهار سال به پایین ترین قیمت کاهش یافت. با این حال ، نه تنها تقاضای نفت خام مورد اصابت قرار گرفته است ، بلکه ممکن است تأمین نفت خام نیز تحت تأثیر قرار گیرد. خاورمیانه در "دوره شیوع" اپیدمی در حال پیشرفت است. اگر وضعیت اپیدمی خاورمیانه همچنان بدتر شود ، امکان تأثیر آن بر صادرات نفت خام در منطقه قابل رد نیست. بنابراین ، عرضه در بازار نفت به سرعت گسترش می یابد. در مارس 2020 ، سرمایه گذاران جهانی آشفته ترین ماه در تاریخ بورس اوراق بهادار ایالات متحده را تجربه کردند: قطع کننده مدار در طی 10 روز چهار بار آغاز شد و قیمت ها در 3 روز 20 ٪ افزایش یافت. آخرین باری که قطع کننده مدار بورس ایالات متحده یک بار در سال 1997 آغاز شد. پس از سقوط بازار سهام ایالات متحده ، بازارهای سهام اروپا و آسیا نیز کاهش یافت. DAX ، شاخص اصلی سهام در آلمان ، در 18 مارس 2020 2 و بیش از 10 ٪ کاهش یافت و Topix ، شاخص اصلی سهام در ژاپن ، بیش از 20 ٪ از موقعیت عالی خود در 3 دسامبر 2019 3 کاهش یافت. برای بازگرداندن توسعه اقتصادی ، دولت سیاست های بسیاری صادر کرد. به عنوان مثال ، در 15 مارس 2020 ، دولت آمریكا از طرح محرک اقتصادی 1 تریلیون دلاری ، از جمله چک 500 میلیارد دلاری به مردم آمریكا برای كاهش تأثیر بیماری همه گیر Covid-19 بر اقتصاد آمریكا خبر داد. اگرچه اخیراً بیشتر بازارهای سهام دوباره شروع به بازگشت کرده اند ، اما با ادامه همه گیر بودن اپیدمی Covid-19 ، سطح بالای عدم اطمینان باقی مانده است.

از آنجا که همه گیر Covid-19 در حال انجام است ، فعالیت های معمول اجتماعی و فعالیت های تجارت اقتصادی هنوز محدود است که این امر بر توسعه اقتصادی عادی تأثیر می گذارد. با نزدیک شدن به 3 میلیارد نفر در خانه برای جلوگیری از گسترش ، تقاضای جهانی نفت به میزان قابل توجهی کاهش یافت. علاوه بر این ، شیوع بزرگ همه گیر Covid-19 در اروپا و ایالات متحده منجر به فروپاشی بازار جهانی سهام شد. بنابراین ، تحقیق در مورد تأثیر بیماری همه گیر در بازار نفت و سهام به منظور بازگرداندن عملیات اقتصادی عادی در اسرع وقت و کاهش ضررهای اقتصادی ناشی از همه گیر بسیار مهم است. بنابراین ، برای کشف ارتباط بین همه گیر Covid-19 ، بازار نفت خام و بازار سهام ، ما قیمت نفت خام WTI ، شاخص سهام S& P 500 ، شاخص سهام Topix و شاخص سهام DAX را در سراسر ایالات متحده ، ژاپن انتخاب می کنیم.، و آلمان ، به عنوان تحقیقات ما. دلایل انتخاب این سه کشور به شرح زیر بود. اول ، به دلیل تأثیر همه گیر Covid-19 ، بازارهای جهانی سهام بسیار بی ثبات شده اند. بنابراین ، ما می خواستیم بر بررسی تأثیر بیماری همه گیر در بورس سهام سه منطقه مختلف: ایالات متحده ، اروپا و آسیا تمرکز کنیم. دوم ، ما ایالات متحده ، آلمان و ژاپن را به نمایندگی از مناطق انتخاب کردیم زیرا این سه کشور عضو G7 و در نتیجه نماینده مناطق آنها هستند. سوم ، ما می خواستیم فقط یک کشور را در هر منطقه انتخاب کنیم تا ساختار داده ها متعادل باشد. دانستن بازده و نوسانات ناشی از شوک های رویداد برای سرمایه گذاران برای جلوگیری از خطرات هنگام سرمایه گذاری ، به ویژه در زمان همه گیر Covid-19 و برای سیاست گذاران برای تدوین سیاست هایی برای کاهش تأثیر بیماری همه گیر بر اقتصاد ، بسیار مهم است.

مشارکت های اصلی مقاله ما به شرح زیر است. اول، طبق دانش ما، تحقیقات ما اولین تحقیقی است که اثرات سرریز بازده و نوسان را در بازار نفت خام، بازار سهام و همه‌گیری COVID-19 در سال 2020 در سراسر ایالات متحده، ژاپن و آلمان با استفاده از دامنه زمانی ارزیابی می‌کند. رویکرد توسعه یافته توسط Diebold و Yilmaz (2012) و روش مبتنی بر دینامیک فرکانس توسعه یافته توسط Barunik و Krehlik (2018) (از این پس به ترتیب DK12 و BK18). دوم، نتایج ما نشان می‌دهد که سرریز بازده بیشتر در کوتاه‌مدت اتفاق می‌افتد، در حالی که سرریز نوسان بیشتر در بلندمدت رخ می‌دهد، مطابق با نتایج تحلیل استاتیک. سوم، از تجزیه و تحلیل پنجره متحرک، متوجه می‌شویم که تأثیر COVID-19 بر نوسانات نفت و بازارهای سهام از بحران مالی جهانی 2008 بیشتر است و تأثیر مستمری دارد.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 ادبیات مربوطه را ارائه می کند. بخش 3 اصول روش های DY12 و BK18 را شرح می دهد. بخش 4 متغیرهای داده و آمار توصیفی تجزیه و تحلیل اولیه را نشان می دهد. در بخش 5، نتایج اثرات سرریز و تحلیل پنجره متحرک را به طور جداگانه توضیح می دهیم. در بخش 6، ما نتایج تحقیق خود را ارائه می کنیم.

2. بررسی ادبیات

در سال 2020 ، همه گیر Covid-19 در سراسر جهان رو به افزایش است و تأثیر آسیب زا بر اقتصاد جهانی ، تجارت و جنبه های دیگر داشته است. برای به حداقل رساندن تأثیر همه گیر Covid-19 بر اقتصاد جهانی ، اقتصاددانان شروع به تجزیه و تحلیل روابط خود کردند. با این حال ، از آنجا که بازارهای سهام نیروی محرکه اقتصاد جهانی است ، اقتصاددانان در حال تمرکز بر تحقیقات در ارتباط با بازار سهام و همه گیر Covid-19 هستند. بیکر و همکاران.(2020a) در مورد واکنش سهام ایالات متحده به همه گیر Covid-19 بررسی شد. آنها دریافتند که تأثیر بیماری همه گیر Covid-19 در بورس اوراق بهادار ایالات متحده بی سابقه است و با شیوع بیماری عفونی قبلی ، آنفولانزای اسپانیا قابل مقایسه است. آنها شواهد و شواهد را توضیح دادند كه محدودیت های دولت در فعالیت های تجاری ، تجارت بین المللی و برخی از جنبه های دیگر منجر به اینكه سهام ایالات متحده نسبت به Covid-19 به همان اندازه به شدت واکنش نشان دهد. الاوادی و همکاران.(2020) از تجزیه و تحلیل داده های پانل برای ارزیابی تأثیر همه گیر COVID-19 در بازار سهام چین استفاده کرد. آنها از مجموعه داده های شرکت ها در فهرست شاخص Hang Seng و شاخص کامپوزیت بورس سهام شانگهای از 10 ژانویه ، 2020 تا 16 مارس 2020 استفاده کردند ، این دوره ای است که شامل زمان شناسایی همه گیر Covid-19 در چین است. آنها نتیجه گرفتند که افزایش روزانه در موارد تأیید شده و تعداد کل مرگ و میرهای ناشی از COVID-19 تأثیر منفی قابل توجهی در بازده سهام همه شرکت ها دارد. علاوه بر این ، Onali (2020) برای محاسبه نوسانات بازار سهام ایالات متحده (داو جونز و شاخص های S& P500) از یک مدل (1،1) استفاده کرد ، و تأثیر همه گیر COVID-19 و مرگ و میرهای مرتبط با آن را در بازار سهام ایالات متحده بررسی کرد. وادآنها دریافتند که تعداد گزارش شده از مرگ و میر در ایتالیا و فرانسه تأثیر منفی بر بازده بورس سهام ایالات متحده دارد ، اما تأثیر مثبتی در بازده VIX دارد. علاوه بر این ، Papadamous و همکاران.(2020) از روش تجزیه و تحلیل داده های پانل برای بررسی تأثیر مستقیم و غیرمستقیم همه گیر COVID-19 بر نوسانات سهام بورس سهام در اروپا ، آسیا ، ایالات متحده و استرالیا استفاده کرد. یافته های آنها حاکی از آن است که اضطراب مبتنی بر گوگل در مورد اثرات مسری COVID-19 منجر به افزایش ریسک در بازار سهام می شود.

همه گیر Covid-19 در سال 2020 باعث افت شدید قیمت نفت شد که منجر به ضربه آسیب زا به بازار نفت شد. شریف و همکاران.(2020) ارتباط بین همه گیر COVID-19 ، شوک نوسانات قیمت نفت ، بازار سهام ، ریسک ژئوپلیتیکی و عدم اطمینان سیاست اقتصادی در ایالات متحده در رویکرد دامنه زمان و روش مبتنی بر پویایی فرکانس با استفاده از موجک انسجامروش و علیت گرنجر مبتنی بر موجک. آنها دریافتند که تأثیر بی سابقه ای از همه گیر COVID-19 بر این عناصر منجر به ایجاد باند های با فرکانس پایین می شود و تأثیر همه گیر Covid-19 بر خطر ژئوپلیتیکی به طور قابل توجهی بیشتر از عدم اطمینان اقتصادی ایالات متحده است. آلبولسکو (2020) در حالی که کنترل تأثیر آشفتگی مالی و عدم اطمینان از سیاست اقتصادی ایالات متحده را کنترل می کند ، تأثیر همه گیر Covid-19 بر قیمت نفت خام را بررسی کرد. آنها دریافتند که روزانه گزارش شده است که عفونت های جدید COVID-19 تأثیر منفی بر قیمت نفت خام خواهد داشت. علاوه بر این ، ناریان (2020) اهمیت نسبی عفونت های COVID-19 و اخبار قیمت نفت را در تأثیرگذاری بر قیمت نفت ارزیابی کرد. آنها نتیجه گرفتند که وقتی از قیمت نفت به عنوان آستانه استفاده می شود ، اخبار مربوط به همه گیر Covid-19 و قیمت نفت منفی بر قیمت نفت تحت تأثیر نوسانات بالا تأثیر می گذارد. گیل-آلانا و مون (2020) با استفاده از تکنیک های حافظه طولانی ، تأثیر COVID-19 را بر قیمت نفت خام WTI بررسی کردند. آنها دریافتند که سری قیمت نفت به معنای بازگشت است و دلالت بر این دارد که شوک گذرا خواهد بود ، البته با اثرات ماندگار.

در مطالعه ما ، بازده و نوسانات را در رویکرد دامنه زمان و روش مبتنی بر پویایی فرکانس محاسبه می کنیم. Diebold و Yilmaz (2012) رویکرد دامنه زمان را بر اساس تجزیه واریانس خطای پیش بینی برای ارزیابی سهم تغییرات خطای پیش بینی از نظر اندازه و جهت توسعه دادند. Barunik و Krehlik (2018) از تحول فوریه در نتایج Diebold و Yilmaz (2012) استفاده کردند و آن را بر اساس پویایی فرکانس گسترش دادند. ژانگ و همکاران.(2020a) با استفاده از روشهای جدید DY12 و BK18 ، ارتباطات گاز طبیعی ، نفت خام و سهام برق آمریکای شمالی و اروپا ، دو منطقه متضاد را بررسی کرد. ژانگ و همکاران.(2020b) همچنین از این دو روش برای ارزیابی ارتباط بین نفت ، گاز طبیعی و شاخص های کلان اقتصادی ایالات متحده استفاده کرد. علاوه بر این ، Toyoshima و Hamori (2018) از رویکردهای Diebold and Yilmaz ، 2012 ، Diebold and Yilmaz ، 2014 ، Diebold and Yilmaz ، 2015 و Barunik و Krehlik (2018) استفاده کردند تا پیوند بین بازده و نوسانات روغن نفت خام جهانی را ارزیابی کنند. بازارها ، و دریافتند که روغن خام WTI حداقل به کل بازده و نوسانات کمک می کند.

برای به دست آوردن نتایج پویا بازگشت و نوسانات ، ما همچنین از روش پنجره در حال حرکت از نظر رویکرد دامنه زمان و روش مبتنی بر پویایی فرکانس استفاده کردیم. لیو و هموری (2020) از روش تجزیه و تحلیل نورد برای بررسی نتایج پویا بازگشت و نوسانات در بین سهام انرژی های تجدید پذیر بین ایالات متحده و اروپا استفاده کردند. ژانگ و وانگ (2014) همچنین نمونه های نورد را برای درک بهتر و ضبط اثرات بازده و نوسانات در روابط پویا بین بازارهای چینی و جهانی نفت اعمال کردند.

3. تکنیک های تجربی

3. 1مدل DY12

مطالعه ما از متدولوژی تهیه شده توسط Diebold و Yilmaz (2012) برای اندازه گیری سرریزها در چارچوب Autoregression بردار عمومی (VAR) استفاده می کند. این رویکرد با ترکیب تجزیه واریانس خطای پیش بینی عمومی (GFEVD) با مدل VAR ، مفهوم اتصال را طراحی می کند. مدل V (P) متغیر K را می توان به عنوان (1) در زیر تصور کرد:

جایی کهحرفوکتور K × 1 متغیرهای شاغل را در زمان t تعریف می کند ، و matrices ماتریس ضریب K × K را نشان می دهد. بردار خطا εحرفمستقل و از نظر یکسان توزیع شده است ، و سر و صدای سفید (0 ، ∑) با ماتریس کوواریانس ∑ غیر مورب است.

فرایند VAR در مطالعه ما نیز می تواند با میانگین حرکت بردار (MA (∞)) تبدیل شود ، که در (2) نشان داده شده است. با فرض اینکه ریشه های ∣ ϕ (z) ∣ خارج از دایره یک واحد هستند:

جایی که ψ (l) یک ماتریس (k × k) از چند جملهای تاخیر نامتناهی است ، که می توان از ϕ (l) = [ψ (l)] −1 بدست آورد. با این حال ، از آنجا که ترتیب متغیرها در مدل VAR ممکن است بر نتایج پاسخ ضربان یا نتایج تجزیه واریانس تأثیر بگذارد ، برای اطمینان از استقلال تجزیه واریانس در سفارش ، Diebold و Yilmaz (2012) از چارچوب VAR عمومی که توسط کوپ و همکاران تصور می شود ، استفاده کردند.(1996) و Pesaran و Shin (1998). بر اساس این چارچوب ، H-ste p-Ahead GFEVD را می توان به شکل (3) بیان کرد:

جایی که ψسخنرانییک ماتریس ضریب K × K از چند جمله ای در تاخیر H و σ استkk= (σ)kkواد(θسخنرانی)jkسهم متغیر K مدل را در واریانس خطای پیش بینی فاکتور J در Horizon H تعریف می کند. به طور خلاصه عناصر موجود در هر ردیف GFEVD به کل یک ، هر ورودی با مجموع ردیف ها در فرم (4) استاندارد می شود:

θ ~JK H به عنوان سرریز زوجی از K به J در Horizon H مشخص می شود ، که برای اندازه گیری اثر سرریز از بازار K به J استفاده می شود. علاوه بر این ، کل سرریز به عنوان سهم واریانس در پیش بینی ها مشخص می شود ، که توسط خطاهایی غیر از خطاهای خود کمک می کند. ما می توانیم سرریز زوج را در کل سرریز به شکل (5) جمع کنیم:

جایی که TR اپراتور ردیابی است. کل سرریز در همه بازارها نشان دهنده سرریز کلی است. علاوه بر این ، مدل DY12 دارای دو معیار است که اهمیت نسبی هر متغیر را در سیستم تعریف می کند:

Spillover Directional (از): S K ←. H = 100 × ∑ j = 1 j ≠ i n θ~KJ H n. سرریزهای جهت (از) سرریزی را که بازار K از همه بازارهای دیگر دریافت می کند ، اندازه گیری می کند. وت

سرریز جهت (به): s.← K H = 100 × ∑ j = 1 J ≠ i n θ~JK H n. سرریزهای جهت دار (به) اندازه گیری از بازار K را که به همه بازارهای دیگر منتقل می کند ، اندازه گیری می کند.

3. 2مدل BK18

تکنیک توسعه یافته توسط Barunik و Krehlik (2018) این روش را بر اساس پویایی فرکانس (کوتاه مدت ، میان مدت و بلند مدت) توضیح می دهد. BK18 از تبدیل فوریه برای تبدیل نتایج مدل DY12 به روش بر اساس پویایی فرکانس استفاده می کند. عملکرد پاسخ فرکانس به عنوان یک تحول فوریه از ضرایب بدست می آید.سخنرانی: ψ (e - iω) = ∑سخنرانیE - iωH ψسخنرانی، جایی که i = - 1. طیف علیت عمومی بیش از فرکانسهای ω ∈ ( - π ، π) به شکل (6) مشخص می شود:

جایی که ψ (e - iω) = ∑سخنرانیE - iωH ψسخنرانیآیا تبدیل فوریه پاسخ ضربه ψ استسخنرانیوادباید تأکید کرد که (F (Ω))jkمؤلفه طیف متغیر j در فرکانس ω به دلیل شوک در متغیر k است. از آنجا که مخرج طیف متغیر j را در یک فرکانس معین Ω نگه می دارد ، در علت فرکانس ، می توانیم شکل (6) را برای عدد توضیح دهیم. ما می توانیم وزن بگیریم (f (ω))jkبا سهم فرکانس واریانس متغیر JTH برای به دست آوردن تجزیه عمومی تجزیه واریانس در دینامیک فرکانس. این عملکرد وزنه برداری را می توان به شکل (7) مشخص کرد:

این قدرت متغیر j را در یک فرکانس معین نشان می دهد ، که به مقدار ثابت 2π از طریق فرکانس ها می رسد. هنگامی که تبدیل Impulse Fourier یک عدد پیچیده است ، ضرایب مربع تعداد پیچیده وزنی طیف فاکتور تعمیم یافته و از این رو تعداد واقعی است. به طور رسمی ، ما باند فرکانس d = (a ، b) را می سازیم: a ، b∈ (-π ، π) ، a

GFEVD در زیر باند فرکانس D:

با این حال ، (8) هنوز هم نیاز به نرمال شدن دارند. GFEVD مقیاس شده در باند فرکانس d = (a ، b): a ، b∈ (-π ، π) ، a

جایی که θ~JK D به عنوان سرریز جفت در یک باند فرکانس معین d مشخص می شود. علاوه بر این ، کل سرریز (اتصال فرکانس) را می توان در باند فرکانس D تعریف کرد و به عنوان (10) تعریف می شود:

جایی که TR اپراتور ردیابی است ، و σ θ~D جمع بندی همه عوامل θ است~D ماتریس. فرکانس کل سرریز کل سرریز کل را به بخش های مختلف فرکانس تجزیه می کند و می تواند در کل سرریزهای ایجاد شده توسط مدل DY12 اعمال شود.

به طور مشابه ، ما می توانیم دو سرریز جهت را در دینامیک فرکانس به شرح زیر تعریف کنیم:

سرریزهای جهت فرکانس (از): S K ←. f d = 100 × ∑ j = 1 j ≠ i n θ~KJ D n. سرریزهای جهت دار فرکانس (از) ، سرریز به دست آمده توسط بازار K را از سایر بازارهای دیگر در باند فرکانس D اندازه گیری می کند. وت

فرکانس های جهت دار (به): s.← k f d = 100 × ∑ j = 1 j ≠ i n θ~jk d n. سرریزهای جهت فرکانس (به) اندازه گیری از بازار K را به همه بازارهای دیگر در باند فرکانس d اندازه گیری می کند.

4- داده ها و متغیرها

ما از داده های روزانه از ردیاب نوسانات سهام عدالت عفونی (IDEMVT) ، Future Noy Oil WTI (WTI) ، شاخص S& P 500 (SP500) ، شاخص Topix (Topix) و شاخص DAX (DAX) از 4 ژانویه ، 2006 تا 31 اوت استفاده می کنیم.، 2020 برای آمریکا ، ژاپن و آلمان ، به استثنای روزهای غیر معمول کاری. ما از داده های مجموعه ای از 4 ژانویه 2006 استفاده می کنیم تا تأثیر بحران مالی جهانی 2008 را با آن از COVID-19 2020 بر شاخص سهام ایالات متحده ، بازار سهام ژاپن و بازار سهام آلمان مقایسه کنیم. برای از بین بردن تأثیر نرخ ارز بر نتایج تحقیق ، ما واحدهای ارزی متغیرها را به دلار آمریکا متحد کردیم. به طور دقیق تر ، ما از داده های پنج متغیر استفاده می کنیم ، همانطور که در جدول 1 نشان داده شده است.

میز 1

متغیرها در مدل.

متغیرداده هامنبع
رفیقردیاب نوسانات سهام عدالت بیماری های عفونیعدم قطعیت سیاست اقتصادی
wtiFutures Oil نفت خام WTI (USD/Barrel)Investing. com
SP500فهرست S& P 500Investing. com
قلهشاخص TopixInvesting. com
غوغاشاخص DAXبلومبرگ

ما به دنبال بیکر و همکاران ، از داده های IDEMVT از شاخص عدم قطعیت سیاست اقتصادی استفاده می کنیم.(2020b). IDEMVT با روش زیر ساخته شد. ابتدا اصطلاحات زیر در چهار مجموعه مشخص شده است:

  • نویسنده : نوروزي ديلمقاني مهسا
  • منبع : sasaki.website
  • بدون دیدگاه

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.