دوره 10، شماره 38 - ( 12-1398 )                   سال10 شماره 38 صفحات 45-94 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sayadi M, Karimi N. Modeling the Dependency Structure between Stocks of Chemical Products Return, Oil Price and Exchange Rate Growth in Iran; an Application of Vine Copula. jemr. 2020; 10 (38) :45-94
URL: http://jemr.khu.ac.ir/article-1-1811-fa.html
صیادی محمد، کریمی نسیم. مدلسازی وابستگی بین بازدهی سهام گروه محصولات شیمیایی، رشد قیمت نفت و رشد نرخ ارز در ایران؛ کاربرد توابع Vine Copula. فصلنامه تحقیقات مدل سازی اقتصادی. 1398; 10 (38) :45-94

URL: http://jemr.khu.ac.ir/article-1-1811-fa.html


چکیده:   (495 مشاهده)
هدف اصلی این پژوهش، مدل‌سازی وابستگی بین بازدهی سهام گروه محصولات شیمیایی، رشد قیمت نفت و رشد نرخ ارز در ایران و محاسبه ارزش در معرض ریسک است. برای این منظور از تئوری توابع کاپولا درختی که در ادبیات مالی یکی از کاراترین روش­ها برای بررسی ساختار وابستگی است، استفاده شده است. علاوه بر نشان دادن وابستگی خطی بین بازارهای مالی در ایران، ساختار وابستگی غیر خطی این بازارها نیز برآورد شده و وابستگی به دُم بالایی و یا پایینی آنها مشخص شده است. دوره مورد بررسی شامل داده‌های روزانه (روزهای کاری مشترک) از اول آذر سال 1387 تا انتهای خرداد سال 1398 می­باشد. در مدلسازی توزیع‌های حاشیه‌ای از مدل‌های GJR-GARCH استفاده شده که پس از آن با استفاده از رهیافت Copula-GARCH به بررسی ساختارهای وابستگی و نیز محاسبه ارزش در معرض ریسک متغیرهای تحقیق پرداخته شده است و در نهایت پس‌آزمایی لازم بر اساس معیار تابع زیان انجام شده است. یافته‌های پژوهش نشان می‌دهد، هر دو جفت از بازدهی‌های مدل‌سازی شده وابستگی یکسانی به دنباله­ بالایی و پایینی دارد. بین بازدهی سهام گروه محصولات شیمیایی و رشد نرخ ارز به شرط رشد قیمت نفت خام وابستگی ساختاری مشخصی بر اساس توابع کاپولای واین در دنباله‌های توزیع وجود دارد که نشان دهنده سرایت بین بازار محصولات شیمیایی و نرخ ارز است. همچنین، بین بازده سهام گروه محصولات شیمیایی و رشد قیمت نفت خام به شرط رشد نرخ ارز وابستگی ساختاری مشخصی بر اساس توابع کاپولای واین در دنباله‌های توزیع وجود دارد که نشان دهنده سرایت بین بازار محصولات شیمیایی و نفت خام است. با توجه به اینکه سرایت نوسان منشاء اصلی ریسک مالی است، لحاظ وابستگی ساختاری بر اساس توابع کاپولای واین می‌تواند برآورد قابل اعتمادی از ریسک پرتفوی بر اساس معیار ارزش در معرض ریسک فراهم آورد
متن کامل [PDF 706 kb]   (136 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: انرژی، منابع و محیط زیست
دریافت: 1397/11/15 | پذیرش: 1398/5/5 | انتشار: 1399/2/4

فهرست منابع
1. Akaike, H. (1974). A new look at the statistical model identification. IEEE transactions on automatic control, 19(6), 716-723. [DOI:10.1109/TAC.1974.1100705]
2. Ang, A. & J. Chen. (2002). "Asymmetric Correlations of Equity Portfolios", Journal of [DOI:10.1016/S0304-405X(02)00068-5]
3. Financial Economics, PP. 443-494.
4. Barghi Osguei, M.H., Motafaker Azad., M. A., Shahbazzadeh, A. (2014). Modeling nonlinear effects of the changes in real exchange rate and crude oil prices on Tehran stock exchange (The Markov Switching approach). Jemr, 4 (14), 85-109. {In Persian}
5. Basher, S. A., & Sadorsky, P. (2006). Oil price risk and emerging stock markets. Global finance journal, 17(2), 224-251. [DOI:10.1016/j.gfj.2006.04.001]
6. Beytari, J., panahian, H. (2019). Providing a model of trading volume relationships, transaction value with stock returns and price bubbles in different industries of Tehran Stock Exchange by using Copula functions and GARCH models, Financial Engineering and Portfolio Management,10(39), 26-53. {In Persian}
7. Bordbar N, Heidari E. (2017). The Effect of World Oil Price Fluctuations on the Return of the Energy Intensive Industries Stock in Iran. Jemr, 7 (27),177-205. {In Persian} [DOI:10.29252/jemr.7.27.177]
8. Cherubini, U., Luciano, E., & Vecchiato, W. (2004). Copula methods in finance John Wiley and Sons. New York. [DOI:10.1002/9781118673331]
9. Clayton, D. G. (1978). A model for association in bivariate life tables and its application in epidemiological studies of familial tendency in chronic disease incidence. Biometrika, 65(1), 141-151. [DOI:10.1093/biomet/65.1.141]
10. Durrleman, V., Nikeghbali, A., & Roncalli, T. (2000). A simple transformation of copulas. Available at SSRN 1032543. [DOI:10.2139/ssrn.1032543]
11. Emamverdi, GH. (2018). Studying the effects of using GARCH-EVTCOPULA method to estimate value at risk of portfolio, Iranian Journal of Finance. 2(1), 93-119. {In Persian}
12. Embrechts, P., Mcneil, A., Straumann, D. (1999), Correlation: Pitfalls and Alternatives, RISK Magazine, PP. 69-71.
13. Embrechts, P., Lindskog, F., & McNeil, A. J. (2001). Modelling Dependence with Copulas and Applications to Risk Management. Zürich.
14. Fakari Sardehae, B., Sabuhi, M., Shahpuri, A. (2018). The effects of changes in the price of crude oil on the Tehran Stock Exchange index: The use of M-GARCH approach BEKK, Journal of Economic Research (Tahghighat-E-Eghtesadi), 53(2), 387-407. {In Persian}
15. Frank, M. J., Nelsen, R. B., & Schweizer, B. (1987). Best-possible bounds for the distribution of a sum-a problem of Kolmogorov. Probability theory and related fields, 74(2), 199-211. [DOI:10.1007/BF00569989]
16. Filis, G., Degiannakis, S. and CH. Floros (2011), "Dynamic Correlation between Stock Market and Oil Prices: The Case of OilImporting and Oil-Exporting Countries", International Review of Financial Analysis, Vol. 20, Issue.3, pp.152-164. [DOI:10.1016/j.irfa.2011.02.014]
17. Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The journal of finance, 48(5), 1779-1801. [DOI:10.1111/j.1540-6261.1993.tb05128.x]
18. Gong, X. L., Liu, X. H., & Xiong, X. (2019). Measuring tail risk with GAS time varying copula, fat tailed GARCH model and hedging for crude oil futures. Pacific-Basin Finance Journal, 55, 95-109. [DOI:10.1016/j.pacfin.2019.03.010]
19. Gumbel, E. J. (1960). Bivariate exponential distributions. Journal of the American Statistical Association, 55(292), 698-707. [DOI:10.1080/01621459.1960.10483368]
20. Huang, J. Lee, K., Liang, H. and Lin, W. (2003). Estimating value at risk of portfolio by conditional copula-GARCH method. Insurance: Mathematics and Economics, 45, 315-324. [DOI:10.1016/j.insmatheco.2009.09.009]
21. Jalaei Esfanabadi, S.A., Salehi, N., Shivaei, E. (2018). Modeling the relationship between the price index in financial markets terms of trade in Iran (marton and conditional Copula functions approches), Journal of Financial Economics, 42(12), 1-24. {In Persian}
22. Jondeau, E. Rockinger, M. (2006). The Copula_GARCH model of conditional dependency: an international stock market application, Journal of International Moneyand Finance, 25, 827-853. [DOI:10.1016/j.jimonfin.2006.04.007]
23. Jorion, P. (2007). Financial risk manager handbook, (Vol. 406). John Wiley & Sons.
24. keshavarz Haddad, GH., Heyrani, M. (2015) Estimation of Value at Risk in the Presence of Dependence Structure in Financial Returns: A Copula Based Approach, Journal of Economic Research (Tahghighat-E-Eghtesadi), 49(4), 869-902. {In Persian}
25. Le, T. H., & Chang, Y. (2015). Effects of oil price shocks on the stock market performance: Do nature of shocks and economies matter? Energy Economics, 51, 261-274. [DOI:10.1016/j.eneco.2015.06.019]
26. Ma, Ch.K., & Kao, G.W. (1990). On exchange rate change and stock price reactions. Journal of Business Finance and Accounting, 17(3): 441-449. [DOI:10.1111/j.1468-5957.1990.tb01196.x]
27. Mamipour, S., Feli, A. (2017). The Impact of Oil Price Volatility on Tehran Stock Market at Sector-Level: A Variance Decomposition Approach, Financial, Monetary Economics, 24(14), 205-236. {In Persian}
28. McNeil, A. J., Frey, R., & Embrechts, P. (2005). Quantitative risk management: Concepts, techniques and tools (Vol. 3). Princeton: Princeton university press.
29. Mousavi, M., Raghfar, H., Mohseni, Mansureh. (2013). Estimation of the Value of Risky Stocks (Using Conditional Copula-Garch Method), Iranian Journal of Economic Research, 18(54), 119-152. {In Persian}
30. Nandha, M., Faff, R. (2008), Does oil move equity prices? A global view, Energy Economics, 30, 986-997. [DOI:10.1016/j.eneco.2007.09.003]
31. Nelsen, R. B. (2006). An introduction to copulas, 2nd. New York: Springer Science Business Media.
32. Nikoo Eghbal, A., Alikhani, N., Naderi. E. (2013). The Analysis of Crude Oil Prices Dynamic Effects on Irans Methanol, Iranina journal of Energy ,16 (3), 91-106. {In Persian}
33. Palaro, H., Hotta, L. (2006). Using conditional copula to estimate Value at Risk. Journal of Data science,4.33-115.
34. Park, J. W. (2007). Oil price shocks and stock market behavior: empirical evidence for the US and European countries (Doctoral dissertation, University of Missouri-Columbia.
35. Pishbahar, E., Abedi, S. (2017) Measuring portfolio Value at Risk: The application of copula approach, Financial Engineering and Portfolio Management, 8(30), 55-73. {In Persian}
36. Rockinger, M., & Jondeau, E. (2001). Conditional dependency of financial series: an application of copulas. [DOI:10.2139/ssrn.1730198]
37. Sadeghi Shahdani, M., Mohseni, H. (2013). The effect of oil price on stock market returns: Evidence from oil exporting Middle East countries, Quarterly Journal of Energy Policy and Planning Research, 1 (3), 1-16. {In Persian}
38. Sadorsky. Perry and Haug. Alfred. A and Basher. Syed Abul, (2011), " Oil prices, exchange rates and emerging stock markets", MPRA Paper No. 30140, posted 07.
39. Sheng, Y., & Chyidoong, S.H. (2004). Price and volatility spillovers between stock prices and exchange rates: empirical evidence from the G-7 Countries. International Journal of Business and Economics, 3(2):139-153.
40. Sklar, M. (1959). Fonctions de repartition a dimensions et leurs marges. Publ. inst. statist. univ. Paris, 8, 229-231.
41. Wang, Z., Chen, X., Jin, Y. and Zhou, Y. (2010). Estimating risk of foreign exchange portfolio: Using VaR and CVaR based on GARCH-EVT-copula model. Physica A, 383. 4318-4328. [DOI:10.1016/j.physa.2010.07.012]
42. Wang, K., Chen, Y. -H., & Huang, S. -W. (2011). The dynamic dependence between the Chinese market and other international stock returns: A time-varying copula approach. International Review of Economics and Finance, 21, 654-664. [DOI:10.1016/j.iref.2010.12.003]
43. Yu, L., Zha, R., Stafylas, D., He, K., & Liu, J. (2019). Dependences and volatility spillovers between the oil and stock markets: New evidence from the copula and VAR-BEKK-GARCH models. International Review of Financial Analysis. 23, 117-129. [DOI:10.1016/j.irfa.2018.11.007]
44. Zaroki, Sh., Motameniorcid, M., Fathollahzadeh, A. (2018). The Effect of the Global Oil Price on Value of the Petrochemical Industry in Iran with NARDL Approach, Journal of Iranian Energy Economics, 7(27), 101-132. {In Persian}

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصلنامه تحقیقات مدلسازی اقتصادی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Economic Modeling Research

Designed & Developed by : Yektaweb