هدف از این مطالعه بررسی گله انتقال بتا بین بازده و نوسانات است. ما برای تجزیه و تحلیل از مدل همبستگی شرطی پویا با مدل نمونه گیری داده های مختلط (DCC-MIDAS) استفاده کرده ایم. شواهد نشان می دهد که گله یک فرستنده کلیدی در بازار سهام تایوان است. برآورد قابل توجه DCC-MIDAS توضیح می دهد که پدیده گله دار بسیار پویا و متغیر زمان در رفتار گله دار است. با استفاده از بتا متغیر زمان از گله دار بر اساس روش پیش بینی نورد و بررسی استحکام رویکرد رگرسیون سوئیچ مارکوف با استفاده از چهار نوع اوراق بهادار ، شواهد نشان می دهد که بین بتاها و گله ها همبستگی مشروط وجود دارد. علاوه بر این ، همچنین نشان می دهد که اشکال گله در بازارهای تایوان در دوره بحران فرعی.
1. مقدمه
گرگ یک رفتار تصمیم گیری در بازار مالی است. رفتار گله دار همچنین مسئله مهمی برای احساسات سرمایه گذاران ، استراتژی های سرمایه گذاری و ثبات بورس سهام است (به عنوان مثال به بوری و همکاران 2021 ؛ دمیر و همکاران 2019 ؛ فی و لیو 2021 ؛ گوا و همکاران 2020 مراجعه کنید). در امور مالی ، گله دار پدیده خوشه بندی نوسانات و ویژگی های متغیر زمان در داده های مالی است. به عبارت دیگر ، وجود گلها به احتمال زیاد به شکل همگام سازی حرکات نوسانات نمایش داده می شود ، به ویژه هنگامی که نوسانات بازار ناشی از فشار بازار است ، مانند بحران مالی و همه گیر Covid-19 (Akhtaruzzaman و همکاران 2021a، 2021b).
مطالعات قبلی خاطرنشان كردند كه گلها شواهد متفاوتی در ادبیات در مورد تأثیر نوسانات بورس سهام دارد. لی (2017) نتیجه می گیرد که دوره بحران زیرپرداخت ایالات متحده یک استثنا است ، زیرا در طی دوره هیچ مدرک مهمی از گله ها یافت نمی شود. با این حال ، Shyu and Sun (2010) هیچ تغییر قابل توجهی در گله های نهادی تحت استرس بازار در بازار سهام تایوان مشاهده نمی کنند. Hsieh (2013) با استفاده از داده های داخلی با فرکانس بالا ، شواهدی مبنی بر گله های سرمایه گذاران نهادی و فردی در بازار سهام تایوان پیدا می کند. فی و لیو (2021) تأثیر رفتارهای مربوط به سرمایه گذار بر نوسانات بورس سهام را بررسی می کنند و شواهدی را پیدا می کنند که اطلاعات موجود در معیار گله دار به بهبود پیش بینی نوسانات و ارزش اقتصادی برای سرمایه گذاران کمک می کند.
در این مقاله ، ما مفهوم بتا گله را پیشنهاد می کنیم تا نقش گله را در مکانیسم انتقال بازار مالی در بحران وام مسکن مجدداً مورد بررسی قرار دهیم. این مفهوم روند نوسانات بازار را بازگرداند و همبستگی متغیر زمان بین گله و نوسانات را نشان می دهد. در مقاله اخیر ، هوانگ و همکاران.(2021) مفهوم گله بتا را پیشنهاد کرد ، که تغییرات مقطعی در بتهای ناشی از تعصب رفتاری در امور مالی را اندازه گیری می کند-بیش از حد سرمایه گذاری سرمایه گذار. این مفهوم در مورد بسیاری از موضوعات ، مانند تأثیر بحران فرعی تأیید نشده است. علاوه بر این ، همچنین به بحث در ادبیات مربوط به گله دار کمک می کند و بسته به انتقال گله های بتا ، چشم انداز جدیدی را برای رابطه بین گله و نوسانات به ارمغان می آورد.
بیشتر مطالعات وجود اثرات گله دار یا تمرکز بر تأثیر تحلیلگران و خصوصیات بنگاهها را بررسی می کند ، در حالی که تعداد کمی از مقالات به صورت تجربی خطرات و ویژگی های نوسانات را بررسی می کنند ، چنین دم های چربی موجود در اطلاعات نامتقارن در طول بحران مالی. پیش بینی احساسات و گله سرمایه گذاران دشوار است ، اما مشاهده نوسانات بازار که ناشی از گله است ، نسبتاً آسان است. رفتار گله دار می تواند منطقی یا غیر منطقی باشد (Devenow and Welch 1996 ؛ Bikhchandani و Sharma 2001). احساسات بازار با گذشت زمان جمع می شود که آیا رفتار سرمایه گذاران منطقی یا غیر منطقی است. بر این اساس ، ما نمی توانیم رفتار گله دار را با استفاده از داده های فرکانس یکسان برای شرایط مختلف بازار ، به ویژه در دوره بحران مالی ، تشخیص دهیم. در این مطالعه ، رفتار گله دار عاملی در پیش بینی بتا در بین بازارهای سهام محسوب می شود.
در این مقاله ، ما مدل همبستگی شرطی پویا را با مدل نمونه گیری داده های مختلط (DCC-MIDAS) (Colacito و همکاران 2011) برای چهار پرتفوی اتخاذ می کنیم و سعی در پیش بینی در بحران مالی زیرزمینی می کنیم. ما بر روی مدل DCC-Midas Garch تمرکز می کنیم ، زیرا می تواند به مشاهدات مربوط به گله های بتا مناسب تر شود و اطلاعات مهم تری را از جمله اطلاعات ماهرانه ای منعکس کند ، که این امر دلالت بر نوسانات دارد و اطلاعات واقعی تری در مورد رفتار گله دار ارائه می دهد. علاوه بر این ، روش پیش بینی نورد برای پیش بینی بتا متغیر زمان از گله کار اعمال می شود ، و بررسی استحکام رویکرد رگرسیون-تغییر مارکوف برای مقایسه توانایی پیش بینی مدل DCC-MIDAS اعمال می شود. بنابراین ، این مقاله تخمین جدیدی از توانایی پیش بینی در دوره های پیش بینی و بحران بی ثبات را ارائه می دهد.
ادبیات قبلی در مورد گله در بازارهای سهام اقتصادهای توسعه یافته را در نظر می گیرد. با این حال ، بازار تایوان یک سیستم معاملاتی منحصر به فرد دارد. به عنوان مثال ، محدودیت 10 ٪ قیمت وجود دارد ، و سرمایه گذاران نهادی خارجی درصد بالایی از بازار سهام را در حدود 50-70 ٪ دارند. این مطالعه با بررسی بینش های جدید برای انتقال بتا-هیرنینگ بین بازده و نوسانات به موضوعات فعلی رفتار گله ، به ادبیات کمک می کند. این مقاله به دو روش اصلی به ادبیات کمک می کند. اول ، ما پیش بینی می کنیم بتا متغیر از گله دار چهار سبک اوراق بهادار در طول بحران. دوم ، همانطور که از مطالعات قبلی حمایت می شود ، ما مقایسه گسترده ای بین توانایی پیش بینی مدل GARCH و روش پیش بینی نورد ارائه می دهیم. علاوه بر این ، ما مقایسه ای از نتایج پیش بینی گله بین دوره های بحرانی کامل و زیرزمینی را ارائه می دهیم. به این ترتیب ، می توان مشاهده کرد که کدام مدل بهترین پیش بینی را در دوره های طولانی و فرار ارائه می دهد. این سهم منحصر به فرد مقاله در ادبیات است-استفاده از رویکرد DCC-Midas و روش نورد پیش بینی در نظر گرفته شده. علاوه بر این ، با استفاده از بتا متغیر از گلها بر اساس روش پیش بینی نورد و بررسی استحکام رویکرد رگرسیون سوئیچ مارکوف ، شواهدی از توانایی پیش بینی مدل می یابیم ، نشان می دهد که بین بتا و هرمی همبستگی مشروط وجود دارد.
باقیمانده مقاله به شرح زیر سازماندهی شده است: بخش 2 بر بررسی شواهد قبلی متمرکز است. بخش 3 بر روی داده ها و روش ها متمرکز است. تجزیه و تحلیل تجربی در بخش 4 ارائه شده است ، در حالی که بخش 5 نتیجه گیری را ارائه می دهد.
2. بررسی ادبیات
2. 1تشخیص رفتار گله: یک بررسی کوتاه
هرینگ تمایل دارد به جای پیروی از عقاید و اطلاعات شخصی خود ، از اقدامات دیگران تقلید کند ، حتی اگر آنها با پیش بینی ها مخالف باشند (کریستی و هوانگ 1995). مفهوم این است که اگر سرمایه گذاران اکثریت بازارها را دنبال کنند ، پراکندگی در بازده ها کاملاً از بین می رود.
تحقیقات در مورد رفتار گله برای بازارهای مالی مهم است. وقوع رفتار گله دار ، سرمایه گذاران را به سمت ارزیابی بیش از حد (تحت) سوق می دهد. علاوه بر این ، بر کیفیت مدیریت ریسک و تخمین عملکرد تأثیر خواهد گذاشت. چندین محقق (شارفشتاین و استین 1990 ؛ بیخچندانی و همکاران 1992 ؛ Devenow و Welch 1996) مدلهای نظری زیادی را برای رفتار گله دار توسعه داده اند. مطالعات تجربی عمدتاً بر وجود رفتار گله آمیز در بین مدیران صندوق و تحلیلگران مالی متمرکز شده است (لاکونیشوک و همکاران 1992 ؛ Wermers 1999 ؛ Welch 1992).
از گله دار اغلب برای توصیف همبستگی ناشی از تعامل بین سرمایه گذاران استفاده می شود. به عنوان مثال ، Chiang و همکاران.(2007) دریافت که اثر مسری در مرحله اولیه بحران مالی آسیا اتفاق می افتد ، و این رفتار گله دار بر مرحله بعدی بحران حاکم است ، زیرا خبر بد گسترده می شود و سرمایه گذاران متوجه تأثیر کامل بحران می شوند. از آنجا که همبستگی در بازارهای در حال ظهور در طی دوره های با استحکام بالا اتفاق می افتد ، سرمایه گذاران بین المللی به دلیل مسری تصمیمات دیگران را دنبال می کنند (بویر و همکاران 2006). برخی از مقالات در پاسخ به تغییرات در شرایط بازار ، بر بررسی رفتار گله برای پراکندگی همبستگی در بازده سهام تمرکز می کنند. چانگ و همکاران.(2000) شواهد مهمی در مورد گله در کره جنوبی و تایوان و شواهد جزئی از گله در ژاپن پیدا می کند. ژو و لای (2009) مشاهده می كنند كه فعالیت گله دار در بازار هنگ كنگ تمایل به شیوع بیشتر سهام كوچك دارد و سرمایه گذاران بیشتر به جای خرید سهام ، در هنگام فروش گله می كنند. تان و همکاران.(2008) گزارش می دهد که گله ها در هر دو شرایط در حال افزایش و در حال کاهش بازار اتفاق می افتد و به ویژه در سرمایه گذاران A-Gare وجود دارد.
برخی از مقالات در مورد گله در مورد تغییرات متقابل کشور در نوسانات سهام در سطح بازار بحث می کنند. Forbes و Rigobon (2002) دریافتند که در مورد بازارهای مالی وابسته به هم ، در دوره های با استحکام بالا افزایش قابل توجهی در حرکات مشترک وجود دارد. بنسادا و همکاران.(2018) نقش مسیر انتقال شوک پویایی وابستگی در حال تغییر را بین بازارهای سهام G7 پیدا کنید. Boubaker و Jouini (2014) شواهدی از حساسیت بازار به نوسانات بین بازارهای سهام در حال ظهور و توسعه یافته پیدا می کنند. چیانگ و همکاران.(2007) شواهد قابل توجهی در مورد همبستگی در بین بورس های مختلف در طول بحران آسیا پیدا می کند. کلین (2013) با استفاده از یک مدل رگرسیون به ظاهر غیر مرتبط با تغییر مارکوف برای تجزیه و تحلیل دینامیک های مختلف در زمان نوسانات زیاد و پایین ، گله های متغیر زمان در بورس را بررسی می کند و همبستگی بین بازارها را الگوبرداری می کند. کومار و همکاران.(2021) ادبیات را با تمرکز بر بازارهای کالاهای بزرگ اقتصاد در منطقه آسیا و اقیانوس آرام (چین ، هند ، اندونزی ، ژاپن ، مالزی ، سنگاپور ، تایوان و تایلند) گسترش دهید ، و دریابید که گلها در طول بی نهایت زیاد برجسته تر استدوره ها
هوانگ و سالمون (2004) اندازه گیری گله را پیشنهاد می کنند که امکان تغییر زمان در رفتار گله را فراهم می کند. روش آنها براساس فرض بتهای ماهانه متغیر است. نتایج برای ایالات متحده و کره جنوبی تمایل به گله برای کاهش یا حتی نامطلوب شدن در دوره های آشفتگی ، به عنوان مثال ، بحران های مالی آسیایی و روسیه و همچنین حباب فناوری اوایل دهه 2000 را نشان می دهد (Bohl et al. 2013). هوانگ و سالمون (2004) یک مدل قابل آزمایش را ارائه دادند که شامل تأثیر احساسات سرمایه گذار است.
2. 2نگاهی به روشهای آزمایش
اگرچه ادبیات بزرگی در مدل های پیش بینی نوسانات وجود دارد ، اما هیچ مدل واحدی به عنوان برتر ظاهر نمی شود. هانسن و لوند (2005) نتوانند نتیجه بگیرند که گارچ (1،1) سایر مدل های رقیب را هنگام مقایسه 330 مدل های مختلف نوسانات و غیر Garch برای پیش بینی نوسانات داخلی برای نرخ ارز DM-USD ضرب می کند. ژانگ و چودری (2013) نسبت های پرچین روزانه در بازار آتی کشاورزی را پیش بینی می کنند ، و پیدا کردن مدل Bekk-Garch برای داشتن توانایی پیش بینی برتر با استفاده از داده های محصول قابل ذخیره و مدل GARCH نامتقارن برای داده های محصول غیر قابل قبول. کانگ و همکاران.(2009) و وی و همکاران.(2010) توانایی پیش بینی برتر مدل های GARCH-Family در پیش بینی نوسانات برای بازارهای نفت خام را در صورت مقایسه با مدل های غیر GARCH بررسی و نشان می دهد. چند مقاله در ادبیات موجود ، توانایی پیش بینی روش فیلتر کالمن را در برابر مدل های GARCH مقایسه می کند. با توجه به نتایج ارائه شده توسط بروکس و همکاران.(1998) ، فیلتر کالمن با استفاده از پیش بینی های بازده در نمونه و خارج از نمونه بر اساس برآوردهای بتا ، نسبت به GARCH برتر است. نتیجه گیری مشابهی نیز توسط Faff و همکاران مطرح شده است.(2000) و چودری و وو (2008) هنگام مقایسه مدل های فیلتر کالمن و مدلهای گارچ برای پیش بینی بتا. با این حال ، این مقالات بتا را در دوره بحران بی ثبات یا استحکام مقایسه روش تخمین زده و یا پیش بینی نکرده اند.
مطالعات قبلی بسیاری از مدلهای پیش بینی نوسانات و مدل های ناهمگن مشروط مشروط (GARCH) را برای پیش بینی بتا ارائه داده است ، اما ما متوجه می شویم که گله بتا ممکن است با استفاده از یک بعد از مدل های GARCH به راحتی پیش بینی نشود. به عبارت دیگر ، ما یک چارچوب مناسب را مطرح می کنیم که مدل های چند بعدی Garch را برای پرتفوی های مختلف و سطح گله دار در نظر می گیرد. به بهترین دانش ما ، این مقاله پیشنهاد می کند که همبستگی شرطی پویا (DCC) یک روش تخمین کارآمد برای دارایی های متعدد است. اگرچه مدل DCC را می توان به راحتی برای دارایی های متعدد با انواع زمان تخمین زد ، اما برخورد با داده های فرکانس مختلف در همان زمان دشوار است.
مدل DCC-MIDAS ارائه شده توسط Colacito و همکاران.(2011) ترکیبی از مدل تجزیه دو جزء است. طبق مدل DCC-MIDAS ، Colacito و همکاران.(2011) نتیجه می گیرد که در استفاده از داده های فرکانس مختلط ، مدل ها نمایی از همبستگی پویا و روابط سرریز نوسانات را از هر دو دیدگاه بلند مدت و کوتاه مدت ارائه می دهند. وانگ و لی (2021) دریافتند که اثرات سرریز نامتقارن بین بازار نفت خام و سه بازار عمده مالی چین با استفاده از مدل DCC-MIDAS با اثرات عدم تقارن وجود دارد. عسغاریان و همکاران.(2013) نشان می دهد که شامل اطلاعات کلان اقتصادی با فرکانس پایین در مدل Garch-Midas توانایی پیش بینی مدل ، به ویژه برای مؤلفه واریانس بلند مدت را بهبود می بخشد. آلارد و همکاران.(2020) عوامل تعیین کننده همبستگی های سهام ایالات متحده را که در فرکانس های مختلف از جمله روزانه ، ماهانه و یک مؤلفه سالانه از طریق مدل DCC-MIDAS تخمین زده می شود ، تجزیه و تحلیل می کند. آنها نتیجه گرفتند که اجزای همبستگی و عوامل تعیین کننده باید برای افق های مختلف سرمایه گذاری در نظر گرفته شوند. علاوه بر این ، DCC-MIDAS آزمایش های بیشتری در مورد همبستگی دارایی ، به عنوان مثال ، کنراد و همکاران ارائه می دهد.(2014) و Virk and Javed (2017) ، و همبستگی های سهام ، به عنوان مثال ، Asghariar و همکاران.(2015 ، 2016) ؛و Fang و همکاران.(2018).
3. داده ها و روش شناسی
3. 1مدل های گله دار
دو اقدام به خوبی تثبیت شده از انحراف استاندارد مقطعی (CSSD) (به عنوان مثال ، کریستی و هوانگ 1995) و انحراف مطلق مقطعی (CSAD) (به عنوان مثال ، چانگ و همکاران 2000) وجود دارد که در اکثر موارد مورد استفاده قرار می گیرندمقالات تجربیکریستی و هوانگ (1995) CSSD بازده سهام را با توجه به بازده بازار معرفی کردند ، که به این ترتیب تعریف شده است:
جایی که R I ، T بازگشت سهام I در Time T است ، و R M ، T میانگین بازده مقطعی سهام N در سبد بازار در زمان t است. کریستی و هوانگ (1995) ادعا می کنند که مدل های قیمت گذاری دارایی عقلی و گله ها پیامدهای متناقضی را برای CSSD ارائه می دهند.
اگرچه CSSD یک اندازه گیری کاملاً بصری از پراکندگی بازده مقطعی است ، اما به طور قابل توجهی تحت تأثیر وجود خارج از کشور است. بنابراین ، چانگ و همکاران.(2000) CSAD بازده سهام در اطراف بازده نمونه کارها را به عنوان یک اقدام مناسب تر در نظر بگیرید ، که به شرح زیر است:
جایی که R I ، T بازگشت سهام I در Time T است ، و R M ، T میانگین بازده مقطعی سهام N در سبد بازار در زمان t است.
3. 2. بتای متغیر با زمان اقدامات گلهداری
مدل DCC-GARCH توسط Engle و Sheppard (2001) و Engle (2002) برای تخمین ماتریس های کوواریانس بزرگ با متغیر زمان پیشنهاد شد. این مدل همبستگی پویا و مدل GARCH را ترکیب میکند و از این رو میتواند با ماتریسهای کوواریانس دینامیکی بزرگ و هتروسکداستیکی سروکار داشته باشد.
در فرآیند تخمین دو مرحله وجود دارد. در مرحله اول، یک سری مدل GARCH تک متغیره برای هر سری باقیمانده تخمین زده می شود. در مرحله دوم، باقیمانده های استاندارد شده از مرحله اول برای تخمین پارامترهای همبستگی دینامیکی که مستقل از تعداد سری های همبسته هستند، استفاده می شود. این تخمین چند مرحله ای دارای مزایای محاسباتی نسبت به مدل های GARCH چند متغیره از نظر تعداد پارامترها است (Engle 2002).
فرض کنید بازده N دارایی به صورت مشروط توزیع شده است و مدل DCC-GARCH یک چارچوب تعمیم یافته از مدل GARCH همبستگی شرطی ثابت (CCC-GARCH) است که به شرح زیر ارائه می شود:
r t |آی تی~N ( 0 , D t R t D t ) Q t = ( 1 - α - β ) Q ¯ + a u t - 1 u t - 1 ' + β Q t - 1 R t = d i a g ( Q t ) - 1 Q t d i a g (Q t) - 1
که در آن D t = d i a g ( h 11 t 1 / 2 , ⋯ , h N N t 1 / 2 ) ماتریس مورب N × N انحراف استاندارد از مدل های GARCH تک متغیره است و Rt ماتریس همبستگی پویا است. Q t یک ماتریس نیمه معین مثبت است. Q ¯ ماتریس واریانس بدون قید و شرط u t است. تو تی~ N ( 0 , R t ) are the standardized residuals from the GARCH models; and in terms of α > 0 , β >0، این مدل به شرطی که α + β برگردانده می شود< 1 .
با توجه به پیشبینی کوواریانس با استفاده از مدل DCC-GARCH، یک رویکرد استاندارد این است که پیشبینی مرحلهای r پیشبینی Q t را با این فرض که E (u t + 1 u t + 1 ') ≈ Q t + 1 ایجاد کنیم. متناوبا، میتوانیم مستقیماً Rt را با این تقریب پیشبینی کنیم که Q ¯ ≈ R ¯ و E (Qt - 1) ≈ E (Rt + 1) (Engle and Sheppard 2001). مدل DCC-GARCH تقریب دقیقی از همبستگی های متغیر با زمان را در عمل فراهم می کند، حتی برای ماتریس های کوواریانس بزرگ. علاوه بر این، زمانی که متغیرهای جدید به سیستم اضافه می شوند، همبستگی های اصلی بدون تغییر باقی می مانند (Engle 2002).
در این مقاله، ما از یک رویکرد دو مرحله ای برای پیش بینی استفاده می کنیم. ابتدا پارامترها و واریانس شرطی دو مدل GARCH تک متغیره را برای بازده ورود به سیستم چهار نمونه کار تخمین می زنیم و سپس باقیمانده های استاندارد شده را می سازیم. ثانیاً، ما پارامترهای همبستگی بین بازده ورود به سیستم پرتفوی و بازار را بر اساس نتایج حاصل از مرحله اول برآورد میکنیم. در پیشبینی غلتکی، کل فرآیند برای هر نمونه چرخشی تکرار میشود تا بتای یک روز آینده پیشبینی شود.
کولاسیتو و همکاران(2011) یک مدل جدید (یعنی DCC-MIDAS) را با ترکیب Engle و همکاران پیشنهاد می کند.(2008) مدل DCC با مشخصات جزء همبستگی. کولاسیتو و همکاران(2011) دریافتند که مدل DCC-MIDAS در مقایسه با همبستگی های ثابت بدون قید و شرط و مدل DCC در بازارهای سهام کشورهای G7 می تواند عملکرد پرتفوی را بهبود بخشد و مزایای بیشتری به دست آورد. علاوه بر این، برآوردگر یک گام جلوتر مدل DCC-MIDAS ممکن است برخی از مزایای بالقوه را برای سرمایه گذاران به همراه داشته باشد.
که در آن باقیمانده ها به طور معمول توزیع می شوند و عناصر در Q t به صورت زیر بیان می شوند:
c i , j , t − 1 = ∑ k = t − N c i j t ξ i , k ξ j , k / ( ∑ k = t − N c i j t ξ i , k 2 ∑ k = t − N c i j t ξ j , k 2 )
K c i j بزرگترین طول تاخیر تعیین شده توسط AIC است. ξ i , t − 1 و ξ j , t − 1 باقیمانده های استاندارد شده هستند. φ l نشان دهنده وزن در طرح وزن دهی c i , j , t − 1 است که می تواند یک محصول متقاطع ساده از باقیمانده های استاندارد شده باشد. Nc i j تعداد روزها در ضریب فرکانس پایین (مانند ماه ها و ربع ها) و ω r i j میزان زوال در طرح وزنی است. روش پیش بینی مشابه مدل DCC-GARCH است. در مرحله اول، هر سری نوسانات بازگشتی را با استفاده از مدل GARCH تخمین می زنیم. در مرحله دوم، همبستگی در مدل DCC-MIDAS با معادله (6) اصلاح می شود. مدل DCC-MIDAS دارای یک همبستگی شرطی متغیر با زمان با مشخصات مولفه کوتاه مدت و بلند مدت است. چارچوب DCC اثر کوتاه مدت بر همبستگی را توصیف می کند و مؤلفه بلندمدت MIDAS (معادلات (5) و (6)) تأثیر بلندمدت بر همبستگی را نشان می دهد. این می تواند با نمونه گیری فرکانس مختلط مقابله کند و همبستگی بین داده های فرکانس پایین و بالا را ثبت کند.
3. 3. رویه های پیش بینی چرخشی
پیش بینی را می توان بر اساس یک پنجره بازگشتی یا پنجره نورد انجام داد. در این مقاله روش پنجره نورد را اعمال می کنیم. یک پنجره نورد در جایی است که اندازه نمونه مورد استفاده برای برآورد مدل ثابت است. و تاریخ های شروع و پایان یک روز برای نورد روزانه به جلو حرکت می کنند. به عبارت دیگر ، هرچه تاریخ شروع و پایان یک روز با اندازه نمونه ثابت حرکت می کند ، قدیمی ترین داده ها کاهش می یابد و آخرین نسخه ها اضافه می شوند. برای پیش بینی های یک مرحله ای ، مشاهدات از اولین مشاهده به N برای پیش بینی Y N + 1 و Y N + 2 اعمال می شود ، نشان می دهد که از مشاهدات دوم در مورد مشاهده N + 1 استفاده می شود. به این ترتیب ، پنجره نورد ثابت هر بار با یک مشاهده از ابتدا تا انتها به روز می شود تا یک قدم جلوتر را پیش بینی کند. این روش پیش بینی پارامترها را برای هر پنجره نورد به روز می کند و به روز می کند. این روش از مشکل پایداری (پارامتر رانش) پارامترهای تخمین زده شده که برای هر تخمین پنجره نورد ثابت به روز می شوند ، جلوگیری می کند. طرح نورد در مقایسه با روش پیش بینی بازگشتی قدرت مداوم دارد (چونگ و همکاران 2005). در بازارهای مالی مدرن ، شرایط تجاری به سرعت تغییر می کند. پیش بینی نورد باعث به روزرسانی پارامترهای تخمین زده شده برای پاسخ به تغییرات سریع بازار می شود و بنابراین سرمایه گذاران می توانند موقعیت سرمایه گذاری و بودجه را به موقع تنظیم کنند (لالی 2011). اثربخشی پیش بینی نورد ، آن را به یک رویکرد جذاب تر از پیش بینی بازگشتی تبدیل می کند.
3. 4داده ها و پیش بینی بتا متغیر از سریال گله دار
ما داده ها را از چهار پرتفوی بسیار استرس زده و فرکانس های معاملاتی در دوره بحران فرعی استفاده می کنیم. این امکان مقایسه نتایج حاصل از بازارهای بسیار استرس زده مالی و بازارهای استرس به آرامی را فراهم می کند. تمام داده ها از پایگاه داده مجله اقتصادی تایوان (TEJ) به دست می آیند. این مطالعه اطلاعاتی در مورد این پرتفوی ها و همبستگی و نمودارهای مربوطه برای هر نوع سبد بازار ارائه می دهد.
در واقع اندازه گیری و کمی سازی پدیده های رفتار گله داری دشوار است. چانگ و همکاران(2000) از داده های 1976-1995 برای آزمایش گله داری برای بازارهای بین المللی استفاده می کند. برای آزمایش رفتار سرمایه گذاران، مقادیر زیادی از داده های معاملاتی برای اندازه گیری مورد نیاز است. مطالعه ما بر اساس پایگاه داده TEJ از تمام بازده روزانه در فهرست بورس تایوان، از جمله دوره بین ژانویه 2000 تا دسامبر 2014 است. این مقاله به بررسی بحران مالی از جمله بحران Subprime (2007/08-2008/10) میپردازد.). نمونه ما شامل 3746 مشاهده از چهار سبک سرمایه گذاری بر اساس نسبت دفتری به بازار (B/M) و ارزش گذاری بازار (MV) است. ما هر پورتفولیو را با رتبهبندی نسبت B/M و MV آن برای ایجاد "بزرگ"، "کوچک"، "رشد" و "ارزش" طبقهبندی میکنیم، که نشان میدهد از چهار نوع پورتفولیو برای بررسی تفاوت در رفتار گلهداری استفاده میشود. نمونه ما، طبق تعریف، 50 درصد برتر سرمایه در بازار را برای ایجاد پرتفوی های "بزرگ" و 50٪ آخر را برای ایجاد پرتفوی های "کوچک" رتبه بندی می کند، در حالی که 30٪ برتر نسبت B/M را برای ایجاد "رشد" رتبه بندی می کند. نمونه کارها و آخرین 30٪ برای ایجاد پرتفوی "ارزش".
4. تحلیل تجربی
ایده مدل DCC-MIDAS برای گلهداری به همبستگیهای پویا گسترش یافته است. به دنبال کولاسیتو و همکاران.(2011)، این مطالعه از مدل DCC-MIDAS مبتنی بر بتا و گلهبندی متغیر با زمان برای احساسات بازار برای دستیابی به اندازهگیری پویا از گلهداری استفاده میکند. جدول 1 خلاصه آمار و نتایج آزمون های ریشه واحد را نشان می دهد. مشاهده می کنیم که تمام سری های جدول 1 بیش از حد لپتوکورتیک و کج هستند و همه داده ها در اولین تفاوت ثابت هستند.
علاوه بر این، جدول 2 توضیحاتی از همبستگی پیرسون بین CSAD و بازده بازار چهار نوع پرتفوی ارائه می دهد و ضرایب همبستگی بالایی را در بین چهار پرتفوی علاوه بر همبستگی منفی بین CSAD و بازده بازار نشان می دهد.
در این مطالعه تجربی ، برای هر نوع سبد بازار ، تمام این سریال ها با استفاده از Colacito و همکاران توسط مدل DCC-Midas نصب شده اند.(2011) رویکرد. ما CSAD و بازده روزانه پنج شاخص بازده سهام ، یعنی بازده بورس سهام تایوان (R T W ، T) ، انواع زیادی از شاخص های بازده سهام (r l a r g e ، t) ، انواع کمی از شاخص های بازده سهام را تجزیه و تحلیل می کنیم (r s m a l l ، t) ، انواع رشد شاخص های بازده سهام (r g r o w t h ، t) و انواع ارزش شاخص های بازده سهام (r v a l u e ، t) ، از جمله دوره بین ژانویه 2001 تا دسامبر 2014. جدول 3 گزارش پارامترهای تخمینی DCC-Midas وخطای استاندارد کلیه پارامترها برای هر شاخص در دوره های بحرانی کامل و زیرزمینی. حداکثر برآورد احتمال در الگوریتم DCC-MIDAS با استفاده از آزمون معیار اطلاعات Akaike (AIC) ارزیابی می شود. اول از همه ، تمام ضرایب DCC-MIDA در دوره های کامل و دوره بحران زیرزمینی قابل توجه است. A و B پارامترهای واریانس همبستگی کوتاه مدت است و امگا پارامتر وزن تخمین زده شده است. صفحه 1 جدول 3 نتایج حاصل از بازار سهام تایوانی را برای دو دوره آزمایش نشان می دهد. ما می دانیم که B برای دوره های کامل و دوره های بحرانی زیرپرداخت مثبت و معنادار است. علاوه بر این ، ضریب B دوره های آزمایش بحران از دوره های آزمایش کامل بزرگتر است. این بدان معنی است که هرچه اثرات گله یا عدم اطمینان بیشتر باشد ، نوسانات بازار سهام بزرگتر است. همین نتایج را می توان در نمونه کارها کوچک و نمونه کارها ارزش نیز یافت. ضرایب برآوردگر (نگاه کنید به A ، B و امگا) همه در سطح 1 ٪ قابل توجه هستند ، نشان می دهد که گله تأثیر قابل توجهی در همبستگی پویا بین CSAD و بازده بازار در پرتفوی های مختلف دارد. به طور خلاصه از نتایج ما ، اهمیت برآوردهای DCC-MIDAS توضیح می دهد که وجود گلها بسیار پویا و متغیر در رفتار گله دار است. نتایج این مطالعه باعث می شود که درک کنیم که لازم است نقش گله های اصول بازار را در نظر بگیریم.
شکل 1 کواریانس DCC-Midas بین نمونه کارها و CDAD را در دوره کامل نشان می دهد ، در حالی که شکل 2 نشان دهنده دوره فرعی است.
پیش بینی بتا متغیر از گله به دلایل مختلف مهم است. از آنجا که بتا (خطرات سیستماتیک) تنها ریسکی است که سرمایه گذاران باید از آن نگران باشند ، پیش بینی ارزش بتا باعث می شود تصمیمات سرمایه گذاری آسانتر شود. ارزش بتا همچنین می تواند توسط شرکت کنندگان در بازار برای اندازه گیری عملکرد مدیران صندوق استفاده شود. برای مدیران مالی شرکت ها ، پیش بینی های بتا مشروط در تصمیمات ساختار سرمایه و ارزیابی سرمایه گذاری سودمند است.
مجموعه داده ما از داده های مختلف بازده فرکانس از جمله بازده روزانه ، هفتگی و ماهانه ، چهار نوع اوراق بهادار از جمله پرتفوی بزرگ ، کوچک ، رشد و ارزش تشکیل شده است و سپس انحراف مطلق مقطعی (CSAD) برای شاخص گله دار پیشنهاد شده توسط کریستی و محاسبه می شود. هوانگ (1995).
آمار اساسی برای پیش بینی بتا از گله در طی دوره های بحرانی کامل و زیرزمینی در جدول 4 ارائه شده است. 1141 مشاهدات پیش بینی نورد وجود دارد. شکل 3 بتا متغیر از گله را برای پیش بینی نورد 5 (خطوط سبز) و 10 روز (خطوط قرمز) تخمین در مقایسه با شاخص واقعی بازار تایوان (خطوط آبی) نشان می دهد. این شکل نوسانات برگشتی برآورد شده (به عنوان مثال ، ریشه مربع واریانس) و همبستگی برای گله (یعنی CSAD) و بازده سهام را از مدل DCC-MIDAS ترسیم می کند. ما دو فرکانس پنج و ده روز از مجموعه داده ها را از مدل DCC-MIDAS شبیه سازی می کنیم تا بتوانیم شکل انباشت اطلاعات احساسات بازار را که توسط گله برانگیخته می شود ، بررسی کنیم. شواهد ما برای 5 و 10 روز پیش بینی نورد نشان می دهد که اطلاعات بیشتر جمع آوری شده در بازار منجر به عدم اطمینان قوی تر می شود ، که به راحتی باعث نوسان می شود ، به ویژه در دوره های بحران مالی جهانی.
ما بیشتر نقش گله برای سریال بتا-هاردینگ را با استحکام رویکرد سوئیچینگ رژیم مارکوف که توسط همیلتون (1989) پیشنهاد شده است ، مطالعه می کنیم. رویکرد سوئیچینگ مارکوف می تواند به اندازه گیری همبستگی نوسانات بین اوراق بهادار در هر ایالت (رژیم) ، حالتهای نوسانات و طول مدت کمک کند. با این حال ، تعصب پیش بینی ممکن است به دلیل محدودیت مدل DCC-MIDAS باشد (به عنوان مثال ، واریانس بی قید و شرط آن ثابت است). مدل مارکوف بسته به وضعیت نوسانات بازگشت ، تغییرات واریانس را ضبط می کند. آزمایش قوی به تشخیص رفتار نوسانات از نظر همبستگی پویا از گله کمک می کند. چوی و هموده (2010) نوسانات متغیر زمان را از طریق رژیم های کم و زیاد با کمال برای کالاها-بازارهای استوک بررسی می کنند.< SPAN> ما بیشتر نقش گله را برای سری بتا-هرینگ با استحکام رویکرد تغییر دهنده رژیم مارکوف که توسط همیلتون (1989) پیشنهاد شده است ، مطالعه می کنیم. رویکرد سوئیچینگ مارکوف می تواند به اندازه گیری همبستگی نوسانات بین اوراق بهادار در هر ایالت (رژیم) ، حالتهای نوسانات و طول مدت کمک کند. با این حال ، تعصب پیش بینی ممکن است به دلیل محدودیت مدل DCC-MIDAS باشد (به عنوان مثال ، واریانس بی قید و شرط آن ثابت است). مدل مارکوف بسته به وضعیت نوسانات بازگشت ، تغییرات واریانس را ضبط می کند. آزمایش قوی به تشخیص رفتار نوسانات از نظر همبستگی پویا از گله کمک می کند. چوی و هموده (2010) نوسانات متغیر زمان را از طریق رژیم های کم و زیاد با کمال برای کالاها-بازارهای استوک بررسی می کنیم. ما بیشتر نقش گله را برای سری بتا-هرینگ با استحکام رویکرد تغییر رژیم مارکوف بررسی می کنیمپیشنهاد شده توسط همیلتون (1989). رویکرد سوئیچینگ مارکوف می تواند به اندازه گیری همبستگی نوسانات بین اوراق بهادار در هر ایالت (رژیم) ، حالتهای نوسانات و طول مدت کمک کند. با این حال ، تعصب پیش بینی ممکن است به دلیل محدودیت مدل DCC-MIDAS باشد (به عنوان مثال ، واریانس بی قید و شرط آن ثابت است). مدل مارکوف بسته به وضعیت نوسانات بازگشت ، تغییرات واریانس را ضبط می کند. آزمایش قوی به تشخیص رفتار نوسانات از نظر همبستگی پویا از گله کمک می کند. چوی و هموده (2010) نوسانات متغیر زمان را از طریق رژیم های کم و زیاد با کمال برای کالاها-بازارهای استوک بررسی می کنند.
در جدول 5 آزمایش قوی برای مکانیسم انتقال تأثیر گله بر بازده سهام در طول بحران مالی ، که به رژیم یک و رژیم دو تقسیم می شود ، ارائه شده است. رژیم یک احتمال انتقال نوسانات از گله های تحت تأثیر نوع خاصی از تغییر ساختاری است. رژیم دو احتمال انتقال این است که نوسانات بازده تحت تأثیر اثر گله ای قرار می گیرد. می توان آن را به عنوان نقطه عطف بین گله و نوسانات پیش بینی شده بازگشت در نظر گرفت و از آن به عنوان پایه و اساس تصمیمات سرمایه گذاری استفاده می شود. نتایج گزارش می دهد همبستگی معنی داری از رژیم یک با انواع کوچک و ارزش اوراق بهادار ، نشان می دهد که تداوم نوسانات زیاد بر رژیم گله دار است. نتایج همچنین نتایج مشابهی را برای روشهای DCC-MIDAS نشان می دهد. علاوه بر این ، نتایج به دلیل تأثیر گله بین بازده بازار (TW) ، بزرگ و رشد ، هیچ تغییر آشکاری در احتمال انتقال نشان نمی دهد. در این بخش نتیجه می گیریم که گله در بازارهای بی ثبات در دوره های بحران مالی ، که در مدل CSAD مشروط هستند ، با احتمال انتقال متغیر زمان قابل توجه است. بر اساس روش پیش بینی نورد و بررسی استحکام رویکرد رگرسیون-تغییر مارکوف با استفاده از چهار نوع اوراق بهادار ، شواهدی از توانایی پیش بینی مدل می یابیم که نشان می دهد همبستگی مشروط بین بتا و گرگ وجود دارد. DCC-MIDA ها عمدتاً به توصیف گله بتا و بهبود توانایی پیش بینی در دوره بحران زیرزمینی کمک می کنند. بنابراین ، مدل های انجام شده در این مطالعه به اوراق بهادار و دوره های مورد مطالعه بستگی دارد. شکل 4 نتایج استحکام رویکرد تغییر مارکوف را نشان می دهد.
5. نتیجه گیری و محدودیت ها
این مقاله به صورت تجربی سعی در پیش بینی بتا متغیر از گلها با استفاده از مدل Garch دارد و بتا روزانه چهار نوع اوراق بهادار را در دوره های کامل و فرعی بررسی می کند. مدل GARCH که در این مطالعه به کار رفته است ، رویکرد DCC-Midas است. ما این مدل را به دلیل توانایی پیش بینی بالا و قوی آن و کمک هزینه آن از یک مجموعه داده چند فرکانس بررسی می کنیم. روش پیش بینی نورد در مورد پیش بینی بتا متغیر از گله دار اعمال می شود ، در حالی که از رویکرد تغییر مارکوف برای استحکام برای تهیه توانایی پیش بینی مدل استفاده می شود. روش پیش بینی نورد در مقایسه با روش پیش بینی بازگشتی از قدرت مداوم برخوردار است.
این مقاله با ارائه بینش های جدید برای انتقال بتا گله بین بازده و نوسانات در مورد موضوع فعلی رفتار گله به ادبیات کمک می کند. شواهد نشان می دهد که گله داری انتقال دهنده کلیدی در بازارهای سهام تایوان است. اهمیت تخمینهای DCC-MIDAS وجود گلهداری را بهعنوان بسیار پویا و متغیر با زمان توضیح میدهد. نتایج ما مشابه نتایج Hsieh (2013) است که گزارش داد گله های سرمایه گذاران در بازاری با فشار بالاتر و در میان سهام های کوچک به دنبال استراتژی های بازخوردی مختلف در بازار سهام تایوان برجسته تر هستند، و نشان می دهد که رفتار گله داری نقش مهمی ایفا می کند. نقش. لازم به ذکر است که تحت محدودیت های بازارها و مقررات ناقص، گله بتا نقش کلیدی در انتقال بازار ایفا می کند، به ویژه زمانی که بازار بی ثبات است یا در حرکت شدید. با استفاده از بتای متغییر زمان گلهداری بر اساس روش پیشبینی چرخشی ما و بررسی استحکام رویکرد رگرسیون سوئیچینگ مارکوف برای چهار نوع پورتفولیو، شواهدی از توانایی پیشبینی برتر مدلها پیدا کردیم که نشان میدهد همبستگیهای شرطی بین وجود دارد. بتا و گله داریشواهد همچنین شکل گیری گله داری در بازارهای سهام تایوان را در طول دوره بحران گران قیمت نشان می دهد.
نتایج تحقیقات ما برای سیاست گذاران و تنظیم کننده ها، به ویژه در بازارهای نوظهور که در آن تفاوت های نهادی و محیطی وجود دارد، مهم است (چانگ و همکاران 2000؛ چانگ 2010). به عنوان مثال، معیار بتا گله برای عوامل خطر سیستماتیک را می توان از نظر تخصیص پورتفولیو تنظیم کرد. اصلاحات سیاستی منجر به محدود کردن ضررهای ناشی از تنوع ناقص ریسک به دلیل تمایل سرمایه گذاران می شود. بنابراین، سرمایه گذاران نهادی یا سرمایه گذاران فردی باید پرتفوی سرمایه گذاری خود را طراحی کنند یا بر این اساس استراتژی های پوشش دهی را تدوین کنند. علاوه بر این، با در نظر گرفتن معیار گلهداری، به بهبود پیشبینی نوسانات کمک میکند و سود اقتصادی را به سرمایهگذاران ابزار متوسط واریانس ارائه میدهد (فی و لیو 2021). تحقیقات آینده را می توان به جنبه های بیشتری گسترش داد، به عنوان مثال رویدادهای بحرانی مانند بحران COVID-19. با توجه به مدل، پیشنهاد میکنیم که ویژگیهایی مانند خوشهبندی نوسانات، اثرات اهرمی و روابط پویایی پرش را میتوان در مدل آزمایش کرد. علاوه بر این، یکی از محدودیتهای موجود در این مورد این است که پویایی آن توسط عوامل مختلف اقتصاد کلان و بنیادی، چرخههای تجاری، یا متغیرهای ابزاری که Cederburg و O’Doherty (2016) به عنوان نمایندهای برای بتای متغیر با زمان استفاده میکنند، توضیح داده نمیشود.
مشارکت های نویسنده
Y.-C. C. به مفهوم سازی، مدل سازی ارزیابی و نگارش این مقاله کمک کرد. ی. ز. و H.-C. W. تحقیق و تحلیل رسمی را انجام داد. Y.-C. C. و س.-م. ک. شبیه سازی، گزارش های ارزیابی را تصور کرد و در نوشتن - بررسی و ویرایش مشارکت داشت. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.
منابع مالی
این تحقیق توسط دانشگاه مطالعات بین المللی و تجارت فوژو چین (شماره گرنت: FWKQJ201905) تامین مالی شده است.