تأثیر COVID-19 بر نوسانات شاخص های سهام: ماندگاری حافظه طولانی ، استراحت ساختاری یا هر دو؟

شروع همه گیر Covid-19 باعث افزایش نوسانات در بازارهای مالی شده و محققان را برای بررسی تأثیر آن انگیزه می دهد. برخی از آنها از خانواده های Garch از مدل ها برای تمرکز بر ماندگاری با حافظه طولانی استفاده می کنند ، در حالی که برخی دیگر از مدل های زنجیره ای مارکوف برای شناسایی بهتر وقایع و رژیم های ساختاری استفاده می کنند. با این حال ، هیچ مطالعه ای به وقوع این دو پدیده در یک چارچوب یکپارچه پرداخته است. از آنجا که هر دو ویژگی مهم داده ها هستند ، نادیده گرفتن یکی یا دیگری می تواند به مدلهای مشخص شده ضعیف منجر شود. نتیجه می تواند اندازه گیری ریسک نادرست باشد ، با پیامدهای مربوط به مدیریت ریسک ، ارزش در ریسک ، تصمیمات نمونه کارها ، پیش بینی و قیمت گذاری گزینه. این مقاله با هدف پر کردن این شکاف در ادبیات انجام شده است. ما یک مجموعه داده بین المللی را برای 16 شاخص بازار سهام در سه قاره در طی دوره اول اوت 2019 تا 18 فوریه 2022 جمع می کنیم و در مجموع 669 روز کاری. با استفاده از R ، ما 80 مدل خانواده Garch ، 16 مدل سوئیچینگ مارکوف خالص و 900 مدل ترکیبی Garch/ Markov-Switching را با استفاده از بازده های ورود به بازار سهام روزانه تخمین می زنیم. ما اجازه می دهیم دو رژیم نوسانات (کم و زیاد). ما همچنین منحنی های تأثیر خبری را اندازه گیری و درج می کنیم ، که نشان می دهد شوک های گذشته بر نوسانات معاصر چگونه تأثیر می گذارد. یافته اصلی ما ، در مدلهای تخمین زده شده ، این است که COVID-19 در بیشتر بازارها بر رژیم های ماندگاری طولانی و رژیم های نوسانات تأثیر گذاشته است. برای توصیف تأثیر خاص در هر بازار ، منحنی های تأثیر اخبار را گزارش می کنیم. سرانجام ، موج اول Covid-19 تأثیر بسیار بیشتری بر نوسانات نسبت به امواج بعدی مرتبط با ظهور انواع جدید داشت.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

1. معرفی

از زمان ظهور COVID-19 در دسامبر سال 2019 ، تأثیرات گسترده آن بر جامعه توسط ادبیات علمی بزرگ مورد بررسی قرار گرفته است. بخش اعظم این تحقیق از تکنیک های علوم داده مانند داده کاوی ، یادگیری ماشین و داده های بزرگ استفاده می کند [1 ، 2]. در میان بسیاری از تأثیرات ناشی از جمعیت در سراسر جهان ، یک شوک مهم افزایش نوسانات بازارهای مالی در سراسر جهان بوده است. در حالی که بازارها تا حد زیادی از تصادف اولیه در اوایل سال 2020 بهبود یافته اند ، آنها ریسک پذیر و غیرقابل پیش بینی تر از قبل هستند [3].

دو رشته اصلی در ادبیات در حال ظهور در مورد COVID-19 و نوسانات وجود دارد. اول، اکثر مطالعات اولیه از مدل های استاندارد GARCH برای نشان دادن افزایش پایداری نوسانات استفاده می کردند [4،5،6،7،8،9،10،11،12،13،14،15]. این مقالات مشترکات زیادی دارند: (1) آنها مدل های GARCH تک متغیره را برای موج اول COVID-19 اعمال کردند.(2) آنها تعداد کمی از مدل ها را با استفاده از نتایج مطالعات شخص ثالث قبلی آزمایش کردند.(3) آنها به شاخص های خاص بازار سهام نگاه کردند.(4) آنها از متغیرهای دوگانه برای به تصویر کشیدن تأثیر همه گیری استفاده کردند. یا (5) آنها مدل ها را با تقسیم نمونه کامل به دو بخش، یعنی قبل و در طول بحران COVID-19، تخمین زدند. این مقالات نشان دادند که کووید-19 نوسانات بازار سهام را افزایش داد، این نوسان پایدار است (یعنی حافظه طولانی را نمایش می دهد)، با زمان متغیر است و اثر اهرمی تأیید شده است. موج دوم سرایت COVID-19 و افزایش موارد در ماه های زمستان (تابستان) 2020-21 در نیمکره شمالی (جنوبی) رخ داد [16]. مطالعات جدید تأثیر این امواج جدید را بر بازارهای مالی بررسی کردند [17،18،19]. آنها با استفاده از روش های مشابه ادبیات قبلی دریافتند که امواج کووید-19 بعدی نسبت به موج اول تأثیر کمتری بر نوسانات داشته است.

رشته دوم ادبیات تأثیر COVID-19 را به عنوان ایجاد گسست های ساختاری در سری های زمانی نوسانات توصیف کرده است. یعنی تغییری در ضرایب مدل که فرآیند تولید داده را برای نوسانات توصیف می کند، وجود دارد. به عنوان مثال، [20] نوسانات شاخص S& P 500 را با استفاده از مدل های خودرگرسیون مارکوف سوئیچینگ (MS-AR) تجزیه و تحلیل کردند، در حالی که [21، 22] از مدل های مارکف سوئیچینگ GARCH (MS-GARCH) برای بررسی نوسانات شاخص های بازار سهام استفاده کردند.. این مطالعات شروع همه گیری COVID-19 را به عنوان عامل مهمی در شکست های ساختاری در نوسانات شناسایی کردند. با این حال، آنها فقط به موج اول نگاه کردند و امواج بعدی را بررسی نکردند.

با توجه به این نتایج ، این سؤال مطرح می شود: چگونه می توان تأثیر COVID-19 را بر نوسانات بازار سهام اندازه گیری کرد؟مقالات موجود در این ادبیات از مدل های مختلفی استفاده می کنند اما مقایسه کمی یا هیچ مقایسه ای بین آنها ارائه می دهند. علاوه بر این ، مدل های تخمین زده شده معمولاً نسبتاً استاندارد هستند و به همان اندازه انعطاف پذیری را که داده ها نیاز دارند امکان پذیر نمی کنند. پاسخ به این سؤال اساسی است [24] برای ذینفعان مانند سرمایه گذاران ، مدیران نمونه کارها ، تحلیلگران مالی و مدیران ریسک. در واقع ، مدل سازی نوسانات دقیق درک بهتری از پویایی بازار مالی به سرمایه گذاران می دهد. علاوه بر این ، به سرمایه گذاران کمک می کند تا دارایی ها را به درستی ارزیابی کنند و بهترین فرصت های متنوع سازی بالقوه را پیدا کنند. همچنین با پیشنهاد مناسب ترین مدل ها برای پویایی نوسانات مشروط ، عملکرد مدیریت نمونه کارها را بهبود می بخشد. سرانجام ، این می تواند با انتخاب مناسب ترین ابزارهای مشتق شده و تخمین درست ارزش آنها در معرض خطر (VAR) و کمبود مورد انتظار (ES) به استراتژی های تقویت شده در زمینه محافظت منجر شود.

هدف از این مقاله (1) برای تعیین ، از یک جهان بزرگ از مدل های بالقوه ، بهترین (ها) برای توصیف تأثیر COVID-19 بر نوسانات شاخص بورس سهام است. و (2) برای ارزیابی اینکه آیا این تأثیر بر پایداری حافظه طولانی ، شکستگی ساختاری در روند یا هر دو تأثیر گذاشته است. به دانش ما ، این نوع تجزیه و تحلیل تجربی برای نوسانات بیت کوین [24،25،26،27] انجام شده است اما برای شاخص های بین المللی بورس بین المللی نیست ، به ویژه برای تأثیر تأثیر چندین موج Covid-19.

در این مقاله یک چارچوب مدل سازی نوسانات در نظر گرفته شده است که امکان حافظه طولانی را فراهم می کند (به عنوان مثال ، یک سرعت بیش از حد و نه هندسی پوسیدگی) ، توزیع های بالقوه مختلف برای نوآوری ها (خطاها) و یک چارچوب تغییر مارکوف برای ضبط تغییرات رژیم در نوسانات. برای این منظور ، ما 80 مدل تک متغیره را از خانواده Garch و همچنین 916 مدل تغییر مارکوف برای دو رژیم آزمایش کردیم. ما این مدل ها را با استفاده از داده های سری زمانی برای 16 مهمترین شاخص های بازار سهام در جهان تخمین می زنیم ، که بیش از دو سوم سرمایه گذاری در بازار جهانی (با ارزش) را نشان می دهد.

سهم اصلی این مقاله گسترش قابل توجهی بر تعداد مدل های آزمایش شده در شاخص های سهام در سراسر جهان است ، که به شما کمک می کند تا به توانایی مدل ها در توضیح نوسانات در نمونه (به عنوان مثال ، ردیابی) و همچنین اقدامات ریسک نزولی (VAR ، نور جدیدی را برطرف کند. و es) برای شاخص های اصلی سهام قبل و در دوره COVID-19.

سرانجام ، اهداف این مقاله همچنین با مفهوم تجزیه و تحلیل داده های بزرگ و تکنیک های داده کاوی هماهنگ است [28،29،30،31]. ما الگوریتم هایی را برای مدل های رگرسیون غیرخطی برای تجزیه و تحلیل مقدار قابل توجهی از کسب و پردازش داده ها اعمال می کنیم. علاوه بر این ، رویکرد تجربی از مدل های آماری برای کشف دانش و تجسم داده ها (به عنوان مثال ، منحنی های تأثیر اخبار از مدل های GARCH) به منظور افزایش تصمیم گیری ، حل مسئله و نتایج یادگیری داده های مربوط به نوسانات شاخص سهام استفاده می کند.

2 پشتیبانی نظری

2. 1 خانواده گارچ تو در تو

از آنجا که آثار منی [32] و [33] ، خانواده بزرگی از مدل ها برای توضیح حقایق تلطیف شده توسط ادبیات اقتصاد مالی مالی در سری زمانی اقتصادی و مالی ، مانند خوشه بندی نوسانات ، عدم تقارن ، حافظه طولانی و چربی رشد کرده اند. دم

خانواده Garch از مدل های پیشرو اقتصاد سنجی پیشرو برای مدل سازی نوسانات است زیرا تقریب پارسایی از فرآیند تولید دینامیک نوسانات بازده دارایی را فراهم می کند [34،35،36]. در حالی که این خانواده به طور قابل توجهی رشد کرده است ، [37] مدلی را ارائه داد که شامل برخی از مدل های مفید Garch (Allgarch) است. این مدل را می توان مانند عملکرد (1) نشان داد. در مورد تعداد تاخیر ، ما مشخصات Garch (1،1) را انتخاب کرده ایم زیرا این رایج ترین است و به دلیل تحقیقات نشان می دهد که تاخیر اضافی به طور معمول عملکرد را بهبود نمی بخشد [38].

معادله (1) یک تحول جعبه ای از نوسانات شرطی ( sigma _ ) است ، که در آن ( omega ) رهگیری است و ( alpha ) و ( beta ) پایداری استشوک های تاخیر استاندارد به ترتیب (z_ ) و نوسانات مشروط. علاوه بر این ، ( lambda ) شکل عملکرد را تعیین می کند و ( delta ) عملکرد مقدار مطلق را تغییر می دهد. برای دومی ، ( eta _ ) و ( eta _ ) چرخش ها و شیفت ها را کنترل کنید.

4. 2 نتایج برای مدل های نوسانات از خانواده Garch

در این بخش ، ما با این فرض کار می کنیم که تأثیر بالقوه COVID-19 بر نوسانات بازار سهام فقط از طریق ماندگاری با حافظه طولانی است. با تأیید اینکه سری برگه های ورود به سیستم روزانه ثابت است ، مناسب است که هر یک از 80 ترکیب مدل ممکن را از جداول 1 و 2 تا 16 شاخص بازار سهام قرار دهید. در نتیجه ، در کل 1،280 مدل تخمین زده شده وجود دارد. سپس ، برای تعیین اینکه کدام مدل به بهترین وجه تکامل نوسانات را در شاخص بازار سهام معین توضیح می دهد ، ما از پروتکل فیلتر زیر استفاده می کنیم:

1. 1. تمام ضرایب باید از نظر آماری در سطح 5 ٪ معنی دار باشند ، و نیمه عمر شوک به واریانس (یعنی پایداری) [50] باید کمتر از 100 روز باشد.
2. 2. تهی ( (H_0 )) نباید برای همه آزمایشات VAR و ES [پوشش بدون قید و شرط و مشروط ، مدت زمان بین تخلفات و میانگین نقض کمبود] با استفاده از داده های درون نمونه رد شود [61،62 ،63،64] ؛
3. 3. مدل با کمترین مقدار معیار اطلاعات بیزی [65] انتخاب شده است تا از داده های بیش از حد استفاده شود.

NIC تنها در دو مورد ، شاخص های MXX و SSEC متقارن است. این بدان معنی است که شوکهای گذشته منفی و مثبت تأثیر یکسانی در واریانس شرطی امروزی دارند. برای 14 شاخص دیگر ، اثرات نامتقارن است. در مورد مدل های Tgarch و Egarch (به عنوان مثال ، Aord ، Oseax) ، NIC به دلیل ضریب مثبت ( eta _1 ) در جهت عقربه های ساعت چرخانده می شود ، این بدان معنی است که شوک های منفی تأثیر بیشتری بر واریانس مشروط نسبت به شوک های مثبت دارندبشرمدل های Nagarch (به عنوان مثال ، BVSP ، HSI) همیشه ضریب مثبت ( eta _2 ) دارند که NIC را به سمت راست تغییر می دهد. یعنی شوکهای منفی تأثیر بیشتری بر واریانس نسبت به شوک های مثبت دارند. برای مدل های Avgarch (به عنوان مثال ، GSPC ، GSPTSE) ، تأثیر بر چرخش منحنی می تواند متفاوت باشد. یک چرخش در جهت عقربه های ساعت برای GSPTSE (به عنوان مثال ، اثرات بزرگتر از شوک های منفی) وجود دارد اما یک چرخش خلاف جهت عقربه های ساعت برای GSPC (جلوه های بزرگتر از شوک های مثبت).

توجه داشته باشید که هنوز هیچ کشوری در آن زمان (سپتامبر تا نوامبر 2020) از بین بردن جمعیت خود شروع نکرده است. ایالات متحده اولین کشوری بود که در 14 دسامبر 2020 چنین کمپین هایی را آغاز کرد [66].

در جدول 7 نتایج مدل های MSWM ارائه شده است. جدول نوسانات سالانه کم و زیاد و همچنین تعداد روزهای مربوط به هر رژیم را برجسته می کند. همچنین مقادیر برآورد شده از باقیمانده در رژیم های نوسانات کم ( (P_ )) و بالا ( (P_ )) پس از شروع ، و BIC گزارش شده است.

شکل 4 همچنین نشان می دهد که هیچ رژیم نوسانات بالایی وجود ندارد که پس از ظهور نوع Omicron ثبت شود ، به جز شاخص های GSPTSE و NSEI (و یک بار دیگر ، با شدت کم). برای کلیه شاخص های سهام به جز یک (GSPTSE) ، بهترین مدل GARCH برای نوسانات پایین با بهترین مدل برای نوسانات بالا متفاوت است.

شکل 5 منحنی های تأثیر اخبار به دست آمده برای هر شاخص سهام را نشان می دهد. در هر شکل زیر دو منحنی وجود دارد ، یکی برای رژیم کم حجم و دیگری برای رژیم با کمالیت بالا. NIC اثرات شوکهای مثبت و منفی گذشته را نشان می دهد ( varepsilon _ ) بر برآورد واریانس شرطی ( sigma ^2_t ). براساس همان نتایج تخمین ، جدول 8 جزئیات مدل هایی را که به بهترین وجه متناسب با داده ها برای هر شاخص سهام است ، گزارش می کند.[68] جزئیات مربوط به نحوه محاسبه نتایج در جدول را ارائه می دهد.

شکل و انحنای NIC با پایداری/نیمه عمر هر مدل و ضرایب شرح داده شده در Eq تعیین می شود.(1). به طور خاص ، ما باید به ضرایب که اثرات علامت ( ( eta _1 )) و بزرگی ( ( alpha )) را بر نوسانات ضبط می کنند ، نگاه کنیم زیرا تفسیر آنها با توجه به عملکرد انتخاب شده متفاوت است.

اگر پایداری/نیمه عمر را همانطور که در جدول 8 نشان داده شده است در نظر بگیریم ، مقادیر رژیم های نوسانات کم نسبت به رژیم های نوسانات بالا برای کلیه شاخص های سهام پایین تر است. این همانطور که انتظار می رود با توجه به محدودیت های پروتکل فیلتر انتظار می رود. علاوه بر این ، شوک های منفی نسبت به شوک های مثبت ، تأثیر قابل توجهی بر نوسانات می کنند ، به جز مدلهایی که اثرات شوک متقارن را تصریح می کنند (SARCH و SGARCH).

جالب اینجاست که شدت شوک ها در رژیم های نوسانات بالا همیشه مهمتر نیست. به عنوان مثال ، در مورد شاخص سهام AORD ، بهترین مدل برای هر دو رژیم Egarch است. در اینجا ، شوک های منفی در رژیم نوسانات کم اهمیت بیشتری دارند. با این حال ، نیمه عمر این شوک ها تقریباً شش برابر کوچکتر از شوک در رژیم نوسانات بالا است. نتایج برای شاخص های FTSE ، GSPC و SSMI مشابه است.

در مورد منطقه یورو (شاخص STOXX50E) ، ما منحنی را نشان می دهیم که رشد در موارد COVID-19 را با جمع کردن داده های 19 کشور که آن را تشکیل می دهند ، نشان می دهیم. پاورقی 2

در هر زیر شکل ، منحنی که نشان دهنده رشد در موارد COVID-19 است ، بسته به رژیم نوسانات شاخص بورس سهام (کم یا زیاد) رنگ سیاه یا قرمز است ، همانطور که توسط مدلهای MS-GARCH ارائه شده در فرقه تعیین می شود. 4. 4مانند گذشته ، ما با یک نماد تاریخ اولین نمونه های مستند شده از هر نوع نگرانی [VOC] [23] را علامت گذاری می کنیم. پاورقی 3

یک بازرسی بصری روشن می کند که رابطه بین موارد COVID-19 و رژیم های نوسانات در سال 2020 نسبت به 2021-2022 کاملاً متفاوت بود.

در سال 2020، با افزایش تعداد موارد جدید، بسیاری از شاخص های سهام در بیشتر سال در رژیم نوسانات بالا قرار داشتند (AORD، GDAXI، NSEI، KS11، SSMI، و FTSE). با این حال، با وجود ظهور VoC جدید و افزایش موارد COVID-19 (BVSP، GSPTSE، SSEC، STOXX50E، HSI، N225، MXX، OSEAX، IBEX، و GSPC)، اکثر شاخص های سهام در اکثر سال ها در رژیم نوسانات کم قرار داشتند.. بنابراین، کشورهایی با ساختارهای اجتماعی، سبک زندگی و پیشینه های فرهنگی متمایز، تمایل دارند سیاست های متفاوتی را برای به تأخیر انداختن شیوع کووید-19 اتخاذ کنند و سعی کنند فرهنگ و سیاست خود را متعادل کنند [71].

بین ژانویه 2021 و فوریه 2022، نرخ واکسیناسیون در همه کشورهای نمونه ما افزایش یافته است. علیرغم انتقال پذیری بالای نوع Omicron که موج جدیدی از سرایت را آغاز کرد، همه شاخص های سهام در اکثر طول سال یا کل سال در رژیم نوسانات کم باقی ماندند. تنها در دو کشور، کانادا [GSPTSE] و هند [NSEI]، ما بین نوع omicron و وضعیت نوسان بالا ارتباطی می بینیم. در استرالیا [AORD] و کره جنوبی [KS11]، دوره های کوتاهی از یک رژیم با نوسان بالا در اوایل سال 2021 وجود دارد، اما این دوره ها با omicron منطبق نیست.

به طور کلی، نتایج نشان داده شده در شکل. 6 و 7 شواهد موجود در شکل 4 را تقویت می کنند، یعنی بیشترین وقوع رژیم های نوسان بالا در شاخص های سهام بین زمان ظهور همه گیری COVID-19 و ظهور نوع بتا اتفاق افتاده است. در مقابل، ظهور انواع جدید تأثیر بسیار کمتری بر نوسانات بازار سهام داشت.

5 نکته پایانی

هدف از این مطالعه یافتن بهترین مدل برای هر یک از 16 کشور برای توصیف تأثیر COVID-19 بر نوسانات شاخص سهام بود. رویکرد تجربی ما به انعطاف پذیری برای ارزیابی اینکه آیا تأثیر باعث تداوم حافظه طولانی، شکست های ساختاری یا هر دو شده است، اجازه می دهد.

طبق دانش ما، این جامع ترین مطالعه تجربی تا به امروز در مورد تأثیر شوک های مرتبط با COVID-19 بر نوسانات بازار مالی، از نظر دامنه (تعداد شاخص های سهام کشور) و انعطاف پذیری مدل (تعداد مشخصاتی است که امکان نوسان های مختلف را فراهم می کند. فرآیندها و توزیع های نوآوری). به طور خاص، رویکرد ما امکان ترکیب ماندگاری حافظه طولانی با سوئیچ مارکوف را برای رژیم های نوسانات مختلف فراهم می کند. ما متوجه شدیم که هر دو ویژگی از نظر تجربی در نمونه ما مهم هستند.

ابتدا، برای هر شاخص بازار، داده های سری زمانی گزارش بازده قیمت را با بهترین مدل GARCH فردی (از بین بسیاری از نامزدهای احتمالی) تطبیق می دهیم. ما بهترین مدل را با استفاده از سه مرحله پیدا می کنیم: معنی داری آماری، آزمون هایی که تضمین می کنند ارزش در معرض خطر و نرخ های مازاد کسری مورد انتظار را رعایت می کنیم، و دستیابی به کمترین مقدار معیار اطلاعات بیزی.

ما متوجه شدیم که در حالی که هیچ یک از مشخصات GARCH به بهترین وجه نوسانات را در تمام 16 شاخص سهام نشان نمی دهد، ده شاخص سهام به خوبی توسط GARCH آستانه (TGARCH) یا مدل NAGARCH توصیف می شوند. در مورد نوآوری ها، برای نه شاخص سهام بهترین فرض توزیع SU reparameterized جانسون است، که تبدیلی از توزیع نرمال است که امکان کشش بیشتر را فراهم می کند.

برای اکثر شاخص های سهام، نوسانات با نیمه عمر شوک ها در حدود 20-40 روز (یعنی 1-2 ماه) پایدار است. یک استثنای قابل توجه HSI (هنگ کنگ) با نیمه عمر تنها 5. 3 روز است. به طور کلی، نوسانات در بازارهای اروپایی پایدارتر و در بازارهای آسیایی کمتر است.

علاوه بر این، متوجه می شویم که نوسانات بالا در دوره بین آغاز همه گیری COVID-19 و ظهور نوع بتا دسته بندی شده است. در واقع، سایر انواع نگرانی تأثیرات قابل توجهی بر نوسانات نداشتند. ما منحنی های تأثیر اخبار را از مدل های مختلف GARCH برای ارزیابی تأثیر شوک های گذشته بر نوسانات به دست می آوریم. برای 14 شاخص از 16 شاخص سهام، این منحنی نامتقارن است، به این معنی که شوک های منفی بیش از شوک های مثبت، نوسانات را افزایش می دهند.

مدل های سوئیچینگ مارکوف امکان شکست های شدید در نوسانات را فراهم می کنند، بنابراین بین رژیم ها تمایز قائل می شوند. در میان یافته های ما، شاخص BVSP (برزیل) بالاترین نوسانات کلی را دارد اما جالب است که بیشترین زمان را در رژیم کم نوسان و کمترین روز را در رژیم با نوسان بالا سپری می کند. در مقابل، شاخص STOXX50E (منطقه یورو) کمترین نوسان کلی را دارد، اما بیشترین روز را در رژیم با نوسان زیاد و کمترین را در رژیم کم نوسان سپری می کند.

بنابراین، نتایج نشان داد که COVID-19 بر ماندگاری حافظه طولانی و همچنین تغییر رژیم در نوسانات شاخص های عمده سهام جهان تأثیر گذاشته است. تأثیرات بر نوسانات بین شاخص های سهام متفاوت بود، که نیاز به پیکربندی های توزیع مدل خاصی داشت تا حقایق تلطیف شده توصیف شده در ادبیات را بهتر دریافت کند.

برای این منظور ، ما دو چارچوب را با هم ترکیب می کنیم. ما می دانیم که مشخصات EGARCH برای اکثر بازارها (16 شاخص) مناسب است ، همانطور که توزیع دانشجویی (10 شاخص). همانطور که در تجزیه و تحلیل پایه GARCH ، NIC برای اکثر شاخص ها نامتقارن است ، با شوک های منفی تأثیر قابل توجهی در نوسانات نسبت به شوک های مثبت دارد.

علاوه بر این ، ما نشان می دهیم که منحنی های تأثیر اخبار در رژیم های نوسانات بالا و پایین کاملاً متفاوت هستند. در تمام شاخص ها ، NIC در یک رژیم نسبت به دیگری تندتر است. جالب اینجاست که همیشه در رژیم نوسانات بالا تندتر نیست. برای نه بازار ، NIC در رژیم بالا تندتر است ، اما در هفت بازار ، در رژیم نوسانات پایین تندتر است. به طور کلی ، مدل MS-Garch ترکیبی بهتر از استفاده از تنها یک مدل MSWM یا تک گارچ است.

ما می دانیم که تأثیر اصلی COVID-19 بر نوسانات شاخص سهام در موج اول مسری رخ داده است. اگرچه شواهدی از سایر اثرات COVID-19 بر نوسانات شاخص سهام مرتبط با ظهور انواع جدید وجود دارد ، اما آنها شدیدتر یا حتی به سختی قابل تشخیص بودند.

از نظر روش شناختی ، مطالعه ما همچنین با ارائه پروتکل های فیلتر جدید ، که در نرم افزار آزادانه در دسترس نوشته شده است ، کمک می کند. آنها امکان انتخاب مدل گسترده تر ، پیشرفته تر و کارآمد را فراهم می کنند تا در دارایی های مختلف مانند شاخص های سهام اعمال شوند.

در دسترس بودن داده ها و مواد

داده ها توسط کد موجود در مواد تکمیلی بدست می آیند.