استنباط علیت الگوی متغیر زمان در بازارهای جهانی سهام

تجزیه و تحلیل علیت می تواند تعامل ذاتی در بازارهای مالی را نشان دهد. اگرچه تست علیت گرنجر و روش آنتروپی انتقال با موفقیت تعامل علّی مثبت و منفی را تعیین کرده است ، اما آنها نتوانند تعامل علّی پیچیده تری ، علیت تاریک را نشان دهند. علاوه بر این ، رابطه علی بین متغیرها ممکن است متغیر باشد. بنابراین ، در این کار ، ما به تعیین ماهیت تعامل علی و کشف علیت متغیر زمان در بازارهای جهانی سهام اختصاص یافته است. برای دستیابی به این هدف ، نظریه علیت الگوی (PC) ، تئوری نقشه برداری متقابل (CCM) ، روش پنجره کشویی و شبکه های پیچیده استفاده می شود. توسط آنها ، سه تعامل علّی با قدرت متفاوت در بازارهای جهانی سهام آشکار می شود و قدرت علی در دوره های مختلف هم در سیستم های شبیه سازی شده و چه در بازارهای مالی متغیر است. در حالی که تعامل علیت غالب به جز برخی از جفت های سهام در بازارهای مرزی و در حال ظهور پایدار است. درمجموع ، ما علیت غالب مثبت در بازارهای جهانی سهام را تعیین می کنیم. یعنی می توان روند کلی ثابت در بین سهام را مورد بررسی قرار داد. علاوه بر این ، ما برخی استثنائات را کشف می کنیم که علیت غالب منفی را نشان می دهد ، جایی که می توان روند معکوس را در بین آنها آشکار کرد. علاوه بر این ، علیت غالب آنها متغیر است. این عدم قطعیت ها باید مورد توجه سرمایه گذاران و مدیران دولت قرار بگیرند.

معرفی

مطالعه روابط بین سری های زمانی چند متغیره برای آشکار کردن قوانین دینامیکی آنها اهمیت زیادی دارد و از روش های مختلفی مانند همبستگی، هم انباشتگی و علیت استفاده شده است. در این میان، همبستگی و علیت به طور گسترده در زمینه های مالی استفاده می شود. برای مثال، تحلیل همبستگی می تواند ساختار و مکانیسم های انتقال پویا را برای اندازه گیری ریسک سیستمی در بازارهای سهام بررسی کند (Acemoglu, Ozdaglar, & Tahbaz-Salehi, 2015؛ Bein & Tuna, 2015؛ Chen, Han, & Qiao, 2019؛ Das.، دمیرر، گوپتا، و منگیسا، 2019؛ نیم، 2012؛ سان، وانگ، یائو، لی، و لی، 2020). علاوه بر این، بسیاری از مطالعات شبکه هایی را برای شناسایی ویژگی ها بر اساس همبستگی ایجاد کرده اند (Gebarowski، Oswiecimka، Watorek، & Drozdz، 2019؛ Huang، An، Gao، Hao، & Liu، 2015؛ Song، Tumminello، Zhou، و Mantegna، 2011. ون، یانگ و ژو، 2019). تجزیه و تحلیل هم انباشتگی مکانیسم تعدیل غیرخطی بین سهام را توصیف می کند، که در آن روابط تعادل ثابت می تواند بین سهام جزئی آشکار شود (Ausloos, Zhang, & Dhesi, 2020؛ Caporale, You, & Chen, 2019؛ Shi, Ahmed, & Shi, 2019) کهرابطه تعادل بلندمدت را در نظر می گیرد، در حالی که نمی تواند پویایی پنهان در پس رابطه تعادل را آشکار کند، و به شدت به طول زمانی متکی است. علاوه بر این، تحلیل علیت اغلب برای تشخیص نوسانات بین متغیرها استفاده می شود (بالسیلار و اوزدمیر، 2013؛ وانگ، سی، چن، زی، و شوالیه، 2020؛ وانگ، وانگ، یه، پی، و لی، 2020؛ ژانگ، کین،و لیو، 2019؛ تانگ، شیونگ، لو، و ژانگ، 2019). که می تواند قوانین ذاتی بین متغیرها را آشکار کند.

مطالعات قبلی اغلب علیت را در کل دوره زمانی شناسایی می کنند، که نادیده می گیرد که علیت بین برخی از متغیرهای سری زمانی متغیر است. برخی از مطالعات بر اساس آزمون علیت گرنجر، روابط علی متغیر با زمان را به دست آورده اند (ژانگ و برادستاک، 2016؛ بالسیلار و اوزدمیر، 2013؛ ناتاف و دی مور، 2019). با این حال، بر اساس آزمون علیت گرنجر، مانند علیت تاریک، نمی توان روابط علی پیچیده تری را تعیین کرد.

بازارهای سهام بازارهای مهمی در اقتصاد جهانی هستند و آنها از نزدیک به بازارهای دیگر در ارتباط هستند. یان و Xu (2013) رابطه بین بازار سهام چین و بازار بین المللی آینده کالا را بر اساس تجزیه و تحلیل همبستگی مورد مطالعه قرار دادند. رن ، جی ، کای ، لی و جیانگ (2016) رابطه پویا سرب را بین شاخص های سهام و مشتقات آنها مورد مطالعه قرار دادند. Zeren و KOC (2016) رابطه علّی بین بورس سهام و بازارهای ارزی را نشان دادند. مسئله مهم دیگر پیش بینی روند سهام است. حسن ، نات و کیرلی (2007) یک مدل فیوژن را پیشنهاد کردند که ترکیبی از HMM ، ANN و GA برای پیش بینی سهام است. چونگ ، هان و پارک (2017) روش یادگیری عمیق را برای پیش بینی اتخاذ کردند. علاوه بر این ، تشخیص ریسک سیستم در بورس سهام نیز قابل توجه است. Caetano و Yoneyama (2011) برای ارزیابی ریسک سیستم در بازارهای سهام ، مدلی را بر اساس مدل واکنش شیمیایی کاتالیزوری ساختند. Mensi ، Hammoudeh ، Shahzad و Shahbaz (2017) از روش Copula مبتنی بر تجزیه برای مدل سازی خطر سیستم در بازارهای سهام و بازارهای نفت استفاده کردند. با این حال ، تشخیص خطر سیستم و ایجاد پیش بینی با آشکار کردن روابط علی ذاتی در بازارهای سهام مفید است.

بنابراین ، در این مقاله ، ما به آشکار کردن علیت از بازار سهام و تشخیص شخصیت های علیت متغیر زمان در بین آنها ، از جمله ماهیت علیت و قدرت علیت اختصاص داده شده است. برای دستیابی به هدف ، روش PC ، روش CCM ، شبکه های پیچیده و پنجره های کشویی در اینجا اعمال می شود. روش PC می تواند ماهیت و قدرت علیت را تعیین کند. روش CCM می تواند علیت را از همبستگی متمایز کند. شبکه های پیچیده می توانند تجسم خوبی را ارائه دهند. سرانجام ، یک پنجره کشویی هنگام استخراج بخش های سری زمانی تأثیر خوبی دارد و می تواند پایه ای محکم برای بررسی ویژگی های ساختاری کل سری زمانی فراهم کند (Scruggs ، 2007 ؛ Gao et al. ، 2014). در این مقاله ، ابتدا سیستم های قطعی شبیه سازی شده را مطالعه می کنیم و علیت متغیر زمان را تعیین می کنیم. سپس ، ما سیستم عملی و بازارهای جهانی سهام را مطالعه می کنیم. برای آشکار کردن قوانین علی ذاتی آنها ، هم دوره های زمانی و دوره های زمانی مختلف را ارزیابی می کنیم و شبکه های علی را می سازیم. با تجزیه و تحلیل خصوصیات توپولوژیکی ، روابط علی را در بازارها نشان می دهیم.

باقیمانده این مقاله به شرح زیر سازماندهی شده است. 2 روش ، 3 داده روش ها و داده ها را توصیف می کنند. در بخش 4 ، ما روابط علی را در بازارهای جهانی سهام بررسی می کنیم. بخش 5 یافته های اصلی ما را خلاصه می کند.

قطعه قطعه

مواد و روش ها

ثابت شده است که چندین روش قادر به تشخیص علیت بین سری زمانی چند متغیره ، مانند تست علیت گرنجر (Vyrost et al. ، 2015) و آنتروپی انتقال (Bekiros et al. ، 2017) است. با این حال ، نقشه برداری متقابل (CCM) و الگوی علیت (PC) به عملکرد رضایت بخش در سیستم های غیرخطی دست می یابند و در محیط زیست و امور مالی به کار رفته اند (Stavroglou et al. ، 2019 ؛ Wu et al. ، 2021 ؛ Sugihara et al. ، 2012). در این مقاله ، 46 شاخص سهام MSCI را می توان به عنوان یک در نظر گرفت

داده ها

برای مطالعه روابط علی در بازارهای جهانی سهام ، ما شاخص سهام MSCI (مورگان استنلی سرمایه بین المللی) هر کشور یا منطقه را انتخاب می کنیم ، که بیشترین استفاده از معیار معیار برای مدیران نمونه کارها در جهان است و به یک معیار مهم برای اندازه گیری تبدیل شده استعملکرد بازارهای سرمایه در کشورهای مختلف. طبق گفته MSCI ، بازارهای سهام جهانی شامل سه نوع بازار ، یعنی بازارهای توسعه یافته ، بازارهای نوظهور و بازارهای مرزی است. در این

نتایج

از شبیه سازی های فوق ، مشاهده می شود که حتی برای سیستم های قطعی ، برخی از روابط علّی غالب بین متغیرها با گذشت زمان تغییر می کنند و برخی از آنها همیشه ثابت هستند. با این حال ، در سیستم های واقعی چه اتفاقی می افتد؟اکنون ما بازارهای جهانی سهام را در نظر می گیریم. تئوری PC نیز استفاده می شود. عرض پنجره کشویی 530 است ، تاخیر 20 ، E = 3 ، τ = 1 است.

نتیجه گیری و بحث

در این کار ، ما از روش PC استفاده می کنیم تا تعامل های علیت متنوع در بازارهای جهانی را نشان دهیم. و با ترکیب روش پیچیده شبکه و روش پنجره کشویی ، ما ویژگی متغیر زمان این تعامل علی را تشخیص می دهیم. بر اساس این روش ها ، نتایج بی شماری به شرح زیر یافت می شود:

رابطه علی در واقع با رابطه همبستگی متفاوت است ، حتی اگر ضریب همبستگی بین متغیرهای سری زمانی صفر باشد ، می توان علیت قوی را تعیین کرد و چه زمانی قوی

بیانیه

نویسندگان اعلام می کنند که قبلاً منتشر نشده اند.

تضاد علاقه

نویسندگان اعلام می کنند که هیچ تضاد منافع ندارند.

تصدیق

این تحقیق توسط بنیاد ملی علوم طبیعی چین پشتیبانی می شود (گرانت شماره 42001242 ، 71991481 ، 71991485 ، 71991480 ، 41871202). بنیاد علوم طبیعی پکن (گرانت شماره 9202013) ؛صندوق های تحقیقاتی اساسی برای دانشگاه های مرکزی (کمک هزینه شماره 265208247) و صندوق آزمایشگاه کلیدی ارزیابی ظرفیت حمل برای منابع و محیط زیست ، وزارت منابع طبیعی (شماره کمک هزینه CCA2019. 01).

منابع (44)

• M. Ausloos و همکاران.