محرک های اقتصادی نوسانات کالا: مورد مس

این مقاله بررسی می کند که آیا متغیرهای اقتصادی اطلاعات مفیدی را برای پیش بینی نوسان قیمت ماهانه مس ارائه می کنند یا خیر. ادبیات قبلی در مورد بازارهای سهام این سوال را به طور گسترده مورد بحث قرار داده است، اما کمتر در مورد قدرت پیش بینی این متغیرها در زمینه بازارهای کالا شناخته شده است. ما روی مس تمرکز می کنیم، که یک کالای تجدید ناپذیر است که نقش مهمی در چندین اقتصاد و بازار ایفا می کند. برای روشن کردن این موضوع، ما از روش میانگین گیری مدل بیزی (BMA) برای محاسبه عدم قطعیت پارامتر و مدل استفاده می کنیم. نتایج تجربی ما نشان می دهد که چندین متغیر اقتصادی در مقایسه با یک مدل معیار خود رگرسیون قدرت پیش بینی قابل توجهی دارند و این قابلیت پیش بینی در چرخه تجاری متفاوت است.

معرفی

قیمت کالاها در سال های اخیر نوسانات قابل توجهی داشته است و چرخه های رونق و رکود را تجربه کرده است. مالی شدن بازارهای کالا نقش کلیدی در توضیح این نوسانات قیمت ایفا کرده است (به عنوان مثال، چنگ و شیونگ، 2014؛ تانگ و شیونگ، 2012 را ببینید). کالاها به یک طبقه دارایی سرمایه گذاری تبدیل شده اند و ارتباط آنها با دارایی های سنتی مانند اوراق قرضه و سهام به طور قابل توجهی از دهه 2000 افزایش یافته است (آدامز و گلوک، 2015).

هدف این مقاله با بررسی این موضوع است که از کدام متغیرهای اقتصادی می توان برای پیش بینی نوسانات قیمت مس استفاده کرد. مس یک فلز غیر آهنی و غیر گرانبها است که برای اقتصاد چندین کشور استخراج کننده آن ضروری است. برای مثال در شیلی، مس نیمی از کل درآمد صادراتی را تشکیل می دهد. علاوه بر این، یکی از پرمعامله ترین کالاها در بورس های آتی عمده مانند بورس فلزات لندن (LME)، بورس کالای نیویورک، و بورس آتی شانگهای است (به عنوان مثال، سانچز-لاشراس و همکاران، 2015؛ دیاز را ببینید. و همکاران، 2020). نوسانات قیمت مس اثرات قابل توجهی بر اقتصاد جهانی دارد. در جنبه واقعی، نوسانات بر تصمیمات تولید و مصرف که توسط شرکت ها و اقتصادهای مرتبط با مس اتخاذ می شود، تأثیر می گذارد. از جنبه مالی، نوسانات مس بر مدیریت ریسک و تصمیمات سبد سرمایه گذاران نهادی و خرد تأثیر می گذارد (Mayer et al., 2017). در این زمینه، شناسایی محرک های بلندمدت نوسان قیمت مس، تمرینی شایسته برای سیاست گذاران، مدیران عامل، سرمایه گذاران و مدیران پرتفوی است.

ما به صورت تجربی توانایی مجموعه ای از متغیرهای اقتصادی را برای پیش بینی نوسانات قیمت مس ارزیابی می کنیم. ما با در نظر گرفتن مجموعه 17 پیش بینی کننده استفاده شده توسط Buncic و Moretto (2015) در مطالعه خود در مورد پیش بینی بازده مس استفاده می کنیم. سپس ، ما این مجموعه داده را با شش متغیر اضافی گسترش می دهیم تا در مجموع 23 پیش بینی کننده ، به علاوه تاخیر نوسانات مس را بدست آوریم. ما این 23 پیش بینی کننده مختلف را به سه گروه مرتب می کنیم: متغیرهای مربوط به اصول صنعت مس ، عدم اطمینان اقتصادی و متغیرهای مالی.

ما برای پیش بینی نوسانات قیمت مس از یک روش میانگین (BMA) مدل بیزی استفاده می کنیم. یک روش مشابه توسط کریستینسن و همکاران استفاده شد.(2012) و Nonejad (2017) در مطالعه خود در مورد عوامل تعیین کننده نوسانات کل بازار سهام در ایالات متحده آمریکا ، روش BMA به ما اجازه می دهد تا مسائل مربوط به انتخاب مدل ، تخمین ترکیبی و پیش بینی ترکیبی را برطرف کنیم ، در حالی که حسابداری هم برای پارامتر و هم برای عدم اطمینان مدلبشرروشهای ترکیبی مانند رویکرد BMA نشان داده شده است که دقت پیش بینی در برنامه های پیش بینی بازده سهام را بهبود می بخشد (به عنوان مثال ، Rapach و همکاران ، 2010) ، و همچنین در تجزیه و تحلیل پیش بینی بازگشت کالاها (به عنوان مثال ، گارگانو و تیمرمن ، 2014 مراجعه کنید.).

نتایج تجربی ما نشان می دهد که چندین متغیر اقتصادی که ما در نظر گرفتیم به پیش بینی های دقیق تر نوسانات مس در آینده کمک می کنند ، چه در صورت استفاده به صورت جداگانه و چه در هنگام ترکیب با استفاده از رویکرد BMA. در بین متغیرهای اندازه گیری اصول ، می فهمیم که افراد مربوط به تقاضای بیش از حد مس و عملکرد راحتی باعث افزایش قابل توجهی توانایی پیش بینی می شوند. متغیرهای عدم اطمینان همچنین در پیش بینی نوسانات مس سهم قابل توجهی دارند. شاخص نوسانات تبادل نظر هیئت مدیره شیکاگو (VIX) ، شاخص عدم اطمینان سیاست اقتصادی (EPU) و به ویژه شاخص های خطر ژئوپلیتیکی اطلاعات ارزشمندی را برای پیش بینی نوسانات مس در آینده ارائه می دهد. با مراجعه به مجموعه پیش بینی های مالی ، می فهمیم که بازده شاخص S& P 500 ، نفت و طلا ، پزو شیلی و چندین سهام شرکت های بزرگ معدن نیز برای پیش بینی نوسانات مس مفید است. همانطور که انتظار می رود ، هنگامی که مدل های مختلف با استفاده از روش BMA ترکیب می شوند ، دقت پیش بینی بهبود می یابد. شایان ذکر است که رویکرد BMA از یک مدل معمولی حداقل مربعات (OLS) خطی استفاده می کند که در آن همه پیش بینی کننده ها به طور همزمان گنجانده شده اند. سرانجام ، و در مقایسه با سایر مدلهای معیار ، می فهمیم که استفاده از میانگین تاریخی برای پیش بینی نوسانات قیمت مس حداقل نتایج دقیق را به همراه دارد.

ما همچنین به دنبال الگوهای وابسته به چرخه تجارت هستیم. ما از داده های چین برای شناسایی مراحل انبساط و رکود اقتصادی استفاده می کنیم. چین تا کنون بزرگترین مصرف کننده مس در جهان 1 است و بنابراین به طور قابل توجهی بر قیمت های مس و تصمیمات تولید تأثیر می گذارد (به Hammoudeh and Yuan ، 2008 مراجعه کنید). ما تفاوتهای معنی داری را در فازهای مختلف چرخه تجارت مشخص می کنیم ، در حالی که متغیرهای اقتصادی قدرت توضیحی بسیار بیشتری در طول دوره های انبساط نسبت به دوره های انقباضی دارند.

ما در ادبیات در مورد عوامل تعیین کننده اقتصادی نوسانات بازار مالی مشارکت می کنیم (به Paye ، 2012 ؛ Christiansen et al. ، 2012 ؛ Engle et al. ، 2013 ؛ در میان دیگران) ، و به طور خاص در بازارهای کالا (به کارالی و رامیرز ، 2014 مراجعه کنید.؛ نگوین و والتر ، 2020 ؛ و باتن و همکاران ، 2010). در این بدنه کار و به بهترین دانش ما ، این مقاله یکی از معدود مواردی است که تنها در صورتی نیست که به طور خاص بازار مس را مطالعه کند. علاوه بر این ، مطالعه ما همچنین با در نظر گرفتن دو مجموعه پیش بینی کننده که به ندرت مورد بررسی قرار گرفته اند ، به ادبیات کمک می کند: اصول بازار (تقاضای اضافی ، موجودی ها و بازده راحتی) و پروکسی برای عدم اطمینان (VIX ، EPU ، عدم اطمینان پولی ، خطر ژئوپلیتیکی و خطربیزاری). گنجاندن این پیش بینی کنندگان بینش جدیدی را ارائه می دهد.

رشته ای که از نزدیک ادبیات مرتبط است ، بر پیش بینی نوسانات مس فرکانس بالاتر (طی چند روز و هفته) با استفاده از مدلهای سری زمانی خودگردان متمرکز شده است (به عنوان مثال ، لی و لی ، 2015 ؛ گونگ و لین ، 2018 ؛ هامود و یوان ، مراجعه کنید. 2008 ؛ Khalifa et al. ، 2011 ؛ Lyócsa et al. ، 2017 ؛ Todorova ، 2015 ؛ Todorova et al. ، 2014 ؛ Smith and Bracker ، 2003) و مدلهای یادگیری تصمیم گیری (به گارسیا و کریستجانپولر ، 2019 مراجعه کنید). در مقایسه با این مطالعات ، مقاله ما با هدف شناسایی پیش بینی کننده های اقتصادی بلند مدت به جای پیش بینی کننده های کوتاه مدت ، که به طور کلی با استفاده از مقادیر عقب مانده از نوسانات مس ساخته می شوند.

قسمت باقیمانده این مقاله به شرح زیر است. در بخش 2 ، ما مجموعه داده های خود را شرح می دهیم و آمار توصیفی را ارائه می دهیم. در بخش 3 ، رویکرد اقتصاد سنجی خود را بیان می کنیم و روش BMA را شرح می دهیم. در بخش 4 ، ما نتایج پیش بینی پایه خود را گزارش می کنیم. در بخش 5 ، تست های استحکام خود را شرح می دهیم. و سرانجام ، ما در بخش 6 نتیجه می گیریم.

قطعه قطعه

داده ها

ما داده های ماهانه را برای دوره بین ژانویه 1996 و مارس 2020 جمع می کنیم و در مجموع 292 مشاهده به دست می آوریم.

چارچوب اقتصاد سنجی

در ابتدا ، ما تخمین مدل های خطی ساده از فرم را در نظر می گیریم: r v t = α + ρ r v t - 1 + γ x j ، t - 1 + e t ، جایی که x j ، t - 1 هر متغیر است (پیش بینی کننده j th) از مجموعه 23 پیش بینی کننده. ما این مدل های خطی را با استفاده از OLS جا می دهیم. اگرچه این مدل در (2) نشانه اولیه را در مورد اهمیت فردی هر پیش بینی کننده در اختیار ما قرار می دهد ، این استراتژی مدل سازی نه برای عدم اطمینان پارامترها و عدم اطمینان مدل حساب می کند. در آنچه در زیر آمده است ، ما روش میانگین مدل بیزی را ارائه می دهیم که

نتایج تجربی

در این بخش، ما نتایج پیش بینی پایه خود را قبل از بررسی چگونگی تغییر آنها در چرخه تجاری ارائه می کنیم.

تجزیه و تحلیل استحکام

این بخش چندین بررسی استحکام را که ما انجام دادیم شرح می دهد. ابتدا، یک افق پیش بینی اضافی (دو ماه) را ارزیابی کردیم. دوم، ما یک مدل معیار جایگزین (AR2) را در نظر گرفتیم: سوم، ما مقدمات یکنواخت غیر اطلاعاتی را برای روش تخمین BMA در نظر گرفتیم. و در نهایت، ما از یک شاخص رکود ایالات متحده برای ارزیابی قابلیت پیش بینی در سراسر چرخه تجاری استفاده کردیم.

نتیجه گیری

قیمت کالاها در سال های اخیر نوسان پذیرتر شده و به دلیل پدیده «مالی سازی کالاها» و رشد سرمایه گذاری در بازارهای کالا، چرخه های رونق و رکود را تجربه کرده است. این نوسانات بیشتر کالاها بر صنایع و کشورهای مرتبط با کالا در بخش واقعی اقتصاد و سرمایه گذاران و مدیران پرتفوی در بخش مالی تأثیر می گذارد. بنابراین، داشتن توانایی پیش بینی تغییرات در نوسانات مهم شده است.

در این مقاله به بررسی می پردازیم

بیانیه نویسنده

خوان دیاز: مفهوم سازی، روش شناسی، نرم افزار، نوشتن پیش نویس اصلی، نوشتن بررسی و ویرایش. اروین هنسن: مفهوم سازی، روش شناسی، نرم افزار، نگارش پیش نویس اصلی، مدیریت داده، نگارش بررسی و ویرایش. گابریل کابررا: مدیریت داده ها، نرم افزار، روش شناسی، نوشتن - بررسی و ویرایش.