پویایی‌‌های غیر خطی نرخ بازده ارز در ایران با استفاده از الگوهای غیرخطی بیزین

نرخ ارز، معیار برابری پول رایج یک کشور در برابر پول کشوری دیگر و همچنین نشان‌دهنده سنجش وضعیت اقتصادی کشور در مقایسه با سایر کشورها است. در این مطالعه، از الگوهای غیر خطی بیزین به ‌منظور بررسی پویایی‌‌های غیر خطی نرخ ارز در ایران با تناوب ماهانه در بازه زمانی فروردین 1383 تا آذرماه 1399 استفاده ‌شده است. برای بررسی پویایی‌‌های نرخ ارز، مدل‌‌های سری زمانی گوناگونی معرفی‌ شده‌‌اند که تفاوت اصلی آن‌‌ها در تخمین‌‏های خطی و غیر خطی است. در زمینه مدل‌‌های غیر خطی، امکان بررسی پویایی میانگین غیر خطی شرطی وجود دارد و از آن‌جا ‌که نرخ‌‌های ارز بیان‌گر قیمت‌ دارایی‌‌ها هستند، بنابراین نیاز به ارائه مدل‌‌هایی است که ویژگی دم سنگینی توزیع بازدهی نرخ ارز را شامل شده و امکان واریانس‌‌های متغیر در هر رژیم را فراهم کند. برای این منظور جهت تخمین مدل خود بازگشت آستانه‌ای (tar) به شیوه بیزی از شبیه‌سازی زنجیره‌های مارکف با استفاده از الگوریتم نمونه‌گیری گیبس استفاده شد. نتایج حاکی از آن است که دو رژیم ارزی وجود دارد که رژیم افزایشی نرخ ارز (رژیم 2) نسبت به رژیم کاهشی نرخ ارز (رژیم 1) از انحراف از استانداردهای رژیمی بالاتری برخوردار است که حاکی از تلاطم ارزی بالا در این رژیم و عدم قطعیت بیشتر است. علاوه بر این، تعدیل در رژیم یک به سمت مسیر تعادل بلندمدت، بسیار مطمئن‌‌تر از تعدیل به سمت مسیر بلندمدت در رژیم دو است چرا که تغییرپذیری در شرایط افزایش نرخ ارز بسیار زیاد است. همچنین نحوه تعدیل نرخ ارز به سمت تعادل بلندمدت در رژیم 2 نسبت به رژیم 1 بسیار سریع‌تر صورت می‌‌پذیرد.

nonlinear exchange rate dynamics in iran using the bayesian nonlinear method

introduction: exchange rate is a measure of the equality of a country’s currency against the currencies of other countries. it indicates the measurement of that country’s economic situation in comparison with other countries. in the framework of conventional economic theory, the exchange rate system refers to the mechanism of determining the exchange rate through market forces exerted on the supply and demand.the purpose of this study is to understand the dynamics governing the exchange rate behavior using nonlinear models. by understanding the exchange rate dynamics, one can recognize its unusual and worrying behavior over time and apply the necessary policies accordingly.methodology: the baseline linear model used in this study is a finite-order autoregressive (ar) model with relation (1):(1) in the real logarithm of the real exchange rate, the interrupted polynomials are placed in the roots of ϕ (z) = 0 on or outside a single circle. the roots outside the unit circle mean that ppp remains stable in the long run.regime change regressiontwo-mode tar (2) models are defined as follows:(2)  in the above relation, there is a sequence of white noises with mean zero and variance 1. in this model, it is assumed that the variance in each regime is different from that in the other regimes. in order to complete the above definition, the r1 and r2 regimes need to be described more precisely. it depends on how each regime changes over time.introducing the bayesian modelin order to estimate the bayesian setar, we assume that the exchange rate variable has a normal distribution.(3)  in the setar model, the regime change is defined as a discrete variable as follows:in the next step, in order to have a bayesian estimate, we need to specify the backgrounds of the model coefficients and the other parameters. an appropriate assumption in this regard is to assume that the anterior distribution r is a continuous uniform distribution whose boundaries include the minimum and maximum time series data as follows:in the next step, we will define the backgrounds for the coefficients. according to the objectives of this study, we will use the background for the ignorance of the normal part as follows:bayesian estimation methodthe basis of bayesian inferences is bayesian theorem. according to this theorem, the posterior probability of an event varies according to the product of the previous probability in the logarithm of the orthogonality. in mathematical terms, bayes’ theorem is as follows:results and discussion: table 1 reports the results of the setar model estimation for the exchange rate return (rials against the dollar with the monthly rotation in the period from 2004 to december 2020). the validity intervals of the coefficients are adjusted and do not include zero, which, like the classical case, is based on the significance of these coefficients. table 1. bayesian setar model coefficients (1) for the dollar exchange ratecoefficientsposterior averageposterior standard deviation95% confidence interval 0,00790,0023(0,0034;0,0123) 0,31790,0713(0,1773;0,4567) 0,01470,0161(-0,0172;0,0465) 0,43380,1468(0,1427;0,7244) 0,02230.0006(0,0208;0,0230) table 2. variances of the two regimes in the bayesian setar (1) model for the dollar exchange ratecoefficientsposterior averageposterior standard deviation95% confidence interval 0/00070/0001(0,0006;0,0009) 0/00940/0019(0,0064;0,0137) according to the results of table (2), when the exchange rate is lower than the latter value of thresholds, its variability is much less than when the exchange rate is higher than the threshold value (variance in regime 2 is greater than that in regime 1)figure (1) shows the autocorrelation of the simulated values in the latter estimation of the model parameters in the two regimes. figure 1.