global economic policy uncertainty and non-performing loans in iranian banks: dynamic correlation using the dcc-garch approach

The aim of this article is to investigate the dynamic correlation between the global economic policy uncertainty index (gepu) and non-performing loans (npl) in iran. the relationship between economic uncertainty and banking performance indices is significant because of the systemic importance of banks in every economy. we evaluated this relationship in this developing country, especially under economic sanctions. in this study, we used the dynamic conditional correlation generalized autoregressive conditional heteroskedasticity (dcc-garch) to assess the relationship between global economic policy uncertainty and non-performing loans of iranian banks using the statistics of these two indicators by r and eviews programming and statistical software in the period from 2004 to 2021. our results show that iranian banks' non-performing loans (npl) are rather associated with global economic policy uncertainty (gepu) during major global shocks such as the global financial crisis in 2008 or the covid-19 pandemic. however, despite fluctuations in the correlation between non-performing loans and global economic policy uncertainty over time, this study also illustrates that these correlations in some periods are generally somewhat low that some of the reasons could be the sanctions imposed on iran's economy and banking system, imposed loans to banks by the government, forced interest rate, etc., which led to a limited connection among iranian banks and global banking system. to prove this claim we estimate the model for some countries with an open economy, like japan, singapore, the us, turkey, and spain. the result shows that this correlation is much higher in comparison to iran.

Global Economic Policy Uncertainty (GEPU) and Non-Performing Loans (NPL) in Iran's Banking System: Dynamic Correlation using the DCC-GARCH Approach

هدف این مطالعه دستیابی به عملکرد بهتر برای سبد سهام بهینه با مدل‌سازی پویایی قیمت سهام از طریق یک فرآیند لوی مسیرهای پیوسته است. برای این منظور، قیمت سهام با استفاده از یک مدل حرکت براونی هندسی چند بعدی شبیه‌سازی شده است. سپس، این نتایج را برای تشکیل سبد سهام بهینه با استفاده از حداکثرسازی نسبت شارپ به کار می‌گیریم و یافته ها را با خروجی‌های مدل معمول (متعارف) مقایسه می‌کنیم. برای بررسی استحکام نتایج، عملکرد آن را برای افق‌های مختلف سرمایه‌گذاری (طول دوره های سرمایه‌گذاری که با f نشان داده شده) و حجم متنوعی از اطلاعات قیمتی (تعداد روزهای قبل که داده های آن برای استخراج سبد سهام به کار رفته و با L نشان داده شده) در یک بازه زمانی طولانی (تقریبا بیست سال) در بورس اوراق بهادار تهران ارزیابی کرده‌ایم. یافته‌ها نشان می‌دهد که در دوره مورد بررسی (6/13991/1380)، بازده و ریسک (انحراف معیار) سبدهای حاصل از این روش شبیه‌سازی برای حداکثرسازی نسبت شارپ به ترتیب (به طور متوسط 244%) بیشتر و (به طور متوسط 1227%) کمتر از روش معمول (متعارف) بوده است. علاوه بر این، مقایسه رویکرد شبیه‌سازی با عملکرد واقعی سبدهای بازار نشان می‌دهد که نسبت شارپ روش شبیه‌سازی (به طور متوسط 0.055%) بالاتر از نتایج حاصل از عملکرد سبد بازار است. نتایج آزمون تسلط تصادفی نشان می‌دهد که استراتژی پیشنهادی ما دارای تسلط تصادفی مرتبه اول (FSD) بر روش معمول و سبدهای بازار است. به این معنا که در هر سطحی از توزیع تجمعی، نسبت شارپ روش پیشنهادی ما بالاتر است و به دلیل اینکه آزمون FSD،فرضی در مورد انحنای تابع مطلوبیت سرمایه‌گذاران ندارد، این نتایج به میزان ریسک‌گریزی سرمایه‌گذاران بستگی ندارد و تا زمانی که نسبت شارپ بالاتر توسط سرمایه‌گذاران ترجیح داده شود، اگر از استراتژی پیشنهادی ما پیروی کنند وضعیت بهتری خواهند داشت.