الگوسازی سرایت تلاطم در بازار سهام ایران؛ رویکرد فضا-حالت غیرخطی

مقاله حاضر با استفاده از داده‌های روزانه شاخص قیمت 15 گروه صنعت طی دوره زمانی 1395/08/09 تا 1400/01/07 درصدد الگوسازی تلاطم بازار سهام ایران است. مدل تلاطم تصادفی چند متغیره عاملی در چارچوب رویکرد فضاحالت غیرخطی، مبنای تفکیک تلاطم بازار سهام به دو جزء «تلاطم منبعث از عوامل پنهان» و «تلاطم خاص هر صنعت» و برآورد ماتریس همبستگی پویای تلاطم صنایع قرار گرفته است. یافته‌ها حاکی از آن است که اولاً دو عامل پنهان وجود دارد که بخشی از تلاطم صنایع داخلی (انبوه‌سازی، زراعت، محصولات غذایی، قند و شکر، سیمان و ...) متاثر از عامل پنهان اول و بخشی از تلاطم صنایع کامودیتی‌محور صادراتی کشور (صنایع شیمیایی و پتروشیمی، فرآورده‌های نفتی، فلزات اساسی و محصولات فلزی)، تحت تاثیر عامل پنهان دوم است. ثانیاً تلاطم‌های خاص هر صنعت در طی دوره زمانی مورد بررسی تشدید شده و رفتار خوشه‌ای را از خود به نمایش می‌گذارد. ثالثاً تلاطم بازده سهام صنعت بانکی متاثر از هر دو عامل پنهان بوده و تلاطم خاص مرتبط با صنعت مذکور، تقریباً در میانه صنایع قرار می‌گیرد. این یافته، دور از انتظار نیست، زیرا پرتفوی تسهیلات اعطایی بانک‌ها، متشکل از تمامی صنایع می‌باشد و لذا تلاطم این بخش و اثرپذیری آن از عوامل پنهان، میانگین وزنی از سایر صنایع خواهد بود. رابعاً بیشترین درجه همبستگی تلاطم بازده سهام در میان 4 صنعت کامودیتی‌محور مشاهده می‌شود که در طول دوره مورد بررسی، سیر صعودی داشته است.

Modeling the Transmission of Volatility in the Iranian Stock Market Space-State Nonlinear Approach

Using the daily data of the price index of 15 industries during 2016/10/30 to 2021/3/27, the volatility of Iranian stock market has been modeled in this paper. Factor multivariate stochastic volatility model in the framework of spacestate approach is the basis for decomposing the stock market volatility into two components, “volatility rooted in latent factors” and “idiosyncratic volatility” and estimating timevarying covariance matrix and dynamic pairwise correlation of time series. The findings reveal that: first, there are two latent factors; the first affects the volatility of domestic industries (real estate, agriculture, food products, sugar, cement, etc.) and volatilities of commoditybased industries (chemical and petrochemical industries, petroleum products, basic metals and metal products) are affected by the latter. Second idiosyncratic volatilities of each industry increase during this period, and evidence of clustering behavior emerges. Third, the volatility of banking industry’s stock return is influenced by both of latent factors and its idiosyncratic volatility lies in the middle of industries. This finding is logical and predictable because banks lend to a wide range of different industries, so idiosyncratic volatility of this sector and factors loading will be the weighted average of other industries. Fourth, the highest degree of pairwise correlation is observed between the 4 commoditybased industries, which have had an upward trend during this period. JEL Classification: C11, C32, C58, G17