وابستگی نامتقارن اجزای فرکانس داخل دهانی در بازار سهام برزیل

وابستگی چند متغیره نقش مهمی در مدیریت ابزار مالی دارد. با توجه به ویژگی های ذاتی در بازار مالی ، مانند دم های سنگین در توزیع بی قید و شرط و عدم تقارن بین افزایش و از دست دادن ، ما ساختار وابستگی نامتقارن را در مقیاس های مختلف تغییر کوتاه مدت بر اساس تکنیک موجک به دست آوردیم. این مطالعه به دنبال ضبط روابط بین بازده مالی است که توسط مؤلفه های فرکانس آن نشان داده شده است. از سری بازده های داخلی در فاصله نمونه برداری 15 دقیقه ای از سهام استفاده شد و از جفت-کوپولا D-Vine استفاده کرد تا در فرکانس های تجاری 15 دقیقه ، 1 ساعت ، 1 روز و 1 هفته با تنظیم حاشیه کلاس Arima-Aparch و 1 هفته تجزیه شود. عملکرد Copula BB7 ، مسئول اندازه گیری وابستگی به دمها. نتایج حاکی از شیوع وابستگی زیاد در طی افزایش بازار است و بر فراز فرکانس های مورد بررسی افزایش می یابد. ابزاری مهم در مدیریت مالی و اجازه استراتژی های کوتاه مدت متنوع سازی.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

معرفی

رفتار ساختار وابستگی چند متغیره بازارهای مالی یک نکته مربوط به مدیریت ابزار بودجه را پیکربندی می کند. از آنجا که نظریه مدرن نمونه کارها (مارکوویتز 1952) بحث کلی در مورد این موضوع ، از جمله جنبه های دیگر به عنوان ریسک و بازده ، بازده مورد انتظار ، اقدامات خطر و نوسانات و تنوع ، در ادبیات فعلی بوده است. مطالعات متعددی مانند ERGEN (2014) ، Jondeau (2016) و Caldeira و همکاران.(2017) نشان داده است که اندازه گیری وابستگی موجود در بین بازده یک نمونه کارها برای توسعه استراتژی سرمایه گذاری ، عمدتاً در زمینه تنوع ، که شامل تخصیص کارآمد دارایی های مجزا برای به حداقل رساندن خطرات است ، ضروری است.

به طور خاص ، در مدیریت ریسک ، انتخاب نمونه کارها و قیمت گذاری دارایی ، جنبه های مهمی از قبیل غیرخطی ، وابستگی نامتقارن و همچنین دمهای سنگین توزیع احتمال حاشیه و مشترک وجود دارد (Wang and Xie 2016). برای مقابله با این سؤالات ، استنتاج های مبتنی بر احتمالات چند متغیره دم لازم است. وابستگی دم به بازده دارایی اشاره دارد که وابستگی بیشتری را در هنگام رکود بازار یا در حین افزایش بازار نشان می دهد و مدتهاست که مورد علاقه دانشگاهیان ، مدیران صندوق و بازرگانان بوده است ، زیرا این امر پیامدهای مهمی برای تخصیص نمونه کارها و قیمت گذاری دارایی دارد. پاتون (2004) ، Malevergne و Soette (2006) و Hatherley and Alcock (2007) نشان دادند که اثرات وابستگی نامتقارن نامتقارن در تخصیص دارایی را برای محافظت از اوراق بهادار بهتر و به حداقل رساندن ریسک نشان می دهد. علاوه بر این ، Cherubini و همکاران.(2004) و Chollete و همکاران.(2011) نشان داد که بیشتر سیاست های اقتصادی ریسک سیستمیک باعث وابستگی به دم می شود.

شواهد مطرح شده در بالا به طور گسترده ای در طول سال ها گزارش شده است ، به طور عمده عدم تقارن توزیع حاشیه ای و ساختار وابستگی. طبق گفته های پنگ و نگ (2012) و پاتون (2001) ، یک مدل وابستگی نامناسب می تواند منجر به پرتفوی ناکارآمد و ارزیابی نادرست از نمایشگاه های خطرات شود. برای مقابله با این مشکلات ، استفاده از رویکرد کوپول ها پیشنهاد شده است. کوپول ها توابعی هستند که توابع توزیع چند متغیره را به توزیع حاشیه خود وصل می کنند (Cherubini و همکاران 2004). آنها شامل تمام اطلاعات مربوط به ساختار وابستگی در بین متغیرها ، برای ساختارهای همبستگی متقارن و نامتقارن هستند. در داده های مالی ، کوپول ها ابزاری ایده آل برای تجزیه و تحلیل حرکات وابستگی شدید بدون محدودیت های تحمیل شده توسط مدلهای چند متغیره کلاسیک تشکیل می دهند ، که نشان دهنده وابستگی بین دارایی ها است (Embrechts و همکاران 2003).

برنامه های مختلف رویکرد کوپول برای بهینه سازی بازده دارایی های دیده شده در Righi و Ceretta (2013) ، Kakouris and Rustem (2014) ، Bartels and Ziegelma (2016) و Abbara و Zevallos (2017) وجود دارد. یکی از این روشها مدل های چند متغیره جفت جو (1997) است که توسط بدفورد و کوک (2001) و بدفورد و کوک (2002) با ساخت گرافیکی سلسله مراتبی از کوپل های دو متغیره به نام کوپول های معمولی تاکستان گسترش یافته است. به گفته جو و همکاران.(2010) ، مدل سازی وابستگی به کوپل های چند متغیره ، مانند رویکرد تاک ، امکان توسعه خانواده های پارامتری مناسب برای داده های مالی چند متغیره با ساختارهای وابستگی متفاوت را فراهم می کند. جو و کوروویکا (2011) بررسی گسترده ای از کوپل های انگور ، از جمله کاربردهای این روش در مالی را ارائه می دهد.

هدف از مقاله حاضر ، ارائه رفتار رابطه نامتقارن بین بازده مالی در زمان و فرکانس دامنه است. فرکانس یک عامل مرتبط در تجزیه و تحلیل دارایی ها ، مربوط به تغییرات در افق سرمایه گذاری بازیکنان بازار است ، از کوتاه تا بلند مدت. اهمیت این تجزیه و تحلیل در بررسی تأثیر افق زمانی قوانین سرمایه گذاری بر تجزیه و تحلیل نمونه کارها ، اندازه گیری وابستگی نامتقارن در بازه های زمانی مختلف است. افق زمانی تصمیمات اقتصادی مربوط به تغییرات قیمت سهام است ، سپس فرکانسهای زمانی مختلف (مقیاس) یک سری بازده برای گرفتن اطلاعات مالی فرعی از این داده ها مفید هستند ، همانطور که توسط جامازی و Reboredo (2016) ، شاه و همکاران مشاهده می شود.(2018) ، Biage (2019) و Berger and Gençay (2019). این رفتار مالی چند مقیاس را می توان با استفاده از تجزیه موجک ضبط کرد ، که امکان شناسایی روند در دوره های مختلف و یافتن لحظات نوسان مربوطه را فراهم می کند (Crowley 2007 ؛ Gallegati 2014).

نمونه کارها مورد تجزیه و تحلیل در این مطالعه از سهام معامله شده در بازار مالی برزیل (B3) تشکیل شده است. ما فاصله نمونه برداری 15 دقیقه ای را به عنوان زمان به طور منظم در فاصله 7 ساعت مذاکره مداوم در B3 از 17 فوریه تا 8 مه 2020 از شش سهام مرتبط در نظر می گیریم: Petr4 (Petrobras) ، Azul4 (Azul) ، USIM5 (Usiminas)، BBDC4 (Bradesco) ، Weg3 (Weg) E MGLU3 (مجله Luiza). دوره مورد تجزیه و تحلیل نشان دهنده تأثیرات منفی همه گیر COVID-19 در بازارهای مالی ، تقویت اهمیت مدل سازی این رویداد ، فراهم کردن ابزاری برای تصمیم گیری است. انتخاب سهام براساس بخش های مختلف اقتصادی برای تولید یک نمونه کارها متنوع و چانگ و همکاران بود.(2008) نشان داد که افق های با فرکانس بالا برای بررسی اثرات فعالیت های تجارت کوتاه بازار ، که منعکس کننده تغییر در یک مسیر دارایی در بسیاری از مقیاس های مختلف است ، مهم هستند (کرولی 2007).

سری تجزیه شده برای هر نمونه بازده سهام داخل intraday به دست آمد و با استفاده از تکنیک موجک توسط Percival و Walden (2000) با استفاده از فیلتر موجک Daubechies طول 2 (دو لحظه تهی) توسط Daubechies (1992). فرکانس های تجاری کوتاه مدت سری تغییرات مقیاس در مورد 15 دقیقه ، 1 ساعت ، 1 روز و 1 هفته است. برای انجام تجزیه و تحلیل تجزیه و تحلیل وابستگی چند متغیره نامتقارن ، ما از ساخت و سازهای جفت D-Vine مطابق با جو (1997) و بدفورد و کوک (2002) در سری تجزیه استفاده کردیم. توزیع های حاشیه ای به عنوان فرایند کلاسهای ARIMA و ARIMA-APARCH توسط دینگ و همکاران مشخص شد.(1993) ، برای گرفتن ویژگی های مهم در این سری. تجزیه و تحلیل جفت-کوپولا با باقیمانده های استاندارد انجام می شود. عملکرد Copula BB7 به دلیل خاصیت آن در گرفتن وابستگی نامتقارن در داده های مالی همانطور که توسط نیکولوپولوس و همکاران نشان داده شده است ، تخمین زده می شود.(2012).

زمینه

تجزیه و تحلیل موج

حداکثر تحول موجک گسسته همپوشانی (MODWT) اصلاح تحول موجک گسسته (DWT) است که توسط Percival و Walden (2000) پیشنهاد شده است. هر دو DWT و MODWT در تجزیه و تحلیل چند منظوره برای تجزیه یک سیگنال به سطوح مختلف وضوح. در هر سطح ، مقادیر متوسط متحرک وزنی (صاف) و اطلاعات برای بازسازی سیگنال (جزئیات) از میانگین ها به دست می آیند که سیگنال اصلی را در سطح درشت تر و درشت تر وضوح توصیف می کند.

بر خلاف DWT ، MODWT با کاهش داده (به نیمه) توسط هر تجزیه مشخص نمی شود و طول داده ها را ثابت نگه می دارد. در واقع ، MODWT ویژگی های اساسی را در تجزیه سری زمانی ارائه می دهد: ترجمه غیر ارتش و ثابت است و از تنوع سری اصلی استفاده می کند. این امر باعث می شود تأثیر هر رویدادی در بازه های زمانی خاص مورد تجزیه و تحلیل قرار گیرد ، بنابراین این روش در این مقاله استفاده می شود. Percival و Walden (2000) تجدید نظر گسترده ای از ویژگی های MODWT را در سری زمانی ارائه دادند.

The MODWT follows the same pyramid algorithm (Mallat 1989) as the DWT (see Percival and Walden 2000). Letting (j=1, ldots , J) be the scale numbers and the initial series entrance (s_=X_^) . The decomposition process occurs with the successive filtering of a time series (X_t) with low-pass filters (>_>) and high-pass (>_>) داده شده توسط

where (L_= (2^j-1)(L-1)+1) correspond to filter size associated to each scale j and (x08mod N) is the modulus operator. In Eqs. (1) and (2) the MODWT filters (>_=h_ / 2^) and (>_ = G_/2^) به ترتیب ، از نظر فیلترهای نجات یافته DWT (G_ ) و (H_ ) بیان شده است که در تجزیه یک علامت ، ویژگی های مفیدی را برآورده می کند: (1) ( sum _^^H_ = 0 ) ؛(2) ( sum _^ h _^ = frac ) ؛(3) ( sum _^ h_ h_ = 0 ) ، به طور مشابه برای (g_ ).

Several wavelet filters do exist and the choice of the adequate filter heavily depends on the purpose of its application. Thus, considering that intraday series present non-stationary and drastic fluctuations the Daubechies wavelet filter by Daubechies (1992) was employed in this paper. With the compact support advantage and orthogonality the general form of Daubechies filters is given by (h_=(-1)^> g_-1-l>)برنامه های کاربردی با فیلترهای Daubechies در تجزیه و تحلیل های چند مقیاس به عنوان سریال مالی Intraday را می توان در Sun و همکاران مشاهده کرد.(2011) ، Xue و همکاران.(2014) ، و Xu (2018).

At each scale, the MODWT coefficients (>_) and (>_) constitute a time series describing (X_t) in non-aggregated over time way, such that (X_t=sum _^left(>_+>_ ight) ) . At the levels (j= 1, ldots , J) and in the time t , the scale coefficients (>_) represent the smooth coefficients that capture the trend of (X_t) , while the detail coefficients (>_ ) نوسانات کوتاه را به عنوان تغییرات ساختاری ضبط کنید ، و جزئیات (x_t ) را نشان می دهد. با در نظر گرفتن این توضیحات مختصر از خواص MODWT ، ما وابستگی نامتقارن پرتفوی ها را با استفاده از سری جزئیات به دست آمده از تجزیه تخمین زدیم.

کوپول ها و جفت های جفت

مفهوم Copula در ادبیات آماری توسط Sklar (1959) معرفی شده است. بگذارید متغیرهای تصادفی (x_1 ، ldots ، x_d ) با عملکرد توزیع مشترک H ، مانند ( سمت چپ (x_ ، ldots ، x_ راست) in [- infty ، infty]^) ،که در آن (x_1 ، ldots ، x_d ) ، (d = 1 ، ldots ، 6 ) ، سریال جزئیات به دست آمده از تجزیه modwt را در برگه های ورود به سیستم داخلی نشان می دهد. وابستگی بین (x_ ldots ، x_ ) را می توان به طور کامل توسط یک عملکرد کوپول D بعدی توصیف کرد ، مانند (h (x _ ، ldots ، x_) = displayStyle c (f_1 (x_) ، ldots، f_d (x _)) ). در مقابل ، (c (u_1 ، ldots ، u_d) = displayStyle h (f_1^-(u_1) ، ldots ، f_d^-(u_d)) ) ، جایی که (f_i^-) مطابق با معکوس است. تعمیم یافته از (f_i ) ، (i = 1 ، ldots ، d ).

سپس ، طبق گفته Sklar (1959) ، C به عنوان تابعی از توزیع مشترک در ([0،1]^) با حاشیه های یکنواخت تعریف شده است. با فرض C کاملاً مداوم است و با گرفتن مشتقات جزئی ، یکی به دست می آید:

جایی که C نشان دهنده چگالی کوپلا است.

برای مدل سازی حالت چند متغیره، Aas و همکاران.(2009) توضیح داد که تجزیه جفت-کوپولا یک جایگزین قابل انعطاف است و به راحتی اجرا می شود. جفت-کوپولا یک ساختار سلسله مراتبی است که بر اساس کوپول های دو متغیره انتخاب شده بین هر خانواده پارامتری است. متغیرها به صورت متوالی در مجموعه های شرطی سازی گنجانده می شوند، زیرا فرد از اولین سطح مدل سازی d تا آخرین سطح (d-1) حرکت می کند. به گفته جو (1997)، فاکتورسازی جفت-کوپولا از تجزیه زیر h بدست می آید:

$$x08egin hleft( x_, ldots , x_ ight) =f_left( x_ ight) cdot fleft( x_ | x_ ight) cdot fleft( x_ | x_, x_ ight) cdot fleft( x_ | x_, ldots , x_ ight) , end$$

که در آن برای d متغیرها در نقاط زمانی T، فرض می شود که مشاهدات هر متغیر در طول زمان مستقل هستند.

بر اساس چگالی اتصال در معادله.(3)، تمام چگالی های مشروط در معادله(4) را می توان فقط از توزیع های حاشیه ای تک متغیره و کوپول های دو متغیره با ابزارهای زیر بیان کرد:

جایی که (c_|<mathbf >_(.)>) مربوط به چگالی یک جفت دو متغیره است و (<mathbf >_) نشان دهنده بردار (<mathbf >) به استثنای مؤلفه j.

برای نمایش معادله(5) ساخت جفت-کوپولا (PCC) متفاوتی وجود دارد. سپس بدفورد و کوک (2001) و بدفورد و کوک (2002) مدل سیستماتیکی به نام تاک های منظم را معرفی کردند که شامل ساخت مدل های گرافیکی سلسله مراتبی است. هر یک از این مدل ها روش خاصی برای تجزیه چگالی h بعدی d ارائه می دهد. انواع اصلی انگورهای متعارف سلسله مراتبی (C-vines) و انگورهای قابل کشیدن (D-Vines) هستند.

در این مقاله، چگالی h از D-Vine PCC برآورد شد که به صورت نوشته شده است

جایی که شاخص j درخت ها را مشخص می کند، در حالی که i روی لبه های هر درخت می گذرد. در D-vine، هیچ گره ای در هیچ درخت (T_j) به بیش از دو یال متصل نیست. چگالی کوپولای دو متغیره (d(d - 1)/2) در درختان (d - 1) وجود دارد. درخت (T_j) D-vine دارای (d-j) کوپولهای دو متغیره است، j = 1،…، (d - 1). آنهایی که در درخت 1 هستند بدون قید و شرط هستند و بقیه مشروط هستند (Aas et al. 2009).

در فرآیند استنتاج PCC D-Vine، لازم است توابع مربوط به توزیع شرطی (F(x|<mathbf >)) به صورت متوالی، این است

که در آن (varvec) پارامترهای برداری (C_|) است<mathbf >_>) در درخت j مشخص شده است.

جفت های دو متغیره درگیر می توانند به خانواده های مختلفی تعلق داشته باشند تا راه های مختلف وابستگی را منعکس کنند، از جمله وابستگی دم (نگاه کنید به جو 1997). مفهوم وابستگی دم به میزان وابستگی به دم ربع بالاتر سمت راست یا دم ربع پایینی چپ یک توزیع دو متغیره اشاره دارد (Embrechts et al. 2003).

این ویژگی باعث می شود H تخمین حاشیه های مختلف را به طور مستقل تخمین بزنید. در حضور وابستگی زمانی ، مدل های سری زمانی یک متغیره برای میانگین مشروط و واریانس شرطی را می توان در حاشیه ها قرار داد و از این پس می تواند با باقیمانده های استاندارد انجام شود. بردارهای باقیمانده استاندارد با استفاده از توابع توزیع تجربی قبل از مدل سازی بیشتر به متغیرهای یکنواخت تبدیل می شوند (نیکولوپولوس و همکاران 2012).

رویه روش شناختی

داده ها و متن

داده های با فرکانس بالا مورد استفاده ، سهام برگشتی B3 بود و 55 روز کاری را از 17 فوریه 2020 تا 8 مه 2020 پوشش می دهد ، که در شکل 1 ارائه شده است. در دوره تجزیه و تحلیل ، برای تأکید بر تأثیر صریح لازم استCOVID-2019 در بازارهای مالی جهانی. طبق گفته های لورینی و چیم (2020) ، افت همه گیر Covid-19 در مارس 2020 باعث افزایش نوسانات با سرعت سریعتر شده است. در کنار این پدیده ، بازار سهام برزیل تأثیر بر بی ثباتی سیاسی داخلی داشته است.

فاصله نمونه برداری در نظر گرفته شده از ( delta = ) 15 دقیقه به عنوان زمان فاصله برای 7 ساعت تجارت مداوم بود. تعداد مشاهدات نمونه برداری در هر جلسه معاملاتی (M = ) 28 فاصله در روز با کل (n = ) 1497 مشاهده است. فرآیند فیلتر داده ها طبق مورتین (2017) انجام شد و مدارک شکن را در نمونه نهایی نگه داشت. توطئه های موجود در شکل 1a ، B نشان دهنده قیمت داخل و رفتار برگشتی در دوره است.

رفتار سری در دوره مورد تجزیه و تحلیل برای این سریال: A نقل قول ها و برگه های برگه B

اطلاعات کلی در مورد طبقه بندی داده ها با پایه در بخش و بخش عمل در جدول 1 ارائه شده است.

MODWT ساخته شده توسط فیلتر موجک Daubechies با طول 2 (دو لحظه تهی) D 2 با استفاده از روش ارائه شده در فرقه ، به سری Intraday اعمال شد. 2. 1 ، به دست آوردن سطح تجزیه (j = 10 ). پس از حفظ واریانس سری بازده اصلی ، می توانیم وابستگی را با استفاده از سری از تجزیه اندازه گیری کنیم. بنابراین ، PCC D-Vine برای هر سری اصلی در چهار مقیاس دوتایی از تغییرات چهار سریال به دست آمد: 15 دقیقه ، 1 ساعت ، 1 روز و 1 هفته. فرکانس ها مطابق جدول 2 اندازه گیری می شود ، مطابق با 7 ساعت از تجارت B3 است ، و شکل 2 سریال تولید شده توسط تجزیه MODWT را در سطح نشان می دهد (J = 1،3،6،8 ).

جدول 2 تأثیر و تفسیر واریانس اجزای تجزیه در مقیاس (j = ) 1،3،6 e 8 از برگه های ورود به سیستم ( ( delta = ) 15 دقیقه)

Decomposition intraday log-retus series at the levels: a (>_1) , b (>_3) , c (>_6) and d (>_8 )

تخمین وابستگی

از آنجا که ما عمدتاً به ساختار وابستگی بین سری موجک به دست آمده علاقه مند هستیم ، فرآیند تخمین کوپول ها از طریق روشهای حداکثر احتمال در دو مرحله با توجه به عملکرد استنتاج برای رویکرد حاشیه ها توسط جو و زو (1996) انجام می شود ، آنها (1) تنظیم یک متغیره حاشیه ها و (2) تنظیم کوپلا با باقیمانده های استاندارد حاشیه ها در زیر کاسه های شبه.

همانطور که در فرقه گفته شد. 2. 2 ، مشاهدات هر متغیر باید با گذشت زمان مستقل باشد. از این رو ، در مرحله اول ، توزیع حاشیه توسط مدلهای میانگین و واریانس مشروط برآورد شد. فرآیند Arima (P ، D ، Q) -APARCH (1 ، 1) توسط دینگ و همکاران.(1993) استفاده شد. یعنی برای جزئیات سری J در زمان (t = 1 ، ldots ، n ) ، ما مدل زیر را داریم:

$$x08egin x08egin>_ = sum _^

phi>_ + sum _^ heta varepsilon _ + varepsilon _ \ varepsilon _= sigma _ z_\ sigma _^=omega + alpha _left( left| varepsilon _ ight| -gamma _ varepsilon _ ight) + x08eta _ sigma _^, end end$$

where the standardized residual (z_ sim t>( nu _ ، xi _) ) برای در نظر گرفتن رفتار با دم سنگین هتروسکوپی مشروط دارایی های مالی. برای میانگین معادله ، ( phi ) نمایانگر اجزای خودکار P و ( theta ) اجزای متوسط در حال حرکت است. در معادله واریانس ، ( omega ) با واریانس بی قید و شرط مطابقت دارد ، ( delta ) اجازه می دهد تا از دیگر قدرتها را به انحراف مشروط استاندارد برآورد کنید ، از طریق یک تحول جعبه- cox ، ( gamma _ ) ضبط می شوداثرات اهرم ، ( alpha _ ) و ( beta _ ) با هم تداوم نوسانات را به تصویر می کشند. ما از q-statistic اصلاح شده (Ljung and Box 1979) برای اعتبارسنجی مدل سازی استفاده می کنیم.

برای مرحله تنظیم دوم ، در ابتدا تخمین سفارش PCC را تعریف کرد. سری Originals توسط وابستگی غیر خطی سفارش داده شد ، که از طریق تاو کندال اندازه گیری شد. پس از آن ، PCC D-Vine را با عملکرد Copula BB7 تنظیم شده در باقیمانده های استاندارد حاشیه ( (z_ )) تنظیم کنید. بردارهای باقیمانده استاندارد به متغیرهای یکنواخت (U_1 ) و (U_2 ) با استفاده از توابع توزیع تجربی قبل از تنظیم تبدیل می شوند. کوپول دو متغیره BB7 وابستگی دم را ضبط می کند و نمایندگی داده شده توسط جو (1997) را نشان می دهد:

با ( kappa = 1 / log _ چپ (2- tau _ راست) ) و ( gamma = -1 / log _ چپ ( tau _ راست) ) پارامترهای مرتبطبرای وابستگی به ضرایب دم بالاتر و پایین ، به ترتیب ( tau _u ، tau _l in (0،1) ).

این اقدامات برای تعیین کمیت وابستگی نامتقارن ، یعنی تعیین می کند که آیا رابطه بین برگه های ورود به داخل ، در بازه های زمانی مختلف ، در دوره های بازار به سمت پایین ( ( tau _l )) یا در طول بازار به سمت بالا شدت یافته است ( ( tau _u )).

نتایج با نرم افزار (تیم 2019) به دست آمد. داده ها توسط Alphavantager Package توسط Dancho و Vaughan (2019) ارائه شده است. تجزیه و تحلیل با بسته های WTMSA توسط کنستانتین و پرسیوال (2017) برای برنامه MODWT ، FGARCH توسط Wuertz و همکاران انجام شد.(2019) برای تنظیم حاشیه ها ، و انگور-کوپولا توسط ناگلر و همکاران.(2019) برای PCC D-Vine با Copula BB7.

نتایج

مدل سازی توزیع های حاشیه ای

مدل های حاشیه تک متغیره با مقیاس های 15 دقیقه ای ، 1-H و 1 روزه با ARIMA (P ، 0 ، Q) (1 ، 1) تعریف شد که نویز تصادفی و تغییرات کوتاه را نشان می داد. از آنجا که مورد فرکانس 1 هفته ای روند کوتاه مدت را منعکس می کند ، فقط میانگین مشروط به مدل های کلاس ARIMA (P ، 1 ، Q) تعدیل می شود. مشخصات حاشیه ها با توجه به نتایج جدول 3 است.

The estimate results of the coefficients are found in Tables 4, 5, 6 and 7. In general, the results corroborating statistical characteristics commonly present in financial time series. In the (mu ) equation, it became evident that stock retus price movements to become more persistent (Schulmeister 2009) and the presence of intraday seasonality (Morettin 2017). And, the (sigma ) results reflect volatility persistence, heavy-tails, and asymmetry (Patton 2004). In some cases were evidenced significant leverage effects ( (gamma _1>0 )) ، پدیده ای که در زمان کاهش قیمت ها با نوسانات قابل توجهی دنبال می شود (دینگ و همکاران 1993).

جدول 4 پارامترهای تخمین زده شده و تشخیص باقیمانده مدل های ARIMA-APARCH برای سری (D_1 )

جدول 5 پارامترهای تخمین زده شده و تشخیص باقیمانده مدل های ARIMA-APARCH برای سری (D_3 )

جدول 6 پارامترهای تخمین زده شده و تشخیص باقیمانده مدل های ARIMA-APARCH برای سری (D_6 )

مدل سازی

پس از این مشخصات حاشیه ای ، ما ماتریس وابستگی را از طریق تاو کندال به دست آوردیم تا ترتیب را در برآورد PCC انتخاب کنیم. معیار اتخاذ شده ، مجموع وابستگی بین هر شاخص با سایر افراد بود. نتیجه سفارش D-Vine PCC USIM5 ، PETH4 ، MGLU3 ، BBDC4 ، AZUL4 و WEGE3 بود. نتایج در جدول 8 تأیید شده است. این یک ارتباط مثبت متوسط بین کلیه سهام مورد تجزیه و تحلیل (34 ٪ در میانگین) مشاهده می شود. نتیجه نشان می دهد که برخی از جفت های سهام می توانند با تأکید بر سؤال تنوع ، با هم حرکت کنند. بیشترین میزان وابستگی مربوط به جفت PETR4 و USIM5 بود که به 41 ٪ رسیده است. علاوه بر این ، ما خاطرنشان کردیم که سهام با وابستگی بالاتر با بخش هایی که به دلیل تأثیرات COVID-19 ، به عنوان مثال ، بخش کالا ، نسبت به وضعیت اقتصادی واقعی جهان حساس هستند ، همراه است.

با ایجاد نظم در میان بازگشت های ورود، D-Vine PCC با باقیمانده های استاندارد توزیع های حاشیه ای تنظیم شد. پارامترهای وابستگی کوپول BB7 در معیارهای دم پایینی (( au _L)) و دم بالایی (( au _U)) ارائه شده در جدول 9 تبدیل شدند.

As demonstrated in the literature, the asymmetry patte is captured in the majority of relationships between the stock’s retus, in the different time frequencies analyzed. The general patte of association between these stocks is more intense during the market upward ( ( au _U> au _L) ) in all scales. It means that a rising in B3 prices tends to occur simultaneously in the period (de Melo Mendes and Accioly 2012). This may also suggest an asymmetry to the right in the multivariate distribution as indicated (Silva Filho et al. 2014). Some left asymmetry ( ( au _L> au _U)) بین جفت های استوک در تغییرات درون روز (15 دقیقه و 1 ساعت) در اولین درختان مشاهده شده است. توجه داشته باشید که در همه مقیاس ها، در درختان با USIM5, AZUL4|PETR4, MGLU3, BBDC4 و PETR4, WEGE3|MGLU3, BBDC4, AZUL4 ( au _L=0) مربوط می شود که نشان دهنده استقلال دم پایینی است. این شرایط نشان می دهد که به طور کلی، BB7 D-vine تنظیم شده دارای وابستگی چند متغیره به دم بالاتر است (جو و همکاران 2010).( au _L= au _U) , ( (d_3) ) برای اولین درخت (USIM5|PETR4).

نتایج اندازه وابستگی در درختان نشان می دهد که برآوردهای ( au_U) و عمدتاً ( au_L) رفتار کاهشی را به دلیل ماهیت ساختار سلسله مراتبی نشان می دهند، همانطور که جو نشان داد. و همکاران(2010). این نتایج اهمیت تنوع دارایی را به روشی که (Markowitz 1952) در نظر گرفته بود، برجسته می کند. کاهش احتمال مشترک به دست آمده در دنباله نشان می دهد که امکان به حداقل رساندن ریسک پرتفوی بر اساس تخصیص دارایی در این سهام، به ویژه در زمان نوآوری های منفی، مانند سناریوی همه گیری COVID-19 وجود دارد. در میان مقیاس ها، افزایش اندازه های وابستگی در اکثر درختان در فرکانس های پایین تر مشاهده شد که می تواند اثرات تغییرات مداوم در حرکات قیمت دارایی ها را در افق های زمانی دقیقه و ساعت منعکس کند (بیلیو و همکاران2012؛ Xu 2018).

اظهارات پایانی

در رابطه با تحلیل چند متغیره در حوزه مالی، در این مقاله، وابستگی نامتقارن از مؤلفه های فرکانس روزانه دارایی های مالی را بررسی کردیم. برای پرتفوی های تشکیل شده توسط سری بازده روزانه بازار سهام برزیل: PETR4 (Petrobras)، AZUL4 (Azul)، USIM5 (Usiminas)، BBDC4 (Bradesco)، WEGE3 (Weg) و MGLU3 (مجله Luiza)، ما محاسبه می کنیم. وابستگی نامتقارن در حوزه زمان-فرکانس. سناریوی تجزیه و تحلیل شده منعکس کننده اثرات همه گیر COVID-19 و سیاست های اقتصادی برزیل بود.

شواهد در مورد بازارهای مالی مانند غیرخطی بودن ، بیش از حد کورتوز ، ساختار وابستگی به عدم تقارن و فرکانس بالا در نظر گرفته شد. ما وابستگی دم بالاتر و پایین را از طریق D-Vine PCC توسط بدفورد و کوک (2002) در مقیاس داخل ، روزانه و هفتگی اندازه گیری کردیم. روش PCC D-Vine نشان دهنده وابستگی به افراط و تفریط با ساخت توزیع چند متغیره است و برآورد حاشیه های مختلف بدون پیش فرض عادی است. برای این منظور ، فرایند تخمین براساس سری جزئیات MODWT انجام شده است که نشان دهنده تغییرات بازار مالی است و اثرات فعالیت تجارت را در افق زمانی مختلف ضبط می کند. فرکانس های مورد تجزیه و تحلیل مربوط به تجارت کوتاه مدت است: 15 دقیقه ، 1 ساعت ، 1 روز و 1 هفته.

توزیع های حاشیه ای یک متغیره به عنوان مدل های ARIMA (P ، 0 ، Q) -APARCH (1 ، 1) و ARIMA (P ، 1 ، Q) توسط Eq مشخص شد.(8). ما می توانیم ببینیم که تمام مقیاس های اطلاعات منتقل شده از سری ، بر میانگین مشروط و واریانس شرطی بازده تأثیر می گذارد و این نشان دهنده پویایی حرکات قیمت سهام و فصلی در داخل است. علاوه بر این ، دمهای نامتقارن و سنگین برای مقیاس های مربوط به دقیقه ، ساعت و روز مشهود بودند. وابستگی نامتقارن بر اساس پارامترهای کوپلا BB7 ، موجود در Eq ضبط شد.(9) ، که وابستگی به افراط و ضرایب وابستگی دم را تعیین می کند. وابستگی دم بالا در بسیاری از موارد از دم مطلق و پایین دم فراتر رفته است ، که نشان دهنده وجود عدم تقارن در بسیاری از روابط و یک الگوی بازار به سمت بالا است. همچنین به دلیل ماهیت PCC D-Vine ، در همه موارد کاهش یافته است.

این نتایج نشان دهنده جنبه های مهم عملی ، در مورد مدیریت مالی است. اول ، اهمیت پوستی و وابستگی نامتقارن در بازده سهام برای تخصیص دارایی. نتیجه می گیریم که یک نمونه کارها ساخته شده بر اساس مدل توزیع که امکان وابستگی نامتقارن را فراهم می کند می تواند منجر به تصمیمات تخصیص دارایی به طور قابل توجهی بهتر در افق های زمانی مورد تجزیه و تحلیل شود. بر اساس تجزیه و تحلیل میانگین واریانس سنتی توسط مارکوویتز (1952) ، مطالعاتی مانند پاتون (2004) ، هاترلی و آلکاک (2007) ، جوندو (2016) و وانگ و شی (2016) و دیگران نشان داده اند که این مزایا نتایج نتایج استانعطاف پذیری بیشتر ساختار وابستگی به نمونه کارها را مشخص می کند. اندازه گیری وابستگی نامتقارن اجازه می دهد تا تخصیص منابع در اوراق بهادار متنوع شود و تعادل بین خطرات و بازده ها ایجاد شود.

نکته دوم عملکرد با تغییر در افق زمانی سرمایه گذاری است. توجه به افق مورد استفاده در تجزیه و تحلیل سرمایه گذاری توسط مقالات به عنوان Gunthorpe و Levy (1994) مشهود است. با توجه به پویایی فرکانس ما را قادر می سازد تا درجات مختلف رفتارهای بازده سهام بازار B3 و روابط آن ناشی از شوک های ناهمگن باشد. ما نشان می دهیم که افق های مختلف برنامه ریزی سرمایه گذاری می توانند استراتژی های نمونه کارها را به عنوان ایبراگیموف و همکاران تغییر دهند.(2011) و Chakrabarty و همکاران.(2015). دیدگاهی که بر نوسانات کوتاه متمرکز است ، با استفاده از استراتژی های معاملاتی در مقیاس های کوتاه مدت ، همچنین می تواند به عنوان یک نمونه کارها با سود قابل توجهی به عنوان ژانگ و همکاران منجر شود.(2016) ، بارالیس و همکاران.(2017) و Berger and Gençay (2019) پیشنهاد می کند.

هنگام ترکیب اثرات همبستگی نامتقارن در تخصیص دارایی ، در فرکانس های مختلف زمانی ، این مطالعه به اهمیت برنامه های آمار در مورد تجزیه و تحلیل مالی ، به طور عمده در کوتاه مدت کمک می کند. تجزیه و تحلیل مالی چند متغیره چند متغیره از طریق تکنیک های موجک ، به دست آوردن اطلاعات خاص از دوره های خاص ، که به طور مشترک با انعطاف پذیری روش های کوپول ها برای اندازه گیری وابستگی نامتقارن از راه غیر تجمع یافته در طول زمان ، امکان کمک به مانند فرآیند استراتژی های انتخاب/تنوع را فراهم می کند. اوراق بهادار سرمایه گذاری ، مانند کنترل و مدیریت خطرات.

در دسترس بودن داده ها

داده هایی که از یافته های این مطالعه پشتیبانی می کنند ، بنا به یک درخواست معقول ، از نویسنده مربوطه در دسترس هستند.