منبع آلودگی مالی و سرریزها: ارزیابی همه گیر Covid-19 و بحران مالی جهانی

این مطالعه به بررسی واکنش بازارهای سهام به همه گیر COVID-19 و بحران مالی جهانی سال 2008 (GFC) می پردازد و تأثیر آنها را از نظر قرار گرفتن در معرض خطر مقایسه می کند. تحقیقات تجربی با استفاده از آزمون اصلاح شده ICSS ، DCC-GARCH و تجزیه و تحلیل اتصال Diebold-Yilmaz برای بررسی آلودگی مالی و سرریزهای نوسانات انجام می شود. برای آشکار کردن بیشتر تأثیر این دو بحران ، ویژگی های آماری دوره های آرام و بحران در فواصل زمانی مختلف نیز مقایسه می شود. نتایج آزمون نشان می دهد که اگرچه منشأ شیوع در چین بود ، اما بازار سهام ایالات متحده منبع آلودگی مالی و سرریزهای نوسانات در طول بیماری همه گیر است ، دقیقاً همانطور که در طول GFC بود. انتشار شوک ها بین اقتصادهای توسعه یافته در مقایسه با بازارهای نوظهور به طور قابل توجهی بیشتر است. علاوه بر این ، نتایج نشان می دهد که همه گیر COVID-19 باعث ایجاد اثر مسری شدیدتر و انتقال خطر نسبت به GFC می شود. این مطالعه بررسی گسترده ای از همه گیر COVID-19 و GFC از نظر آلودگی مالی و سرریزهای نوسانات را ارائه می دهد. نتایج حاکی از وجود همبستگی های قوی بازار سهام جهانی با بازار سهام آمریکا ، به ویژه در دوره های آشفتگی مالی است.

استناد: Gunay S ، Can G (2022) منبع آلودگی مالی و سرریزها: ارزیابی همه گیر Covid-19 و بحران مالی جهانی. PLOS ONE 17 (1): E0261835. https://doi.org/10. 1371/joual. pone. 0261835

ویراستار: J E. Trinidad Segovia ، دانشگاه Almeria ، اسپانیا

دریافت: 28 مه 2021 ؛پذیرفته شده: 10 دسامبر 2021 ؛منتشر شده: 14 ژانویه 2022

کپی رایت: © 2022 Gunay ، Can. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که اجازه استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای می دهد ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: داده های به کار رفته در این مطالعه متعلق به Refinitiv Eikon است. نویسندگان با عضویت در موسسه خود به داده ها دسترسی پیدا کردند. نویسندگان هیچ امتیاز ویژه ای به داده های دیگران نداشتند. داده های اساسی نتایج ارائه شده در این مطالعه از پایگاه داده پالایش Eikon (https://eikon. thomsonreuters.com/index.html) کدهای RIC مربوطه در زیر داده های زیر داو جونز میانگین صنعتی است: . DJI FTSE 100 فهرست:. ftse FTSE MIB شاخص: . ftmib IBEX 35 شاخص: . ibex شانگهای شاخص کامپوزیت: . SSEC Istanbul Composite Index: . xu100.

بودجه: نویسنده (ها) بودجه خاصی برای این کار دریافت نکردند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

1. معرفی

اخیراً جهان با شیوع ویروسی بسیاری روبرو شده است. SARS-COV در سال 2003 ، MERS-COV در سال 2012 و ابولا در سال 2014. با این حال ، هیچکدام از این شیوع ها به عنوان Covid-19 بر جهان تأثیر نگذاشت. گزارش های اولیه از شیوع شیوع در اواخر دسامبر سال 2020 در ووهان ، چین و سازمان بهداشت جهانی (WHO) در 11 مارس 2020 Covid-19 را به عنوان بیماری همه گیر اعلام کردند. شیوع ویروس ، که اثرات اجتماعی و اقتصادی زیادی داشت. اگرچه Covid-19 به عنوان شیوع ویروسی آغاز شد ، اما در بازارهای جهانی نیز یک بیماری مالی ایجاد کرد. با توجه به کندی در اقتصاد جهانی ، قیمت نفت خام واسطه ای غرب تگزاس به 37 دلار کاهش یافت. چشم انداز اقتصادی جهانی صندوق بین المللی (IMF) (WEO) برای سال 2020 رشد جهان ی-3. 0 ٪ در آوریل ، -4. 9 ٪ در ماه ژوئن و-4. 4 ٪ در اکتبر را پیش بینی کرد.

در این مطالعه ، ما تأثیر همه گیر COVID-19 و بحران مالی جهانی (GFC) در بورس سهام را از منظر مسری مالی تجزیه و تحلیل می کنیم و میزان قرار گرفتن در معرض آن را مقایسه می کنیم. نقش بازارهای سهام در کشف قیمت و تعیین ارزش های سهم واقعی ، آنها را برای همه کشورها مهم می کند. علاوه بر این ، بازارهای سهام عدالت برای اقتصادها ضروری هستند زیرا قیمت سهام می تواند ورود اطلاعات و انتظارات شرکت کنندگان در بازار را در بر بگیرد. عوامل تعیین کننده مانند توسعه اقتصادی ، ثبات سیاسی و حمایت از سهامداران بر وجوهی که در بورس سهام تغییر می یابد تأثیر می گذارد. شرایط اقتصادی ممکن است سرمایه گذاران فردی و نهادی را وادار کند تا دارایی های سهام خود را نقدینگی و واریز کنند و در سایر ابزارهای مالی واریز کنند. بنابراین ، بازار سهام و رشد اقتصادی بدون توجه به سطح توسعه کشور رابطه متقابل دارند زیرا بازارهای سهام به عنوان وسیله ای برای جریان سرمایه گذاری مستقیم خارجی (FDI) خدمت می کنند [2]. یک سیستم مالی به خوبی توسعه یافته ، حمایت از سهامداران و کیفیت بالا در مدیریت عمومی ، جریان FDI را تسهیل می کند ، هزینه افزایش سرمایه را کاهش می دهد و رشد سرانه رشد اقتصادی را افزایش می دهد [3]. از طرف دیگر ، ادغام کشورها از طریق پیوندهای مالی و کانال های تجاری ، آنها را در برابر شوک هایی که ناشی از تصادفات بازار سهام است ، آسیب پذیرتر می کند. به عنوان مثال ، در هر دو دوره همه گیر GFC و COVID-19 ، مشاهده شد که پیوندهای بازار متقابل اثرات مسری و انتشار بحران ها را افزایش داده است. مسری مالی به نظر می رسد مانند یک وضعیت نامطلوب ، زیرا امکان انتقال شوک و بحران را فراهم می کند. با این حال ، این امکان را برای انتقال توسعه در دو یا چند کشور به هم پیوسته فراهم می کند که بازارها دوباره به سرمایه گذار اعتماد می کنند [4]. بنابراین ، بررسی بیرونی و آلودگی مالی در دوره های آرام و بحران ممکن است بینشی را برای سیاستگذاران نظارت بر این بازارها و اجرای مقررات و اقدامات لازم ارائه دهد.

همانطور که [5] بحث کرد ، علاوه بر بازده دارایی ، نوسانات همچنین بر مؤلفه های اساسی یک شرکت مانند وضعیت مالی ، سود ، ضرر و جریان نقدی تأثیر می گذارد. علاوه بر این ، نوسانات در بورس سهام یک عنصر اساسی در تصمیمات سرمایه گذاری است ، و همچنین بازیکنان بازار را مجبور می کند تا به منظور کاهش خطرات در معرض ، اوراق بهادار و استراتژی های محافظت از خود را مجدداً طراحی کنند. بنابراین ، نوسانات وحشی در قیمت دارایی به نفع شرکت کنندگان مختلف بازار در داخل کشور یا خارج از کشور است. همانطور که توسط [7] اشاره شد ، نوسانات در بازارهای سهام ، بالاتر از تصمیمات سرمایه گذار ، ممکن است با تغییر تصمیمات مصرف ، بر اقتصادهای ملی تأثیر بگذارد. همچنین ، [8] نشان می دهد که افزایش تحولات فن آوری و مقررات زدایی سیاست ، ادغام بازارهای سهام ملی با همتایان منطقه ای و جهانی را تقویت می کند. این پیوندهای بین بازار ممکن است نقش اساسی در انتقال این شوک ها به سایر کشورها داشته باشد. به عنوان مثال ، تجربه GFC و وقایع بعدی نشان داد که این شبکه ها سرعت و تأثیر آلودگی مالی در بازارهای بهم پیوسته را افزایش می دهند.[9] بیان می کند که اخبار اقتصادی (به عنوان مثال ، تورم ، اشتغال) و مالی (به عنوان مثال ، شاخص ها ، نرخ بهره) از ایالات متحده بر سایر بازارهای خارجی تأثیر می گذارد. از طرف دیگر ، همانطور که توسط [10] بیان شده است ، ممکن است انتظار داشته باشیم که بین کشورهای در حال ظهور و توسعه یافته در مورد همبستگی قیمت دارایی ها ارتباط کمتری داشته باشیم. بنابراین ، اثرات منفی آلودگی مالی و سرریزهای نوسانات ممکن است در این گروه از اقتصادها محدود باشد. در اصل ، این وضعیت قبلاً در طول GFC تجربه شده بود. کشورهایی که مشتقات اعتباری پیچیده ای مانند مبادله پیش فرض اعتباری (CD) و تعهدات بدهی وثیقه (CDO) را در اقتصاد خود در خود جای داده اند ، بیرونی منفی کمتری را نسبت به شوک هایی که از اقتصاد ایالات متحده ناشی می شود ، به نمایش گذاشتند.

همه این حقایق نیاز به انجام اقدامات و اقدامات مربوطه در اقتصادهای توسعه یافته و نوظهور در برابر خطرات ناشی از وقایع مختلف مالی ، اقتصادی یا مراقبت های بهداشتی دارند. برای کاهش این خطرات ، دانشمندان مالی ، متخصصان و سیاستگذاران از اقدامات متنوعی به عنوان یک پروکسی برای وزن گیری پیش بینی ها و تخمین های اصلی استفاده می کنند. به عنوان مثال ، اگرچه بیماری همه گیر Covid-19 به عنوان شیوع شروع شد ، اما قفل های قفل ، مجلسی و اقدامات دور از ذهن اجتماعی آن را در یک دوره کوتاه به یک رویداد جهانی تبدیل کرد. با این وجود ، برای رسیدن به فعالیت اقتصادی قبل از Covid-19 ، کشورها اقدامات ملی مانند بسته های محرک اقتصادی و برنامه های واکسیناسیون را انجام می دهند. برخی از کشورها به دلیل شرایطی مانند تحرک انسانی و کمبود در قدرت اقتصادی ، اقدامات موفقیت آمیز را به کار نگرفته و گسترش را کاهش داده اند.

این حقایق مشاهده شده در طول بیماری همه گیر خود را از نظر پایه و جوهر آن از GFC متمایز می کند. با این حال ، اگرچه منشأ و پویایی آنها متفاوت است ، اما تأثیر این دو بحران در بازارهای مالی به دلیل شباهت در مسری مالی و سرریزها قابل مقایسه است. این مطالعه با ارائه شواهدی از اقتصادهای توسعه یافته و نوظهور ، بررسی گسترده ای از همه گیر COVID-19 در مقابل GFC در مورد آلودگی مالی و سرریزهای نوسانات ارائه می دهد. با توجه به استحکام یافته ها ، ویژگی های آماری دوره های آرام و بحران نیز در فواصل زمانی مختلف برای هر دو بحران مقایسه می شوند. در انتخاب متغیرها ، کشورها بر اساس طبقه بندی [11] و [12] به عنوان بازارهای نوظهور یا توسعه یافته گروه بندی می شوند. برای اقتصادهای توسعه یافته ، ایالات متحده ، انگلیس ، ایتالیا و اسپانیا را انتخاب می کنیم. از بازارهای نوظهور ، ما از چین و ترکیه استفاده می کنیم. ایالات متحده و انگلیس کشورهایی هستند که بالاترین وزن را در شاخص جهانی MSCI دارند. ما ایتالیا و اسپانیا را به عنوان کشورهایی انتخاب کردیم که پس از انگلیس ، فرانسه ، آلمان ، سوئیس و هلند در کشور رتبه بندی رتبه بندی شاخص MSCI اروپا را انتخاب کردیم. با این کار ، شواهدی برای بالا و پایین اقتصادهای توسعه یافته ارائه می شود.

بخش های زیر از مطالعه ، بررسی های ادبیات قابل توجه را ارائه می دهد ، پیشینه نظری مدلهای اقتصاد سنجی مورد استفاده را توضیح می دهد ، و در آخر ، یافته ها و پیامدهای اصلی این مطالعه را خلاصه می کند.

2. بررسی ادبیات

بازارهای سهام برای اقتصاد سالم داخلی و جهانی از اهمیت زیادی برخوردار هستند. به عنوان مثال ، [13] رابطه همگرایی بین توسعه بازار سرمایه و رشد اقتصادی را در دراز مدت گزارش می دهد. با استفاده از 12 کشور نوظهور و داده های ایالات متحده ، [9] دریافتند که اخبار مربوط به رشد اقتصادی و بیکاری در ایالات متحده بر بازارهای سهام در حال ظهور تأثیر می گذارد و باعث نوسانات نامتقارن می شود. نویسندگان نشان می دهند که اخبار مثبت بیشتر کشورها را نسبت به اخبار منفی تحت تأثیر قرار می دهد. علاوه بر این ، [7] اسناد می کند که تصمیمات مربوط به سیاست های پولی با بازار سهام رابطه دو جهته دارد. شواهد تجربی نویسنده نشان می دهد که نوسانات قیمت دارایی اساساً بر انتظارات خروجی آینده تأثیر می گذارد.[14] ادعا می کند که افزایش سرمایه گذاری در بازار شرکت های ذکر شده و اعتبار داخلی و کاهش اختلاف نرخ بهره تأثیر مثبت بر درآمد سرانه در کشورهای آمریکای لاتین دارد. شواهد تجربی نویسندگان نشان می دهد که تأخیر در سرمایه گذاری در بازار تولید ناخالص داخلی سرانه را افزایش می دهد. علاوه بر تعامل بازار سهام و رشد اقتصادی ، مطالعات نیز بر اثرات مسری متمرکز شده اند. به عنوان مثال ، [15] آلودگی مالی GFC را بررسی می کند. شواهد تجربی نویسنده نشان می دهد که ارتباط بازار اسپانیا با بازارهای فرانسوی و انگلیس الگوی متفاوتی در مورد دوره پس از بحران نشان داده است. بر خلاف این دو بازار ، اتصال بازار اسپانیا با بازار آلمان در سطح قبل از بحران یکسان بود. در طول همه گیر ، ما همچنین علاقه ای به اتصال مالی بازارها مشاهده کرده ایم. به عنوان مثال ، [16] نشان می دهد که بازارهای سهام چین و عربستان سعودی ضعیف در بازار جهانی ادغام شده اند. به گفته نویسندگان ، سرریزها با زمان متفاوت بودند و در طول شیوع COVID-19 به بالاترین سطح رسیدند.[17] گزارش می دهد که الگوهای مختلف سرریز در رژیم های نوسانات بالا و پایین وجود دارد و سرریز به طور ناگهانی در رژیم های نوسانات بالا در هنگام شیوع تشدید می شود.[18] تأثیر COVID-19 را بر رشد اقتصادی چین از طریق تجزیه و تحلیل رگرسیون MIDAS بررسی کنید. نتایج حاکی از تأثیر شدیدتر از همه گیر نسبت به GFC در رابطه با عملکرد برتر مدل MIDAS در برابر روشهای جایگزین مانند تجزیه و تحلیل رگرسیون سوئیچینگ رژیم مارکوف است.[19] مشخص کنید که سرریز نوسانات بین بازار سهام ایالات متحده و چین در طول COVID-19 نسبت به دوره قبل از COVID-19 بیشتر بود.

نویسندگان نتیجه می گیرند که این همبستگی در طول موج دوم ادامه یافت ، اگرچه دولت ایالات متحده محدودیت های قرنطینه عمومی موج اول را برداشته است. شواهد تجربی نویسندگان همچنین گزارش می دهند که بازارهای چینی و ایالات متحده اثرات نامتقارن بر همبستگی بین دو بازار دارند.[20] نشان می دهد که سرمایه گذاران از ابزارهای مالی مختلف از جمله بیت کوین برای یافتن یک پناهگاه امن تر استفاده می کنند. به گفته نویسندگان ، رابطه نوسانات بین بیت کوین و بازار سهام پیشرو چین در طی استرس مالی ناشی از شیوع COVID-19 به طور قابل توجهی تکامل یافته است.

[21] متوجه شوید که برخی از مناطق قادر به کاهش عدم اطمینان اقتصادی ناشی از Covid-19 بودند که بحران تکامل یافت. نویسندگان ادعا کردند که Google Trends یک پروکسی برای عدم اطمینان ، بازده درایو است و محرک نوسانات است.[22] اظهار داشت که مشکلات ساختاری در سیستم بانکی باعث GFC شده و COVID-19 را به عنوان نوع دیگری از مسری در مقایسه با GFC و بحران های مبتنی بر جنگ طبقه بندی می کند. شواهد تجربی نویسندگان نشان داد که تأثیر COVID-19 بر ریسک ژئوپلیتیکی از اطمینان اقتصادی ایالات متحده بالاتر است.[23] نشان می دهد که در طول شیوع COVID-19 ، همبستگی شرطی شرکتهای مالی و غیر مالی از بازده سهام با بالاتر بودن برای شرکتهای مالی به میزان قابل توجهی افزایش یافته است. نویسندگان ادعا می کنند که این یافته نشانگر نقش شرکتهای مالی در انتقال مسری مالی است.[24] از نمونه ای بین 7 ژانویه 2016 تا 1 ژوئیه 2020 برای 14 کشور برای تجزیه و تحلیل اثرات COVID-19 در بورس سهام استفاده کرد. نویسندگان اظهار داشتند که سرریز ریسک سیستماتیک دو متغیره بین بازارهای سهام ملی و جهانی وجود دارد. به گفته نویسندگان ، بازارهای خرس در بازارهای توسعه یافته اروپایی و آمریکای شمالی منجر به سرریز در بازارهای جهانی می شوند.

[25] گزارش داد که قرار گرفتن در معرض جهانی از طریق دارایی های خارجی ، فروش خارجی ، صادرات و واردات منفی بر بازده غیر طبیعی در کوتاه مدت تأثیر می گذارد. با این حال ، در دراز مدت ، اثر معکوس می شود. نویسندگان ذکر می کنند که بین المللی سازی باعث می شود شرکت های چند ملیتی نسبت به تأثیر اقتصادی Covid-19 مقاومت کنند.[26] اشاره به یک بیماری مالی ناشی از شیوع COVID-19 به طور مساوی بر بازارهای در حال ظهور و توسعه یافته تأثیر گذاشت و ارزیابی میزان تأثیرات ناشی از مسری مالی برای یافتن دلایل جایگزین که باعث افزایش بحران مالی می شود بسیار مهم است. طبق [27] ، قیمت نفت یک پروکسی ریسک سیستماتیک است و به ضبط پیش بینی های رشد جهانی در بازارهای در حال ظهور سهام کمک می کند.[28] تأثیر بیماری همه گیر در بازارهای ارزی را بررسی می کند و می گوید که اثر موج شوک این بیماری همه گیر حدود هشت برابر بیشتر از نمونه ای است که توسط GFC ایجاد شده است. علاوه بر این ، به گفته نویسنده ، ارزهای کشورهای در حال ظهور ، برزیل رئال و لیر ترکیه ، بزرگترین ضربه را از این شیوع دریافت کردند.[29] گزارش داد که تلاش هر صندوق پرچین برای جلوگیری از قرار گرفتن در معرض ریسک سیستماتیک ، بدون در نظر گرفتن عملکرد صندوق ، نتایج مطلوب را تولید نمی کند.[30] تأثیر موارد جدید و آمار تلفات کشته شده بر نوسانات بازارهای ایالات متحده را ارزیابی کنید. نتایج نشان دهنده تأثیر قابل توجه همه گیر در نوسانات بازار مالی است.[31] گزارش می دهد که شاخص های USD و عدالت ، فرستنده های اصلی شوک در دوره قبل از COVID-19 هستند و شاخص باند فرستنده اصلی در هنگام شیوع است. نویسندگان همچنین اظهار داشتند که اتصال به شاخص USD تأثیر می گذارد و با سطح اتصال افزایش می یابد. با استفاده از رگرسیون وزنه برداری جغرافیایی ، [32] تأثیر فاصله اجتماعی بر اشتغال در برزیل را نشان می دهد و تأثیر آن را در مناطق مختلف کشور مشخص می کند. نویسندگان نشان می دهند که منطقه شمال شرقی برزیل به شدت از منطقه جنوبی تحت تأثیر قرار گرفته است.[33] ایجاد شبکه ها با استفاده از دامنه Multiale از وکتور Quantile Vector Autoregressive مدل پیش بینی خطای پیش بینی شده برای بازده شدید. تجزیه و تحلیل تجربی نویسندگان نشان می دهد که اتصال خوشه های غالب محکم تر می شود و خوشه های باقیمانده به خوبی در طول همه گیر از هم جدا می شوند.

با استفاده از 14 شاخص نیوزیلند بین 1 ژانویه 2019 تا 25 اوت 2020 ، [34] نشان می دهد که محدودیت های سفر ، قفل و سیاست های پاسخ محرک دولت نیوزیلند تأثیرات ناهمگن و مثبتی بر شاخص های سهام صنعت دارد. نویسندگان اظهار داشتند که قفل اجباری تنها سیاستی است که بازده سهام کل را در سه سیاست پاسخ دولت نیوزیلند تحت تأثیر قرار داده است. بر خلاف مطالعاتی که اثرات سرریز بین بازارهای مالی را بررسی می کند ، [35] تأثیر همه گیر در بخش خدمات ایالات متحده را بررسی می کند. نتایج حاکی از وجود تأثیر قابل توجهی شدید در صنایع سرگرمی و هواپیمایی است. از طرف دیگر ، صنعت هتلداری بدتر شدن تدریجی به ویژه از شرکتهای کوچک در بازار را نشان می دهد. به نظر می رسد رستوران ها نسبت به سایر صنایع نسبتاً پایدارتر هستند.[36] گزارش دهید که تأثیر نامتقارن نوسانات خوب و بد با گذشت زمان متفاوت است و در دوره شیوع بسیار شدید می شود. نویسندگان اظهار داشتند که سرریزهای نوسانات بد حاکم بر سرریزهای نوسانات خوب است.[37] نشان می دهد که شوکهای کلان اقتصادی باعث افزایش عدم تقارن نوسانات می شوند. نویسندگان ادعا می کنند که بازارهای آسیا عامل اصلی سرریزهای منفی بیشتر است.[38] نشان می دهد که افزایش حاکمیت عمومی تأثیر منفی توسعه مالی بر رشد اقتصادی را حذف می کند. به گفته نویسندگان ، کشورهایی که نمرات مشخصات سرمایه گذاری بالایی دارند از رشد اقتصادی از طریق بازار سهام بهره مند می شوند.[39] به وحشت در بازارهای سهام در طول همه گیر و مدیران دارایی نمی توانند "دارایی های ایمن" کافی برای محافظت در برابر این وحشت بازار پیدا کنند.[40] گزارش می دهد که کشورهای توسعه یافته قبل و در طول COVID-19 با همبستگی مثبت دارند ، اما قدرت این رابطه در طول COVID-19 کاهش می یابد.

3. روش شناسی

3. 1DCC-Garch_{[41] یک نسخه کلی از [42] مدل همبستگی شرطی ثابت (CCC) را معرفی کرد که امکان همبستگی شرطی پویا را فراهم می کند. بر خلاف CCC ، DCC همبستگی ها (R) را قادر می سازد متغیر زمان باشد. ماتریس کواریانس بازده دارایی K را می توان به شرح زیر نوشت که در آن D}حرف_{[41] یک نسخه کلی از [42] مدل همبستگی شرطی ثابت (CCC) را معرفی کرد که امکان همبستگی شرطی پویا را فراهم می کند. بر خلاف CCC ، DCC همبستگی ها (R) را قادر می سازد متغیر زمان باشد. ماتریس کواریانس بازده دارایی K را می توان به شرح زیر نوشت که در آن D}حرف

ماتریس همبستگی متغیر است. ساده ترین مشخصات ماتریس همبستگی را می توان به شرح زیر ارائه داد_{[41] یک نسخه کلی از [42] مدل همبستگی شرطی ثابت (CCC) را معرفی کرد که امکان همبستگی شرطی پویا را فراهم می کند. بر خلاف CCC ، DCC همبستگی ها (R) را قادر می سازد متغیر زمان باشد. ماتریس کواریانس بازده دارایی K را می توان به شرح زیر نوشت که در آن D}حرف

اختلالات استاندارد از مدل های یک متغیره گارچ است.

3. 2شاخص سرریز نوسانات کل_{[43] یک شاخص سرریز نوسانات را معرفی می کند که از تجزیه واریانس خطای پیش بینی شده استفاده می کند و به شناسایی کولسکی-فاکتور اتورهای بردار بستگی ندارد. این مدل برخلاف پیشرو [44] ، اجازه می دهد تا نوسانات جهت دار باشد. برای غلبه بر وابستگی متغیر در تجزیه و تحلیل واریانس ، نویسندگان از رویکرد VAR تعمیم یافته [45] و [46] استفاده می کنند. با توجه به اینکه مدل متغیر n مرتبه p هفتم در زیر کواریانس ثابت است ، تجزیه واریانس ما را قادر می سازد تا کسری از واریانس خطای H-step-head را در پیش بینی x ارزیابی کنیم}من_{این به دلیل شوک X است}j_{بشربگذارید تجزیه و تحلیل واریانس خطای پیش بینی H-Step-Ahead را نشان دهد ، جایی که σ ماتریس واریانس برای بردار خطا ε ، σ است}jj_{[43] یک شاخص سرریز نوسانات را معرفی می کند که از تجزیه واریانس خطای پیش بینی شده استفاده می کند و به شناسایی کولسکی-فاکتور اتورهای بردار بستگی ندارد. این مدل برخلاف پیشرو [44] ، اجازه می دهد تا نوسانات جهت دار باشد. برای غلبه بر وابستگی متغیر در تجزیه و تحلیل واریانس ، نویسندگان از رویکرد VAR تعمیم یافته [45] و [46] استفاده می کنند. با توجه به اینکه مدل متغیر n مرتبه p هفتم در زیر کواریانس ثابت است ، تجزیه واریانس ما را قادر می سازد تا کسری از واریانس خطای H-step-head را در پیش بینی x ارزیابی کنیم}من

وکتور انتخاب با 1 به عنوان عنصر Ith و 0 در غیر این صورت است. نیازی به مساوی نیست 1. با استفاده از این چارچوب شاخص سرریز نوسانات کل را می توان به شرح زیر نوشت که در آن ، و

4. تجزیه و تحلیل تجربی

اگرچه تقریباً همه بحران های اقتصادی یا مالی پویایی متفاوتی دارند ، اما ممکن است شباهت هایی را در ماهیت و پیامدهای خود نشان دهند. به عنوان مثال ، همانطور که توسط [47] و [48] بیان شده است ، در حالی که تغییر ناگهانی در انتظارات شرکت کنندگان در بازار و اعتماد به نفس ، عوامل مهم مهم هرج و مرج مالی اولیه بحران آسیا در سال 1997 ، عوامل تعیین کننده بحران روسیه در سال 1998 بودبا انواع شرایط اقتصادی ، مانند کسری بودجه زیاد و ذخایر خارجی کافی همراه بود. با این حال ، هر دو با یک بحران ارزی به پایان رسیدند. از طرف دیگر ، اگرچه GFC یک بحران ارزی نبود ، اما عدم اعتماد در بین موسسات مالی نقش اساسی در تبدیل پریشانی مالی در بازار مسکن به یک بحران نقدینگی در بخش بانکی و سپس به یک بحران بدهی حاکم برکشورهای اروپایی. همانطور که توسط [49] بیان شده است ، بحران آسیا و GFC از نظر همبستگی بازارها به دلیل ادغام شباهت هایی دارند. بنابراین ، مسری مالی ناشی از GFC را می توان با اثرات مسری محدود و منطقه ای بحران آسیا مقایسه کرد. سرانجام ، همه گیر اخیر همچنین باعث آشفتگی مالی جهانی و سرریز در معرض خطر و بازده شده است. بنابراین ، اگرچه پویایی آنها در آغاز متفاوت بود ، پیامدهای هر دو GFC و Covid-19 کاملاً مشابه است و یک تحقیق اقتصادی را برای آشکار کردن و مقایسه کانال ها و سرریزهای آنها ضروری می کند. اگرچه برخی از مطالعات در مورد سرریزها و حضور مسری در چین محور بررسی می شود ، اما ما دیدیم که دوره مورد بررسی یا تشکیل جفت ها برای پاسخگویی به این پویایی ها و مقایسه نقش چین با سایر کشورها کافی نیست. به عنوان مثال ، شواهد گزارش شده توسط [26] براساس جفت هایی است که فقط با چین تشکیل شده اند و آن را با یک بازار جایگزین به عنوان منبع همه گیر جایگزین نمی کنند. علاوه بر این ، [50] به سرریزهای چین فقط به کشورهای جنوب آسیا اشاره می کند. علاوه بر این ، در تحقیقات اقتصاد سنجی خود ، نویسندگان دمهای چربی را که ممکن است به دلیل وقفه های ساختاری رخ دهد ، در خود جای نمی دهند (نگاه کنید به [51] و [52]).

در بخش تجربی این مطالعه ، تأثیر همه گیر COVID-19 در همبستگی های مختلف بازار سهام و سرریزهای نوسانات بررسی شده است. علاوه بر تجزیه و تحلیل همه گیر Covid-19 ، شواهدی از GFC نیز ارائه شده است و تأثیر هر دو بحران بر اساس مقایسه ارزیابی می شود. برای این منظور ، نتایج در فواصل کوتاه مدت و بلند مدت قبل و بعد از اوج هر دو بحران مالی ارزیابی می شوند. این سازند اجازه می دهد تا امواج شوک از همه گیر GFC و COVID-19 اسیر شوند. این تجزیه و تحلیل دوره از 6 ژوئن 2005 ، تا 6 اکتبر 2020 را در بر می گیرد. تحقیقات تجربی برای بازارهای سهام کشورهای زیر انجام می شود: ایالات متحده (DJI) ، انگلستان (FTSE) ، ایتالیا (FTMIB) ، اسپانیا ((IBEX) ، چین (SSEC) و ترکیه (XU100). در انتخاب بازار سهام ، چهار توسعه یافته (ایالات متحده ، انگلیس ، ایتالیا ، اسپانیا) و دو کشور نوظهور (چین ، ترکیه) به کار می روند. اگرچه نمونه اقتصاد توسعه یافته از چهار کشور تشکیل شده است ، ایالات متحده و انگلیس در زیر گروه جداگانه به دنبال وزن ایتالیا و اسپانیا در طبقه بندی بازار MSCI همانطور که در بالا مورد بحث قرار گرفت ، ارزیابی می شوند. داده های شاخص از مشاهدات روزانه تشکیل شده و از پایگاه داده پالایش Eikon به دست می آید. تجزیه و تحلیل اقتصاد سنجی از طریق نرم افزارهای مختلفی مانند Matlab ، Gauss ، R و Ox-Metrics انجام می شود.