تاثیر متغیرهای مالی و اقتصادی بر سیستم هشدار ریسک سیستمیک در بازار مالی ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت مالی دانشگاه آزاد اسلامی واحد رودهن

2 استادیار گروه اقتصاد اسلامی، دانشکده علوم اقتصادی و اداری، دانشگاه قم

3 استادیار گروه مدیریت مالی، دانشگاه آزاد اسلامی واحد رودهن

10.30495/jik.2023.76020.4438

چکیده

بحران‌های مالی در اقتصاد ایران و بازارهای مالی آن همانند بسیاری از اقتصادهای در حال توسعه گرچه بر حسب شدت اندازه و دوره پایداری متفاوت بوده اما نقش متغیرهای مالی و اقتصادی بر بحران‌های مالی از طریق ناپایداری در شاخص های اقتصادی و اختلالات بازار ارز تقریبا مشابه بوده است. هدف مقاله حاضر بررسی تاثیر متغیرهای کلان اقتصادی و مالی از قبیل نرخ ارز، نرخ تورم و نرخ بهره در سیستم هشدار اولیه ریسک سیستمیک در بازار مالی ایران است. در این مطالعه از یک رویکرد مدل چندکی متغیر در زمان (TVP-QVAR) در بازه زمانی 1390-1401 استفاده شد. به منظور مدلسازی ریسک سیستمیک از روش ارزش در معرض خطر شرطی استفاده گردید. در مدل طراحی شده به بررسی ارتباط بین شاخص ریسک سیستمیک مالی، تغییرات نرخ ارز، نرخ بهره و نرخ تورم به عنوان مهمترین متغیرهای اثر گذار بر ریسک سیستمیک پرداخته شد. نتایج بدست آمده از مدل برآورد شده بیانگر این بود که متغیرهای نرخ ارز، نرخ تورم و نرخ بهره به ترتیب بالاترین اثرگذاری بر ریسک سیستمیک در بازار مالی کشور داشته است.

کلیدواژه‌ها

عنوان مقاله [English]

The effect of financial and economic variables on the systemic risk warning system in Iran's financial market

نویسندگان [English]

  • Morteza Abbasi nehjoei 1
  • Yazdan Gudarzi Farahani 2
  • Seyedalireza Mirarab bayegi 3
1 دانشجوی دکتری مدیریت مالی دانشگاه آزاد اسلامی واحد رودهن
2 Assistant Professor, Department of Islamic Economics, Faculty of Economic and Administrative Sciences, Qom University
3 استادیار گروه مدیریت مالی، دانشگاه آزاد اسلامی واحد رودهن
چکیده [English]

Financial crises in Iran's economy and its financial markets, like many developing economies, although they differ in terms of intensity, size and period of stability, but the role of financial and economic variables on financial crises through instability in economic indicators and currency market disturbances. It was almost the same. The purpose of this paper is to investigate the impact of macroeconomic and financial variables such as exchange rate, inflation rate and interest rate in the early warning system of systemic risk in the financial market of Iran. In this study, a time-varying quantitative model approach (TVP-QVAR) was used in the period of 2011-2023. In order to model systemic risk, conditional value at risk method was used. In the designed model, the relationship between financial systemic risk index, changes in exchange rate, interest rate and inflation rate was investigated as the most important variables affecting systemic risk. The results obtained from the estimated model indicated that the variables of exchange rate, inflation rate and interest rate respectively had the highest effect on the systemic risk in the country's financial market. Financial crises in Iran's economy and its financial markets, like many developing economies, although they differ in terms of intensity, size and period of stability, but the role of financial and economic variables on financial crises through instability in economic indicators and currency market disturbances. It was almost the same.

کلیدواژه‌ها [English]

  • Warning model
  • systemic risk
  • financial markets
  • short-term long-term memory model

مراجع

ابریشمی, حمید، مهرآرا، محسن و رحمانی، محمد (1398). اندازه‌گیری و تحلیل ریسک سیستمی در بخش بانکداری ایران و بررسی عوامل مؤثر بر آن. مدلسازی اقتصادسنجی، 4(3)، 11-36.
احمدی، محمدعلی، صالحی، اله کرم، نصیری، سعید و جرجرزاده، علیرضا (1401). بررسی تأثیر نا اطمینانی متغیرهای کلان اقتصادی بر سرعت تعدیل اهرم هدف. دانش سرمایه‌گذاری، 11(44)، 501-530.
اکبرموسوی، سید صالح، سلمانی، بهزاد، حقیقت، جعفر و اصغرپور، حسین (1401). پیش بینی بحران های بانکی: سیستم هشدار زودهنگام پویا. مدلسازی اقتصادسنجی، 7(1)، 9-38.
براتی، لیلا، فلاح شمس، میرفیض، غفاری، فرهاد و حیدرزاده هنزائی، علیرضا (1402). سنجش ریسک سیستمیک و تاثیر متغیرهای بنیادی برآن در سیستم بانکی کشور. دانش سرمایه‌گذاری، 12(48)، 721-744.
فدائی واحد، میثم، دهقان دهنوی، محمد علی، دیواندری, علی و امیری، میثم (1402). بررسی تأثیر شاخص‌های ریسک و رقابتی صنعت بانکداری بر شاخص رشد اقتصادی و تورم مصرف-کننده در اقتصاد ایران. دانش سرمایه‌گذاری، 12(48)، 1-20.
قلیزاده، علیرضا، فلاح شمس، میرفیض و افشار کاظمی، محمد علی. (1400). طراحی سیستم هشدار سریع وقوع بحران مالی در بورس اوراق بهادار تهران با رویکرد درخت تصمیم. دانش سرمایه‌گذاری، 10(40)، 35-55.
کلامی، محمد، سلمانی، بهزاد و اصغرپور، حسین (1398). بررسی عوامل مؤثر بر شاخص بحران ارزی تعدیل شده در ایران: رویکرد رگرسیون لاجیت. فصلنامه علمی پژوهشی اقتصاد مقداری، 16(4)، 43-67.
نمکی، علی، عباسیان، عزت اله و شفیعی، الهه (1401). تجزیه و تحلیل میزان ریسک سیستمی شرکت‌های بورس اوراق بهادار تهران با استفاده از رویکرد سیستم‌های پیچیده. راهبرد مدیریت مالی، 10(1)، 91-112.
Acharya, V. V., Pedersen, L. H., Philipson, T., & Richardson, M. (2017). Measuring systemic risk. The Review of Financial Studies, 30(1), 2–47.
Adrian, T. and Brunnermeier, M. K. (2016). “CoVaR”. American Economic Review 106(7): 1705-1741.
Ando, T., Greenwood-Nimmo, M., and Shin, Y. (2018). “Quantile Connectedness: modelling tail behaviour in the topology of financial networks”. Available at SSRN 3164772.
Di Persio, L., and Honchar, O. (2016). “Artificial neural networks architectures for stock price prediction: Comparisons and applications”. International Journal of Circuits, Systems and Signal Processing 10: 403–413.
Diebold, F. X., & Yılmaz, K. (2014). “On the network topology of variance decompositions: Measuring the connectedness of financial firms”. Journal of econometrics 182(1): 119-134.
Hochreiter, S., and Schmidhuber, J. (1997). “Long Short-term Memory”. Neural computation 9: 1735-1780.
Iturriaga, F. J. L., and Sanz, I. P. (2015). “Bankruptcy visualization and prediction using neural networks: A study of US commercial banks”. Expert Systems with Applications 42(6): 2857–2869.
Koop, G., Pesaran, M. H., & Potter, S. M. (1996). “Impulse response analysis in nonlinear multivariate models”. Journal of econometrics 74(1): 119-147.
Markose, S., Giansante, S., and Eterovic, N.A. (2021). “Early warning of systemic risk in global banking: eigen-pair R number for financial contagion and market price-based methods”. Annals of Operations Research. https://doi.org/10.1007/s10479-021-04120-1
Ouyang, Z., Xi-te, Y., and Yongzeng, L. (2021). “Systemic financial risk early warning of financial market in China using Attention-LSTM model”. North American Journal of Economics and Finance 56(2): 1-16.
Patro, D. K., Qi, M., and Sun, X. (2013). “A simple indicator of systemic risk”. Journal of Financial Stability 9(1): 105–116.
Pesaran, H. H., & Shin, Y. (1998). “Generalized impulse response analysis in linear multivariate models”. Economics letters 58(1): 17-29.
Shi, X., Zhourong, C., Hao, W., Dit-Yan, Y., Wai-kin, W., and Wang-chun, W. (2015). “Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting”. Proceedings of the 28th International Conference on Neural Information Processing Systems 802–810
Yang, Q., and Wang, C. Y. (2019). “A study on forecast of global stock indices based on deep LSTM neural network”. Statistical Research 36(03): 65–77.
Yu, L., Wang, S., and Lai, K. (2010). “A multiscale neural network learning paradigm for financial crisis forecasting”. Neurocomputing 73(4–6): 716–725.
Zhuang, Y., and Wei, H. (2023). “Early warning model and prevention of regional financial risk integrated into legal system”. PLoS ONE 18(6): e0286685. https://doi.org/10.1371/journal.pone.0286685.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار