آیا سرمایه گذاری سبز با خاکستری متفاوت است؟بازگشت و نوسانات بین ETF های انرژی سبز و خاکستری

سرمایه گذاری در انرژی سبز به یک کلاس دارایی جایگزین محبوب برای سرمایه گذاران تبدیل می شود ، در درجه اول به دلیل ویژگی های سازگار با محیط زیست. با این حال ، نیاز شدید به ارزیابی ذهنی این کلاس دارایی در حال ظهور بر اساس پویایی بازده ریسک که در معرض آن سرمایه گذاران قرار دارند ، وجود دارد. برای پاسخ به این تماس ، در این مطالعه ، ما این ارزیابی را با استفاده از یک مجموعه داده منحصر به فرد و غنی متشکل از قیمت های روزانه صندوق های مبادله ای (ETF) که در کلاسهای دارایی مختلف ایجاد شده است ، انجام می دهیم. ما از Autoregression بردار و پارامتر سازی Baba-Engle-Kraft-Kroner از مدل های GARCH چند متغیره استفاده می کنیم و استحکام نسبی سرریزهای بازگشت و نوسانات را از بازارهای انرژی سبز و خاکستری ارزیابی می کنیم. نتایج ما نشان می دهد که شوکهای برگشتی که در بازار انرژی سبز سرچشمه گرفته و به بازارهای دیگر منتقل شده است ، برجسته تر است. همچنین مشاهده شده است که پتانسیل کسب بازده بالا و همبستگی ضعیف ETF های انرژی سبز با کلاس های دارایی سنتی ، عوامل اساسی در دعوت و سرمایه گذاری سرمایه گذاران پس از سال 2015 است. اگرچه نتایج ما بیشتر نشان می دهد که نقش انرژی خاکستریدر حال کاهش است ، همانطور که توسط توابع پاسخ Impulse و ضرایب قوس چند متغیره و گارچ نشان داده شده است. با این وجود ، برای برخی از کلاس های دارایی ، به عنوان مثال ، اوراق قرضه ، سرریزهای نوسانات که در بازار انرژی خاکستری سرچشمه گرفته اند ، هنوز هم برجسته و قوی هستند.

روی نسخه خطی کار می کنید؟

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

معرفی

انرژی به دلیل نقش خود در توسعه اقتصادی ، همیشه یک کالای استراتژیک بوده است. با این حال ، از اوایل دهه 2000 ، انرژی شهرت یک کلاس دارایی را به دست آورد ، و محصولات مالی مبتنی بر انرژی به بخشی جدایی ناپذیر از سیستم مالی کلی تبدیل شده اند. بسیاری از مطالعات دلیل این امر است که تأمین مالی بازار کالاها و مشارکت سرمایه گذاران نهادی نقش مهمی در این پیشرفت داشته است (گاگنون و همکاران ، 2020). در بازارهای مالی ، سرمایه گذاران ، به طور معمول ، با دنبال کردن سرمایه گذاری در سهام انرژی ، شاخص های انرژی و بازارهای آینده انرژی از طریق صندوق های مبادله ای (ETF) ، یادداشت های مبادله ای (ETN) ، و مبادله ای که بازده آنها است ، در معرض انرژی قرار می گیرند. گره خورده به یک شاخص از قیمت های آتی انرژی (Yan & Garcia ، 2017).

با این حال ، افزایش مشارکت سرمایه گذاران در بازارهای کالاها و استفاده زیاد از بازار انرژی به عنوان یک کلاس دارایی باعث تغییر پویایی بازده و نوسانات آن شده است (Kyritsis & Serletis ، 2018). همچنین از سال 2003 افزایش بی سابقه ای در فعالیت سوداگرانه در بازار انرژی وجود داشته است [(Creti & Nguyen ، 2015) ، (احمد ، 2017)] همراه با این واقعیت است که سالهای اخیر شاهد نوسانات قابل توجهی در قیمت سوخت فسیل بوده است. نفت و گاز. نوسانات قیمت انرژی همچنین منجر به ظهور انرژی سبز به عنوان جایگزینی برای انرژی خاکستری شده است. پاورقی 1 در همان زمان ، پتانسیل انرژی سبز در مبارزه با تغییرات آب و هوایی نیز به رسمیت شناخته شده بین المللی [(Miralles - Quirós et al. ، 2018) ، (Su et al. ، 2020)]. با توجه به این تحولات ، سالهای اخیر در درک پویایی بازارهای انرژی شاهد علاقه شدید پزشکان و دانشگاهیان بوده است. بنابراین ، این مطالعه ادبیات موجود را تکمیل می کند و به وابستگی متقابل و سرریز بین بازارهای انرژی خاکستری و سبز و بازارهای مالی سنتی بررسی می کند. ما استدلال می کنیم که تغییر غیر منتظره در ریسک انرژی و پویایی بازگشت می تواند منجر به بی ثباتی اقتصادی شود. علاوه بر این ، یک بازار انرژی مالی نیز ممکن است در بازارهای مالی سنتی مانند سهام و اوراق قرضه ، که قلب هر سیستم مالی است ، در بازارهای مالی سنتی گسترش دهد.

سرریزها هنگامی اتفاق می افتد که شوکهای شدید و غیر منتظره در بازده و نوسانات در یک بازار باعث نوسانات در بازارهای دیگر می شود (انگل و همکاران ، 1990). و در بازارهایی با وابستگی متقابل ، آزادسازی و ادغام بیشتر سخت هستند [(ریزوی و همکاران ، 2013) ، (منسی و همکاران ، 2013)]. سرریز بازگشت ، انتقال بازده را در بازارهای مالی ضبط می کند ، در حالی که سرریز نوسانات انتقال نوسانات است (نگوین و لو ، 2021). با این حال ، سرریزهای بازده بالا و نوسانات نه تنها نشان دهنده ارتباطات بازارها است ، بلکه می توانند تنوع بخشیدن به نمونه کارها و استراتژی های پرچین را تغییر دهند [(میرزا و همکاران ، 2020).(لی و همکاران ، 2021)]. از یک طرف ، سرریز بازگشت که در یک بازار سرچشمه گرفته است ، نشان دهنده افزایش اعتماد به نفس سرمایه گذار در بازار خاص است (عمر و همکاران ، 2020). از طرف دیگر ، سرریزهای نوسانات پیامدهایی برای ثبات سیستم مالی دارند. با این وجود ، آنها ممکن است باعث ایجاد مسیری مالی شوند ، به صورت نمایی میزان ریسک سیستمیک بازار را افزایش می دهد [(فرانسوی و همکاران ، 1987).(آلن و گیل ، 2000) ؛(باترا ، 2002) ؛(اسکات ، 2011)] ، و تصمیم گیری سرمایه گذار را با تأثیر نرخ مورد نیاز بازده (عمر و همکاران ، 2020) و هزینه سرمایه تغییر می دهد (Bekaert & Wu ، 2000).

سه رشته ادبیات بر ادبیات بازگشت و سرریز نوسانات در بازار انرژی حاکم است. اولین گروه از مطالعات ، ارتباط بین قیمت نفت و بازارهای سهام بین المللی را بررسی می کند [به عنوان مثال ، (سادورسکی ، 1999) ، (Guesmi & Fattoum ، 2014) ، (Diaz et al. ، 2016) ، (Maghyereh et al. ، 2016) ،(ژانگ ، 2017) ، (Kyritsis & Serletis ، 2018) ، (Tiwari et al. ، 2020)]. گروه دوم مطالعات بر کاوش در رابطه بین قیمت نفت و قیمت سهام انرژی معمولی و سبز متمرکز شده است (به عنوان مثال ، (Broadstock و همکاران ، 2012) ، (Managi & Okimoto ، 2013) ، (Wen et al. ، 2014)، (Reboredo و همکاران ، 2017) ، (Reboredo & Ugolini ، 2018)]. در مقایسه ، گروه سوم مطالعات ، ارتباط بین قیمت نفت و قیمت سهام شرکتهای معمولی ، انرژی پاک و شرکتهای فناوری را بررسی می کند (به عنوان مثال ، (Henriques & Sadorsky ، 2008) ، (Sadorsky ، 2012a) ، (Kumar et al. ،2012) ، (Bondia et al. ، 2016) ، (Ahmad ، 2017) ، (Ferrer et al. ، 2018) ، (Maghyereh et al. ، 2019) ، (Elsayed et al. ، 2020)].

با این حال ، به بهترین دانش ما ، هیچ مطالعه ای با انرژی خاکستری و سبز به عنوان کلاس دارایی مستقل رفتار نمی کند. و ارتباط بین بازارهای انرژی سبز و خاکستری و وابستگی متقابل بین جفت بازار انرژی با بازارهای سنتی دارایی های مالی را بررسی می کند. این ادبیات با وجود تصدیق انرژی سبز به عنوان یک دارایی رو به رشد مالی با پتانسیل آینده امیدوارکننده و یک جایگزین کلاس دارایی برای انرژی خاکستری ، به طور شگفت آور در رابطه بین انرژی سبز و سهام یا اوراق قرضه متمرکز شده است (Miralles-Quirós & Miralles-Quirós ، 2019). همچنین تعجب آور است ، عمدتاً هنگامی که یک جریان ادبیات موازی وجود دارد که مزایای محافظت از انرژی سبز برای یک نمونه کارها از سهام را مطالعه می کند [(Bessler & Wolff ، 2015) ، (Rezec & Scholtens ، 2017) ، (Miralles - Quirósو همکاران ، 2018) ، (اشمیت ، 2019) ، (هنریکسن و همکاران ، 2019) ، (رحمان و وو ، 2020) ، (سعید و همکاران ، 2020)]. ما به شدت اعتقاد داریم که شواهد مربوط به اتصال و سرریزهای بازارها در بازار انرژی سبز ممکن است پیامدهای مهمی برای محافظت و تنوع نمونه کارها داشته باشد ، اما این مطالعات صریحاً به بررسی بازده و نوسانات در بین انرژی های سبز و کلاس های دارایی سنتی مفقود شده است. بنابراین ، این مطالعه این شکاف را در ادبیات پر می کند. این شواهد در مورد ارتباط بین بازارهای خاکستری ، انرژی سبز و کلاسهای دارایی سنتی را تقویت می کند. همچنین به بررسی حضور ، ماهیت و بزرگی سرریزهای نوسانات سرچشمه گرفته و به بازار انرژی منتقل شده و برعکس منتقل می شود ، که پیامدهای مهمی برای ثبات سیستم مالی کلی دارد.

ما در ادبیات چندین کمک می کنیم. اول ، این مطالعه اولین شواهد در مورد بازار انرژی سبز را در انتقال بازده و نوسانات به سهام و بازار اوراق بهادار ارائه می دهد. این امر به رشته ادبیات مربوط به انرژی سبز و همچنین سرریزهای بازگشت و نوسانات کمک می کند. بدهی در طی سالها منبع قابل توجهی برای تأمین اعتبار در بازار سبز بوده است (ایرنا ، 2020). با این حال ، به بهترین دانش ما ، هیچ مطالعه ای رابطه بین انرژی سبز و بازار اوراق قرضه را مطالعه نمی کند. دوم ، این مطالعه به بررسی میزان اتصال در بازارها و مقایسه تسلط انرژی سبز با انرژی خاکستری می پردازد. بنابراین ، این امر به رشته ادبیات کمک می کند تا مزایای محافظت و تنوع انرژی سبز برای مدیریت نمونه کارها را ارزیابی کند. سوم ، این مطالعه از ETF برای نشان دادن کلیه بازارهای مالی استفاده می کند در حالی که ادبیات موجود برای بررسی رابطه بین انرژی خاکستری و سبز بر روی شاخص ها تثبیت شده است. یا بین بازار انرژی خاکستری و بازار سهام. ETF ها سرمایه گذاری های منفعل هستند اما مانند سهام معامله می شوند و پتانسیل پیگیری عملکرد یک فهرست را دارند (Miralles-Quirós & Miralles-Quirós ، 2019).

علاوه بر این ، سرمایه گذاران از ETF برای به دست آوردن بازده تحقق یافته به جای بازده غیر قابل تحقق شاخص ها ، حمایت می کنند (یان و گارسیا ، 2017). علاوه بر این ، ETF ها نقدینگی و شفافیت بالاتری ، هزینه های پایین تر و راندمان مالیات دارند (هوانگ و لین ، 2011). چهارم ، ما مناسب ترین روش از پارامتر سازی Baba-Engle-Kraft-Kroner (BEKK) از پاورقی مدل چند متغیره GARCH 2 را که توسط (Engle et al. ، 1995) پیشنهاد شده است ، به دست می آوریم تا در طی مدت زمان از بین بروند و در بازارهای مالی اسیر شوند. اکتبر 2015 تا اکتبر 2020.

هدف اساسی استفاده از گارچ چند متغیره استخراج کواریانس مشروط متغیر و همبستگی بین بازار انرژی و سایر بازارهای مالی است. در مورد مدل های GARCH ، به طور گسترده ای پذیرفته شده است که مشخصات تصحیح خطای بردار (VEC) که توسط (بولرزلوف و همکاران ، 1988) پیشنهاد شده است ، به دلیل تعداد زیادی از پارامترهای مورد نیاز ، در حین کار با بیش از دو متغیر ، دشوار است. مدل VEC مورب (DVEC) پیشنهادی توسط (Bollerslev و همکاران ، 1988) اجازه می دهد تا واریانس شرطی داشته باشد اما تعداد پارامترها را محدود می کند و به محدودیت های قابل توجهی در پارامترها نیاز دارد (Bauwens et al. ، 2006). با توجه به این محدودیت ها ، ما تصمیم گرفتیم از مشخصات BEKK پیشنهاد شده توسط (Engle et al. ، 1995) استفاده کنیم و همبستگی شرطی پویا بین بازارهای انرژی سبز و خاکستری و سایر بازارهای مالی (اوراق قرضه و سهام) را محاسبه کنیم. علاوه بر این ، BEKK به راحتی هر واریانس شرطی را در اجزای قوس (تأثیر خبری) و گارچ (پایداری) خود تجزیه می کند و تجزیه و تحلیل را ساده می کند.

نتایج ما بینش های جالبی را ارائه می دهد. ما می دانیم که شوک های برگشتی در انرژی سبز سرچشمه گرفته و به بازارهای انرژی خاکستری و سهام منتقل می شوند ، برجسته تر است. برعکس ، نقش انرژی خاکستری کاهش می یابد ، همانطور که توسط توابع پاسخ تکانه و ضرایب قوس چند متغیره و گارچ نشان داده شده است. ما یک رابطه آشکار بین بازار اوراق بهادار و انرژی پیدا می کنیم و نشان می دهیم که انرژی خاکستری به طور قابل توجهی بر بازار اوراق قرضه تأثیر می گذارد ، در حالی که برعکس معتبر نیست. با این حال ، ما می دانیم که انرژی سبز بر بازارهای اوراق قرضه تأثیر نمی گذارد ، اما بازار اوراق بهادار بر بازده انرژی سبز تأثیر می گذارد.

قسمت باقیمانده مقاله به شرح زیر است: بخش 2 مجموعه داده های ما را توضیح می دهد. بخش 3 جزئیات مدل های اقتصاد سنجی مورد استفاده برای دستیابی به اهداف تحقیق را ارائه می دهد. بخش 4 نتایج تجربی ما را پس از بحث در مورد نتایج در فرقه ارائه می دهد. 5. بخش 6 نتیجه می گیرد.

هدف اصلی ما در این مقاله درک و ارزیابی پویایی بازده و سرریزهای نوسانات است که در بازار انرژی از جمله سبز و خاکستری سرچشمه می گیرد و به سایر بازارهای مالی منتقل می شود. برای پروکسی بازار انرژی و سایر دارایی ها از مجموعه داده های غنی از صندوق های مبادله ای (ETF) استفاده می کنیم که نه تنها عملکرد این بازارها را از نزدیک ردیابی می کند بلکه ابزارهای مالی قابل معامله نیز هستند. این قابلیت تجارت ETF باعث می شود که آنها برای هر سرمایه گذار علاقه مند به قرار گرفتن در معرض در بازارهای دارایی های مالی (یان و گارسیا ، 2017) و (Miralles-Quirós & Miralles-Quirós ، 2019) ، آنها را برای انتخاب واقعی تر انتخاب کنند. ما ETF را برای چهار بازار مختلف ، انرژی سبز ، انرژی خاکستری ، باند و عدالت ، که همه در ایالات متحده آمریکا (ایالات متحده) مستقر هستند ، انتخاب می کنیم. در جدول 1 در زیر جزئیات ETF های انتخاب شده ، بازنمایی ، پوشش و دامنه آنها ارائه شده است.

پروکسی های ETFS بر اساس پوشش ارائه شده توسط هر شاخص انتخاب شده اند و دوره ای از پنج سال فرکانس روزانه را که از اکتبر 2015 تا اکتبر 2020 شروع می شود ، پوشش می دهد. هر ETF با گرفتن یک گزارش طبیعی از نسبت قیمت فعلی با قیمت بیست روز تاخیر در هر تاریخ موجود در مجموعه داده های ما.

جایی که (_ ) بازده ماهانه به طور مداوم مرکب برای (i ) ETF در روز (t ) برای هر روز نمونه محاسبه می شود. (_ ) قیمت تعدیل شده روزانه برای (i ) ETF در روز (t ) است ، و (_ ) قیمت را برای همان ETF 20 روز قبل نشان می دهد. بر خلاف روش سنتی محاسبه بازده ماهانه که به تعریف مبتنی بر تقویم یک ماه متکی است ، این روش بسیار برتر است زیرا هر دوره 20 روزه را به عنوان یک ماه به صورت نورد در نظر می گیرد. این نه تنها مطابق با هنجارهای معاملاتی در زمان واقعی است که در آن سرمایه گذاران هر روز آزاد می توانند وارد بازار شوند یا از بازار خارج شوند بلکه باعث می شود درجه بالاتری از کارآیی را در دسترس قرار دهد که بخش بزرگی از داده ها را در دسترس قرار می دهد که در آن بازده ماهانه برای هر روز برآورد می شودبشرهمچنین گزارش شده است که این روش در محدود کردن نوسانات بیش از حد داخل بدن در بازارهای مالی مفید است (نقوی و همکاران ، 2018).

شکل 1 روند در قیمت روزانه ETF کلاسهای دارایی منتخب را در پنج سال گذشته (اکتبر 2015 - اکتبر 2020) نشان می دهد. ETF عدالت در محور ثانویه (سمت راست) اندازه گیری شده است و بقیه ETF ها در محور اولیه (سمت چپ) اندازه گیری می شوند. به نظر می رسد بازار انرژی خاکستری از سال 2017 روند نزولی طولانی مدت را نشان می دهد ، تقریباً در همان زمان که بازار انرژی سبز شروع به صعود کرده است ، البته به آرامی. جالب اینجاست که به نظر می رسد که هر دو کاهش خاکستری و صعود از بازارهای انرژی سبز توسط همه گیر Covid-19 در اوایل سال 2020 تشدید می شوند.

بازار سهام روند مانند بازار خاکستری را نشان می دهد و نشانگر همبستگی قوی بین دو بازار مالی است. با این حال ، گسترش شکاف در قیمت ها در طول سالها نیز می تواند مشاهده شود. برعکس ، بازار اوراق قرضه روند قیمت نسبتاً کمتری را نشان می دهد و کاملاً شبیه به روند بازار انرژی سبز است.

مدل ها

بازگشت سرریز

ما تحقیقات اولیه خود را در مورد وجود سرریزها در بازده بیش از حد ، در طول زمان ، و بین بخش های مختلف کلاس دارایی ، با تخمین مدل اتورگرایی بردار (VAR) برای بازده اضافی چهار کلاس دارایی یعنی انرژی سبز سبز (سبز) ، انرژی خاکستری آغاز می کنیم.(خاکستری) ، باند (باند) و عدالت (عدالت) به روش زیر.

where (>>>_>>) is a four variable vector demonstrating excess retus in the four ETFs (GREEN, GREY, BOND, EQUITY) at time period (t) ; (p) is the optimal lag length identified through AIC and BIC; (>_) is a (4 imes 1) vector representing intercepts; (>_) through (>_<mathbf

>) are coefficient matrices, with their elements capturing their own, as well as the cross-market lag effects; and (_>>) is a (4 imes 1) vector of residual error terms. Our assumption is that the elements of (_>>) با توجه به ماتریس 4 × 4 ماتریس (_ ) با توجه به مجموعه اطلاعات ( psi (t-1) ) ، به طور سریالی با همبستگی سریالی نیستند.

معادله (2) مشخص می کند که بازده اضافی هر ETF یک تابع خطی از بازده بیش از حد تاخیر در همان و همچنین بازده عقب مانده ETF سایر بخش های بازار است. به عنوان مثال ، بازده بیش از حد در بازار انرژی سبز (سبز) بستگی به تأخیر P خود دارد ، و همچنین تاخیر P از سه بازده اضافی ETF دیگر:

The presence of excess retu spillovers from the ETF of equity market, EQUITY(4) towards green energy market, GREEN(1) can be detected by validating the joint hypothesis that (>_ = 0 (i = 1 ، dots ، p) ) و از طرف دیگر برای تشخیص سرریزهای سبز به سمت سایر بازارهای ETF ، معادلات مشابه Eq. 3 می تواند برای بازده اضافی هر ETF با بازده بیش از حد خود و همچنین بازده بیش از حد تاخیر در ETF های دیگر ایجاد شود.

نوسانات سرریز و تداوم نوسانات

نوع دوم سرریزها ، سرریزهای نوسانات است که در یک روز معین شوک های برگشتی (تفاوت بین بازده واقعی و میانگین یا مورد انتظار) در یک روز ، واریانس مشروط یا نوسانات روز بعد ، چه در همان بازار و چه در بازار دیگر (Rizvi& Naqvi ، 2008 ؛ Rizvi et al. ، 2014). به همین ترتیب ، پایداری در نوسانات یک بازار می تواند روز بعد به سمت سایر بازارهای ریخته شود. مفهوم کلی ممکن است به عنوان وابستگی زمانی از واریانس شرطی خوانده شود.

ما در این مقاله پیشنهاد می کنیم از پارامتر سازی Baba ، Engle ، Kraft و Kroner (BEKK) پاورقی مدل چند متغیره GARCH 3 همانطور که توسط (Engle et al. ، 1995) پیشنهاد شده است ، برای برآورد سرریزهای نوسانات ، ماندگاری نوسانات و انتقال نوسانات از خاکستری و سبز تخمین زده شود. بازارهای انرژی به سایر بازارهای مالی و برعکس.

هدف اصلی استفاده از گارچ چند متغیره ، استخراج زمان متغیر متغیر و همبستگی بین بازار انرژی و سایر بازارهای مالی بود. با اشاره به مدل های GARCH ، به طور گسترده ای پذیرفته شده است که مشخصات تصحیح خطای بردار (VEC) که توسط (Bollerslev و همکاران ، 1988) پیشنهاد شده است ، در هنگام کار با بیش از دو متغیر به دلیل تعداد زیادی از پارامترهای مورد نیاز ، بسیار دشوار است.( سمت چپ [ frac=210 for N=4 ight]) . (Bollerslev et al., 1988) proposed Diagonal VEC (DVEC) model which allows conditional variance depending only on its own lag and on the lagged values of cross product of errors ((>>_>>>>>_>>>) ) بنابراین تعداد پارامترها تا ( سمت چپ [ frac= 18 برای n = 4 درست] ). با این وجود حتی در نمایندگی VEC مورب ، اطمینان از مثبت بودن ماتریس کواریانس واریانس مشروط ((_) ) بسیار دشوار است ، مگر اینکه ما محدودیت های محکمی را در پارامترها اعمال کنیم (Bauwens et al. ، 2006). با توجه به این محدودیت ها ، تصمیم می گیریم از مشخصات BEKK که توسط (Engle et al. ، 1995) برای محاسبه همبستگی های شرطی پویا بین بازارهای انرژی سبز/خاکستری و سایر بازارهای مالی استفاده می کنیم ، استفاده کنیم. ما فرض می کنیم که ( psi (t-1) ) زمینه اطلاعاتی است که توسط مقادیر گذشته (_ ) ایجاد شده است و اینکه (_ ) ماتریس واریانس شرطی است از وکتور تصادفی k-dimental (_ ). ما همچنین فرض می کنیم که (_ ) با توجه به مجموعه اطلاعات گذشته ( psi سمت چپ (t-1 راست) ) قابل اندازه گیری است. در این حالت ساختار گارچ چند متغیره مانند