دوره 11، شماره 40 - ( 4-1399 )
سال11 شماره 40 صفحات 158-123 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Saneifar M, Saeedi P. Comparison of Complex Networks of Stock Markets and Economic Variables in the Period Before and After the Outbreak of Coronavirus (Covid-19). jemr 2020; 11 (40) :123-158
URL: http://jemr.khu.ac.ir/article-1-2035-fa.html
URL: http://jemr.khu.ac.ir/article-1-2035-fa.html
صانعی فر متین، سعیدی پرویز. مقایسه شبکه‌های پیچیده بازارهای بورس سهام و متغیرهای اقتصادی در دوران قبل و بعد از شیوع ویروس کرونا (کووید-19). تحقیقات مدلسازی اقتصادی. 1399; 11 (40) :123-158
متین صانعی فر1 
، پرویز سعیدی* 2
، پرویز سعیدی* 2
1- دانشگاه آزاد اسلامی واحد علی‌آباد‌کتول
2- دانشگاه آزاد اسلامی واحد علی‌آباد‌کتول ،dr.parvizsaeedii@gmail.com
2- دانشگاه آزاد اسلامی واحد علی‌آباد‌کتول ،
چکیده: (6087 مشاهده)
ویروس کرونا یک بحران بهداشتی را به یک بحران اقتصادی تبدیل کرده است و شیوع آن منجر به واکنش‌های منفی شدیدی از سوی بازارهای بورس سهام در کشورهای مختلف و همچنین نوسانات قیمت بسیاری از متغیرهای کلان اقتصادی شده است، از طرفی گسترش ویروس زمینه‌ای را جهت بررسی تاثیرات شیوع آن بر بازارهای بورس سهام و متغیرهای اقتصادی و همچنین قدرت اثرگذاری و سرعت پخش اطلاعات در زمان بحران در این بازارها فراهم می‌کند. هدف پژوهش حاضر بررسی قدرت اثرگذاری ویروس کرونا بر بازارهای بورس سهام 75 کشور و متغیرهای نفت، طلا، نقره و مس به‌کمک مقایسه شبکه‌های پیچیده قبل و بعد از شیوع ویروس می‌باشد، همچنین برای بخش محاسبات از نرم‌افزار آماری متلب و برای ترسیم شبکه‌ها از روش گراف مسطح حداکثر فیلتر شده به‌کمک داده‌های روزانه در دوره زمانی ژوئن 2019 تا مارس 2020 استفاده شده است. نتایج نشان می‌دهد که قبل از شیوع ویروس کرونا بازارهای سهام تمایل به حرکت در گروهای کوچک قاره‌ای داشتند، اما شیوع ویروس منجر به تحرکات منفی دسته‌جمعی با همبستگی بالا برای این بازارها شده است و اطلاعات مثبت یا منفی 32 درصد سریعتر از گذشته در شبکه بازارهای سهام پخش می‌شوند، همچنین بازارهای سهام دو برابر بیشتر از دوران قبل از شیوع بر یکدیگر تاثیرگذار هستند. ویروس کرونا به‌طور مستقیم منجر به سقوط 40 درصد بازارهای بورس سهام شده است، از طرفی این ویروس سبب نوسانات متغیرهای جهانی نفت، طلا، نقره و مس شده که هر کدام به ترتیب بر 55 درصد، 32 درصد، 28 درصد و 35 درصد بازارهای سهام تاثیرگذار بوده‌اند، اثرگذاری این متغیرها قبل از شیوع ویروس به ترتیب بر 31 درصد، 20 درصد، 16 درصد و 18 درصد بازارهای بورس سهام بوده است. نکته حائز اهمیت اینکه در بحران‌های فراگیر به‌دلیل تحرکات دسته‌جمعی بازارهای سهام، ثبات قیمتی در بازارهای بورس مرکزی و متغیرهای کلان اقتصادی جهت کنترل و کاهش اثرات منفی بحران بر بازارهای سهام بسیار با اهمیت می باشد.
نوع مطالعه: كاربردي |
موضوع مقاله:
تجارت و مالیه بین الملل
دریافت: 1399/1/17 | پذیرش: 1399/6/4 | انتشار: 1399/7/1
دریافت: 1399/1/17 | پذیرش: 1399/6/4 | انتشار: 1399/7/1
فهرست منابع
1. Albulescu, C. (2020a). Coronavirus and financial volatility: 40 days of fasting and fear. arXiv preprint arXiv:2003.04005. [DOI:10.2139/ssrn.3550630]
2. Albulescu, C. (2020b). Coronavirus and oil price crash. Available at SSRN 3553452. [DOI:10.2139/ssrn.3553452]
3. Birch, J., A.A. Pantelous, and K. Zuev, The maximum number of 3-and 4-cliques within a planar maximally filtered graph. Physica A: Statistical Mechanics and its Applications, 2015. 417: p. 221-229. [DOI:10.1016/j.physa.2014.09.011]
4. Barrat, A., & Weigt, M. (2000). On the properties of small-world network models. The European Physical Journal B-Condensed Matter and Complex Systems, 13(3), 547-560. [DOI:10.1007/s100510050067]
5. Bollobás, B. (1981). The diameter of random graphs. Transactions of the American Mathematical Society, 267(1), 41-52. [DOI:10.2307/1998567]
6. Brandes, U. (2001). A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25(2), 163-177. [DOI:10.1080/0022250X.2001.9990249]
7. Balcı, M. A. 2020. Fractional Interaction of Financial Agents in a Stock Market Network. Applied Mathematics and Nonlinear Sciences 5 (1):317-336. [DOI:10.2478/amns.2020.1.00030]
8. Ding, G., and L. Qin. 2020. Study on the prediction of stock price based on the associated network model of LSTM. International Journal of Machine Learning and Cybernetics 11 (6):1307-1317. [DOI:10.1007/s13042-019-01041-1]
9. George, S., & Changat, M. (2017). Network approach for stock market data mining and portfolio analysis. Paper presented at the 2017 International Conference on Networks & Advances in Computational Technologies (NetACT). [DOI:10.1109/NETACT.2017.8076775]
10. Gormsen, N. J., & Koijen, R. S. (2020). Coronavirus: Impact on stock prices and growth expectations. University of Chicago, Becker Friedman Institute for Economics Working Paper(2020-22). [DOI:10.3386/w27387]
11. Helbing, D. 2013. Globally networked risks and how to respond. Nature, 497(7447), 51. [DOI:10.1038/nature12047]
12. Ismail Pourmoghadam, H., & Mohammadi, T., & Kashani, M., & Shakeri, A. (2018). Provide a new indicator to reflect stock market behavior using a complex network analysis approach. Financial Economics Journal, 13 Year, No. 46: p. 25-39. (In Persian)
13. Li, F., Identifying asymmetric comovements of international stock market returns. Journal of Financial Econometrics, 2013. 12(3): p. 507-543. [DOI:10.1093/jjfinec/nbt006]
14. Newman, M. E. (2005). A measure of betweenness centrality based on random walks. Social networks, 27(1), 39-54. [DOI:10.1016/j.socnet.2004.11.009]
15. Nobi, A., Lee, S., Kim, D. H., & Lee, J. W. (2014). Correlation and network topologies in global and local stock indices. Physics Letters A, 378(34), 2482-2489. [DOI:10.1016/j.physleta.2014.07.009]
16. Nie, C.-X. and F.-T. Song, Constructing financial network based on PMFG and threshold method. Physica A: Statistical Mechanics and its Applications, 2018. 495: p. 104-113. [DOI:10.1016/j.physa.2017.12.037]
17. Naderi, E., & Abbasi-Nejad, H. (2012). Chaos Analysis, Wavelet Decomposition and the Performance of Neural Network Models in Forecasting Tehran Stock Exchange Index. Journal of Research in Economic Modeling, 2(8), 119-140. (In Persian)
18. Pereira, E., Ferreira, P., & de Borges Pereira, H. B. (2020). COVID-19 in Stock Markets: A Complexity Perspective. [DOI:10.20944/preprints202005.0056.v1]
19. Mantegna, R.N., Hierarchical structure in financial markets. The European Physical Journal B-Condensed Matter and Complex Systems, 1999. 11(1): p. 193-197. [DOI:10.1007/s100510050929]
20. Ramelli, S., & Wagner, A. F. (2020). Feverish stock price reactions to covid-19. [DOI:10.1093/rcfs/cfaa012]
21. Rafat, M. (2019). The Application of Complex Networks Analysis to Assess Iran's Trade and It's Most Important Trading Partners in Asia. Journal of Research in Economic Modeling, 9(34), 107-137. doi:10.29252/jemr.9.34.107(In Persian) [DOI:10.29252/jemr.9.34.107]
22. Selmi, R., & Bouoiyour, J. (2020). Global Market's Diagnosis on Coronavirus: A Tug of War between Hope and Fear.
23. Sornette, D. 2017. Why stock markets crash: critical events in complex financial systems. Princeton University Press. [DOI:10.23943/princeton/9780691175959.001.0001]
24. Tumminello, M., Aste, T., Di Matteo, T., & Mantegna, R. N. (2005). A tool for filtering information in complex systems. Proceedings of the National Academy of Sciences, 102(30), 10421-10426. [DOI:10.1073/pnas.0500298102]
25. Vandewalle, N., P. Boveroux, and F. Brisbois, Domino effect for world market fluctuations. The European Physical Journal B-Condensed Matter and Complex Systems, 2000. 15(3): p. 547-549. [DOI:10.1007/s100510051158]
26. West, D., Introduction to Graph Theory , Prntice-Hall. Englewood Cliffs, NJ, 2001.
27. Wagner, A. F. 2020. What the stock market tells us about the post-COVID-19 world. Nature Human Behaviour. [DOI:10.1038/s41562-020-0869-y]
28. Yan, B., Stuart, L., Tu, A., & Zhang, T. (2020). Analysis of the Effect of COVID-19 on the Stock Market and Potential Investing Strategies. Available at SSRN 3563380. [DOI:10.2139/ssrn.3563380]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
