Оценка финансового заражения фондовых рынков России, США, Китая и стран Европы в 2019–2024 гг. с использованием метода копул

Обложка

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье исследуется передача финансового заражения между такими мировыми фондовыми индексами, как S&P 500 (США), STOXX 600 (страны Европы), Shanghai Composite (Китай) и RTS (Россия), в период пандемии и новых антироссийских санкций. С помощью ARMA-TGARCH-моделей проведено очищение доходностей индексов от их собственных трендов и волатильности. Разграничение шоковых периодов осуществлялось на основе 90-го персентиля условной волатильности доходности. Построение копул Гаусса и Стьюдента для шоковых и относительно спокойных периодов позволило оценить изменение зависимостей между доходностями индексов с учетом их маргинальных распределений. В результате было подтверждено финансовое заражение между всеми индексами (исключая пару S&P500–STOXX 600) в период острой фазы пандемии, а также заражение между европейским индексом, с одной стороны, и американским и китайским индексами — с другой стороны, в период новых санкций. На основе расчета зависимостей для верхних и нижних хвостов распределения доказана более сильная совместная реакция рынков на отрицательные, чем на положительные шоки, и превалирование в заражении канала богатства по сравнению с каналом ребалансировки активов. Исследование развивает новые прогрессивные методы анализа последствий глобальных рисков для функционирования национальных финансовых систем и оценки эффектов финансового заражения. Оно может быть полезно инвесторам для управления портфелями и хеджирования рисков, государствам — для проведения эффективной политики финансовой стабилизации в период воздействия глобальных шоков.

Об авторах

М. Ю. Малкина

Центр макро- и микрэкономики

Email: mmuri@yandex.ru
Нижний Новгород, Россия

В. В. Осей

ННГУ им. Н. И. Лобачевского

Email: osejveronika@gmail.com
Нижний Новгород, Россия

Е. Д. Гаврилова

ННГУ им. Н. И. Лобачевского

Email: yekaterinagavrilova01@gmail.com
Нижний Новгород, Россия

К. С. Флорес Туко

ННГУ им. Н. И. Лобачевского

Email: florestucokimberlysarahi@gmail.com
Нижний Новгород, Россия

М. А. Лукашина

ННГУ им. Н. И. Лобачевского

Email: missis.lukashina03@mail.ru
Нижний Новгород, Россия

Список литературы

  1. Артамонов Н. В., Ивин Е. А., Курбацкий А. Н., Фантаццини Д. (2021). Введение в анализ временных рядов: учебное пособие для вузов. Вологда: ВолНЦ РАН. 134 с. Режим доступа: https://clck.ru/3AtL3H [Artamonov N. V., Ivin E. A., Kurbatskii A. N., Fantazzini D. (2021). Introduction to time series analysis: A tutorial for universities. Vologda: VolSC RAN. 134 p. Available at: https://clck.ru/3AtL3H (in Russian).]
  2. Благовещенский Ю. Н. (2012). Основные элементы теории копул // Прикладная эконометрика. Т. 26. № 2. С. 113–130. [Blagoveschensky Y. N. (2012). Basics of copula’s theory. Applied Econometrics, 26 (2), 113–130 (in Russian).]
  3. Бусыгин С. В., Шарыпов Р. О. (2019). Применение копул в многомерном анализе обменных курсов на примере развивающихся стран Европы // Мир экономики и управления. Т. 19. № 3. C. 58–72. doi: 10.25205/2542-0429-2019-19-3-58-72 [Busygin S. V., Sharypov R. O. (2019). Copula approach in multivariate exchange rate analysis of developing countries in Eastern Europe. World of Economics and Management, 19 (3), 58–72. doi: 10.25205/2542-0429-2019-19-3-58-72 (in Russian).]
  4. Кендысь А. М., Труш Н. Н. (2024). Применение моделей копул в анализе акций фондового рынка // Информатика. Т. 21. № 2. С. 24–35. doi: 10.37661/1816-0301-2024-21-2-24-35 [Kendys A. M., Troush M. M. (2024). Application of copula models in stock market analysis. Informatics, 21 (2), 24–35. doi: 10.37661/1816-0301-2024-21-2-24-35 (in Russian).]
  5. Пеникас Г. И. (2010а). Модели «копула» в приложении к задачам финансов // Журнал Новой экономической ассоциации. № 7 (7). C. 24–44. [Penikas H. I. (2010). Financial applications of copula-models. The Journal of the New Economic Association, 7 (7), 24–44 (in Russian).]
  6. Пеникас Г. И. (2010б). Модели «копула» в управлении валютным риском банка // Прикладная эконометрика. № 1 (17). C. 62–87. [Penikas H. I. (2010). Copula models in bank currency risk management. Applied Econometrics, 1 (17), 62–87 (in Russian).]
  7. Пеникас Г. И., Симакова В. Б. (2009). Управление процентным риском на основе копулы-GARCH моделей // Прикладная эконометрика. № 1 (13). С. 3–36. [Penikas H. I., Simakova V. B. (2012). Interest rate risk management based on copula-GARCH models. Applied Econometrics, 1 (13), 3–36 (in Russian).]
  8. Правдухин М. М. (2019). Применение копула-функций в управлении риском портфеля акций // Финансы и бизнес. № 15 (1). С. 33–58. doi: 10.31085/1814-4802-2019-15-1-33-58 [Pravdukhin M. M. (2019). Application of copula-functions in portfolio risk management. Finance and Business, 15 (1), 33–58. doi: 10.31085/1814-4802-2019-15-1-33-58 (in Russian).]
  9. Фантаццини Д. (2011а). Моделирование многомерных распределений c использованием копула-функций. Часть I // Прикладная эконометрика. № 22 (2). С. 98–134. [Fantazzini D. (2011a). Analysis of multidimensional probability distributions with copula functions. Part I. Applied Econometrics, 22 (2), 98–134 (in Russian).]
  10. Фантаццини Д. (2011б). Моделирование многомерных распределений c использованием копула-функций. Часть II // Прикладная эконометрика. № 23 (3). С. 98–132. [Fantazzini D. (2011b). Analysis of multidimensional probability distributions with copula functions. Part II. Applied Econometrics, 23 (3), 98–132 (in Russian).]
  11. Фантаццини Д. (2011в). Моделирование многомерных распределений c использованием копула-функций. Часть III // Прикладная эконометрика. № 24 (4). С. 100–130. [Fantazzini D. (2011c). Analysis of multidimensional probability distributions with copula functions. Part II. Applied Econometrics, 24 (4), 100–130 (in Russian).]
  12. Alqaralleh H., Canepa A. (2021). Evidence of stock market contagion during the COVID-19 pandemic: A wavelet-copula-GARCH approach. Journal of Risk and Financial Management, 14 (7), 329. doi: 10.3390/jrfm14070329
  13. Benkraiem R., Garfatta R., Lakhal F., Zorgati I. (2022). Financial contagion intensity during the COVID-19 outbreak: A copula approach. International Review of Financial Analysis, 81, 102136. doi: 10.1016/j.irfa.2022.102136
  14. Bollerslev T. (1986). Generalized autoregressive conditional heteroscedasticity. Journal of Econometrics, 31 (3), 307– 327. doi: 10.1016/0304-4076 (86)90063-1
  15. Chen S., Li Q., Wang Q., Zhang Y. Y. (2023). Multivariate models of commodity futures markets: A dynamic copula approach. Empirical Economics, 64, 3037–3057. doi: 10.1007/s00181-023-02373-2
  16. Cubillos-Rocha J.S., Gomez-Gonzalez J.E., Melo-Velandia L.F. (2019). Detecting exchange rate contagion using copula functions. The North American Journal of Economics and Finance, 47, 13–22. doi: 10.1016/j.najef.2018.12.001
  17. Ding H., Kim H.-G., Park S. Y. (2016). Crude oil and stock markets: Causal relationships in tails? Energy Economics, 59, 58–69. doi: 10.1016/j.eneco.2016.07.013
  18. Engle R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50 (4), 987–1007. doi: 10.2307/1912773
  19. Fenech J.-P., Vosgha H. (2019). Oil price and Gulf Corporation Council stock indices: New evidence from time-varying copula models. Economic Modelling, 77, 81–91. doi: 10.1016/j.econmod.2018.09.009
  20. Forbes K., Rigobon R. (2002). No contagion, only interdependence: Measuring stock market co-movements. Journal of Finance, 57 (5), 2223–2261. Available at: http://www.jstor.org/stable/3094510
  21. Fry R., Martin V. L., Tang C. (2010). A new class of tests of contagion with applications. Journal of Business and Economic Statistics, 28 (3), 423–437. doi: 10.1198/jbes.2010.06060
  22. Fry-McKibbin R., Hsiao C. Y.L. (2018). Extremal dependence tests for contagion. Econometric Reviews, 37 (6), 626– 649. doi: 10.1080/07474938.2015.1122270
  23. Gomez-Gonzalez J.E., Rojas-Espinosa W. (2019). Detecting contagion in Asian exchange rate markets using asymmetric DCC–GARCH and R-vine copulas. Economic Systems, 43 (3–4), 100717. doi: 10.1016/j.ecosys.2019.100717
  24. Jayech S. (2016). The contagion channels of July–August-2011 stock market crash: A DAG-copula based approach. European Journal of Operational Research, 249 (2), 631–646. doi: 10.1016/j.ejor.2015.08.061
  25. Lu Y., Xiao D., Zheng Z. (2023). Assessing stock market contagion and complex dynamic risk spillovers during COVID-19 pandemic. Nonlinear Dynamics, 111, 8853–8880. doi: 10.1007/s11071-023-08282-4
  26. Luo C., Liu L., Wang D. (2021). Multiscale financial risk contagion between international stock markets: Evidence from EMD–Copula–CoVaR analysis. The North American Journal of Economics and Finance, 58, 101512. doi: 10.1016/j.najef.2021.101512
  27. Nelsen R. B. (2006). An introduction to copulas. 2nd ed. N.Y.: Springer-Verlag. 272 p. doi: 10.1007/0-387-28678-0
  28. Rodriguez J. C. (2007). Measuring financial contagion: A copula approach. Journal of Empirical Finance, 14 (3), 401– 423. doi: 10.1016/j.jempfin.2006.07.002
  29. Tian M., Guo F., Niu R. (2022). Risk spillover analysis of China’s financial sectors based on a new GARCH copula quantile regression model. The North American Journal of Economics and Finance, 63, 101817. doi: 10.1016/j.najef.2022.101817
  30. Wang H., Yuan Y., Li Y., Wang X. (2021). Financial contagion and contagion channels in the forex market: A new approach via the dynamic mixture copula-extreme value theory. Economic Modelling, 94, 401–414. doi: 10.1016/j.econmod.2020.10.002
  31. Wen X., Wei Y., Huang D. (2012). Measuring contagion between energy market and stock market during financial crisis: A copula approach. Energy Economics, 34 (5), 1435–1446. doi: 10.1016/j.eneco.2012.06.021
  32. Zhang P., Lv Z.-X., Pei Z., Zhao Y. (2023). Systemic risk spillover of financial institutions in China: A copula-DCC-GARCH approach. Journal of Engineering Research, 11 (2), 100078. doi: 10.1016/j.jer.2023.100078

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».