دانلود مقاله ISI انگلیسی شماره 45738 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

فراریت (بی ثباتی) مالی چه چیزی را در مورد نوسانات کلان اقتصادی به ما می گوید؟

عنوان انگلیسی
What does financial volatility tell us about macroeconomic fluctuations? ☆
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
45738 2015 21 صفحه PDF 32 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Economic Dynamics and Control, Volume 52, March 2015, Pages 340–360

فهرست مطالب ترجمه فارسی
چکیده


کلمات کلیدی


1.مقدمه


2. داده ها و معیارهای فراریت


3. حرکت و جنبش در فراریت


جدول 1: همبستگی های بین معیارهای فراریت مالی و مجموعه فعالیت های کلان اقتصادی


4. پیش بینی فعالیت کلان اقتصادی با استفاده از فراریت مالی


4.1 آزمون های درون نمونه ای


شکل 1: معیارهای فراریت. توضیح: برای تعاریف متغیرها به متن اصلی نگاه کنید. مناطق حاشور خورده نمایانگر بحران های اقتصادی NBER هستند.


جدول 2: برآوردهای پارامترها برای مدل عامل پویای فراریت ها


شکل 2: عامل مشترک فراریت. توضیح: مناطق حاشور زده نمایانگر بحران های اقتصادی NBER هستند.


جدول 3: آزمون های درون نمونه ای برای رشد تولید صنعتی: نمونۀ کامل (ژانویۀ 1986 تا جولای 2014)


جدول 4: آزمون های درون نمونه ای برای رشد تولید صنعتی: نمونۀ فرعی 1 (ژانویۀ 1986 تا دسامبر 1999)


4.2 پیش بینی های خارج از نمونه در زمان واقعی


جدول 5: آزمون های درون نمونه ای برای رشد تولید صنعتی: نمونۀ فرعی 2 (ژانویۀ 2000 تا جولای 2014)


جدول 6: آزمون های درون نمونه ای برای رشد اشتغال: نمونۀ کامل (ژانویۀ 1986 تا جولای 2014)


جدول 7: آزمون های درون نمونه ای برای رشد اشتغال: نمونۀ فرعی 1 (ژانویۀ 1986 تا دسامبر 1999)


5. روش های فراریت


جدول 8: آزمون های درون نمونه ای برای رشد اشتغال: نمونۀ فرعی 2 (ژانویۀ 1986 تا جولای 2014)


جدول 9: آزمون های خارج از نمونه برای رشد تولید صنعتی: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های اولیه


جدول 10: آزمون های خارج از نمونه برای رشد تولید صنعتی: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های نهایی


جدول 11: آزمون های خارج از نمونه برای رشد اشتغال: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های اولیه


جدول 12: آزمون های خارج از نمونه برای رشد اشتغال: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های نهایی


جدول 13: آزمون های خارج از نمونه برای رشد تولید صنعتی: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های اولیه


جدول 14: آزمون های خارج از نمونه برای رشد تولید صنعتی: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های نهایی


جدول 15: آزمون های خارج از نمونه برای رشد اشتغال: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های اولیه


جدول 16: آزمون های خارج از نمونه برای رشد اشتغال: مدل غیرآشیانه ای ارزیایی مبتنی بر تحقق داده های نهایی


جدول 17: برآوردهای پارامتر مدل عامل پویای غیرخطی فراریت ها


شکل 3: احتمالات نمونۀ کامل روش فراریت بالا: مناطق حاشور زده نمایانگر بحران های اقتصادی NBER هستند 


شکل 4: احتمالات نمونۀ کامل فیلترشده و بازگشتی روش فراریت بالا: مناطق حاشور زده نمایانگر بحران های اقتصادی NBER هستند


 6. نتیجه گیری


ضمیمۀ A. منابع داده ها


ضمیمۀ B. آزمون های آماری 
ترجمه کلمات کلیدی
بی ثباتی مالی - اطلاعات در زمان واقعی - آزمون توانایی پیش بینی - مدل عامل پویا - سوئیچینگ مارکوف
کلمات کلیدی انگلیسی
C32; E32; E44Financial volatility; Real-time data; Predictive ability tests; Dynamic factor model; Markov switching
ترجمه چکیده
ما تحلیل گسترده ای از توانایی پیش بینی فراریت (بی ثباتی، تغییرپذیری) مالی برای فعالیت های اقتصادی را ارائه می دهیم. ما معیارهای فراریت ضمنی و تحقق یافتۀ حاصل از بازارهای بورس و اوراق قرضه را به طور ماهانه مورد توجه و بررسی قرار می دهیم. ما در یک چارچوب عامل پویا، مؤلفۀ بلندمدت معمول فراریت که احتمالا با اصول اقتصادی در ارتباط است را استخراج می کنیم. ما همچنین بر اساس آزمون های قدرتمند توانایی پیش بینی دریافتیم که معیارهای فراریت بورس و عامل معمول و متداول، پیش بینی های کلان اقتصادی از شاخص های مالی متداول، به ویژه در افق های کوتاه مدت را بطور قابل توجهی بهبود می بخشد. یک ارزیابی خارج از نمونه، نتایج مشابهی را تحت فرضیۀ تجدید نظرهای پرسروصدا در داده های کلان اقتصادی ارائه داده است. ما در توسعۀ غیرخطی مدل عامل پویا، دو روش مجزای فراریت را شناسایی می کنیم و نشان می دهیم که روش فراریت بالا، علامت های (سیگنال) اولیۀ رکود بزرگ را ارائه می دهد، که با ناتوانی مالی شدید و کاهش اعتبار در ارتباط است.
ترجمه مقدمه
توانایی پیش بینی متغیرهای مالی همچون بازده سهام و اختلاف قیمت اعتباری برای فعالیت های اقتصادی به-طور گسترده ای مورد بررسی و رسیدگی قرار گرفته است. اخیرا استفاده از محتوای اطلاعاتی بازده های سهام برای پیش بینی فعالیت اقتصادی نیز توجه زیادی را به خود جلب کرده است. برای مثال، فورناری و مله در سال 2013 توانایی پیش بینی فراریت انبوه بازار سهام را همراه با سایر شاخص های مالی که بطور معمول مورد استفاده قرار می گیرند مطالعه و بررسی کردند. بخشی و همکارانش در سال 2011 تحلیل مشابهی را برای تفاوت های استخراج شده از پورتفولیوها ارائه دادند، در حالیکه آلن و همکارانش در سال 2012 یک معیار ریسک سیستماتیک را ایجاد کردند که دارای ارزش پیش بینی کنندگی برای رکودهای اقتصادی بود. فررارا و همکارانش نیز در سال 2014 دریافتند که فراریت روزانۀ قیمت های سهام، برای پیش بینی تولید ناخالص داخلی (GDP) در یک چارچوب رگرسیون نمونه گیری داده های ترکیبی (MIDAS) در دورۀ بحران عظیم اقتصادی، بسیار مفید و کمک کننده است. سزا بیانشی و همکارانش در سال 2014 ارتباط بین فراریت و رشد خروجی در یک چارچوب VAR را تجزیه و تحلیل کردند، که در آن آنها از مجموعۀ مشابهی از عوامل مشتق شده اند و تمرکزشان بر مسیر علیت است. ارتباط بین فراریت مالی و فعالیت اقتصادی، دارای مبانی نظری محکمی است. شوورت در سال 1989 نشان داد که معیارهای شاخص فراریت بازده برای عدم قطعیت پیرامون جریان های نقدی آتی و نرخ تنزیل مبتنی بر مدل ارزش استاندارد فعلی قیمت های سهام هستند. بر طبق چارچوب ارزیابی منطقی مله (2007)، افزایش ریسک اضافه ارزش، نسبت به کاهش زمان های خوب و مناسب، از لحاظ اندازه بزرگتر است، و منجر به فراریت ضد دوره ای بازده می شود. این امر می تواند به واسطۀ شکل¬گیری عادت در مصرف به وجود آید، اصول و مبنای نظری ویژگی های ضد دوره ای فراریت بازده دارایی می توانند در چارچوب مالی شتاب دهندۀ برنانک و همکارانش (1999) و همچنین بلوم (2009) مشاهده شوند، بلوم کسی بود که تأثیر شوک ها بر عدم قطعیت اقتصادی را تحت شرایطی که در آن کسب و کار به صورت تصادفی رشد و تکامل می یابد مورد بررسی و مطالعه قرار داد. کریستیانو و همکارانش (2014)، آرلانو و همکارانش (2012)، و بلوم و همکارانش در سال 2014 شوک های عدم قطعیت در زمینۀ مدل های پویای تعادل کلی تصادفی را مطالعه و بررسی کردند و اینگونه استدلال کردند که مدل های مربوط به شوک های عدم قطعیت، برازش (تناسب) بهتری در تطبیق پویایی های چرخۀ کسب و کار را ارائه می دهند. ادبیات نظری فوق الذکر نشان می دهد که فراریت مالی با عدم قطعیت واقعی پیش بینی شده و همچنین ریسک گریزی و شرایط اعتباری در ارتباط است. بنابراین فراریت مالی ممکن است دارای قدرت پیش بینی کننده ای برای فعالیت اقتصادی باشد و همچنین به صورت بالقوه پیش بینی های مبتنی بر شاخص های متداول مالی را نیز بهبود بخشد. ما در این مقاله ارزش پیش بینی کنندگی معیارهای متعدد فراریت مالی و مؤلفۀ متداول آنها که از یک مدل عامل پویا استخراج شده است را تجزیه و تحلیل می کنیم. معیارهای فردی شامل مجموعه های فراریت ضمنی و تحقق یافته از بازارهای بورس و اوراق قرضه می شود، که اطلاعات بدست آمده از داده های با فراوانی بالاتر را با یکدیگر ادغام می کنند، در حالیکه همزمان از عدم قطعیت برآورد (تخمین) مرتبط با مدل های فراریت نیز جلوگیری می کنند. ما برای بازار بورس، فراریت ضمنی و تحقق یافتۀ پورتفولیوهای بازار بورس که به صورت گسترده ای تعریف شده اند و همچنین یک معیار فراریت انبوه تحقق یافتۀ حاصل از پورتفولیوهای صنعت را مورد توجه و رسیدگی قرار می دهیم. برای بازار اوراق قرضه نیز فراریت های ضمنی و تحقق یافتۀ اوراق قرضۀ خزانه و فراریت تحقق یافتۀ اورق قرضۀ شرکتی را مورد توجه و رسیدگی قرار می دهیم. ما به منظور ایجاد معیارهای فراریت مالی، در یک بازۀ زمانی 28 ساله از ژانویۀ 1986 تا جولای 2014 از داده های روزانه استفاده کردیم، که طولانی ترین نمونۀ در دسترس برای مجموعۀ جامعی از معیارهای مورد توجه ما است. ما از مدل ها و آزمون های مختلفی برای ارزیابی قدرت پیش بینی این معیارهای فراریت و همچنین عامل مرسوم و مشترک آنها برای فعالیت اقتصادی با استفاده از داده های کلان اقتصادی زمان واقعی و تجدیدنظر شده استفاده می کنیم. ما همچنین نسخۀ Markov-Switching مدل عامل پویا را برای مشخص کردن مراحل دوره ای عامل مشترک فراریت، برآورد می کنیم، و ارتباط آن با چرخۀ اقتصادی را کشف می کنیم. ما ابتدا نشان می دهیم که از اوایل دهۀ 2000، معیارهای فراریت که در بالا ذکر شدند، ارتباط معناداری با رشد در تولید صنعتی و اشتغال در بخشی غیر از بخش کشاورزی دارند. علاوه بر این، این معیارهای فراریت، حاکمیت قدرتمندی را نشان می دهند که ما در یک چارچوب عامل پویا که توسط مدل ICAPM آدریان و روزنبرگ (2008) ایجاد شد، آنها را نشان می دهیم. سپس آزمون های توانایی پیش بینی کلارک و مک کراکن (2012) را انجام می دهیم، آزمون هایی که به طور ویژه ای برای ارزیابی محتوای نهایی پیش بینی کنندگی فراریت، مناسب هستند. ما دریافتیم که معیارهای فراریت بورس و عامل مشترک، همانند بازده بازار بورس در پیش بینی تولید صنعتی و رشد اشتغال عمل می کنند. در میان معیارهای فراریت اوراق قرضه، فراریت ضمنی اسکناس های خزانه، به عنوان تنها عامل پیش بینی کنندۀ قابل توجه در مدل های خود واپس رو (Autoregressive) در نظرگرفته می شود. به طور کلی معیارهای فراریت، پیش بینی های شاخص های مالی مرسوم را بهبود می بخشند، به ویژه پیش بینی های کوتاه مدت. نتایج آزمون نیز نشان داد که فراریت مالی، مشابه با سایر شاخص های مالی، دارای قدرت پیش بینی کنندگی در نیمۀ دوم نمونه است، که به واسطۀ قسمت های مختلف ناتوانی مالی مشخص می شود. ما همچنین یک تحلیل خارج از نمونه با داده های زمان واقعی را با استفاده از چارچوب پیشنهاد شده توسط کلاک و مک کراکن (2009) انجام دادیم که تأثیرات تجدیدنظرهای داده های کلان اقتصادی بر توزیع آماره های آزمون را مورد توجه قرار می دهد. به طور متوسط، معیارهای فراریت همانند شاخص های مالی مرسوم تحت فرضیۀ تجدیدنظرهای داده های پرسروصدا انجام می گیرند، به ویژه در افق های کوتاه مدت پیش بینی. طبق مقایسه های مدل آشیانه ای (تو در تو)، معیارهای فراریت بورس و عامل مشترک، پیش بینی های کوتاه مدت از شاخص های مالی مرسوم را به طور قابل توجهی بهبود می بخشند. محتوای اضافی اطلاعات معیارهای فراریت نیز نسبت به داده های اولیه برای رشد تولید صنعتی اندکی قوی تر است. ما در توسعۀ غیرخطی مدل عامل پویا، شواهدی از دو روش مشخص شده به واسطۀ عدم تقارن در میانگین، انحراف و ساختار خودهمبستگی عامل مشترک فراریت را پیدا کردیم. دسته بندی (طبقه بندی) روش حاصل از این مدل دلالت بر این دارد که دوره های انبساطی مشخص شده توسط رشد عظیم اقتصادی، همیشه با فراریت مالی پایین در ارتباط هستند. از طرف دیگر، روش فراریت بالا در طول بحران های اقتصادی و رشد آهستۀ اقتصادی، متداول تر است. ما همچنین به عنوان یک آزمون و بررسی، مدل را برآورد می کنیم و احتمالات روش را محاسبه می کنیم. ما دریافتیم که یافته های ما از یک نمونۀ کامل حفظ شده است، و اینکه مدل در علامت دهی (آگاهی دادن دربارۀ) بحران عظیم اقتصادی در زمان واقعی و مناسب خود، به طور قابل توجهی خوب عمل کرده است. مقالۀ ما کمک های متعددی را به ادبیات پژوهشی در خصوص ارتباط بین فراریت مالی و فعالیت اقتصادی کرده است. اول، ما مجموعه ای از معیارهای ضمنی و تحقق یافتۀ فراریت از بازارهای بورس و اوراق قرضه یک در یک چارچوب یکپارچه را تجزیه و تحلیل می کنیم. ما نشان می دهیم که هنگام پیش بینی فعالیت اقتصادی، معیارهای فراریت بازار بورس، مفیدتر از معیارهای فراریت بازار اوراق قرضه هستند. اگرچه ما هیچگونه تفاوت سیستماتیکی (نظام مند و اصولی) را در توانایی پیش بینی معیارهای فراریت ضمنی و تحقق یافته مشاهده نکردیم، با اینحال نشان می دهیم که فراریت تحقق یافتۀ اوراق خزانه در برخی موارد بهتر از همتای تحقق یافتۀ خود عمل می کند. دوم، ما عنصر یا مؤلفۀ بلندمدت فراریت مالی که به صورت بالقوه شدیدا به مبانی و اصول اساسی اقتصادی پیوند خورده است را استخراج می کنیم. ما در این چارچوب نشان می دهیم که فراریت های بازار بورس و اوراق قرضه، حرکت قدرتمندی را از خود نشان می دهند، به ویژه از سال 2000. سوم، ما در ارزیابی ما از توانایی پیش بینی کنندگی، بر آزمون هایی تکیه می کنیم که اخیرا توسعه یافته اند، آزمون های نهایی توانایی پیش بینی کنندگی که به ما اجازه می دهند تا نمونه های فرعی (زیرنمونه ها) را به درستی تحلیل کنیم و نشان دهیم که فراریت، عامل پیش بینی کنندۀ مفیدی در طی 15 سال اخیر بوده است. ما با استفاده از آزمون های خارج از نمونه ای که به طور صریح تجدیدنظرهای زمان واقعی در داده های کلان اقتصادی را ادغام می کنند، دریافتیم که فراریت، دارای محتوای پیش بینی کنندۀ نهایی خارج از نمونۀ خوبی است که می تواند با توجه به تحقق داده های اولیه در برابر داده های تجدیدنظر شدۀ نهایی، متفاوت و متمایز شود. در نهایت، ما دو وضعیت مجزای عامل مشترک فراریت مالی تشخیص داده شده به واسطۀ عدم تقارن در میانگین، انحراف، و پویایی های خودهمبستگی را شناسایی می کنیم. احتمالات وضعیت (حالت) فراریت بالا از مدل ما، سیگنال ها یا علامت هایی از بحران عظیم اقتصادی را ارائه می دهد که با ناتوانی مالی و کاهش یا کمبود اعتبار در ارتباط هستند. ادامۀ این مقاله به این صورت سازماندهی شده است: بخش بعدی داده ها را معرفی می کند و ایجاد معیارهای فراریت را توصیف و توضیح می دهد و تحلیل مقدماتی مبتنی بر روابط و همبستگی های نمونه را ارائه می دهد. بخش 3، نتایج حاصل از مدل عامل پویای فراریت ها را ارائه می دهد. بخش 4 دربرگیرندۀ تحلیل جامع قدرت پیش بینی معیارهای متعدد فراریت برای فعالیت کلان اقتصادی در زمینۀ رگرسوین های پیش بینی کننده است. در بخش 5 ما روش های فراریت را مدل سازی می کنیم و ارتباط آنها با چرخۀ اقتصادی در نسخۀ Markov-Switching مدل عامل پویا را کشف می کنیم. در نهایت نیز در فصل 6 نتیجه گیری می کنیم.
پیش نمایش مقاله
پیش نمایش مقاله فراریت (بی ثباتی) مالی چه چیزی را در مورد نوسانات کلان اقتصادی به ما می گوید؟

چکیده انگلیسی

We provide an extensive analysis of the predictive ability of financial volatility for economic activity. We consider monthly measures of realized and implied volatility from the stock and bond markets. In a dynamic factor framework, we extract the common long-run component of volatility that is likely to be linked to economic fundamentals. Based on powerful in-sample predictive ability tests, we find that the stock volatility measures and the common factor significantly improve macroeconomic forecasts of conventional financial indicators, especially over short horizons. A real-time out of sample assessment yields similar conclusions under the assumption of noisy revisions in macroeconomic data. In a nonlinear extension of the dynamic factor model, we identify two distinct volatility regimes, and show that the high-volatility regime provides early signals of the Great Recession, which was associated with severe financial distress and credit disintermediation.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.