سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,232
تعداد مقالات67,772
تعداد مشاهده مقاله115,232,763
تعداد دریافت فایل اصل مقاله89,978,437
رستمی, مجتبی, نیلچی, مسلم, مومن زاده, محمدمهدی. (1402). بی‌ثباتی در بازار غیررسمی ارز ایران: شکست ساختاری و پرش یا حافظه طولانی در تلاطم؟. , 58(1), 61-94. doi: 10.22059/jte.2023.93459
مجتبی رستمی; مسلم نیلچی; محمدمهدی مومن زاده. "بی‌ثباتی در بازار غیررسمی ارز ایران: شکست ساختاری و پرش یا حافظه طولانی در تلاطم؟". , 58, 1, 1402, 61-94. doi: 10.22059/jte.2023.93459
رستمی, مجتبی, نیلچی, مسلم, مومن زاده, محمدمهدی. (1402). 'بی‌ثباتی در بازار غیررسمی ارز ایران: شکست ساختاری و پرش یا حافظه طولانی در تلاطم؟', , 58(1), pp. 61-94. doi: 10.22059/jte.2023.93459
رستمی, مجتبی, نیلچی, مسلم, مومن زاده, محمدمهدی. بی‌ثباتی در بازار غیررسمی ارز ایران: شکست ساختاری و پرش یا حافظه طولانی در تلاطم؟. , 1402; 58(1): 61-94. doi: 10.22059/jte.2023.93459

بی‌ثباتی در بازار غیررسمی ارز ایران: شکست ساختاری و پرش یا حافظه طولانی در تلاطم؟

فصلنامه تحقیقات اقتصادی
مقاله 3، دوره 58، شماره 1 - شماره پیاپی 142، خرداد 1402، صفحه 61-94    اصل مقاله (1.28 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jte.2023.93459
نویسندگان
مجتبی رستمی1؛ مسلم نیلچی* 1؛ محمدمهدی مومن زاده2
1گروه اقتصاد، دانشکده اقتصاد مدیریت و حسابداری، دانشگاه یزد، یزد، ایران
2گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
چکیده
به نظر می‌رسد، تحریم‌های سنگین اقتصادی منشا بی‌ثباتی بازار غیررسمی ارز در دو دهه اخیر بوده است. این بی‌ثباتی می‌تواند نتیجه مقاومت بالای شوک‌های تلاطمی در جهت میرا شدن به سمت میانگین بلندمدت نرخ ارز باشد که پایداری بالای تلاطمی فرآیند را نشان می‌دهد. چنین پایداری در تلاطم‌های بازار غیررسمی ارز می‌تواند ناشی از تغییرات گسترده در واریانس بلندمدت به علت شکست‌های ساختاری یا وجود حافظه طولانی در بازده نرخ ارز باشد. پژوهش حاضر به دنبال ارائه چشم‌اندازی از این دو حالت و بررسی تأثیر جوانب مختلف آنها بر تلاطم ارز غیررسمی است. بدین منظور پایداری تلاطم نرخ ارز غیررسمی در سه حالت؛ داده‌های اصلی، داده‌های اصلی با شکست‌های ساختاری و داده‌های پالایش شده از پرش‌های جمعی و با شکست ساختاری در ترکیب با توابع خودهمبستگی نمایی (مدل‌ GARCH و IGARCH) و هایپربولیک (مدل‌های FIGARCH)، مورد تجزیه و تحلیل قرار گرفته است. نتایج این پژوهش نشان می‌دهد که بازار غیررسمی ارز ایران تحت تأثیر پرش‌های جمعی و تغییرات ناگهانی در واریانس بازده می‌باشد. همچنین براساس معیارهای اطلاعاتی، مدل سازگار با داده‌ها، مدل (FIGARCH(1,d,1 با داده‌های اصلی و در معرض شکست‌های ساختاری دوگانه در واریانس است که بیانگر ناپایداری شدید بازار غیررسمی ارز ایران بوده و تأثیر شکست‌های ساختاری ناشی از تحریم‌ها به‌طور عمده متوجه تلاطم بلندمدت یا تلاطم غیرشرطی می‌باشد. نتایج این مدل نشان‌دهنده آن است که پس از خروج یک جانبه آمریکا از برجام و بازگشت تحریم‌های اقتصادی پس از سال 2018، عدم قطعیت در بازار ارز غیررسمی نسبت به سال 2011 تشدید شده است.
طبقه‎بندی JEL: F31، F51، C58
کلیدواژه‌ها
پرش؛ تحریم‌های اقتصادی؛ تغییرات ناگهانی؛ تلاطم؛ نرخ ارز
عنوان مقاله [English]
Instability in Iran's informal Foreign exchange market: structural breaks and jumps or long memory in volatility?
نویسندگان [English]
Mojtaba Rostami1؛ Moslem Nilchi1؛ Mohammad Mehdi Momenzadeh2
1Department of Economics, Faculty of Economics, Management and Accounting, University of Yazd, Yazd, Iran
2Department of Accounting, Faculty of Management, University of Tehran, Tehran, Iran
چکیده [English]
It seems that heavy economic sanctions have been the source of the instability of the unofficial foreign exchange market in the last two decades. This instability can be the result of the high resistance of turbulent shocks in the direction of damping towards the long-term average of the exchange rate, which shows the high persistence of the process. Such stability in unofficial foreign exchange market fluctuations can be caused by large changes in long-term variance due to structural breaks or the existence of long memory in exchange rate returns volatility. this paper seeks to provide a perspective of these two modes and their different aspects on the volatility of the unofficial exchange rate. For this purpose, the persistence of unofficial exchange rate volatility in three cases; We examined original data, original data with structural breaks and refined data from mass jumps and with structural break in combination with exponential (GARCH and IGARCH) and hyperbolic (FIGARCH models) autocorrelation functions. The results of this research show that the unofficial foreign exchange market is affected by collective jumps and sudden changes in the variance of returns. Also, based on the information criteria, the model compatible with the data is the FIGARCH(1,d,1) model with the original data and exposed to double structural failures in the variance, which indicates the extreme instability of the unofficial foreign exchange market and the impact of structural failures caused by sanctions mainly It refers to long-term volatility or unconditional volatility. This model clearly shows the unilateral withdrawal of the United States from the JCPOA and the return of unilateral sanctions after 2018. The uncertainty in Iran's unofficial foreign exchange market is more severe than in 2011.
JEL Classification: C63, D02, D44, E44, E52, E58
کلیدواژه‌ها [English]
Economic Sanctions, Exchange Rate, Jump, Sudden Changes, Volatility
مراجع
  1. Andersen, T. G., Bollerslev, T., & Diebold, F. X. (2007). Roughing it up: Including jump components in the measurement, modeling, and forecasting of return volatility. The review of economics and statistics, 89(4), 701-720.
  2. Arouri, M. E. H., Hammoudeh, S., Lahiani, A., & Nguyen, D. K. (2012). Long memory and structural breaks in modeling the return and volatility dynamics of precious metals. The quarterly review of economics and finance, 52(2), 207-218.
  3. Baillie, R. T., & Morana, C. (2009). Modelling long memory and structural breaks in conditional variances: An adaptive FIGARCH approach. Journal of Economic Dynamics and Control, 33(8), 1577-1592.
  4. Baillie, R. T., Bollerslev, T., & Mikkelsen, H. O. (1996). Fractionally integrated generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 74(1), 3-30.
  5. Baillie, R. T., Bollerslev, T., & Mikkelsen, H. O. (1996). Fractionally integrated generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 74(1), 3-30.
  6. Barros, C. P., Gil‐Alana, L., & Matousek, R. (2011). Fractional integration of nominal exchange rates: evidence from CEECs in the light of EMU enlargement. Review of International Economics, 19(1), 77-92.
  7. Basher, S. A., Haug, A. A., & Sadorsky, P. (2012). Oil prices, exchange rates and emerging stock markets. Energy economics, 34(1), 227-240.
  8. Bauwens, L., De Backer, B., & Dufays, A. (2014). A Bayesian method of change-point estimation with recurrent regimes: Application to GARCH models. Journal of Empirical Finance, 29, 207-229.
  9. Beine, M., & Laurent, S. (2001). Structural change and long memory in volatility: new evidence from daily exchange rates. Developments in forecast combination and portfolio choice, Wiley series in quantitative analysis, 145-157.
  10. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.
  11. Byrne, J. P., & Davis, E. P. (2005). Investment and uncertainty in the G7. Review of World Economics/Weltwirtschaftliches Archiv, 1-32.
  12. Castillo, B., León, Á., & Ñíguez, T. M. (2021). Backtesting VaR under the COVID-19 sudden changes in volatility. Finance Research Letters, 43, 102024.
  13. Chen, C. W., & Lee, B. (2021). Bayesian inference of multiple structural change models with asymmetric GARCH errors. Statistical Methods & Applications, 30, 1053-1078.
  14. Choi, K., & Zivot, E. (2007). Long memory and structural changes in the forward discount: An empirical investigation. Journal of International Money and Finance, 26(3), 342-363.
  15. Diebold, F. (1986) Comment on `Modeling the persistence of conditional variance’, R. Engle and T. Bollerslev, Econometric Reviews, 5, 51±6.
  16. Diebold, F. X., & Inoue, A. (1999). Long memory and structural change. Available at SSRN 267789.
  17. Diebold, F. X., & Inoue, A. (2001). Long memory and regime switching. Journal of econometrics, 105(1), 131-159.
  18. Ding, Z., & Granger, C. W. (1996). Modeling volatility persistence of speculative returns: a new approach. Journal of econometrics, 73(1), 185-215.
  19. Ding, Z., Granger, C. W., & Engle, R. F. (1993). A long memory property of stock market returns and a new model. Journal of empirical finance, 1(1), 83-106.
  20. Duan, J. C. (1995). The GARCH option pricing model. Mathematical finance, 5(1), 13-32.
  21. Dudlák, T. (2018). After the sanctions: Policy challenges in transition to a new political economy of the Iranian oil and gas sectors. Energy policy, 121, 464-475.
  22. Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007.
  23. Engle, R. F., & Bollerslev, T. (1986). Modelling the persistence of conditional variances. Econometric reviews, 5(1), 1-50.
  24. Engle, R. F., & Rangel, J. G. (2008). The spline-GARCH model for low-frequency volatility and its global macroeconomic causes. The review of financial studies, 21(3), 1187-1222.
  25. Ewing, B. T., & Malik, F. (2017). Modelling asymmetric volatility in oil prices under structural breaks. Energy Economics, 63, 227-233.
  26. Franses, P. H., & Ghijsels, H. (1999). Additive outliers, GARCH and forecasting volatility. International Journal of forecasting, 15(1), 1-9.
  27. Ghasseminejad, S., & Jahan-Parvar, M. R. (2021). The impact of financial sanctions: The case of Iran. Journal of Policy Modeling, 43(3), 601-621.
  28. Granger, C. W., & Hyung, N. (2004). Occasional structural breaks and long memory with an application to the S&P 500 absolute stock returns. Journal of empirical finance, 11(3), 399-421.
  29. Hamilton, J. D., & Susmel, R. (1994). Autoregressive conditional heteroskedasticity and changes in regime. Journal of econometrics, 64(1-2), 307-333.
  30. Hillebrand, E. (2005). Neglecting parameter changes in GARCH models. Journal of Econometrics, 129(1-2), 121-138.
  31. Hillebrand, E. T., & Schnabl, G. (2003). The effects of Japanese foreign exchange intervention GARCH estimation and change point detection. Japan Bank for International Corporation Institute Working Paper, (6).
  32. Itskhoki, O., & Mukhin, D. (2022). Sanctions and the exchange rate (No. w30009). National Bureau of Economic Research.
  33. Jongwanich, J., & Kohpaiboon, A. (2013). Capital flows and real exchange rates in emerging Asian countries. Journal of Asian Economics, 24, 138-146.
  34. Killick, R., Fearnhead, P., & Eckley, I. A. (2012). Optimal detection of change points with a linear computational cost. Journal of the American Statistical Association, 107(500), 1590-1598.
  35. Krämer, W., & Azamo, B. T. (2007). Structural change and estimated persistence in the GARCH (1, 1)-model. Economics Letters, 97(1), 17-23.
  36. Lamoureux, C. G., & Lastrapes, W. D. (1990). Persistence in variance, structural change, and the GARCH model. Journal of Business & Economic Statistics, 8(2), 225-234.
  37. Laurent, S., Lecourt, C., & Palm, F. C. (2016). Testing for jumps in conditionally Gaussian ARMA–GARCH models, a robust approach. Computational Statistics & Data Analysis, 100, 383-400.
  38. Ling, S., & McAleer, M. (2002). Necessary and sufficient moment conditions for the GARCH (r, s) and asymmetric power GARCH (r, s) models. Econometric theory, 18(3), 722-729.
  39. Malik, F. (2003). Sudden changes in variance and volatility persistence in foreign exchange markets. Journal of Multinational Financial Management, 13(3), 217-230.
  40. Mendoza, A. (2012). The inflation-output volatility tradeoff and exchange rate shocks in Mexico and Turkey. Central Bank Review, 3(1), 27-51.
  41. Mikosch, T., & Stărică, C. (2004). Nonstationarities in financial time series, the long-range dependence, and the IGARCH effects. Review of Economics and Statistics, 86(1), 378-390.
  42. Morana, C. (2002). IGARCH effects: an interpretation. Applied Economics Letters, 9(11), 745-748.
  43. Nasre Esfahani, M., & Rasoulinezhad, E. (2017). Iran’s trade policy of Asianization and de-Europeanization under sanctions. Journal of Economic Studies, 44(4), 552-567.
  44. Neely, C. J. (1999). Target zones and conditional volatility: the role of realignments. Journal of Empirical Finance, 6(2), 177-192.
  45. Neely, C. J. (2011). A survey of announcement effects on foreign exchange volatility and jumps. FRB of St. Louis Review.
  46. Poterba, J. M., & Summers, L. H. (1988). Mean reversion in stock prices: Evidence and implications. Journal of financial economics, 22(1), 27-59.
  47. Rodrigues, P. M., & Rubia, A. (2011). The effects of additive outliers and measurement errors when testing for structural breaks in variance. Oxford Bulletin of Economics and Statistics, 73(4), 449-468.‏
  48. Sansó, A., Carrion, J. L., & Aragó, V. (2004). Testing for changes in the unconditional variance of financial time series. Revista de Economía Financiera, 2004, vol. 4, p. 32-52.
  49. Timmermann, A. (2006). Forecast combinations. Handbook of economic forecasting, 1, 135-196.
  50. Torbat, A. E. (2005). Impacts of the US trade and financial sanctions on Iran. World Economy, 28(3), 407-434.
  51. Walther, T., Klein, T., Thu, H. P., & Piontek, K. (2017). True or spurious long memory in European non-EMU currencies. Research in international business and finance, 40, 217-230.
  52. Wang, P., & Moore, T. (2009). Sudden changes in volatility: The case of five central European stock markets. Journal of international financial markets, institutions and money, 19(1), 33-46.
  53. Wang, Y., Wang, K., & Chang, C. P. (2019). The impacts of economic sanctions on exchange rate volatility. Economic Modelling, 82, 58-65.
آمار
تعداد مشاهده مقاله: 390
تعداد دریافت فایل اصل مقاله: 139


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب