Везде

ООНЭкономика и математические методы Economics and the Mathematical Methods

  • ISSN (Print) 0424-7388
  • ISSN (Online) 3034-6177

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

Вы можете
Код статьи
S30346177S0424738825030034-1
DOI
10.7868/S3034617725030034
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Малкина Марина Юрьевна
  • Должность: д.э.н., профессор, руководитель
  • Аффилиация: Центр макро- и микроэкономики
Осей В.В.
  • Должность: студент
  • Аффилиация: ННГУ им. Н.И. Лобачевского
Гаврилова Е.Д.
  • Должность: студент
  • Аффилиация: ННГУ им. Н.И. Лобачевского
Флорес Туко К.С.
  • Должность: студент
  • Аффилиация: ННГУ им. Н.И. Лобачевского
Лукашина М.А.
  • Должность: студент
  • Аффилиация: ННГУ им. Н.И. Лобачевского
Том/ Выпуск
Том 61 / Номер выпуска 3
Страницы
28-42
Аннотация
В статье исследуется передача финансового заражения между такими мировыми фондовыми индексами, как (США), (страны Европы), (Китай) и (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.
Ключевые слова
финансовое заражение фондовые индексы метод копул модель ARMA модель TGARCH
Дата публикации
18.12.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
39

Библиография

  1. 1. Артамонов Н. В., Ивин Е. А., Курбанкий А. Н., Фанташини Д. (2021). . Вологда: ВолНЦ РАН. 134 с. Режим доступа: https://clck.ru/3AtL3H
  2. 2. 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).
  3. 3. Благовещенский Ю. Н. (2012). Основные элементы теории копул // . Т. 26. № 2. С. 113–130.
  4. 4. Blagoveschensky Y. N. (2012). Basics of copula’s theory. Applied Econometrics, 26 (2), 113–130 (in Russian).
  5. 5. Бусыгин С. В., Шарыпов Р. О. (2019). Применение копул в многомерном анализе обменных курсов на примере развивающихся стран Европы // . Т. 19. № 3. С. 58–72. DOI: 10.25205/2542-0429-2019-19-3-58-72
  6. 6. 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).
  7. 7. Кендьсь А. М., Труш Н. Н. (2024). Применение моделей копул в анализе акций фондового рынка // . Т. 21. № 2. С. 24–35. DOI: 10.37661/1816-0301-2024-21-2-24-35
  8. 8. 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).
  9. 9. Пеникас Г. И. (2010a). Модели «копула» в приложении к задачам финансов // . № 7 (7). С. 24–44.
  10. 10. Penikas H. I. (2010). Financial applications of copula-models. The Journal of the New Economic Association, 7 (7), 24–44 (in Russian).
  11. 11. Пеникас Г. И. (2010б). Модели «копула» в управлении валютным риском банка // . № 1 (17). С. 62–87.
  12. 12. Penikas H. I. (2010). Copula models in bank currency risk management. Applied Econometrics, 1 (17), 62–87 (in Russian).
  13. 13. Пеникас Г. И., Симакова В. Б. (2009). Управление процентным риском на основе копулы-GARCH моделей // . № 1 (13). С. 3–36.
  14. 14. Penikas H. I., Simakova V. B. (2012). Interest rate risk management based on copula-GARCH models. Applied Econometrics, 1 (13), 3–36 (in Russian).
  15. 15. Правдухин М. М. (2019). Применение копула-функций в управлении риском портфеля акций // . № 15 (1). С. 33–58. DOI: 10.31085/1814-4802-2019-15-1-33-58
  16. 16. 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).
  17. 17. Фантаццини Д. (2011a). Моделирование многомерных распределений с использованием копула-функций. Часть I // . № 22 (2). С. 98–134.
  18. 18. Fantazzini D. (2011a). Analysis of multidimensional probability distributions with copula functions. Part I. Applied Econometrics, 22 (2), 98–134 (in Russian).
  19. 19. Фантаццини Д. (2011б). Моделирование многомерных распределений с использованием копула-функций. Часть II // . № 23 (3). С. 98–132.
  20. 20. Fantazzini D. (2011b). Analysis of multidimensional probability distributions with copula functions. Part II. Applied Econometrics, 23 (3), 98–132 (in Russian).
  21. 21. Фантаццини Д. (2011в). Моделирование многомерных распределений с использованием копула-функций. Часть III // . № 24 (4). С. 100–130.
  22. 22. Fantazzini D. (2011c). Analysis of multidimensional probability distributions with copula functions. Part II. Applied Econometrics, 24 (4), 100–130 (in Russian).
  23. 23. Algaralleh H., Canepa A. (2021). Evidence of stock market contagion during the COVID-19 pandemic: A wavelet-copula-GARCH approach. , 14 (7), 329. DOI: 10.3390/jrfm14070329
  24. 24. Benkraiem R., Garfatta R., Lakhal F., Zorgati I. (2022). Financial contagion intensity during the COVID-19 outbreak: A copula approach. , 81, 102136. DOI: 10.1016/j.irfa.2022.102136
  25. 25. Bollerslev T. (1986). Generalized autoregressive conditional heteroscedasticity. , 31 (3), 307–327. DOI: 10.1016/0304-4076 (86)90063-1
  26. 26. Chen S., Li Q., Wang Q., Zhang Y.Y. (2023). Multivariate models of commodity futures markets: A dynamic copula approach. , 64, 3037–3057. DOI: 10.1007/s00181-023-02373-2
  27. 27. Cubillos-Rocha J.S., Gomez-Gonzalez J.E., Melo-Velandia L.F. (2019). Detecting exchange rate contagion using copula functions. , 47, 13–22. DOI: 10.1016/j.najef.2018.12.001
  28. 28. Ding H., Kim H.-G., Park S.Y. (2016). Crude oil and stock markets: Causal relationships in tails? , 59, 58–69. DOI: 10.1016/j.eneco.2016.07.013
  29. 29. Engle R.F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. , 50 (4), 987–1007. DOI: 10.2307/1912773
  30. 30. Fenech J.-P., Vosgha H. (2019). Oil price and Gulf Corporation Council stock indices: New evidence from time-varying copula models. , 77, 81–91. DOI: 10.1016/j.econmod.2018.09.009
  31. 31. Forbes K., Rigobon R. (2002). No contagion, only interdependence: Measuring stock market co-movements. , 57 (5), 2223–2261. Available at: http://www.jstor.org/stable/3094510
  32. 32. Fry R., Martin V.L., Tang C. (2010). A new class of tests of contagion with applications. , 28 (3), 423–437. DOI: 10.1198/jbes.2010.06060
  33. 33. Fry-McKibbin R., Hsiao C.Y.L. (2018). Extremal dependence tests for contagion. , 37 (6), 626–649. DOI: 10.1080/07474938.2015.1122270
  34. 34. Gomez-Gonzalez J.E., Rojas-Espinosa W. (2019). Detecting contagion in Asian exchange rate markets using asymmetric DCC-GARCH and R-vine copulas. , 43 (3–4), 100717. DOI: 10.1016/j.ecosys.2019.100717
  35. 35. Jayech S. (2016). The contagion channels of July-August-2011 stock market crash: A DAG-copula based approach. , 249 (2), 631–646. DOI: 10.1016/j.ejor.2015.08.061
  36. 36. Lu Y., Xiao D., Zheng Z. (2023). Assessing stock market contagion and complex dynamic risk spillovers during COVID-19 pandemic. , 111, 8853–8880. DOI: 10.1007/s11071-023-08282-4
  37. 37. Luo C., Liu L., Wang D. (2021). Multiscale financial risk contagion between international stock markets: Evidence from EMD—Copula—CoVaR analysis. , 58, 101512. DOI: 10.1016/j.najef.2021.101512
  38. 38. Nelsen R.B. (2006). . 2 ed. N.Y.: Springer-Verlag. 272 p. DOI: 10.1007/0-387-28678-0
  39. 39. Rodriguez J.C. (2007). Measuring financial contagion: A copula approach. , 14 (3), 401–423. DOI: 10.1016/j.jempfin.2006.07.002
  40. 40. Tian M., Guo F., Niu R. (2022). Risk spillover analysis of China's financial sectors based on a new GARCH copula quantile regression model. , 63, 101817. DOI: 10.1016/j.najef.2022.101817
  41. 41. 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. , 94, 401–414. DOI: 10.1016/j.econmod.2020.10.002
  42. 42. Wen X., Wei Y., Huang D. (2012). Measuring contagion between energy market and stock market during financial crisis: A copula approach. , 34 (5), 1435–1446. DOI: 10.1016/j.eneco.2012.06.021
  43. 43. Zhang P., Lv Z.-X., Pei Z., Zhao Y. (2023). Systemic risk spillover of financial institutions in China: A copula-DCC-GARCH approach. , 11 (2), 100078. DOI: 10.1016/j.jer.2023.100078
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека