بررسی سرریز ریسک پویا نامتقارن در بازار فلزات اساسی: شواهدی از مدیریت مواد مصرفی مجتمع صنایع مس شهید باهنر*

نوع مقاله : مطالعات موردی

نویسندگان

1 دکتری اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد

2 استادیار اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، ایران

3 کارشناسی ارشد مهندسی صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، ایران

10.30465/ce.2025.50126.1986

چکیده

ارتباط میان بازدهی فلزات صنعتی تحت تاثیر عوامل مختلفی در طی زمان می-باشد . در این مطالعه به بررسی ارتباط پویا میان نوسانات قیمتی فلزات صنعتی مس، روی، سرب و نیکل به‌ عنوان عمده نهاده‌های مورد نیاز شرکت صنایع مس شهید باهنر با بهره‌گیری از الگوی خودرگرسیون برداری با پارامترهای متغیر در زمان نامتقارن طی دوره زمانی 2024:05-1990:01 پرداخته شده است. نتایج بیان کننده آن است که روی و سرب اصلی ترین انتقال دهندگان ریسک به شبکه در حالت نرمال و صعودی بازار هستند. اما در حالت نزولی بازار، روی و نیکل به ترتیب اصلی ترین انتقال دهنده و دریافت کننده نوسانات از شبکه هستند. به علاوه وجود عدم تقارن در انتقال نوسانات میان شاخص های مورد نظر در حالت صعودی و نزولی بازار برقرار است و این عدم تقارن در دوره بحران مالی 2008 برای شاخص مس و روی و در دوره جنگ روسیه و اوکراین برای روی و سرب، بیشتر از سایر شاخص ها است. بحران کووید 19 تاثیر قابل توجهی بر این عدم تقارن انتقال نوسانات میان اجزای شبکه نداشته است. همچنین نتایج نشان میدهد که تنش‌های سیاسی بین روسیه و اوکراین، تغییر چشمگیری در هم‌حرکتی میان جفت فلزات (به جز مس-روی و نیکل-سرب) ایجاد نکرده است.
طبقه‏بندی JEL:
E44, , G14, G32

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Examining Asymmetric Dynamic Risk Spillover in the Base Metals Market: Evidence from Material Management at Shahid Bahonar Copper Industries Complex

نویسندگان [English]

  • Soheil Roudari 1
  • Farzaneh Ahmadian-yazdi 2
  • Ehsan Namazizadeh 3
1 Ph.D. in Economics, Faculty of economics and administrative science, Ferdowsi University of Mashhad, Iran
2 Assistant professor in economics, Faculty of economics and administrative science, Ferdowsi University of Mashhad, Iran
3 M.Sc. in industrial engineering, Islamic Azad University, South Tehran Branch, Iran
چکیده [English]

Industrial metals, particularly copper, zinc, lead, and nickel, play a pivotal role not only in determining the pricing of manufactured goods but also in ensuring the economic security of nations. Analyzing the return interconnections of these metals under varying market conditions is crucial. This study employs the Time-Varying Parameter Vector Autoregression (TVP-VAR) model over January 1990 to May 2024 to examine the price fluctuations of these metals, which are essential inputs for Shahid Bahonar Copper Industries. The results indicate that zinc and lead are the primary risk transmitters in normal and bullish markets, whereas in bearish markets, zinc acts as the main transmitter and nickel as the primary receiver of volatility. Additionally, significant asymmetries in volatility transmission are observed between these metals during bullish and bearish conditions, with more pronounced effects during events such as the 2008 financial crisis (for copper and zinc) and the Russia-Ukraine war (for zinc and lead). This research offers practical insights for industry managers, enabling them to determine optimal timing for purchasing raw materials and selling products based on the co-movement or divergence of metal prices. The proposed strategies focus on minimizing costs, providing a comprehensive framework for managing volatility in metal markets.
JEL Classification: E44, G14, G32

کلیدواژه‌ها [English]

  • Industrial metal
  • Risk management
  • Bullish and Bearish Markets
  • Cost management
  • Asymmetric TVP-VAR Model

مراجع

آرغا، ل.؛ مولایی، م. و خضری، م. (1398). بررسی همبستگی پویای شرطی دارایی های منتخب با بازده شاخص قیمت سهام در ایران: رهیافتی از مدل DCC-FIAPARCH ، نظریه های کاربردی اقتصاد، 6(4)، 251-274.
آشنا، م. و لعل خضری، ح. (1399). همبستگی پویای شاخص نااطمینانی سیاست اقتصادی جهانی با نوسان بازارهای سهام, ارز و سکه در ایران: کاربرد الگوی M-GARRCH رهیافت DCC ، مدلسازی اقتصادسنجی، 5، 2 (پیاپی 17)، 147-172.
امیدی، و. رودری، س. و جمشیدی، الف. (1403). بررسی ارتباط بین گروه بانکها، خودرو، سیمان، فلزات اساسی و فرآورده های نفتی در بورس اوراق بهادار تهران به تفکیک شرایط با بازدهی مثبت و منفی با استفاده از الگوی Asymmetric TVP-VAR، راهبرد مدیریت مالی، 12، 86-69.
امیدی، و.؛ گودرزی فراهانی، ی. و رودری، س. (1402). بررسی ارتباط چندکی متغیر در زمان میان نرخ ارز، کسری حساب جاری، کسری بودجه دولت و تورم در اقتصاد ایران، مدلسازی اقتصادسنجی، 8، 15-129.
باقری، س. و انصاری سامانی، ح. (1402). سرایت بحران مالی به بازار سهام ایران: رویکرد شبکه، بررسی مسائل اقتصاد ایران، در دست چاپ.
برخورداری، ف.؛ پورعزیزی گلین قشلاقی، س. و حسینی، الف. (1396). تاثیر نوسانات نرخ ارز و اثرسرریز آن بر شاخص صنایع منتخب بورس اوراق بهادار تهران. دانش سرمایه‌گذاری6، 14-1.
توحیدی، س.؛ مزینی، ا.ح. و حیدری، ح. (1400). استرس مالی و رشد بخش های اقتصاد ایران، بررسی مسائت اقتصاد ایران، 8، 134-71.
حاتمی، ا.؛ محمدی، ت.؛ خداداد کاشی، ف. و ابوالحسنی هستیانی، ا. (1397). پویایی‌های نسبت بهینه پوشش ریسک در بازارهای سهام و طلا: رهیافت VAR-DCC-GARCH، اقتصاد مالی، 12(45)، 73-92.‎
حسینی ابراهیم­آباد، س.ع.؛ جهانگیری، خ.؛ حیدری، ح. و قائمی­اصل، م. (1398). بررسی سرریزهای تکانه و تلاطم میان شاخص­های منتخب بورس اوراق بهادار تهران با استفاده از مدل Asymmetric BEKK-GARCH، فصلنامه مطالعات اقتصادی کاربردی ایران، 8 ، 155-123.
خان محمدی، م.ح.؛ اسدی، ا. و محسنی دهکلانی، ن. (1397). پویایی شوک بازارهای موازی با بازار سهام بر بازدهی سهام (رویکرد مدلهای تغییر پارامتر زمان)، چشم انداز مدیریت مالی، 8(23)، 61-85.‎
دادمهر، م.؛ رهنمای رودپشتی، ف.؛ نیکومرام، ه. و فلاح شمس، م. ف. (1400). بررسی سرایت میان بازارهای پولی و مالی در ایران، اقتصاد و الگوسازی، 12، 166-123.
رودری، س.؛ جلیلی، الف. و امیدی، و. (1402). مدیریت سبد سرمایه گذاری در صنعت پالایشگاهی: بررسی شرایط با بازدهی مثبت و منفی: رویرکرد Asymmetric TVP-VAR، چشم انداز مدیریت مالی، 13، 154-133.
رودری، س.؛ فراهانی فرد، س.؛ شاه آبادی،الف. و عادلی، الف.ع. (1401). بررسی فراوانی-زمان سرریز نوسانات میان نرخ ارز، تورم، قیمت سهام و قیمت مسکن در ایران، اقتصاد و الگوسازی، 13، 93-65.
سزاوار, م.ر.؛ خزائی, ع . و اسلامیان، م. (1398). بررسی همبستگی شرطی میان بازارهای ارز،طلا، مسکن، سهام و نفت در اقتصاد ایران. فصلنامه علمی پژوهشی راهبرد اقتصادی، 8، 60-37.
شاه آبادی فراهانی، ع.؛ خداویردی، ا.؛ مولابیگی، ج. (2020). مقایسه نسبت بهینه پوشش ریسک نرخ ارز و طلا در بازار‌های مالی (مطالعه موردی بازار بورس تهران و ‌‌اروپا)، اقتصاد مالی، 14(52). 129-152.‎
شیرافکن لمسو، م.؛ ایزدی، ح.ر. و سیستانی بدوئی، ی. (1402). ارتباط متغیر در زمان چندکی میان شاخص صنایع منتخب بورس اوراق بهادار ایران: بررسی حالت های بازدهی بالا، پایین و متوسط (رویکرد TVP-Quantile VAR)، فصلنامه اقتصاد مالی، 17، 152-121.
طالبلو, ر. و مهاجری, پ. (1399). الگوسازی سرایت تلاطم در بازار سهام ایران، رویکرد فضا-حالت غیرخطی. فصلنامه تحقیقات اقتصادی، 55، 990-930.
طالبلو، ر.؛ مهاجری، پ.؛ شاکری، ع.؛ محمدی، ت. و ذبیحی، ز. (1403). برآورد ریسک سیستمی و سرریز تلاطمات در صنایع بورسی و کاربرد آن در سبدسازی بهینه؛ رویکرد VAR-TVP ، پژوهش های اقتصادی ایران. در دست انتشار.
طباطبائی، س.ج. (1401). مدلسازی اندازه گیری تلاطم ‌در‌ زمان‌ وقوع‌ کرونا‌ در‌ ساختار صنایع بورس ‌اوراق ‌بهادار‌ تهران، پژوهش های راهبردی بودجه و مالیات، 185-216.
کرمی، س.، و رستگار، م.ع. (1397). تخمین اثر سرریز بازده و نوسانات صنایع مختلف بر روی یکدیگر در بازار بورس تهران. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 9(35 )، 323-342.
گرجی پور، م.ج.؛ ناجی میدانی، ع.الف.؛ ابراهیمی سالاری، ت. و بهنامه، م. (2023). بررسی اثر سرریز نااطمینانی نرخ ارز بر نوسانات بخش‌های صنایع مختلف بازار سهام در ایران. فصلنامه علمی پژوهش های اقتصاد صنعتی، 7(24)، 83-102.‎
محسنی، ح. و بت شکن، م.ه. (1399). بررسی همبستگی شرطی میان صنایع در بازار سرمایه، ژوهش های راهبردی بودجه و مالی، 1، 91-75.
محمدی شاد، ح.، کیقبادی، الف. و معدنچی­زاج، م. (1399). روابط پویای حسابداری و مالی بین بازارهای کامودیتی، بازارهای مالی و ارزهای دیجیتالبا رویکرد مدل خود همبسته با وقفه‌های توزیعی، پژوهش­های حسابداری مالی و حسابرسی، 12، 203-228.
محمدی‌نژاد‌پاشاکی، م.ب.؛ صادقی‌شریف, ‌س.‌ج.؛ ذوالفقاری، م. و اقبال‌نیا، م. (1401). بررسی همبستگی و اثرات سرریزی از بازار جهانی کامودیتی به شاخص کل بورس اوراق بهادار تهران-مدل VAR-BEKK-GARCH. مهندسی مالی و مدیریت اوراق بهادار، 51(13)، 97-116.‎
مهاجری، پ. و طالبلو، ر. (1401). بررسی پویایی های سرریز تلاطمات بین بازده بخش ها با رویکرد اتصالات خودرگرسیون برداری با پارامترهای متغیر در طول زمان (TVP-VAR)؛ شواهدی از بازار سهام ایران. تحقیقات اقتصادی، 57(2)، 321-356.
Adekoya, O. B., & Oliyide, J. A. (2020). The hedging effectiveness of industrial metals against different oil shocks: Evidence from the four newly developed oil shocks datasets. Resources Policy, 69, Article 101831.
Ahmadian-Yazdi, F., Roudari, S., Omidi, V., Mensi, W., & Al-Yahyaee, K. H. (2024). Contagion effect between fuel fossil energies and agricultural commodity markets and portfolio management implications. International Review of Economics & Finance, 95, 103492.
Ahmed, A, Huo, R. (2021). Volatility transmissions across international oil market, commodity futures and stock markets: Empirical evidence from China, Energy Economics, 93,1-14.
Alshater, M. M., Alqaralleh, H., & El Khoury, R. (2023). Dynamic asymmetric connectedness in technological sectors. The Journal of Economic Asymmetries, 27, 1-15.
Antonakakis, N., Chatziantoniou, I., & Gabauer, D. (2020). Refined measures of dynamic connectedness based on time-varying parameter vector autoregressions. Journal of Risk and Financial Management, 13(4), 84.
Argha, L., Mowlaei, M., & Khezri, M. (2020). Investigating Impact of the Selected Domestic and Foreign Assets Returns on Stock Price Index Returns in Iran: An Approach from DCC-FIAPARCH Model. Quarterly Journal of Applied Theories of Economics, 6(4), 251-274. doi: 10.22075/jae.2020.27467.1258.  [in persian]
Aroury, M.E.H. Lahiani, A. &khuong Nguyan D. (2015). World gold prices and stock returns in China: Insights for hedging and diversification strategies. Economic Modeling, 44, 273-282.
Ashena, M., & La’l khezri, H. (2020). The dynamic correlation of global economic policy uncertainty index with stock, exchange rate and gold markets in Iran: Application of M-GARRCH and DCC approach. Journal of Econometric Modelling, 5(2), 147-172 doi: 10.22075/jem.2020.20667.1480. [ in persian]
Cao, G., & Xie, W. (2022). Asymmetric dynamic spillover effect between cryptocurrency and China's financial market: Evidence from TVP-VAR based connectedness approach. Finance Research Letters, 49, 103070.
Cheng, S., Deng, M., Liang, R., & Cao, Y. (2023). Asymmetric volatility spillover among global oil, gold, and Chinese sectors in the presence of major emergencies. Resources Policy, 82, 103579.
Dadmehr, M., Rahnama Roodposhti, F., Nikoumaram, H., & Fallah Shams, M. F. (2021). Investigating the Effects of Contagion Between Monetary and Financial Markets of Iran. Journal of Economics and Modelling, 12(2), 123-166. doi: 10.29252/jem.2021.224004.1665. [in persian]
Dutta, A. (2018). Impacts of oil volatility shocks on metal markets: A research note. Resources Policy, 55, 9-19.
Fan, Z. (2024). The risk spillover relationship between major agricultural commodities in China and the US. In Proceedings of the 4th International Conference on Economic Development and Business Culture (ICEDBC 2024) (pp. 221-233). Atlantis Press. https://doi.org/10.2991/978-94-6463-538-6_25
Gkillas, K., Vortelinos, D. I., & Suleman, T. (2018). Asymmetries in the African financial markets. Journal of Multinational Financial Management, 45, 72-87.
Golarzi, G., Khorasani, M. (2023).  Investigating Symmetrical and Asymmetrical Effects of Exchange Rate and Its Fluctuations on the Return of the Pharmaceutical Industry Stock Using Linear and Nonlinear ARDL Models, Iranian Journal of Economic Research, 28(96), 253-300. [in persian]
Gong, X., & Xu, J. (2022). Geopolitical risk and dynamic connectedness between commodity markets. Energy Economics, 110, Article 106028.
Gong, X., & Lin, B. (2021). Effects of structural changes on the prediction of downside volatility in futures markets. Journal of Futures Markets, 41(7), 1124-1153.
Han, X., Liu, Z., & Wang, S. (2021). An R-vine copula analysis of non-ferrous metal futures with application in Value-at-Risk forecasting. Journal of Commodity Markets, 100188.
Hosseini, A., jahangiri, K., Heydari, H., & Ghaemi asl, M. (2019). Study of Shock and Volatility Spillovers among Selected Indices of the Tehran Stock Exchange Using Asymmetric BEKK-GARCH Model. Journal of Applied Economics Studies in Iran, 8(29), 123-155. doi: 10.22084/aes.2018.15376.2578. [in persian]
Jiang,Y., Fu,Y., Ruan,W. (2019)  Risk spillovers and portfolio management between precious metal and BRICS stock markets. Physica A, 534,120993.
Karami, Sepideh, and Rostegar, Mohammad Ali. (2018). Estimation of the Spillover Effects of Returns and Volatility Between Industries in the Tehran Stock Exchange. Financial Engineering and Securities Management, 35(9), 323-342. Dor: 20.1001.1.22519165.1397.9.35.15.8. [in persian]
Karolyi, G. A., & Stulz, R. M. (1996). Why do markets move together? An investigation of US‐Japan stock return comovements. The Journal of Finance, 51(3), 951-986.
Koop, G., Pesaran, M. H., & Potter, S. M. (1996). Impulse response analysis in nonlinear multivariate models. Journal of econometrics, 74(1), 119-147.
Li, X., Li, B., Wei, G., Bai, L., Wei, Y., & Liang, C. (2021). Return connectedness among commodity and financial assets during the COVID-19 pandemic: Evidence from China and the US. Resources Policy, 73, 102166.
Liew, P. X., Lim, K. P., & Goh, K. L. (2022). The dynamics and determinants of liquidity connectedness across financial asset markets. International Review of Economics & Finance, 77, 341-358.
Mensi, W., Ahmadian-Yazdi, F., Al-Kharusi, S., Roudari, S., & Kang, S. H. (2024). Extreme Connectedness Across Chinese Stock and Commodity Futures Markets. Research in International Business and Finance, 70, 102299.
Mohseni, H., & botshekan, M. H. (2020). Investigating Conditional correlation among Industries in the Capital Market. Budget and Finance Strategic Research, 1(1), 75-91. doi: 10.22084/bfr.2020.20158.2357. [in persian]
Pesaran, H. H., & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics letters, 58(1), 17-29.
Reboredo, J. C., Ugolini, A., & Hernandez, J. A. (2021). Dynamic spillovers and network structure among commodity, currency, and stock markets. Resources Policy, 74, 102266.
Rehman, M. U., Vo, X. V., Ko, H. U., Ahmad, N., & Kang, S. H. (2023). Quantile connectedness between Chinese stock and commodity futures markets. Research in International Business and Finance, 64, 101810.
Rudari, S., Jalili, E., & Omidi, V. (2023). Portfolio Management in the Refining Industry: Investigating Conditions with Positive and Negative Returns: An Asymmetric TVP-VAR Approach. Financial Management Perspective, 13(43), 133-154. doi: 10.48308/jfmp.2024.104291. [ in persian]
Roudari, S., Farahanifard, S., Shahabadi, A., & Adeli, O. (2022). Investigating the Time-Frequency Volatility Spillover among Exchange Rate, Inflation, Stocks and Housing Prices in Iran. Journal of Economics and Modelling, 13(2), 65-93. doi: 10.29252/jem.2022.228781.1783. [ in persian]
Saiti, B., Bacha, O. I., & Masih, M. (2016). Testing the conventional and Islamic financial market contagion: evidence from wavelet analysis. Emerging Markets Finance and Trade, 52(8), 1832-1849.
Salisu, A, Isah, K, A, A (2019). Dynamic spillovers between stock and money markets in Nigeria: A VARMA-GARCH approach. Review of Economic Analysis ,11,255-283.
sezavar, M. R., khazaei, A., & eslamian, M. (2019). Conditional correlation between foreign exchange markets, gold, housing, stock and oil in the Iranian economy. Economic Strategy, 8(29), 37-60. doi: 10.22075/jes.2019.15487.1148.   [in persian]
Shirafkan Lamsou, Mehdi, Izadi, Hamidreza, and Sistani Bandoei, Yaser. (2023). Time-Varying Quantile Dependency Among Selected Industry Indices of the Tehran Stock Exchange: Examining High, Low, and Medium Return States (TVP-Quantile VAR Approach). Financial Economics, 17(65), 121-152. doi:  10.30495/fed.2023.707988 [in persian]
Taleblou, R., & Mohajeri, P. (2021). Modeling the Transmission of Volatility in the Iranian Stock Market Space-State Nonlinear Approach. Journal of Economic Research (Tahghighat- E- Eghtesadi), 55(4), 963-990. doi: 10.22059/jte.2021.322088.1008455. [in persian]
Tang, Y., Xiao, X., Wahab, M. I. M., & Ma, F. (2021). The role of oil futures intraday information on predicting US stock market volatility. Journal of Management Science and Engineering, 6, 64–74.
Yunus, N. (2020). Time-varying linkages among gold, stocks, bonds and real estate. The Quarterly Review of Economics and Finance, 77, 165-185.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 08 مهر 1403
  • تاریخ بازنگری: 17 آبان 1403
  • تاریخ پذیرش: 17 آذر 1403

هم رسانی

ارجاع به این مقاله

آمار