這是用戶在 2024-5-8 23:56 為 https://app.immersivetranslate.com/pdf-pro/ff728f0b-5cc2-4447-a268-a59e179e8dfb 保存的雙語快照頁面,由 沉浸式翻譯 提供雙語支持。了解如何保存?
2024_05_08_d8e35a95455afc8d176bg

已開發市場和發展中市場的對沖和避險資產動態:不同的市場有那麼大的不同嗎?

康斯坦丁·古爾吉耶夫 , 亞歷山大·彼得羅夫斯基 北科羅拉多大學蒙福特商學院,美國科羅拉多州格里利 愛爾蘭都柏林聖三一學院和愛爾蘭 Raiffeisen Bank International AG

FO 的文章

關鍵字:

對沖
避風港
DCC-GARCH
SVAR
新興市場
已開發市場

抽象的

摘要 日益增長的經濟和地緣政治不確定性促使投資者對識別對沖和避險資產以及其風險管理特性如何取決於特定時間段和市場類型的興趣。為了擴展和增強有關該主題的現有文獻,我們研究了1999 年至2021 年中期石油、黃金、白銀、鉑金和鈀金相對於三個主要已開發經濟體和五個新興市場的股票、債券和貨幣的對沖和避險動態。我們使用 DCC-GARCH 來探索對沖特性,並使用 SVAR 模型來研究避險潛力。我們的研究結果表明,這些資產的風險管理特性在已開發市場和新興市場以及與各種系統性危機相關的不同時期有所不同。其中一些變化增強了先前文獻的發現,而另一些則與先前確定的關係相矛盾。

一、簡介

投資組合多元化和風險管理是投資者最關心的問題,因為投資組合中金融資產之間的相關性往往隨時間和狀態而變化(Hess,2006;Isogai,2017;Loretan 和 English,2000)。因此,市場參與者需要在「正常」時期和嚴峻的市場條件下識別和監控對沖和避險資產的表現,例如全球金融危機 (GFC) 和 Covid19 大流行(Habib、Stracca 和Venditti,2020;Bokhtiar、 Kabir、Mamunur 與Alhenawi,2021;同時,已開發市場和發展中市場的不斷發展意味著投資組合中風險管理資產的屬性可能會根據市場類型的不同而有所不同。例如,一些新興市場由於對大宗商品價格以及其他結構性和製度因素的依賴,可能更容易受到全球經濟的衝擊(Lane 和 Milesi-Ferretti,2010;Mühleisen、Gudmundsson 和 Ward,2020;Raza,沙赫扎德、蒂瓦里和沙赫巴茲,2016)。其他新興市場透過貿易和金融全球化、區域化和金融化進程,日益融入全球金融市場(Wei,2018;Gaies、Goutte和Guesmi,2019;Nasreen、Mahalik、Shahbaz和Abbas,2020;Furceri 、Lougani 和Ostry ,2019)。
金融文獻對不同資產的對沖和避險屬性進行了豐富的分析。一些研究(例如,Baur 和Lucey,2010 年;Liu、Chang、Wu 和Chui,2016 年;Nguyen、Bedoui、Majdoub、Guesmi 和Chevallier,2020 年)發現,黃金表現出針對股票、貨幣和金融資產的對沖和避險屬性。然而,這些論文的重點要不是僅是美國、英國等已開發市場,就是全球市場。此外,這些論文僅檢視黃金的對沖和避險屬性。一些實證研究確實調查了更廣泛的資產之間的相互作用,包括石油、白銀、鉑金和其他資產(Ciner、Gurdgiev 和 Lucey,2013 年;Peng,2020 年;Salisu、Raheem 和 Vo,2021 年)。然而,他們大多只考慮一種類型的市場,最常見的是已開發市場。
數量有限的論文著重於研究發展中市場的對沖和避險資產動態。如下文所調查,其中大多數集中於所選的個別國家或對有限數量的潛在風險分散資產(主要是石油、黃金和主要貨幣)進行分析。由於金融工具可能會根據市場類型、不同時期和危機表現出不同的風險管理特性,因此在特定市場中識別這些特性的問題並非易事。因此,本研究的目的是評估黃金、白銀、鉑金、鈀金和石油相對於代表發展中國家(金磚國家)和主要已開發市場的多個國家的股票、債券和貨幣的對沖和避險特性(美國、英國和德國)。
考慮到這一點,我們為我們的研究制定了三個關鍵維度。首先,遵循Engel(2002),採用具有GARCH規範的動態條件相關性(DCC)方法來計算時變相關性,以識別資產對沖潛力。其次,利用結構向量自迴歸(SVAR)模型來檢驗一系列衝擊對資產報酬率的影響,以及這些資產的避險能力。不同資產類別之間的條件相關性是隨時間變化的,並且對市場動盪時期很敏感(Baur 和 Lucey,2010 年和 Ciner 等人,2013 年)。這種動盪時期代表著結構性斷裂,這是由需求或供給結構的變化所引起的。 SVAR 方法允許將全球經濟的衝擊與每項資產的衝擊分開,從而捕捉內生的結構性斷裂(Rehman、Shahzad、Uddin 和 Hedström,2018)。 SVAR 方法也非常適合新興市場的高波動性狀況,因為即使在指定錯誤的情況下,它也可以識別結構參數,並允許捕獲不同資料過程產生的波動模式(Bertsche 和 Braun,2020)。第三,將對結果進行分析,以確定已開發市場和發展中市場的對沖和避險資產動態的差異。我們使用 Baur 和 Lucey (2010) 對對沖和避險資產的定義。
我們的研究假設是在第二節文獻綜述的基礎上製定的,反映了事前預期,即不同類型市場之間的差異對於對沖和避險資產都將是巨大的。接下來的第 3 節描述了所使用的數據和方法。第 4 節闡述並討論了實證結果,第 5 節進行了總結。
這項研究填補了我們對兩類市場中各種資產的對沖和避險特徵以及一系列系統性衝擊的認識空白。我們分析的時間範圍涵蓋 1999 年 1 月至 2021 年 6 月的數據,使我們能夠捕捉與大規模衝擊相關的風險管理屬性和市場環境的變化,例如.com泡沫、全球金融危機、歐元區主權債務危機和新冠疫情,以及一系列極其廣泛的較小衝擊,例如2013年和2016年的縮減恐慌、2014-2020年的油價暴跌、2014年底的俄羅斯地緣政治危機、2015-2016年中國金融市場動盪等。

2。

許多有影響力的論文分析了黃金的對沖和避險特性,並在較小程度上分析了其他貴金屬和大宗商品。 Baur 和 Lucey (2010) 使用主回歸模型和 GARCH 過程的誤差項,研究了英國、美國和德國三個已開發國家黃金相對於股票和債券的恆定和時變特性,以分析資產之間的動態相關性返回。結果表明,黃金僅相對於股票表現出這兩種特性。劉等人。 (2016)
關注黃金和美元相對於股票作為風險管理資產的作用。作者表明,在沒有重大動盪的時期,與黃金相比,美元作為對沖工具更為有效。在市場大幅拋售期間,這兩種資產都可以被視為避風港。與 Baur 和 Lucey (2010) 類似,Nguyen 等人。 (2020)採用多元動態連結法來研究不確定性增加期間黃金與美元、歐元和日圓等多種貨幣的關係。他們表明,黃金對所有三種受考察貨幣的貶值具有很強的對沖作用。有趣的是,他們還得出結論,黃金似乎對大多數貨幣具有對沖能力,而其避險屬性在不確定性增加和市場動盪時期發揮作用。屬於這一類文獻的研究通常不考慮其他資產,很少涵蓋新興市場。這部分文獻中沒有研究關注已開發經濟體和發展中市場的各種資產的風險管理特性,也沒有考慮這些特性在不同危機時期的動態或演變性質。
Ciner 等人對文獻進行了重大擴展。 (2013) 研究了美國和英國金融市場中股票、黃金、債券、石油和匯率的動態相互依賴性。作者研究了嚴峻市場條件下這些相互依賴性的差異,以揭示資產的避險能力以及對沖風險管理特性。從方法論上來說,Ciner 等人。 (2013) 使用 DCC 和分位數迴歸方法來捕捉正常和極端市場價格變動期間資產之間的連結。結果表明,黃金既可以作為貨幣的對沖資產,也可以作為避險資產,而債券則表現出對股票的對沖特性。 Elie、Naji、Dutta 和 Uddin(2019)將黃金和原油視為清潔能源股指的避險資產。他們的方法包括使用單一和混合聯結以及應用參數和非參數尾部依賴性測量。研究結果表明,所研究的兩種資產都顯示出清潔能源股票的避險屬性較弱。同時,事實證明,與黃金相比,原油對於這兩個指數來說是更有效的避風港。上述這些論文主要涵蓋已開發市場。
從已開發市場轉向新興經濟體,Akkoc 和 Civcir(2019)以土耳其為例研究了黃金和石油等大宗商品與股市之間的動態關係。作者採用 DCC-GARCH 框架,顯示商品對土耳其股市的相關性和波動性外溢效應存在時間變化。然而,這項研究僅限於對一個發展中市場股票市場的影響。 Liu、Naeem、Rehman、Farid 和 Shahzad(2020)使用非對稱 DCC 模型和分位數回歸,重點研究了 7 個已開發國家和 5 個發展中國家本國貨幣的原油對沖和避險特性。結論表明,原油確實對傳統貨幣,特別是對石油出口國的貨幣表現出避險和對沖的特性。 Peng(2020)試圖研究中國市場貴金屬相對於股票、債券、商品期貨和匯率的風險管理特徵。使用 DCC-GARCH 和分位數回歸框架,作者發現貴金屬是債券的良好對沖工具,而其對沖特性因其他資產類別而異。特定資產對的避險特徵也各不相同。 Bedoui、Guesmi、Kalai 和 Porcher(2020)使用 copula 方法考慮了五種貴金屬(包括鉑、銀、金、銠和鈀)以及鑽石對美元波動的對沖和避險潛力。主要調查結果表明,儘管黃金、白銀、鉑金和鈀金可以有效對沖美元波動,但所有受考察的資產的避險功能均表現不佳。 Talbi、Bedoui、de Peretti 和 Belkacem(2021)使用基於多元 vine copula 的 GARCH 模型和 BiVaR(雙變量風險價值)證實了七國集團國家股票市場中黃金、鉑金和白銀的大致相似發現。措施。越來越多的文獻集中在研究以下因素之間的聯繫:
表格1 表格 1
摘要統計。

傳統資產類別與商品以外的替代資產(例如,Dimitriou、Kenourgios 和 Simos(2020)以及 Shahzad、Bouri、Roubaud 和 Kristoufek(2020))或從不同角度看待傳統資產的關係(Balcilar) 、Demirer、Gupta 和Wohar (2020))。這些研究都沒有涵蓋同時發達和發展中的市場。
最後,一些研究人員討論了 COVID-19 危機期間不同資產的對沖和避險屬性。 Akhtaruzzaman、Boubaker、Lucey 和 Sensoy(2020)使用 DCC-GARCH 方法表明,黃金在 2020 年 3 月之前是有效的避風港,但此後失去了這些屬性。薩利蘇等。 (2021)得出了不同的結果,得出的結論是,與美國市場上的其他貴金屬相比,黃金保留了更強的避險品質。此外,Mensi、Nekhili、Vo 和 Kang(2021 年)探討了從白銀、黃金、鈀金和鉑金到原油的波動性傳導,並檢查了大流行期間四種貴金屬是否存在對沖和避險屬性。 。研究人員發現,所檢查資產的條件波動性在很大程度上取決於條件方差和先前的衝擊,而四種貴金屬和石油之間的動態相關性因重大事件而異。門西等人。 (2021)的結論是,由於疫情對每個資產對相關性的影響不對稱,因此對沖屬性仍然可見。這些研究再次未能考慮新興市場和已開發市場之間可能存在的差異。
總體而言,儘管越來越多的研究探索對沖和避險資產,但沒有論文全面調查已開發市場和發展中市場以及一系列系統性危機中這些資產屬性的潛在差異。我們的研究旨在縮小這一差距。為此,我們評估了包括石油、黃金、鉑金、鈀金和白銀在內的多種資產相對於八個國家的股票、債券和貨幣的對沖和避險屬性,這些國家代表了主要發展中國家(金磚四國)和主要發展中國家。
因此,本研究提出的假設如下: 所以,本研究提出的假設如下:
  1. 與已開發經濟體相比,石油、黃金、白銀、鉑金、鈀金對新興經濟體股票表現出更強的對沖效率(透過較低的動態條件相關性,DCC);
  2. 與已開發經濟體相比,石油、黃金、白銀、鉑金、鈀金對新興經濟體債券表現出更強的對沖效率(透過較低的 DCC);
  3. 與已開發經濟體相比,石油、黃金、白銀、鉑金、鈀金對新興經濟體貨幣表現出更強的對沖效率(透過較低的 DCC);
  4. 與已開發經濟體相比,石油、黃金、白銀、鉑金、鈀金相對於新興經濟體股票表現出更強的避險屬性(透過對衝擊的反向波動或零反應);
  5. 與已開發經濟體相比,石油、黃金、白銀、鉑金、鈀金相對於新興經濟體債券表現出更強的避險屬性(透過對衝擊的反向波動或零響應);
  6. 與已開發經濟體相比,石油、黃金、白銀、鉑金、鈀金對新興經濟體貨幣表現出更強的避險屬性(透過對衝擊的反向波動或零反應)。

3. 數據和方法 數據和方法

3.1.數據 3.1.資料

我們的研究涵蓋1999 年1 月至2021 年6 月期間以下各國的股票、債券、貨幣、石油、黃金、鉑金、鈀金和白銀的每日頻率數據:美國、英國和德國(已開發市場)以及金磚國家(巴西、俄羅斯、印度、中國和南非)。
股票市場以各國主要股票指數為代表:S&P500、FTSE 100、DAX、MOEX、Bovespa、SSE Composite、FTSE/JSE Top 40、BSE SENSEX。摩根大通名目廣泛有效匯率用於代表貨幣,而10年期政府公債則作為債券市場的代理。石油市場使用在國際商品交易所(ICE)交易並以相應貨幣報價的布蘭特原油期貨的近期合約價格。黃金、白銀、鉑金和鈀金以每個縣當地貨幣每金衡盎司的現貨價格表示。每個國家的系列包含以下數量的觀測值:美國 6106 個、德國 5846 個、英國、俄羅斯、巴西、印度、中國和南非 5584 個。資料來源為彭博社和湯森路透。
應用增強迪基富勒(ADF)測試來測試所檢查資產價格的時間序列 對於單位根的存在。我們未能拒絕原假設 因此,本研究使用了顯著性水準和資產回報而不是原材料價格。重新應用 ADF 測試後,發現資產回報穩定。
表 1 提供了總結統計數據。與開發中國家相比,已開發國家的債券平均報酬率略低,貨幣平均報酬率略高。新興經濟體的貨幣報酬率標準差較高。此外,在所有研究的國家中,石油、黃金、鉑、鈀和銀的價格範圍也相對相似。然而,已開發市場的債券報酬率表現出相當大的範圍,而發展中市場的貨幣報酬率則表現出類似的模式。股票在這兩類市場中並沒有明確的區間模式。
樣本中所有被檢查資產收益的偏度和超峰度均顯著不同於零。這意味著每日回報在所研究的所有八個國家中並非呈常態分佈。 Jarque-Bera 常態性檢定拒絕了原假設 報酬的顯著水準非正態性(Andersson-Säll 和 Lindskog,2019)。
Box-Ljung 檢驗拒絕了回報不存在自相關的零假設,這意味著股票、債券、貨幣、石油、黃金、鉑金、鈀金和白銀的回報在所有國家都是自相關的。最後,使用拉格朗日乘(LM)檢定來評估沒有 ARCH 效應的原假設。 - 的值 導致我們拒絕了不存在 ARCH 效應的原假設,為估計 GARCH 模型提供了基礎。

3.2.方法

為了檢查對沖屬性,我們採用動態條件相關性 (DCC) 方法和多元 GARCH 模型,該方法可以捕捉檢查變數之間隨時間變化的相關性。這種方法被廣泛應用於金融研究論文中,用於檢驗不同資產的對沖和避險潛力(例如,Ciner 等人,2013 年;Peng,2020 年;Dimitriou 等人,2020 年等)。
DCC-GARCH 的估計過程由兩個階段組成(Engle,2002)。
第一階段部署單變數 GARCH (p, q) 模型以獲得所檢查時間序列的時變變異數:

在哪裡 是一個 ( 所考慮的每個國家的每種資產(股票、債券、貨幣、石油、黃金、鉑金、鈀金和白銀)的回報向量,以及 是在時間t-1的資訊集。在本文中,GARCH 被指定為方差,因為它設法捕獲當前的波動性聚類,這反過來又否定了使用進一步滯後的必要性(Brooks 和 Burke,2003)。此外,也測試了其他具有較高滯後階結構的規範,但發現使用 Akaike 資訊準則(AIC)和貝葉斯資訊準則(BIC)的結果較差(Andersson-Säll 和 Lindskog,2019)。除此之外,資產方程中還包含平均值,ARMA 用於指定具有長期平均的資產回報模型 。還針對回報時間序列估計了具有不同 AR 和 MA 項順序的替代規範,並根據 AIC 和 BIC 測試拒絕。
第二步,DCC 估計值是從
在哪裡 是條件標準差的對角矩陣, 是條件相關矩陣。鑑於參數 (1c) 中的每一個都大於零,同時, , , 在哪裡 是標準化殘差向量的無條件相關矩陣, 是正定方差-協方差矩陣且 公式如下: (賴玉生,2019)。事實是 是正定的並且 是總和小於一的非負標量意味著 (條件相關矩陣)也是正定的,即它具有協方差矩陣的屬性,這是 DCC-GARCH 模型的關鍵假設(Andersson-Säll 和 Lindskog,2019)。相關估計量具有以下形式
等式。 (3) 表示所有八個國家的每種股票、債券、貨幣與每種石油、黃金、鉑金、鈀金和白銀的動態條件相關性 (DCC)。
儘管 DCC 方法設法提供有關所研究資產之間時變關係的信息,但在確定這些資產是否表現出避險屬性方面,它並沒有提供太多資訊。在大多數研究中,這個問題是透過加入指示危機時期的虛擬變數來解決的。這種方法的挑戰在於,它依賴於確定此類時期,所依據的方法需要對衝擊的來源、其起源(在特定資產類別內和/或更廣泛的市場內)以及衝擊強度的閾值進行強有力的假設。
反過來,我們建議使用結構向量自回歸(SVAR)模型來檢查衝擊後資產的避險特徵。透過加入新的方法論工具,豐富了現有研究的內容。
SVAR 模型和脈衝反應函數(​​IRF)廣泛應用於實證宏觀經濟學中,用於分析和識別貨幣政策衝擊對其他宏觀變數的影響(Gazzani 和 Vicondoa,2020;Lewis,2021;Wolf,2020)。一般來說,可以使用該模型
分解並估計變數跨時期衝擊的相互影響。假設模型中的變數取決於一組歷史值和結構性衝擊,這支持經濟解釋。基於VAR(p)模型的簡化形式,透過對係數矩陣施加限制,區分結構衝擊對變數影響的短期和長期限制以及符號限制來獲得參數和衝擊。
以矩陣形式,模型可以定義如下:
在哪裡 是個 內生變數向量 表示滯後算子中的多項式 是參數矩陣, 是結構衝擊的變異數協方差矩陣 代表變數 y 創新的方差, - 變數的方差 創新和 - 對應的協方差(Gottschalk,2001)。
如同已經提到的,為了估計 SVAR,應該先估計簡化形式的 VAR。其給出如下:
在哪裡 Gottschalk (2001) 中指定了簡化形式的變異數協方差矩陣。
在哪裡 Gottschalk(2001)中指定了簡化形式的變異數協方差矩陣。
在我們的研究中,我們對所研究的 8 個國家中每種股票、債券、貨幣與石油、黃金、鉑金、鈀金和白銀的收益對進行了簡化形式的 VAR 估計。 AIC 標準用於確定每個模型的最佳滯後長度,最大滯後長度選擇為 8。
此外,矩陣的辨識需要一組限制 (4) 和 (5) 中的 B 將此模型與標準 VAR 區分開來。對同期參數矩陣應用 Cholesky 分解。由此,建構了限制矩陣,並利用遞歸排序法估計了結構係數。此矩陣由影響系統中變數的同期衝擊組成,其形式如下: 。示範對矩陣施加的限制的解釋 ,讓我們將股票、債券或貨幣作為矩陣的第一個元素,將石油、黃金、鉑、鈀或銀作為第二個元素。然後施加的限制 意味著股票、債券或貨幣的衝擊會同時(在同一時期內)影響第二類資產(石油、黃金、鉑金、鈀金或白銀),以及它們在第二類資產中的滯後價值。同時,主要資產(股票、債券或貨幣)僅透過同時期對其自身的衝擊而發生轉移,而對石油、黃金等的衝擊僅影響系統中的滯後價值。值得注意的是,矩陣頂部三角形的限制數量滿足識別的最小限制數量標準,即 , 在哪裡 在這種情況下。
此外,矩陣的辨識需要一組限制 和 B 在 (4) 和 (5) 中,這使得該模型與標準 VAR 有所不同。對當期參數矩陣進行 Cholesky 分解。因此,建立了一個限制矩陣,並通過遞歸排序方法估計結構係數。該矩陣包含影響系統中包含的變量的當期衝擊,其形式如下: 。為了展示對矩陣 加諸的限制的解釋,讓我們將股票、債券或貨幣之一作為矩陣的第一個元素,將石油、黃金、鉑金、鈀或銀之一作為第二個元素。然後,對 加諸的限制意味著股票、債券或貨幣之一的衝擊會同時(在同一時期內)影響第二類資產(石油、黃金、鉑金、鈀或銀),以及系統中的滯後值。與此同時,主要資產(股票、債券或貨幣)僅受到自身的衝擊影響,而對石油、黃金等的衝擊僅影響系統中的滯後值。 值得注意的是,矩陣頂部三角形中的限制數量滿足識別的最小限制數量標準,即 ,在這種情況下為
另一個必要的限制涉及結構創新的正交性假設,以便創新 不相關。與傳統的動態聯立方程式方法相比,這種辨識限制是​​ SVAR 方法的一個重要區別特徵(Gottschalk,2001)。因此,用於識別所需的單獨衝擊的矩陣 (結構衝擊的方差協方差矩陣)如上文(4)定義,這意味著協方差的限制 為零。簡化形式透過以下方式連結到結構方差-協方差矩陣 因為結構創新和減少形式擾動是相互關聯的 。結果是,結構性創新受到限制。 是正交的需要一個非線性限制 它提供了第二個所需的識別限制(Gottschalk,2001)。
表2 表 2
1999-2021 年套期關係摘要。
我們 英國 德國 巴西 俄羅斯 印度 中國 南部非洲
石油股票 2009 年以前對沖較弱;不是對沖 不是一個 弱對沖:相關性 不是對沖
石油債券 2009年後 樹籬 弱對沖
不是一個
樹籬
石油貨幣 不穩定的對沖 樹籬 不是對沖 樹籬 r
黃金股票 2008年之前和2015年後的對沖 2008 年之前和 2015 年後的對沖
不是一個
樹籬
與黃金-股票相關性相同
強的
樹籬
對沖較弱,有些時期較強
對沖
黃金債券 樹籬
2009年之前的對沖;後期對沖較弱 2009 年之前的對沖;後期對沖較弱
2009年
大多是一個
樹籬
虛弱的
與 s
時期
強的
河丟
不是一個
樹籬
黃金-貨幣 比黃金債券更強的對沖能力 強對沖
鉑-
股票
2009年以前對沖較弱; 2009年後不是對沖 2009 年以前對沖較弱; 2009 年後不是對沖
強的
樹籬
不是對沖
白金債券
2016年前及2018年後對沖較弱;樹籬 2016 年前及 2018 年後對沖較弱;樹籬
弱對沖 樹籬 弱對沖
不是一個
樹籬
鉑-
貨幣
樹籬 樹籬
鈀-
股票
2009年以前對沖較弱;自2009年起不再作為對沖
2009 年以前對沖較弱;自 2009 年起不再作為對沖
強的
樹籬
不是對沖
鈀金債券
2016年以前和2018年後對沖較弱;樹籬 2016 年以前和 2018 年後對沖較弱;樹籬
弱對沖 樹籬 弱對沖
不是一個
樹籬
鈀-
貨幣
樹籬 樹籬
白銀股票 2009年以前對沖較弱;自2009年起不再作為對沖
2009 年以前對沖較弱;自 2009 年起不再作為對沖
強的
樹籬
不是對沖
銀債 2016年以前對沖較弱; 2016年後的對沖 2016 年以前對沖較弱;2016 年後的對沖 樹籬 弱對沖
不是一個
樹籬
白銀貨幣 樹籬 樹籬
註:「弱對沖」是指相關係數在 +0.2 和 -0.2 之間。 「強對沖」是指相關係數小於-0.4。
透過施加限制 在(4)和(5)中,SVAR模型可用於識別衝擊和代表每個國家衝擊後所研究資產之間動態聯繫的脈衝響應函數。

4 實證結果

4.1.動態條件相關性

DCC加奇 美國、英國、德國、巴西、俄羅斯、南非、印度和中國的結果如附錄表 2 所示,而股票、債券、貨幣與每種石油的時變條件相關性的圖形分析所研究國家的黃金、鉑、鈀和銀的情況如下圖1 所示。
模型輸出(表 2)表明,所檢查資產的長期平均回報率在一定水平上大多微不足道。 顯著水準與先前的研究大致一致(Andersson-Säll 和 Lindskog,2019)。同時,股票的手段似乎對所有 8 個國家都很重要。而且, 顯示資產報酬長期平均波動性的參數通常不顯著,而目前報酬的 AR (1) 項在 在美國、德國、巴西、印度和南非的模型中,該水平處於較高水平,但在英國、俄羅斯和中國的模型中則不顯著。
所有單獨的 ARCH 術語( ) 和 GARCH 項 ( ),分別代表短期衝擊持續性與衝擊對波動性長期持續性的貢獻,在 所有國家所有受檢查資產的水平。一般來說,個人 在方差方程中和 參數可以解釋為資產對另一種資產波動性衝擊的敏感度和持久性。聯合DCC參數 在所有情況下也都很重要,因此 DCC GARCH 研究國家的模型準確地捕捉了時間序列的單變量 ARCH 和 GARCH 結構以及股票、債券、貨幣與石油、黃金、鉑金、鈀金和白銀的關係。
還值得注意的是,所有個人和聯合 DCC 模型的參數落在 0 到 1 的範圍內,滿足方法部分所規定的限制( ,等式。 (2))。因此,GARCH 每種情況下定義的過程都是固定的。此外,這意味著價格衝擊使變異數偏離其長期平均值將影響很長一段時間內的回報(Musunuru,2016)。
有趣的是,各個 ARCH 術語( )新興市場模型中的債券數量較高( ),而 GARCH 項( )相對較低( )意味著短期衝擊持續性較高,因此,由於對市場走勢的強烈波動反應,波動性會出現更多峰值。這可以歸因於發展中經濟體投資市場固有的更多風險。同時,新興經濟體的其他資產和已開發經濟體的所有檢查資產都有大量的資產。 值表示條件變異數的衝擊需要更長的時間才能得到緩解(Musunuru,2016)。
觀察 DCC 建模中獲得的隨時間變化的條件相關性,我們可以得出一些額外的有價值的結論。圖 1 可視化了這些估計值。
考慮股票、債券和貨幣與石油的關係。就美國而言,2008-2009 年之前,石油和股票的相關性一直在零附近波動。此後,我們觀察到石油與股票之間存在高度正相關性。另一方面,在英國,DCC 在樣本期初期大多為弱值和正值,並在全球金融危機後上升,達到甚至高於美國的水平。對於石油和債券市場的相關性動態,可以得出類似的結論,儘管正相關性的程度略低於股票市場。在美國和英國,石油和貨幣大多呈現負相關。唯一的差別在於全球金融危機後石油美元的負面關係略強。整體而言,全球金融危機後美國和英國的對沖關係存在結構相似性,但在全球金融危機之前則不然。相較之下,石油與三個主要研究對象之間的關係
答:美國數據
B:英國數據
C:德國數據
圖 1. 動態條件相關性。
D:俄羅斯數據
E:中文數據
F:巴西數據
圖 1(續)。
G:印度數據
H:南非數據

圖 1(續)。
在整個樣本期間內,德國的資產類別大約為零,沒有超出 -0.1 至 0.1 的範圍。
在整個樣本期間內,大多數發展中市場的債券市場和石油相關性主要接近零。唯一的例外是南非,其石油債券回報相關性在 0.2 左右波動,該值相當低。對於俄羅斯、中國、巴西、印度和南非來說,石油和股票的相關性主要是正的,而且相當高(0.2 到0.4 之間),儘管事實上其中兩個市場是主要的石油出口國,其餘的都是主要的進口國。這些國家的當地貨幣主要與石油負相關,這與已開發市場的結論類似。唯一的例外是俄羅斯,在樣本期間的大部分時間裡,石油與金錢回報的相關性接近零,這一結果違背了盧布應該在很大程度上依賴石油的普遍直覺。此外,全球金融危機對俄羅斯的影響比對其他發展中經濟體的影響更大。由於俄烏衝突第一階段的地緣政治衝擊,2014年前後俄羅斯也受到了嚴重影響。
總體而言,幾乎沒有證據表明石油對已開發經濟體和發展中經濟體的股票表現出對沖特性,這總體上與 Ciner 等人的結論一致。 (2013) 適用於已開發經濟體,Akkoc 和 Civcir (2019) 適用於土耳其。有趣的是,除主要能源出口國俄羅斯外,新興市場的整體石油庫存相關性較低。此外,我們的證據表明,與已開發國家相比,在新興市場,石油可以更有效地用作債券對沖工具。最後,在大多數情況下,石油可以用來對沖貨幣,這項發現部分符合Liu等人的觀點。 (2020)。
在美國,2008-2009 年之前和2015 年之後,黃金與股市的時變相關性大多為負。動態。隨著貨幣走強,黃金與美國和英國債券和貨幣的相關性明顯為負。就德國而言,這種關係較弱,並且主要在全球金融危機之後出現。
在金磚國家,黃金的相關性動態各不相同。在俄羅斯、印度、中國和南非,黃金與黃金的關係
表3 表 3
SVAR 結果。
股市在零附近波動,多次出現負面突破。在巴西,同樣的相關性很強,而且是負相關。關於黃金與債券的相關性也可以得出類似的結論,除了黃金與股票的波動性較小且在俄羅斯大多為負值之外。另一個例外是南非,那裡的黃金債券相關性範圍更寬,在 0.2 到 0.4 之間。有趣的是,在所有研究的新興市場的整個樣本期間內,貨幣與黃金呈負相關,與已開發市場中觀察到的情況類似。
這些結果意味著,在所有八個國家,黃金都可以被視為對沖貨幣風險的工具,這與 Ciner 等人對已開發經濟體的研究結果一致。 (2013)和劉等人。 (2016)。此外,美國、英國、德國、俄羅斯、巴西、中國、印度也發現了黃金對債券的避險特性。在新興市場中,黃金與債券和貨幣的對沖動力非常相似。在這方面,我們的結果為黃金在已開發市場中對沖債券的能力的結論增加了一個新的維度(Baur 和 Lucey,2010;Ciner 等,2013)。最後,所有國家(英國除外)與股市的相關性基本上為零,凸顯了黃金針對股票的避險特性。這與 Ciner 等人的觀點一致。 (2013) 和塔爾比等人。 (2021) 適用於已開發市場。然而,相對於已開發市場,發展中市場的這些相關值較低且波動性稍小。這些事實對先前回顧的文獻做出了一些值得注意的貢獻,同時仍然支持這樣的論點:黃金與其說是商品,不如說是貨幣資產,可以作為通膨風險的對沖工具。
在研究的每個國家中,鉑金、鈀金和白銀相對於股票、債券和貨幣的對沖特性非常相似。
鉑金、鈀金和白銀與美國股市的動態相關性在2009 年之前一直接近0,此後不斷增加,直到2014 年左右趨於穩定在0.4。波動。整體而言,其他已開發市場也出現了類似的情況,但需要注意的是,與其他兩個國家相比,德國白銀股票的相關性更加不穩定。此外,值得注意的是,在英國和德國,2020 年左右相關性的峰值更為顯著。直到 2016 年左右,美國和英國債券與三種貴金屬的時變關係接近於零,隨後突破到負值區域,2018 年左右波動性上升至零。在2016 年和2018 年左右沒有檢測到任何資產對出現重大中斷這一事實之外, 德國的這些資產關係也受到了影響。樣本期間內都顯示出明顯的負DCC和英國。唯一的區別是在美國這些關係更強,接近-0.6,這與Bedoui等人的結論一致。 (2020)。相較之下,在德國,這些資產與貨幣的相關性相當弱,大部分樣本的波動接近零。
在新興市場,鉑、鈀、銀與中國、俄羅斯、印度、南非股市呈正相關。相較之下,在巴西,這種關係在樣本期間的大部分時間裡更加不穩定、更強且為負,特別是對於鉑金而言。這些金屬與債券的相關性較為異質。對於大多數樣本而言,俄羅斯、印度和中國的該值接近零,南非的值較弱且為正,而巴西的值相對較強且為負。在所有新興市場的整個研究期間,這三種金屬與貨幣都表現出明顯的負相關性,結果與已開發市場的結果相似。
在幾乎所有受訪的國家(南非除外),鉑、鈀和白銀都可以作為債券的對沖工具,發展中國家市場的相關程度略低於已開發市場。這三種貴金屬對貨幣的對沖特性在所有研究國家都有效。唯一可以將鉑金、鈀金和白銀視為對沖股市風險的國家是巴西。因此,我們的證據與認為貴金屬可以對抗通膨風險的文獻是一致的。反過來,在這項研究中,在更廣泛的國家中檢查了對股票的對沖能力,似乎缺乏這種能力,這使我們的結果與先前報告的一些個別國家的調查結果一致(Peng,2020; Talbi 等人,2021 年)。
總體而言,如表 2 所總結的,在所有研究的國家(英國除外),黃金似乎都能夠作為股票的對沖工具。同時,幾乎沒有證據顯示石油、鉑金、鈀金和白銀在已開發經濟體和發展中經濟體中都表現出一致的對沖股市風險的特性。在資產對沖特性方面,該研究的一些值得注意的發現包括觀察到新興市場(俄羅斯除外)整體石油庫存 DCC 較低,以及鉑、鈀和白銀相對於巴西股票的顯著對沖特性。研究發現,所有四種貴金屬都對美國、英國、巴西、德國、俄羅斯、中國和印度的債券表現出對沖特性。研究發現,石油對債券的避險能力在發展中國家比已開發國家(德國除外)更有效。最後,石油、黃金、鉑金、鈀金和白銀在大多數考慮的國家中都表現出對貨幣的對沖特性。我們的研究結果部分證實了上文第2 節中提出的研究假設1-3,並且與我們更廣泛數據集的各個市場和特定子時期的審查文獻大致一致(除了上面提到的顯著例外) ,並將現有知識體系擴展到涵蓋兩種類型經濟體的更廣泛資產,並涵蓋最近與新冠病毒大流行相關的系統性危機。

4.2.結構向量自回歸 4.2. 結構向量自迴歸

作為這項研究的下一步,應用 SVAR 模型檢驗了石油、黃金、鉑金、鈀金和白銀的避險屬性。
如方法部分所提到的,矩陣的辨識需要一組限制 和B(方程式(4)和(5))。首先,具有以下形式限制的同期參數矩陣 被建立。要估計的同期係數意味著第一類資產(股票、債券或貨幣)的衝擊會影響同一時期內的第二類資產(石油、黃金、鉑金、鈀金或白銀),以及它們的滯後值。同時,股票、債券或貨幣只能受到同時期自身衝擊的影響,而其他資產的衝擊則只能影響滯後價值。接下來,用於識別形式的單獨衝擊的矩陣 成立是為了實施第二個識別限制。協方差項被限制為零,而每個變數的單獨衝擊的變異數將被提取。這種將股票、債券或貨幣對其他資產的衝擊溢出限制為滯後效應,同時將波動性(協方差)限制為一階效應(方差)的方法在直覺上是合理的。這三大資產類別是避險資產需求的觸發因素,而不是相反,因此這些核心資產的衝擊預計將對避險資產造成滯後影響。此外,我們在這裡考慮對衝擊的脈衝響應(短期的避險屬性),而不考慮衝擊的潛在系統性溢出(長期的對沖屬性),這使我們能夠限制避險資產之間的協方差項並將資產衝擊為零。
如方法部分所提到的,矩陣的辨識需要一組限制 和 B(方程式(4)和(5))。首先,具有以下形式限制的同期參數矩陣 被建立。要估計的同期係數意味著第一類資產(股票、債券或貨幣)的衝擊會影響同一時期內的第二類資產(石油、黃金、鉑金、鈀金或白銀),以及它們的滯後值。同時,股票、債券或貨幣只能受到同時期自身衝擊的影響,而其他資產的衝擊則只能影響滯後價值。接下來,用於識別形式的單獨衝擊的矩陣 was formed to impose the second of the identifying restrictions. The covariance terms were restricted to zero, while the variance for each of the variables' individual shocks was to be extracted. This approach to restricting shocks spillover from equities, bonds, or currencies to other assets to lagged effects alone, while limiting volatility (covariances) to first order effects (variances) alone is an intuitively justifiable one. These three main asset classes act as triggers for safe haven assets demand, not the other way around, so shocks to these core assets are expected to cause a lagged impact on safe haven assets. In addition, we consider here impulse responses to shocks (safe haven properties over the short run), without accounting for potential systemic spillovers of shocks (hedging properties over the longer term) and this allows us to limit the covariance terms between the safe haven assets and shock assets to zero.
最後,透過包含兩個有限制的矩陣來估計所研究的每個國家的每對股票、債券、貨幣與石油、黃金、鉑金和鈀金的 SVAR 模型。採用遞歸排序方法估計結構係數。估計的 對角矩陣的元素 表 3(A) 列出了影響 SVAR 模型系統中包含的變數的同期衝擊。結構衝擊對角方差-協方差矩陣的估計元素 示於表3(B)。結果顯示兩個矩陣都具有正確的函數形式。
上述結果使我們能夠繼續產生易於解釋的 IRF(脈衝響應函數),以清楚地研究股票、債券和貨幣的衝擊對石油、黃金、鉑金、鈀金和白銀的影響,這反過來又有助於研究後一組商品在美國、英國、德國和金磚國家的避險屬性。附錄 A2-A4 中列出了為所有八個國家產生的股票、債券和貨幣衝擊的 SVAR 脈衝響應。
首先,考慮油的反應。產生的 IRF 表明,美國股市一標準差的正向衝擊導致油價在短時間內立即上漲,隨後跌至衝擊前水平以下,並在零附近波動後於第 8 週期穩定下來。英國也出現了類似的動態,但英國衝擊前趨勢的波動性略高於美國。反過來,在德國,股市受到衝擊後油價上漲的幅度遠不如英國和美國那麼大。此外,油價在第一個週期後不會下跌,但會在衝擊前的水平之上波動,並在第 8 天衰減。美國和英國的石油價格在債券受到一標準差衝擊後的動態通常與股票受到衝擊後觀察到的動態相似,除了在第 9 期穩定下來這一事實之外。忽略不計,並在11 個週期內接近震前水平振盪。最後,貨幣衝擊導緻美國和英國的油價下跌,但前者的影響更為強烈。這些影響響應在 2 個週期後衰減。在德國,貨幣衝擊對石油的影響微乎其微,並在 6 天內趨於穩定。
發展中國家的石油價格對股市正面衝擊的反應與美國和英國類似,但持續時間較短。例如,俄羅斯和巴西需要3天,中國需要5天,印度需要6天才能完全消除衝擊影響。就南非而言,石油反應與美國和英國相同。此外,對於大多數發展中國家來說,石油上漲的幅度較小,但俄羅斯和南非除外,這兩個國家的石油上漲幅度與美國和英國相當。俄羅斯和南非債券市場的正向標準差衝擊會導致石油市場出現類似美國和英國的反應。在俄羅斯,這種影響的程度較小,而在南非,這種反應消失得更快。在中國各自的衝動,
表4 表 4
1999-2021 年避險關係摘要。
我們 英國 德國 巴西 俄羅斯 印度 中國 南部非洲
石油股票 不是避風港
石油債券 不是避風港 SH(較弱) 避風港 不是避風港 避風港 不是避風港
石油貨幣 SH(更強) 避風港 SH(較弱) 避風港 SH(較弱)
避風港
S
黃金-貨幣 避風港 SH(較弱) 避風港
白金股票 不是避風港 避風港 不是避風港
白金債券 避風港 避風港(較弱) 不是避風港
鈀金債券 不是避風港 SH(較弱) 避風港 避風港(較弱) 不是避風港
鈀金-貨幣
避風港
白銀股票 不是避風港 不是避風港
銀債 避風港 避風港(較弱) 不是避風港
白銀貨幣 避風港
印度和巴西導致油價立即下跌,儘管效果不是特別強。此外,這些下降很快就會穩定下來,大多在 4-5 天內穩定下來。最後,在所有受調查的發展中國家,石油價格都對貨幣衝擊做出了即時下行反應。大多數情況下,它會在第 2 週期衰減,但俄羅斯除外,其影響可以忽略不計,然後持續 4 天的增加。
整體而言,無論是已開發國家或發展中國家,石油都沒有表現出針對股市的避險特性。同時,觀察到的債券衝擊動態表明,相對於德國、中國、印度和巴西的債券,石油可以被視為避險資產。這些發現與 Ciner 等人的結論相矛盾。 (2013)關於石油在美國和英國的角色。最後,事實證明,在所有被檢查的市場中,無論其類型如何,石油都被證明是貨幣的避風港,這與劉等人的觀點一致。 (2020) 已開發經濟體。整體而言,大多數國家石油對股票、債券和貨幣衝擊的反應各不相同,無法發現明確的模式。
金價對英國和德國股市標準差衝擊的反應首先是價格小幅下跌,隨後價格波動接近衝擊前的水平。相較之下,在美國,金價略有上漲,但這種影響可以忽略不計。此後,其反應與英國和德國類似。債券市場的正面衝擊導緻美國和英國的金價出現類似幅度的下跌,而德國金價則立即上漲。不過,後者的影響也微乎其微。貨幣衝擊導致所有三個已開發經濟體的金價都下跌,但美國和英國的跌幅絕對值再次更高。值得注意的是,在所有情況下,黃金的反應都會在衝擊後的第 9 週期內衰減。
在發展中市場,結果更加參差不齊,但黃金對於股票的避險屬性總體上在一些國家仍然得到證實。因此,股市的積極衝擊導致俄羅斯和印度的黃金小幅下跌,中國和南非的黃金小幅上漲,以及巴西的大幅下跌。反應持續時間也不同。同樣,債券市場衝擊後黃金的動態在各個新興市場也各不相同。例如,俄羅斯和巴西的價格出現小幅下降,而中國和印度則幾乎沒有影響。有趣的是,隨著南非債券市場的衝擊,金價立即上漲。最後,在所有發展中國家受到貨幣衝擊後,黃金回報率都會下降,就像石油的情況一樣。
因此,由於在一次標準差衝擊後出現負面或零反應,黃金被認為是已開發國家和發展中國家抵禦股市風險的避風港。這與涵蓋已開發市場的文獻綜述(Baur 和 Lucey,2010;Liu 等人,2016 等)的結論一致。 此外,關於其在所有受考察國家(南非除外)債券方面的作用,可以得出類似的結論。此結果與 Baur 和 Lucey (2010) 對已開發國家的研究結果不同,但與 Ciner 等人的觀點一致。 (2013)。最後,黃金顯示出所有所考慮國家貨幣的避險屬性。這些發現擴展了 Liu 等人的研究。 (2020)為已開發經濟體提供進一步支持,有利於黃金的「反貨幣」和貨幣資產作用。
至於鉑金、鈀金和白銀的避險屬性,這些資產與每個國家的股票、債券和貨幣的整體反應動態大多相似。因此,我們共同詳細闡述了這些資產所獲得的結果。
在所研究的所有已開發國家的股市受到正面衝擊後,這三種貴金屬都立即上漲。美國和英國的震級不同且更強。與美國和德國相比,英國三種金屬的反應需要更長的時間才能衰減,而在美國和德國,只有鈀金的衰減時間較長。然而,債券受到衝擊的情況則更加多樣化。由於負面反應和可忽略不計的正面反應,白銀和鉑金在美國表現出避險屬性。鈀金因債券市場的積極衝擊而上漲。相較之下,英國鉑金和白銀價格均下跌,而鈀金價格變化不大。在德國,所有三種資產的反應都接近零。貨幣對這三個國家的鉑金、鈀金和白銀的影響都是強烈且負面的,顯示這些金屬在已開發市場中的「反貨幣」作用。
在大多數發展中國家,鉑、鈀和白銀對股市衝擊的反應大多是正面的。唯一的例外是巴西,鉑金和白銀的回報率因股市震盪而下降,而鈀金則表現出零反應。在發展中市場中,三種金屬對債券衝擊的反應有較大差異。俄羅斯、中國和印度的反應接近零,巴西的反應強烈而消極。在南非,債券對鉑金、鈀金和白銀的衝擊影響強勁且積極。最後,發展中國家貨幣的衝擊顯然會導致鉑金、鈀金和白銀的回報率下降,這與已開發市場的結果類似。
因此,無論是已開發國家或發展中國家(巴西除外),鉑金、鈀金和白銀均未表現出針對股市的避險屬性,因為這些貴金屬對股市的後續衝擊基本上呈現積極反應。這擴展了 Talbi 等人的結論。 (2021)關於他們在已開發國家的角色。然而,就債券而言,情況則截然不同。在英國、德國、俄羅斯、中國、巴西和印度,這三種資產都可以被視為有效的避險資產,而在美國, 只有鉑金和白銀才是這種情況,而在南非,它們都不是這樣的。最後,有證據表明,無論是已開發市場還是發展中市場,鉑金、鈀金和白銀都可以被視為抵禦匯率波動的避風港。這與這些貴金屬的「反貨幣」作用是一致的,類似於黃金。這些發現對 Peng (2020) 和 Bedoui 等人的研究做出了重大貢獻。 (2020)。
如表 4 所總結的,石油、鉑金、鈀金和白銀在已開發國家和發展中國家都不能作為股票的避險資產。同時,黃金在這兩種類型的經濟體中都被證明是有效的。此外,由於對貨幣衝擊的強烈負面反應,石油、黃金、鉑金、鈀金和白銀在所有受調查的國家中都表現出相當大的避險特性,無論其經濟類型如何。最後,關於資產相對於債券的避險屬性,有一些值得注意的發現。例如,黃金在南非以外的所有受調查國家都表現出避險特徵,而石油則僅在德國、中國、印度和巴西表現出避險特徵。在英國、德國、俄羅斯、中國、巴西和印度,鉑、鈀和白銀可以被視為債券的避險資產,而在美國,只有鉑和白銀可以有效發揮這項功能。

5. 結論

本研究的目的是評估代表發達和發展中市場的八個主要經濟體的石油、黃金、白銀、鉑金和鈀金等多種資產相對於股票、債券和貨幣的對沖和避險特性。在這個過程中,我們的目的是提供實證見解,以了解這些風險管理特性如何根據經濟類型而有所不同。這個主題與學術和應用金融文獻密切相關,因為隨著時間的推移,全球金融市場的不確定性和波動性不斷增加,對沖和避險資產的需求也隨之增加。然而,上述資產的性質和這些風險管理屬性可能隨著時間的推移、隨著市場環境的變化而變化,也可能取決於特定的經濟類型。學術文獻涵蓋了對已開發市場和一些發展中經濟體不同資產的對沖和避險潛力的廣泛研究。然而,迄今為止還沒有研究在跨越眾多現代危機的廣泛時期內部署類似的方法,並同時涵蓋主要的已開發市場和發展中市場。我們的研究涵蓋了 1999 年 1 月至 2021 年 6 月美國、英國、德國、巴西、俄羅斯、印度、中國和南非市場的數據,從而縮小了這一差距。
為了實現我們的研究目標,我們使用 DCC-GARCH 模型來研究石油、黃金、白銀、鉑金和鈀金相對於股票、債券和貨幣等傳統資產類別的對沖潛力。 SVAR模型用於識別避險能力。對每個受調查國家所獲得的結果進行相互比較,以確定已開發市場和發展中市場的對沖和避險資產動態的差異。
這項研究的實證結果表明,在所研究的 8 個國家中,有 7 個國家中黃金平均可以起到對沖股市風險的作用。這同樣適用於黃金、白銀、鉑金和鈀金對債券的避險特性。此外,所有 5 種資產在大多數考慮的市場中都表現出針對匯率波動的對沖特性。整體而言,所研究資產的時變關係的差異主要表現為較低的動態相關性,因此發展中國家石油、鉑金、鈀金和白銀相對於債券以及黃金相對於股票的對沖效率較高。然而,在其他情況下,發展中市場和成熟市場的動態非常相似。因此,關於不同經濟類型金融工具相互影響程度存在實質差異的假設在本例中僅得到部分證實。
透過應用 IRF 分析,也獲得了關於避險資產的值得注意的發現。這些表明,黃金對於兩類經濟體的股票以及所研究的 8 個市場中的 7 個市場中的債券都起到了避風港的作用。在所有受訪的國家中,石油、黃金、鉑金、鈀金和白銀都具有抵禦匯率衝擊的避險潛力,為貴金屬的「反貨幣」和貨幣資產(如果是黃金)角色提供了支持。最後,石油、鉑金、鈀金和白銀的債券避險能力在所考慮的市場中參差不齊。因此,在債券及其避險資產受到衝擊後,所有受調查國家的大多數資產的反應都存在顯著差異。這些差異似乎更多地取決於特定市場而不是經濟類型。此外,已開發國家和開發中國家的資產對貨幣和股票衝擊的反應大多相似。因此,我們關於資產避險屬性因經濟類型而異的主要研究假設大多被拒絕。
總體而言,我們論文的研究結果與個別國家的審查文獻基本一致,但有一些值得注意的例外,這些例外通過對更廣泛的系統性不同市場中更廣泛的資產的對沖和避險特徵的新見解擴展了現有文獻,且時段。我們的研究結果填補了現有研究的重要空白,並以 SVAR 方法研究避險資產的形式提供了方法上的創新。這些發現對於投資者、交易者和其他市場參與者制定對沖策略、建立管理投資組合的風險管理組成部分或做出資產配置決策具有實際意義。
未來的研究可以考慮納入更廣泛的商品,以及另類資產類別,如房地產、對沖基金等,以檢視其對沖和避險屬性在不同國家的差異。此外,可能會審查代表已開發和發展中市場的更多國家。

數據可用性

數據將根據要求提供。 根據要求提供資料。
附錄 A. 附錄
A.1. DCC 結果
美國 英國 德國 俄羅斯 中國 巴西 印度 南非
係數 西尼夫 係數 西尼夫 係數 西尼夫 係數 西尼夫 係數 西尼夫 係數 西尼夫 係數 西尼夫 係數 西尼夫
股票 0.001 0.000 0.000 0.014 0.001 0.000 0.001 0.000 0.000 0.005 0.001 0.000 0.001 0.000 0.001 0.000
債券 0.000 0.042 0.000 0.120 0.000 0.024 0.000 0.094 0.000 0.962 0.001 0.000 0.000 0.218 0.000 0.025
貨幣 0.000 0.380 0.000 0.159 0.000 0.977 0.000 0.347 0.000 0.080 0.000 0.486 -0.006 0.127 0.000 0.814
0.001 0.057 0.000 0.045 0.001 0.019 0.001 0.015 0.000 0.056 0.001 0.012 0.001 0.018 0.001 0.037
金子 0.000 0.004 0.000 0.003 0.000 0.003 0.000 0.002 0.000 0.039 0.000 0.059 0.000 0.001 0.000 0.085
0.000 0.138 0.000 0.191 0.000 0.298 0.000 0.070 0.000 0.591 0.000 0.212 0.000 0.060 0.000 0.624
0.001 0.001 0.001 0.016 0.001 0.001 0.001 0.000 0.001 0.000 0.001 0.002 0.001 0.008 0.001 0.018
0.000 0.052 0.000 0.011 0.000 0.006 0.001 0.002 0.000 0.275 0.000 0.021 0.000 0.030 0.000 0.104
AR1
股票 -0.057 0.000 -0.026 0.059 -0.018 0.171 -0.011 0.461 -0.001 0.956 -0.037 0.013 0.054 0.000 0.028 0.049
債券 -0.049 0.000 -0.012 0.410 0.014 0.307 -0.020 0.224 -0.115 0.662 -0.051 0.001 0.043 0.004 0.116 0.000
貨幣 0.025 0.046 -0.003 0.843 -0.022 0.105 -0.005 0.762 -0.047 0.008 0.008 0.600 -0.041 0.006 0.007 0.635
-0.044 0.002 -0.055 0.000 -0.044 0.001 -0.061 0.000 -0.049 0.005 -0.055 0.000 -0.046 0.002 -0.039 0.010
金子 -0.036 0.003 -0.054 0.000 -0.057 0.000 -0.029 0.074 -0.022 0.161 -0.067 0.000 -0.062 0.000 -0.051 0.001
0.009 0.488 -0.026 0.070 -0.024 0.084 -0.014 0.412 0.011 0.514 -0.053 0.001 -0.014 0.360 -0.022 0.141
0.030 0.030 0.014 0.325 0.011 0.452 -0.008 0.636 0.014 0.415 -0.012 0.453 0.031 0.045 0.016 0.275
-0.038 0.002 -0.037 0.006 -0.039 0.002 -0.031 0.039 -0.037 0.020 -0.050 0.001 -0.046 0.001 -0.027 0.062
歐米茄
股票 0.000 0.914 0.000 0.869 0.000 0.700 0.000 0.290 0.000 0.408 0.000 0.827 0.000 0.050 0.000 0.158
債券 0.000 0.463 0.000 0.718 0.000 0.000 0.000 0.322 0.000 0.988 0.000 0.484 0.000 0.468 0.000 0.004
貨幣 0.000 0.780 0.000 0.674 0.000 0.931 0.000 0.984 0.000 0.934 0.000 0.605 0.020 0.002 0.000 0.065
0.000 0.789 0.000 0.058 0.000 0.092 0.000 0.075 0.000 0.053 0.000 0.079 0.000 0.074 0.000 0.062
金子 0.000 0.005 0.000 0.031 0.000 0.013 0.000 0.164 0.000 0.254 0.000 0.684 0.000 0.018 0.000 0.010
0.000 0.013 0.000 0.232 0.000 0.892 0.000 0.003 0.000 0.102 0.000 0.165 0.000 0.910 0.000 0.078
0.000 0.392 0.000 0.000 0.000 0.024 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.077 0.000 0.115 0.000 0.113 0.000 0.264 0.000 0.824 0.000 0.001 0.000 0.132 0.000 0.364
Α
股票 0.117 0.551 0.110 0.485 0.093 0.077 0.099 0.000 0.062 0.000 0.012 0.000 0.114 0.000 0.099 0.000
債券 0.063 0.000 0.057 0.000 0.166 0.000 0.312 0.000 0.424 0.000 0.414 0.000 0.301 0.000 0.093 0.000
貨幣 0.038 0.000 0.037 0.000 0.041 0.000 0.081 0.000 0.039 0.000 0.039 0.000 0.082 0.000 0.070 0.000
0.068 0.345 0.072 0.000 0.070 0.000 0.087 0.000 0.095 0.000 0.094 0.000 0.079 0.000 0.074 0.000
金子 0.047 0.000 0.059 0.000 0.060 0.000 0.060 0.000 0.050 0.000 0.050 0.000 0.053 0.000 0.074 0.000
0.056 0.000 0.074 0.000 0.071 0.000 0.135 0.000 0.054 0.000 0.057 0.000 0.065 0.000 0.071 0.000
0.118 0.000 0.090 0.000 0.138 0.000 0.096 0.000 0.097 0.000 0.093 0.000 0.109 0.000 0.075 0.000
0.038 0.000 0.049 0.000 0.055 0.000 0.077 0.000 0.047 0.000 0.042 0.000 0.051 0.000 0.069 0.000
貝塔
股票 0.882 0.000 0.880 0.000 0.902 0.000 0.894 0.000 0.937 0.000 0.937 0.000 0.872 0.000 0.887 0.000
債券 0.936 0.000 0.942 0.000 0.833 0.000 0.687 0.000 0.575 0.000 0.573 0.914 0.698 0.000 0.869 0.000
貨幣 0.957 0.000 0.057 0.000 0.953 0.000 0.918 0.000 0.956 0.000 0.952 0.000 0.906 0.000 0.916 0.000
0.928 0.000 0.919 0.000 0.922 0.000 0.900 0.000 0.899 0.000 0.879 0.000 0.911 0.000 0.917 0.000
金子 0.946 0.000 0.926 0.000 0.930 0.000 0.927 0.000 0.949 0.000 0.948 0.000 0.935 0.000 0.904 0.000
0.933 0.000 0.902 0.000 0.913 0.000 0.828 0.000 0.935 0.000 0.935 0.000 0.918 0.000 0.911 0.000
0.856 0.000 0.888 0.000 0.809 0.000 0.878 0.000 0.875 0.000 0.869 0.000 0.867 0.000 0.902 0.000
0.961 0.000 0.943 0.000 0.937 0.000 0.907 0.000