التحليل القياسي الديناميكي للعملات الرقمية ومؤشرات الاسواق المالية باستخدام نماذج (MGARCH)
الشريط الجانبي للمقالة
THIS IS AN OPEN ACCESS ARTICLE UNDER THE CC BY LICENSE
محتوى المقالة الرئيسي
الملخص
يهدف البحث إلى النظر بتمعن إلى طبيعة العلاقة بين العملات المشفرة والأسواق المالية التقليدية بإحدى الطرق القياسية وذلك باستخدام نماذج (MGARCH) لقياس وتحليل ما قد تحدثه من ثورة في عالم التكنولوجيا المالية، لكن تأثيرها طويل الأمد على الأسواق المالية قد يكون أعمق بكثير في المستقبل. فلربما تكون قادرة على تغيير البنية الاقتصادية والمالية جذرياً، وتحويل طريقة عمل المؤسسات المالية والبنوك. لذا تتعدد أنواع العملات المشفرة، ويُعدّ عملة Bitcoin أكثرها تداولاً، وهو شكل حديث من أشكال النقود الخاصة. وبفضل إمكانياتها التقنية، تتميز شبكات معاملاتها العالمية بالأمان والسرعة نسبياً، مما يمنحها آفاقاً واعدة لمزيد من التطور. مع ذلك، من غير المرجح أن تُنافس العملات المشفرة هيمنة العملات السيادية والبنوك المركزية، لا سيما في المناطق ذات العملات الرئيسة. وكما هو الحال مع الابتكارات الأخرى، لذا تُمثل العملات المشفرة تحدياً للهيئات التنظيمية المالية، ويعود ذلك أساساً إلى إخفاء هوية مُصدريها وكونها أصولاً مالية عابرة للحدود، يستوجب ذلك غطاء قانوني يدعم طريقة التعامل بشفافية عالية ويهيئ البيئة المناسبة لإتاحة الفرصة بشكل أكبر لتتناسق مع ما يجري من تعاملات عبرة للدول والقارات في الأسوق المالية التقليدية أو الحديثة، وما سيجري من إحلال أو منافسة بين الأسوق المالية وأسواق العملات الرقمية المشفرة، وتوصل البحث الى جملة من النتائج من أهمها: أن تحليل التباينات المشتركة الشرطية تبين انتقال التقلبات بين الأسواق المالية التقليدية والعملات الرقمية محدود في معظم الفترات، مع ارتفاع مؤقت أثناء الصدمات. وتبرز العملات الرقمية كأصول مستقلة نسبيًا عن الأسواق التقليدية، في حين يظهر ترابط أوضح داخل سوق العملات الرقمية ذاته. وتؤكد هذه النتائج أهمية استخدام نماذج MGARCH الديناميكية عند دراسة المخاطر المشتركة وتنويع المحافظ الاستثمارية، وتؤكد نتائج تقدير نموذج AR(1)–GARCH (1,1) أن عوائد الأسواق المالية والعملات الرقمية تتسم بسلوك ديناميكي معقد يتضمن اعتمادًا ذاتيًا وتباينًا مشروطًا عالي الاستمرارية. وتبرز العملات الرقمية، ولا سيما Bitcoin، كمصدر لمخاطر مرتفعة نتيجة قوة الصدمات واستمرار أثرها الزمني، الأمر الذي يستدعي اعتماد أدوات قياسية متقدمة عند تحليلها أو التنبؤ بتقلباتها، فقد استخدمت بيانات يومية لخمس مؤشرات خلال المدة من 16 أغسطس 2011 إلى 21 يونيو 2024.، إذ يتم تحويل جميع السلاسل الزمنية للمؤشرات إلى عوائد لوغاريتمية مما ينتج عنه (3281) مشاهدة يومية لكل مؤشر.
التنزيلات
تفاصيل المقالة
المراجع
Levantesi, S., Piscopo, G., & Roviello, A. (2025). Cryptocurrency in global dynamics: Analyzing the Crypto Volatility Index and financial markets with machine learning. Physica A: Statistical Mechanics and its Applications.
Yilmaz, T. (2010). Improving portfolio optimization by DCC and DECO GARCH: Evidence from Istanbul Stock Exchange.
Kushwah, S. V., Hundal, S., & Goel, P. (2024). Unveiling Interconnectedness and Volatility Transmission: A Novel GARCH Analysis of Leading Global Cryptocurrencies. International Journal of Economics and Financial Issues, *14*(3), 132–139. https://doi.org/10.32479/ijeep.14884
Kahyaoğlu, S. B., & Akkuş, H. T. (2020). Volatility spillover between conventional stock index and participation index: The Turkish case. In Contemporary Issues in Business Economics and Finance (pp. 1–17). Emerald Publishing Limited.
Baum, C. F. (2013). ARCH and MGARCH models [Lecture slides]. EC 823: Applied Econometrics, Boston College, Spring 2013.
Sozen, C. (2025). Volatility dynamics of cryptocurrencies: a comparative analysis using GARCH-family models, Future Business Journal, Springer Nature, 11:166, https://doi.org/10.1186/s43093-025-00568-w.
Cai, X. J., Tian, S., & Hamori, S. (2016). Dynamic correlation and equicorrelation analysis of global financial turmoil: Evidence from emerging East Asian stock markets. Applied Economics, 48(40), 3789–3803.
Silvennoinen, A., & Teräsvirta, T. (2009). Multivariate GARCH models. In T. G. Andersen, R. A. Davis, J.-P. Kreiss, & T. Mikosch (Eds.), Handbook of Financial Time Series (pp. 201–229). Springer, Berlin, Heidelberg.
Shaw, W. (2006). New Methods For Managing “Student’s” T Distribution. Preprint King’s College.
Yang, Z., Fang, K. T., & Kotz, S. (2007). On The Student's T-Distribution And The T-Statistic. Journal Of Multivariate Analysis, 98(6), 1293-1304.
Mahyaoui, M., Lazrak, M., & Krami, R. (2025). Modeling volatility with multivariate GARCH models through the integration of deep learning: A literature review. Int. Journal of Accounting, Finance, Auditing, Management and Economics, 6(11).
Bagirov, M., & Mateus, C. (2025). Modelling volatility spillovers between petroleum and stock indices: Multivariate GARCH comparison. Modern Finance, 3(3).
Otto, P. (2024). A Multivariate Spatial and Spatiotemporal ARCH Model. Spatial Statistics, 60, 100823. https://doi.org/10.1016/j.spasta.2024.100823.
Bollerslev, T., Engle, R. F., & Wooldridge, J. M. (1988). A Capital Asset Pricing Model with Time-Varying Covariances. Journal of Political Economy, 96(1), 116–131.
Bollerslev, T. (1990). Modeling the coherence in short-run nominal exchange rates: a multivariate generalized ARCH model. Review of Economics and Statistics, 72(3), 498–505.
Engle, R. F. (2002). Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models. Journal of Business & Economic Statistics, 20(3), 339–350.