تأثیر بیماری همه گیر Covid-19 بر قیمت نفت خام: شواهدی از رویکرد اکونوفیزیک

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Connect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

خلاصه

در این مقاله ، تجزیه و تحلیل قیمت نفت خام ، دیزل و بنزین برای دوره از اول نوامبر 2019 تا 31 دسامبر 2020 ارائه شده است. ما برای کشف حباب های پویا ، شاخص های حباب Log Termic Pounter-Law (LPPLS) و شاخص های حباب LPPL در مقیاس گسسته را اعمال می کنیم. قیمت نفت و زمان سقوط آنها را پیش بینی کنید. این نتایج حاکی از آن است که نفت خام و نفت خام در غرب تگزاس و نفت خام برنت در دریای نفت خام حباب مالی منفی قابل توجهی را در هنگام شیوع Covid-19 تجربه کردند. علاوه بر این ، قیمت بنزین و دیزل عمدتاً توسط اصول انجام می شود. انتظار می رود یافته های ما برای سرمایه گذاران بازار نفت ، سیاستگذاران و کارشناسان انرژی مفید باشد.

1. معرفی

از دهه 1970 ، قیمت نفت نوسانات پیچیده ای را تجربه کرده است. این نوسانات بیشتر مربوط به وقایع تاریخی مانند جنگ اول و دوم خلیج فارس و بحران مالی جهانی سال 2008 است. دهه گذشته با فروپاشی بازار نفت در سال 2014/2015 مشخص شد که چند سال بعد توسط همه گیرباعث کاهش بی سابقه قیمت ها شد. به تازگی ، در روز دوشنبه ، 21 آوریل 2020 ، قیمت نفت خام ایالات متحده برای اولین بار در تاریخ منفی شد و تولید کنندگان را وادار کرد تا به خریداران بپردازند تا بشکه هایی را که نمی توانند به دلیل بیش از حد نفت ذخیره کنند ، بگیرند. این وضعیت نتیجه مستقیمی از مذاکرات ناکام بین روسیه و سازمان کشورهای صادرکننده نفت (OPEC) برای کاهش تولید روزانه بشکه و کاهش تقاضای نفت به دلیل شیوع COVID-19 است. به طور کلی مصرف انرژی و به ویژه تقاضای نفت ، با خاموش شدن دفاتر و فعالیت های صنعتی با کاهش سفر و محدودیت های کار برای کند شدن گسترش کرونوویروس ، به شدت کاهش یافته است.

با وجود انتقال انرژی اعلام شده در بسیاری از نقاط جهان ، نفت یکی از منابع اصلی انرژی است. نفت خام به ویژه یک دارایی اصلی در بازار کالاها است. قیمت نفت خام طی یک دهه گذشته نوسانات قابل توجهی را به نمایش گذاشته است (Perifanis and Dagoumas ، 2019). علاوه بر این ، تغییرات مشاهده شده در قیمت نفت تأثیر قابل توجهی در بازارهای مالی و اقتصاد واقعی کشورها دارد (لی و همکاران ، 2020). در این خط ، مباحث مربوط به رفتار قیمت نفت مورد توجه دانشگاهیان ، سیاستگذاران و سرمایه گذاران است (کاسپی و همکاران ، 2018). این علاقه حتی هنگامی که قیمت ها از ارزش های اساسی منحرف می شوند و پدیده حباب قیمت مشاهده می شود ، از اهمیت بیشتری برخوردار است. همیشه مهم است که تشخیص حباب های قیمت روغن را زیر سوال ببرید. دلایل اساسی آنها و طول عمر آنها به اطلاع رسانی به مقامات مالی کمک می کند. سپس سیاست گذاران مراقبت می کنند تا از تشکیل حباب ها جلوگیری کنند و از طریق مقررات مناسب ، انفجار نهایی خود را مدیریت کنند.

بخش عمده ای از ادبیات ، عقلانیت سرمایه گذاران را به دلیل انحراف مشاهده شده از قیمت از اصول آنها سؤال می کند (ژانگ و یائو ، 2016). این تحقیق این پدیده را به افزایش رفتار سوداگرانه عوامل مالی ، مرتبط با تأمین مالی بازارهای کالا ، نسبت می دهد. تحقیقات دیگر وجود حباب ها را با تغییرات ناگهانی در عرضه و تقاضا توضیح می دهد (Kilian and Murphy ، 2014). ما این زمینه از ادبیات را با تشخیص قسمت های حباب در بازار نفت در طول همه گیر Covid-19 غنی می کنیم. به طور خاص ، این مطالعه تلاش می کند تا درک کند که آیا بازار نفت در طول همه گیر به طور کارآمد و منطقی رفتار کرده است ، یا اینکه آیا شوک کاهش تقاضا با یک حباب مالی منفی همراه است؟

ما از چند طریق به ادبیات تجربی مربوط به رفتار قیمت نفت کمک می کنیم. در مرحله اول ، ما از 1 نوامبر 2019 تا 31 دسامبر 2020 ، قیمت روزانه نفت خام ، دیزل و بنزین ، نفت خام ، دیزل و بنزین را تجزیه و تحلیل می کنیم. در قیمت نفت ، بلکه ارائه شواهد جدید و روشن برای شوکهای مهم قبلی در قیمت نفت ، به عنوان مثال 2014-2015 ، زیرا این دهه گذشته با افزایش مالی بازارها مشخص شده است. علاوه بر این ، ما رفتار قیمت گذاری دو محصول پایین دست روغن خام ، یعنی دیزل و بنزین را بررسی می کنیم. بنابراین ، ما دو قیمت مرجع نفت خام (ایالات متحده ، اروپا) از مناطق را در نظر می گیریم که به شدت تحت تأثیر این بیماری همه گیر قرار گرفتند. این امر می توان ارزیابی کرد که آیا ظاهر حباب بستگی به محل معامله روغن دارد یا خیر. علاوه بر این ، ما بررسی می کنیم که آیا محصولات خام و تصفیه شده حرکات مشابهی دارند یا خیر. ثانیا ، ما از چندین تکنیک مکمل برای آزمایش حباب های مالی استفاده می کنیم. برای شروع ، ما از آزمون افزوده Dickey-Fuller (SADF) برتر استفاده می کنیم ، آزمون تعمیم یافته Dickey-Fuller (GSADF) (Alola ، 2020) و استراتژی آزمایش انفجاری که توسط فیلیپس و شی (2018) ارائه شده استتشخیص و مهر و موم های دوره های خفیف انفجاری. ما همچنین مدل LPPLS را برای حباب های مالی اعمال می کنیم ، رویکردی که برای اولین بار توسط Soette و همکاران تهیه شده است.(1999) ، یوهانسن و همکاران.(1999) ، و یوهانسن و همکاران.(1999). سپس ، ما Soette و همکاران را اعمال می کنیم.(2015) شاخص های حباب DS LPPLS ، یعنی شاخص های اعتماد به نفس و اعتماد ، به عنوان هشدارهای مؤثر برای شناسایی حباب منفی در دوره شیوع COVID-19.

علاوه بر این ، تمام تکنیک های مورد استفاده ، با وجود تفاوت های روش شناختی ، منجر به نتیجه گیری یکسان می شوند. قیمت نفت از 6 مارس تا 28 آوریل 2020 حباب مالی منفی از نظر آماری را تجربه کرد. آغاز و خاتمه حباب Covid-19 همزمان با خبر COVID-19 یعنی "جنگ قیمت نفت بین عربستان سعودی و روسیه" استو توافق اوپک برای کاهش تولید نفت خام. علاوه بر این ، شاخص های DS LPPLS بر اساس قیمت نفت هشدارهای مؤثر برای تشخیص حباب منفی در دوره شیوع COVID-19 ارائه می دهد.

ادامه مقاله به شرح زیر تدوین شده است. در بخش دوم ، ما در مورد بررسی ادبیات مرتبط بحث می کنیم. در بخش III ، روش ها و تعاریف داده ها را معرفی می کنیم. در بخش چهارم ، نتایج و بحث های تجربی را ارائه می دهیم. در بخش V ، ما یافته های اصلی را خلاصه می کنیم و نتیجه می گیریم.

2. بررسی ادبیات مرتبط

شناخته شده ترین تعریف از حباب در نظر می گیرد که وقتی قیمت یک دارایی از ارزش داده شده توسط اصول منحرف می شود ، حباب وجود دارد (استیگلیتز ، 1990). طبق نظریه انتظارات عقلانی ، وقتی سرمایه گذاران بپذیرند ، قیمت دارایی بیشتر از ارزش اساسی آن می پردازند ، قیمت دارایی افزایش می یابد زیرا معتقدند در آینده قادر به فروش دارایی برای قیمت بالاتر هستند. مفهوم حباب عقلانی برای اولین بار توسط بلانچارد و واتسون (1982) معرفی شد. یکی دیگر از ویژگی های حباب های مالی توسط Brunnermeier (2016) ارائه شده است که توضیح می دهد که حباب ها به طور معمول با افزایش چشمگیر قیمت دارایی همراه هستند و به دنبال آن فروپاشی می شوند.

رشته بزرگی در ادبیات حباب قیمت نفت ایجاد شده توسط گمانه زنی های بازار را توضیح می دهد. طبق گفته های Soette و همکاران.(2009) ، افزایش قیمت نفت بیشتر ناشی از عدم اطمینان است که توسط گمانه زنی ایجاد می شود. Cifarelli و Paladino (2010) نشان دادند که افزایش حدس و گمان بازار ممکن است منجر به تغییرات چشمگیر در ارزش اساسی قیمت ها شود. بنابراین ، نشان داده شده است که حدس و گمان در نوسانات قیمت نفت و تشکیل حباب نقش دارد. نتایج ناریان و همکاران.(2013) نشان می دهد که حجم معاملات فرکانس حباب قیمت سهام را افزایش می دهد. علاوه بر این ، الدر و همکاران.(2013) دریافت که پرش در قیمت نفت توسط عوامل اقتصادی خاص نفت و غیر نفتی هدایت می شود. اخیراً ، عمر و همکاران.(2021) چرخه های حباب را به عنوان زمان فعالیت بیش از حد تعریف می کند و به دنبال آن ترکیدن حباب دارایی و فروپاشی. در نتیجه ، مقامات باید ابزارهای تحلیلی قوی برای تشخیص شروع حباب و مداخله در سراسر آن داشته باشند. Ajmi و همکاران.(2021) دریافت که مشارکت کنندگان اصلی در این رفتار حباب عبارتند از رویدادهای سیاسی ، شوک های تأمین نفت و فعالیت اقتصادی جهانی. سو و همکاران.(2020) مستند كرد كه كاهش شدید تقاضا مستقیماً توسط هزینه مصرف كننده به دلیل بحران اقتصادی ناشی از توسعه اپیدمی Coronavirus ، و همچنین مذاكرات ناموفق روسیه برای كاهش منظم تأمین نفت انجام می شود.

وجود حباب های بازار مالی با تکنیک های بسیاری مورد بررسی قرار گرفته است. سوئیچینگ رژیم مارکوف (MRS) یکی از قدیمی ترین تکنیک های مورد استفاده جامعه علمی است (همیلتون ، 1989 ؛ ون نوردن ، 1996 ؛ لامدینگ و همکاران ، 2013). علاوه بر این ، مدل Autoregressive آستانه حرکت (MTAR) که توسط Engle and Granger (1987) پیشنهاد شده است به طور گسترده ای برای تشخیص حباب های قیمت اعمال شده است. به عنوان مثال ، Bohl (2003) از مدل MTAR برای بررسی حضور حباب های فروپاشی دوره ای در بازار سهام ایالات متحده استفاده می کند. پین و واترز (2007) از همین تکنیک و همچنین آزمایش باقیمانده-ADF برای بررسی دوره های فروپاشی حباب در بازار اعتماد سرمایه گذاری در املاک و مستغلات استفاده می کنند و نتایج آنها به طور دوره ای حباب ها را در حال فروپاشی می کند. روش دیگر برای آزمایش حباب توسط فیلیپس و همکاران ارائه شده است.(2011) ، و فیلیپس و همکاران ، 2015a ، فیلیپس و همکاران ، 2015b. این بر اساس تست های SADF و GSADF است. نویسندگان فاش می کنند که وجود ظریف و تاریخ شروع و فروپاشی آن را مهر می کند. گوتیرز (2011) شاخص NASDAQ و شاخص قیمت خانه Case-Schiller را برای تشخیص ویژگی های حباب با روش bootstrap که به محاسبه تکنیک SADF کمک می کند ، تجزیه و تحلیل می کند. طبق گفته Tsvetanov و همکاران.(2016) ، تکنیک GSADF شواهد قطعی از حباب ها را که از اوایل سال 2004 برای قراردادهای بلوغ طولانی تر شروع می شود ، نشان می دهد. علاوه بر این ، سو و همکاران.(2017) از آزمایشات SADF و GSADF برای تشخیص وجود حباب های متعدد در روغن خام WTI استفاده کنید. با توجه به یافته های تجربی آنها ، بین سالهای 1986 و 2016 شش حباب قیمت نفت وجود داشته است که قیمت نفت از ارزش ذاتی آن براساس اصول بازار منحرف شده است. اخیراً ، غاریب و همکاران.(2021) ، روش شناسی SADF ، GSADF و فیلیپس و شی (2018) را به روغن خام از 4 ژانویه 2010 ، تا 4 مه 2020 به کار بگیرید. روغن و طلای خام. به همین ترتیب ، عمر و همکاران.(2021) چندین حباب در بازار نفت را با استفاده از داده های ماهانه از 2000M01 تا 2020M12 تشخیص دهید و از انواع ابزارهای پیشرفته اقتصاد سنجی مانند تست های ریشه واحد Breakpoint ، مکانیسم تشخیص حباب مبتنی بر احتمال ، SADF ، رویکردهای GSADF بر اساس مونت کارلو و بوت استرپ استفاده کنید. ارزش های. بر اساس روش مبتنی بر احتمال ، نویسندگان هشت مورد از حباب ها را شناسایی کردند که سه مورد از آنها در سال 2020 رخ می دهد ، هنگامی که کره زمین با بحران Covid-19 روبرو بود.

در مقایسه ، تکنیک LPPLS توسط Soette و همکاران ارائه شد.(1999) برای تعیین کمیت روند پویا حباب دارایی و پیش بینی زمان سقوط. طبق گفته ژانگ و یائو (2016) ، مدل LPPLS با تجزیه و تحلیل رشد فوق العاده در مقادیر بازار به همراه نوسانات دوره ای ، حباب دارایی را تشخیص می دهد. Wosnitza و Denz (2013) از قانون برق دوره ای برای بررسی بحران مالی 2000 استفاده می کنند. Filimonov و Soette (2013) از مدل LPPLS برای تشخیص و پیش بینی حباب در شاخص کامپوزیت شانگهای استفاده می کنند. Fantazzini (2016) از قانون قدرت دوره ورود به سیستم برای بررسی حباب قیمت نفت در سال 2014-2015 استفاده می کند. نویسنده وجود حباب مالی منفی را پیدا می کند که قیمت نفت را فراتر از سطح مورد نیاز اقتصاددانان قرار می دهد. چنگ و همکاران.(2018) یک مدل پیش بینی LPPLS بهبود یافته را بر اساس الگوریتم های ژنتیکی چند جمعیت برای پیش بینی نقاط عطف در قیمت های بین المللی نفت پیشنهاد می کند. این یافته ها نشان می دهد که LPPL ها از سه رویکرد آماری بهتر عمل می کنند و پتانسیل بسیار خوبی را برای پیش بینی نقاط عطف آینده فراهم می کنند. علاوه بر این ، آنها همچنین تعیین می کنند که تغییر قیمت نقطه WTI در مارس 2017 هشدار از نقطه عطف قابل توجهی بود که معلوم شد نادرست است. این LPPL پیشرفته این پتانسیل را دارد که ابزاری مهم برای پیش بینی نقاط عطف آینده باشد. علاوه بر این ، از مدل LPPLS به طور گسترده ای برای ارائه حرکت پویا حباب های قیمت در بازارهای سهام استفاده شده است (Brée and Joseph ، 2013 ؛ Wosnitza and Leker ، 2014 ؛ Li ، 2017) ، و دانشمندان بی شماری توانایی قدرتمند آن را در شناسایی حباب ها و پیش بینی ها نشان می دهندزمان سقوط آنها

شاخص های DS LPPLS توسط Soette و همکاران معرفی شدند.(2015). این دو شاخص به طور خلاصه برای ارائه پیش بینی سابق حباب چینی و پشت سر هم که از ژوئن 2015 آغاز شده است ، مورد بحث قرار گرفته است. شاخص های DS LPPLS توسط ژانگ و وانگ (2015) و ژانگ و همکاران استفاده می شود.(2016) برای شناسایی حباب های مثبت و منفی طی دو قرن از شاخص S& P 500. DS LPPL با موفقیت حباب های مثبت و منفی را تشخیص می دهد ، سیگنال های کارآمد در پایان حباب را برای همه حباب های خوب مستند ایجاد می کند و برای اولین بار شواهد آماری جدید حباب ها را برای سایر رویدادها بدست می آورد. دمیر و همکاران.(2019) شاخص اعتماد به نفس چند مقیاس LPPLS را بر اساس شاخص های حباب مبتنی بر LPPLS در شاخص S& P 500 معرفی کنید. نشانگر حباب DS LPPL ها ، که باعث می شود حباب های مثبت و منفی را شناسایی کند ، یک دهانه ارزشمند را ارائه می دهد و به ما امکان می دهد الگوهای پیش بینی رونق بازار و تصادفات را جداگانه بررسی کنیم. با ارز رمزنگاری ، گرلاچ و همکاران.(2019) برای تشخیص حباب های طولانی و کوتاه بیت کوین ، شاخص های اعتماد به نفس چند مقیاس LPPLS را اعمال کنید. شو و زو (2020) یک روش تشخیص سری چند سطحی سازگار بر اساس نشانگر اطمینان DS LPPLS و یک بازه زمانی دقیق تر (از روزانه) برای قیمت بیت کوین ارائه می دهند.

متفاوت از مطالعات قبلی، مطالعه ما به ادبیات در مورد طیف گسترده ای از موضوعات تحقیقاتی، از جمله دوره های حباب و اثرات سرایت در نفت در سراسر جهان، به ویژه در طول اپیدمی COVID-19، اضافه می کند. تحقیق ما از روش تشخیص LPPLS بر اساس شاخص های اطمینان DS LPPLS استفاده می کند که می تواند حباب های مثبت و منفی مطابق با رویدادهای تاریخی شناخته شده را با استفاده از پیش بینی رو به جلو تشخیص دهد و توانایی استثنایی آن را در پیش بینی حباب ها از قبل نشان دهد. مدل LPPLS ترکیبی از فیزیک ریاضی و آماری فازهای انشعاب و گذار، تئوری اقتصادی یک انتظار منطقی و تأمین مالی رفتاری گله معامله گران در فرآیند رشد (یا کاهش) غیرقابل دفاع سریع تر از نمایی است که منجر به بازدهی نامحدود می شود. کوتاه مدت، با یک پاسخ اصلاحی (شو و همکاران، 2021). با توجه به اینکه قیمت دارایی ها ممکن است توسط رفتارهای جمعی معامله گران نویز از طریق سیل انبوه و معاملات تقلیدی بی ثبات شود، مدل LPPLS حباب های مالی را با گرفتن دو ویژگی متمایز از مسیر قیمت که اغلب در رژیم های حباب دیده می شود، تشخیص می دهد. علاوه بر این، شاخص های DS LPPLS مورد استفاده در این مطالعه، بر اساس قیمت نفت، هشدارهای موثری برای تشخیص حباب منفی در طول دوره شیوع COVID-19 ارائه می دهند.

3. داده ها و روش

3. 1. داده ها

مجموعه داده شامل قیمت روزانه نفت خام سبک غرب تگزاس و نفت خام، گازوئیل و بنزین دریای شمال در بازه زمانی از 1 نوامبر 2019 تا 31 دسامبر 2020 است. قیمت های اسمی قیمت های لحظه ای هستند که توسط اطلاعات انرژی ایالات متحده ارائه شده است. اداره (EIA). این نمونه برای تجزیه و تحلیل نوسانات قیمت نفت در طول همه گیری COVID-19 مفید است.

3. 2. مدل های تجربی

برای کشف حباب های پویا قیمت نفت، از دو دسته آزمون استفاده می شود. اولین مورد بر اساس ADF سمت راست با استفاده از پنجره های بازگشتی چرخشی است که در آن فرضیه جایگزین یک فرآیند انفجاری ملایم است. تست های ADF سمت راست به ما امکان می دهند دوره های رفتار انفجاری قیمتی قابل توجه آماری را شناسایی کرده و تاریخ وقوع آنها را مشخص کنیم. آزمایش ها در نظر می گیرند که تشکیل یک حباب پیش نیاز سقوط قیمت است. دسته دوم آزمون ها بر اساس مدل Johansen-Ledoit-Soette (2000) LPPLS است. این مدل نیازی به تشکیل حباب به عنوان پیش نیاز سقوط قیمت ندارد. ما همچنین از Soette و همکاران استفاده می کنیم.(2015) نشانگرهای حباب DS LPPLS. این شاخص های حباب با موفقیت بین حباب های مثبت و منفی بر خلاف روش فیلیپس تمایز قائل می شوند.

3. 2. 1. ADF سمت راست برای تشخیص حباب آزمایش می کند

3. 2. 1. 1. آزمایش برای یک حباب منفرد که به طور دوره ای فرو می ریزد

روش پیشنهادی توسط فیلیپس و همکاران.(2011) به ما امکان می دهد چندین قسمت حباب را شناسایی و مهر تاریخ کنیم. این بر اساس اجرای بازگشتی رگرسیون ADF با استفاده از روش پنجره نورد است. مشخصات تجربی مورد استفاده، رگرسیون ADF زیر است، برای شروع بازه زمانی:

که در آن y t نشان دهنده سری زمانی است، و μ، δ و θ پارامترهایی هستند که با استفاده از OLS تخمین زده می شوند. p حداکثر تعداد تاخیر است.

در رویکرد ارائه شده توسط فیلیپس و همکاران.(2011)، آمار ADF سمت راست در رگرسیون های چندگانه بازگشتی در زیر نمونه های مختلف محاسبه می شود. کسر شروع r 1 و کسر پایانی r 2 از تعداد کل مشاهدات به گونه ای است که 00به کل نمونهفیلیپس و همکارانآزمون (2011) شامل اجرای آزمایش ADF بر روی یک توالی نمونه رو به جلو است. آمار SADF به شرح زیر تعریف می شود:

طبق گفته عمر و همکاران.(2021) استفاده از آمار SADF برای ارزیابی ریشه واحد ضروری است زیرا حباب قیمت دارایی معمولاً متداول است. تست های ریشه واحد معمولی ظرفیت بسیار کمی برای شناسایی چنین حباب هایی دارند در حالی که تکنیک تست ADF SUP یک روش تشخیص حباب نسبتاً کارآمد را در مواجهه با یک یا دو چرخه رونق از مراحل حباب فراهم می کند. این رویکرد همچنین ممکن است شامل شکستگی های ساختاری غیرخطی هنگام تجزیه و تحلیل وقوع حباب های بی شماری باشد. تکنیک SADF از یک پنجره در حال گسترش به جلو برای محاسبه روند انفجاری پی در پی استفاده می کند ، در حالی که پسوند آن ، GSADF ، حباب ها را با استفاده از تمام زیر مجموعه های ممکن از یک سری زمانی که با حداقل اندازه پنجره مشخص شده توسط کاربر ارائه می شود ، ارزیابی می کند.

3. 2. 1. 2. آزمایش برای چندین حباب در حال فروپاشی دوره ای

فیلیپس و همکاران ، 2015a ، فیلیپس و همکاران ، 2015b تست SADF را به آزمایش GSADF گسترش می دهند. این روش مبتنی بر رگرسیون از نوع ADF با استفاده از ویندوزهای تخمین نورد در اندازه های مختلف است. به گفته لی و همکاران.(2020) ، رویکرد GSADF می تواند وجود حباب های متعدد را شناسایی کند ، و شبیه سازی ها نشان می دهد که آزمایش در هنگام وقوع حباب های متعدد ، قدرت تبعیض آمیز را به میزان قابل توجهی بهبود می بخشد. علاوه بر این ، رویکرد GSADF به عنوان یک آزمایش آماری رسمی برای تشخیص حضور حباب دارایی در نظر گرفته می شود ، در حالی که روش های جایگزین سنتی مانند مدل اساسی و رویکردهای تجزیه و تحلیل خوشه ای در درجه اول به قضاوت های مبتنی بر موضوع اصول بازار یا شرایط متوسط متکی است. علاوه بر این ، آزمون GSADF می تواند فعالیت انفجاری را در هر فرکانس داده شناسایی کند. در نتیجه ، از نظر عملکرد ، برای نظارت بر حباب ها نسبت به سایر روشها مفیدتر است (خان و همکاران ، 2021).

این تکنیک به ما امکان می دهد تا حتی در اندازه نمونه های کوچک ، قسمت های حباب چندگانه را شناسایی و تاریخ کنیم. سپس آزمایش GSADF با اجرای تست SADF به طور مکرر برای هر r 2 ∈ [r 0 ، 1] ساخته می شود. آزمون GSADF به شرح زیر است:

3. 2. 1. 3. تست برای مهر و موم کردن حباب های متعدد

ما از تکنیک Bootstrap Phillips و Shi (2018) استفاده می کنیم ، که ترکیبی از دو روش هاروی و همکاران است.(2016) و فیلیپس و همکاران ، 2015a ، فیلیپس و همکاران ، مراحل 2015b. طبق گفته های فیلیپس و شی (2018) ، روش تکنیک های ترکیبی بر اساس پنجره نورد بازگشتی ، یعنی فیلیپس و همکاران ، 2015a ، فیلیپس و همکاران ، روشهای 2015b ، می تواند به شرح زیر باشد:

مرحله 1: تحت فرضیه های تهی ρ = 0 ، معادله زیر را تخمین می زنیم:

جایی که ρ ضریب تخمین است ، μ رهگیری است و γ T خطای رگرسیون است.

مرحله 2: ما یک نمونه بوت استرپ را که توسط عملکرد بیان شده است اجرا می کنیم:

جایی که ∅_jضریب به دست آمده در رگرسیون نصب شده از مرحله 1 با روش معمولی حداقل مربع (OLS) است و ε t B باقی مانده ها هستند.

مرحله 3: ما توالی آماری آزمون PSY را با سری bootstrapped محاسبه می کنیم. حداکثر مقدار آمار آزمون در حال تکامل بازگشتی (فیلیپس ، شی و یو) به شرح زیر بیان شده است:

جایی که τ 0 کسری از کل نمونه است ، و τ B تعداد مشاهدات موجود در قاب است که در آن بعد کنترل می شود.

مرحله 4: برای b = 1 ،… ، 499 ، ما مراحل 2 تا 3 را تکرار می کنیم.

مرحله 5: فرآیند فیلیپس و شی (2018) توسط صدک 95 ٪ ازB = 1 B فرآیند.

3. 2. 2. تکنیک های اکونوفیزیک برای تشخیص حباب ها

متفاوت از رویکرد استاندارد ارائه شده توسط فیلیپس و همکاران ، 2015a ، فیلیپس و همکاران ، 2015b و فیلیپس و شی (2018) ، ما از مدل LPPLS Filimonov و Soette (2013) برای تشخیص حباب های مالی در بازارهای نفت استفاده می کنیم. مدل LPPL نیازی به تشکیل حباب به عنوان پیش نیاز برای سقوط قیمت ندارد (Fantazzini ، 2016). علاوه بر این ، یکی از اصلی ترین مزایای مدل LPPL ، توانایی قدرتمند برای پیش بینی دقیق برای زمان سقوط حباب های بالقوه است ، از این رو پایان دوره نمونه باید قبل از زمان سقوط باشد ، اما تاریخ خاصی لازم نیست.(ژانگ و یائو ، 2016). همچنین ، روش DS LPPLS می تواند در زمان واقعی حباب ها و پیش بینی پیشرفته تصادفات را فراهم کند ، همانطور که توسط شو و همکاران ذکر شده است.(2021) ، شو و زو (2020).

مدل LPPLS پسوند Soette و همکاران است.(1999) ، یوهانسن و همکاران.(1999) ، و یوهانسن و همکاران.(1999) مدل LPPLS:

ln (p (t)) = a + b (t c - t) β + c 1 (t c - t) β cos (ω l n (t c - t)) + c 2 (t c - t) β sin (ω l n (ω l n (t c - t))

در جایی که β شتاب قدرت قانون را کمیت می کند ، Ω فرکانس نوسانات قیمت را در طول حباب نشان می دهد ، و T C به اصطلاح "زمان بحرانی" است که مربوط به انتهای حباب است. به Soette و همکاران مراجعه کنید.(2015) برای اطلاعات بیشتر در مورد مدل و تخمین آن. 1 راه حل های LPPL ها باید تحت شرایط جدول 1 فیلتر شوند.

میز 1

علاوه بر این ، ما از شاخص های حباب DS LPPLS Soette و همکاران استفاده می کنیم.(2015). شاخص های اعتماد به نفس و اعتماد به نفس DS LPPLS برای ارزیابی عملکرد پیش بینی زمان واقعی حباب ها بر اساس تکنیک های کوچک پنجره مفید هستند.

شاخص اطمینان DS LPPLS حساسیت الگوی حباب مشاهده شده را به مقیاس زمانی [T 1 ، T 2] اندازه گیری می کند که Fantazzini (2016) و Soette و همکاران را برآورده می کند.(2015) شرایط فیلتر 1 در جدول 1. در مقابل ، نشانگر اعتماد DS LPPLS حساسیت توسعه حباب را به LPPLS اندازه گیری می کند که Fantazzini (2016) را برآورده می کند و Soette و همکاران.(2015) شرایط فیلتر 2 در جدول 1.

Fantazzini (2016) 2 شرایط فیلتر در زیر گزارش شده است:

برای حباب منفی: 0<β ˆ <1 , B ˆ>0 et b ˆ ≡ - b β - |ج |β 2 + ω 2 ≤ 0 و باقیمانده های LPPLS در سطح 5 ٪ ثابت هستند (با استفاده از آمار آزمون KPSS).

4. نتایج و بحث

4. 1تجزیه و تحلیل اولیه

ما از 1 نوامبر 2019 ، تا 31 دسامبر 2020 ، روزانه WTI و برنت نفت خام ، دیزل و بنزین را تجزیه و تحلیل می کنیم. همانطور که در شکل 1 نشان می دهد ، اولین نشانه وجود حباب در بازارهای نفتی وجود دارد که نشانگر یک دوره استاز کاهش در اوایل سال 2020. آمار توصیفی در جدول 2 همچنین نشان می دهد که تمام سری قیمت های نفت ثابت نیستند و توزیع عادی را رد می کنند.