دانشگاه شهید بهشتی چشم انداز مدیریت مالی 2645-4637 16 1 2026 04 21 Analyzing the Dependence Structure among Industries Listed on the Tehran Stock Exchange: Evidence Based on Vine Copulas بررسی ساختار وابستگی میان صنایع فعال در بورس تهران: شواهدی بر پایه کاپیولاهای واین 132 167 107260 10.48308/jfmp.2026.242449.1553 FA الهام فرزانگان استادیار اقتصاد، دانشگاه بوعلی سینا، مجتمع آموزش عالی نهاوند (ویژه دختران)، همدان، ایران. 0000-0002-3725-3189 Journal Article 2025 11 12 Introduction: Understanding the dynamic interdependence among industries within stock market indices is crucial for investment decision-making and the design of economic policies. The Pearson correlation coefficient only captures linear dependence. However, the return distribution of financial variables is not elliptical. Moreover, extreme events occurring in the tails of the distribution during crisis periods can rapidly propagate across financial markets, leading to stronger interdependence, which necessitates the use of more advanced and sophisticated models. It is noteworthy that copula-based models enable the modeling of nonlinear dependencies using flexible choices of marginal distributions. Among the various families of copulas, vine copulas allow for flexible modeling of complex dependence structures by utilizing a wide class of bivariate copulas. The interdependence of individual stock returns is depends on the dependence between different sectors of the stock market. Therefore, it is essential to understand tail dependence across sectors, as each sector often responds differently to economic circumstances. The aim of this study is to reveal the dependence structure of 70 stocks across 10 industries using C-vine, R-vine, and D-vine models. Methods: In this paper, a ARMA-EGARCH (1,1) model with Student-t innovations is employed for the marginal distributions. To define copula data, the cumulative distribution function (CDF) corresponding to the Student-t distribution is employed as a probability integral transform. Next, copula functions are selected using the marginal data, and vine structures are developed. In this paper, parameters are estimated using the sequential estimation (SE) method and the joint maximum likelihood estimation (MLE). Results and discussion: The root nodes or industry representatives in the R-vine trees are as follows: Seshahed represents the real estate development industry; Vaomid serves as the representative of the industrial conglomerates sector, while Desobha represents the chemicals and pharmaceutical products sector; Kegol represents the metal ore extraction industry, while Femeli is considered the representative of the basic metals industry; Automobile and auto parts companies are represented by Khazin, while Beterans serves as the representative of companies active in the machinery and electrical equipment industry. The investment industry, the chemical products industry, and the cement, lime, and plaster industry are represented by Pardis, Sharak, and Ceshomal, respectively. The dependence among industry representatives in the R-vine specification is extracted. Furthermore, Node 1 plays a central role among various firms in the chemicals and pharmaceutical products, basic metals, automotive and auto parts, and investment industries. The results also confirm that R-vine models are preferred over D-vine and C-vine models. Conclusions: According to the results, the first hypothesis—“The dependency structure among industries listed on the Tehran Stock Exchange does not follow a symmetric (normal) pattern and exhibits tail dependence”—is supported. The dependency structure among the ten industry representatives is modeled using various copula families, including the BB8 and survival BB8 copulas. According to the findings, the second hypothesis—“The interconnections among industries listed on the Tehran Stock Exchange possess a multilayered and network-based nature and cannot be reduced to a purely centralized (C-vine) or chain-like (D-vine) structure”—is also supported. The empirical superiority of the R-vine model confirms the hypothesis of networked and multi-source interdependencies within the Tehran Stock Exchange, which is consistent with the structural characteristics of the Iranian economy. In emerging markets such as the Tehran Stock Exchange, dependencies often arise from multiple sources of risk (e.g., exchange rate fluctuations, commodity price shocks, and monetary policy). The economic structure is diversified yet imbalanced, and shocks may propagate simultaneously through multiple transmission channels. R-vine models exhibit superior explanatory power and goodness of fit in modeling inter-industry dependencies compared to C-vine and D-vine structures. In the context of the Tehran Stock Exchange—where dependencies are heterogeneous, shock transmissions occur with varying intensities, and ownership structures follow distinctive patterns—the R-vine framework provides a more flexible and better-fitting representation of inter-industry dependence dynamics. From an economic perspective, the superiority of the R vine model suggests that shock transmission in the Tehran Stock Exchange does not occur through a single pathway or via a dominant industry. Rather, different industries—depending on their positions within the dependency network—play distinct roles in either absorbing or transmitting risk. This finding is consistent with the structure of the Iranian economy, which is simultaneously influenced by factors such as exchange rate movements, global commodity prices, domestic policies, and institutional constraints. Consequently, the co movement of industries in the Tehran Stock Exchange should be understood as the outcome of interactions among multiple sources of risk, rather than merely a response to a single common factor. هدف: درک وابستگی پویای بین صنایع در میان شاخص‌های سهام برای تصمیم‌گیری‌های سرمایه‌گذاری و طراحی سیاست‌های اقتصادی بسیار حیاتی است. ضریب همبستگی پیرسون تنها وابستگی خطی را نشان می‌دهد. بااین‌حال، توزیع بازده متغیرهای مالی بیضوی نیست. بعلاوه اینکه که رویدادهای شدید در دنباله توزیع که در دوران بحران رخ می‌دهند می‌توانند به‌سرعت در میان بازارهای مالی گسترش یابند و منجر به وابستگی متقابل شدیدتر شوند که نیازمند به‌کارگیری مدل‌های پیچیده‌تر و پیشرفته‌تر است. قابل‌توجه است که مدل‌های مبتنی بر کاپیولا امکان مدل‌سازی وابستگی غیرخطی با استفاده از هر توزیع حاشیه‌ای دلخواه را فراهم می‌کنند. در میان خانواده‌های مختلف کاپیولا، درخت‌های واین امکان مدل‌سازی انعطاف‌پذیر وابستگی‌ها با استفاده از طیف وسیعی از کاپیولاهای دومتغیره، را فراهم می‌کنند. وابستگی متقابل بازده‌های سهام فردی اغلب تحت تأثیر وابستگی بین بخش‌های بازار سهام شکل می‌گیرد؛ بنابراین، ضروری است که وابستگی دنباله‌ای در بین بخش‌های مختلف درک شود، زیرا هر بخش اغلب به شرایط اقتصادی به شکل متفاوتی واکنش نشان می‌دهد. هدف این مطالعه، آشکار ساختن ساختار وابستگی 70 سهام در 10 صنعت با استفاده از مدل‌های C-واین، R-واین و D-واین است. روش: در این مقاله از مدل ARMA-EGARCH(1,1) با نوآوری‌های student-t، برای توزیع‌های حاشیه‌ای استفاده می‌شود. برای تعریف داده‌های کاپیولا، تابع توزیع تجمعی (CDF) مربوط به توزیع student-t را به‌عنوان تبدیل انتگرالی احتمال به کار می‌بریم. گام بعدی، شامل انتخاب توابع کاپیولا با استفاده از داده‌های حاشیه‌ای و توسعه ساختارهای واین است. در این مقاله، پارامترها با استفاده از روش برآورد ترتیبی (SE) و حداکثر راستنمایی مشترک (MLE) محاسبه می‌شوند. یافته‌ها: گره‌های ریشه‌ای یا همان نمایندگان صنایع در درخت‌های R-واین استخراج گردیدند. وابستگی میان نمایندگان صنایع در مشخصه R-واین به‌صورت زیر است: شرکت شماره 1 از صنعت انبوه‌سازی املاک و مستغلات، شرکت شماره 8 از صنعت سرمایه‌گذاری‌ها و شرکت شماره 6 از صنعت خودرو و ساخت قطعات به عنوان گره‌های ریشه در شبکه وابستگی شناسایی شده‌اند. گره 1 نقش مرکزی در میان سایر شرکت‌های صنعت مواد و محصولات دارویی، صنعت فلزات اساسی، صنعت خودرو و ساخت قطعات و صنعت سرمایه‌گذاری‌ها دارد. نتایج همچنین تائید می‌کنند که مدل‌های R-واین در مقایسه با مدل‌های C-واین و D-واین ترجیح داده می‌شوند. نتیجه‌گیری: برطبق نتایج، فرضیه اول ”ساختار وابستگی میان صنایع بورس تهران از الگوی متقارن (نرمال) پیروی نمی‌کند و دارای وابستگی دُمی است.“ پذیرفته می‌شود ساختار وابستگی میان 10 نماینده صنایع توسط انواع متنوع خانواده‌های کاپیولا از جمله survival BB8 و BB8، مدل‌سازی شده است. فرضیه دوم ”پیوندهای متقابل میان صنایع بورس تهران ماهیتی چندلایه و شبکه‌ای دارد و نمی‌توان آن را به یک ساختار صرفاً مرکزگرا (C-واین) یا زنجیره‌ای (D-واین) فروکاست.“ نیز پذیرفته می‌شود زیرا یافته‌های تحقیق مبنی بر برتری مدل R-واین، فرضیه پیوندهای متقابل شبکه‌ای و چند منبعی در بورس تهران را تأیید می‌کند که این موضوع با ساختار اقتصادی ایران همخوانی دارد. درواقع، در بازار نوظهور بورس تهران، وابستگی‌ها اغلب ناشی از چندین منبع ریسک (ارز، کالا، سیاست پولی) هستند؛ ساختار اقتصادی متنوع اما نامتوازن است؛ و شوک‌ها می‌توانند از مسیرهای مختلف و به‌صورت هم‌زمان منتقل شوند. مدل‌های R-واین در مقایسه با ساختارهای C-واین و D-واین، قدرت تبیین و برازش بالاتری برای مدل‌سازی وابستگی میان‌صنعتی دارند. در واقع، در بورس تهران که در آن وابستگی‌ها ناهمسان، انتقال شوک‌ها با شدت‌های متفاوت صورت می‌گیرد و از ساختار مالکیتی خاص پیروی می‌کند، مدل R-واین، قدرت تبیین و برازش بالاتری برای مدل‌سازی وابستگی میان‌صنعتی دارند. از منظر اقتصادی، برتری R-vine نشان می‌دهد که انتقال شوک در بورس تهران از یک مسیر واحد یا از طریق یک صنعت غالب انجام نمی‌شود، بلکه صنایع مختلف بسته به جایگاه خود در شبکه وابستگی، نقش‌های متفاوتی در جذب یا انتشار ریسک ایفا می‌کنند. این موضوع با ساختار اقتصاد ایران، که تحت تأثیر هم‌زمان متغیرهایی همچون نرخ ارز، قیمت‌های جهانی کالاها، سیاست‌های داخلی و محدودیت‌های نهادی قرار دارد، همخوانی دارد. بنابراین، رفتار مشترک صنایع در بورس تهران را باید حاصل برهم‌کنش چندین منبع ریسک دانست، نه صرفاً واکنش به یک عامل مشترک.

https://jfmp.sbu.ac.ir/article_107260_2ab467602dce59cb520f594f69ba8c3d.pdf