مدل‌سازی پویایی‌های ریسک سیستماتیک در بازارهای مالی ایران: چارچوب یکپارچه چندرژیمی مبتنی بر ARIMA، DCC GARCH، GMM و مارکوف سوئیچینگ

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشیار گروه مدیریت،دانشکده علوم اجتماعی و اقتصاد،دانشگاه الزهرا،تهران

2 دانشجوی دکتری مالی-بانکداری ،دانشکده علوم اجتماعی و اقتصاد،دانشگاه الزهرا،تهران

چکیده

هدف: در این پژوهش، طراحی و ارائه یک چارچوب ترکیبی پیشرفته برای مدل‌سازی پویایی‌های ریسک سیستماتیک در بازارهای مالی ایران مد نظر قرار گرفته است. اقتصاد ایران به‌دلیل ماهیت ساختاری شکننده، نوسانات شدید سیاسی-اقتصادی و تغییرات ناگهانی در سیاست‌های پولی و ارزی، زمینه‌ای ایده‌آل برای بررسی تأثیر متقابل دارایی‌های مختلف و نحوه انتقال ریسک در رژیم‌های رفتاری گوناگون فراهم می‌کند. در چنین بستری، وابستگی‌ها و شدت انتقال شوک‌های مالی در دوره‌های کم‌نوسان، نیمه‌بی‌ثبات و بحرانی کاملاً متفاوت است. بنابراین، هدف اصلی مطالعه حاضر، تحلیل ساختار وابستگی و انتقال ریسک میان سه دارایی کلیدی(طلا، نرخ ارز آزاد (دلار آمریکا) و شاخص کل بورس اوراق بهادار تهران)در قالب یک چارچوب چندسطحی و چندمدلی است؛ به‌طوری که بتوان با دقت بیشتری رژیم‌های رفتاریِ پنهان را شناسایی و میزان ریسک سیستمیک را تحت شرایط مختلف بازار اندازه‌گیری کرد.

روش‌: در گام نخست، سری‌های زمانی بازده روزانه سه دارایی یادشده با استفاده از مدل‌های ARIMA پالایش شدند تا مؤلفه‌های روندی و خودهمبستگی‌های خطی حذف شوند و سری‌های باقیمانده تنها متغیرهای تصادفی و غیرخطی را در خود جای دهند. سپس برای هر سری از مدل GARCH(1,1) جهت برآورد و پیش‌بینی نوسانات شرطی (Conditional Volatility) بهره گرفته شد. در مرحله سوم، به‌منظور استخراج ماتریس همبستگی‌های شرطی پویا میان دارایی‌ها، مدل DCC-GARCH به‌کار رفت. برای شناسایی تغییرات ساختاری رفتار بازار و جدا کردن دوره‌های کم‌نوسان از پرنوسان، دو روش مکمل استفاده شد: اول، مدل مارکوف سوئیچینگ با قابلیت تقسیم‌بندی زمان به رژیم‌های نوسان پایین و نوسان بالا بر مبنای احتمال‌های انتقال (Transition Probabilities)، و دوم، مدل ترکیب گاوسی (GMM) که با تحلیل خوشه‌ای داده‌ها، هر مشاهده را به‌صورت احتمالاتی به چند رژیم رفتاری منسوب می‌سازد. در نهایت، با محاسبه شاخص ارزش در معرض ریسک شرطی (COVAR) برای هر جفت‌دارایی در هر رژیم رفتاری، شدت ریسک سیستماتیک و میزان انتقال شوک‌ها به شکلی جامع بررسی شد.

یافته‌ها: تحلیل داده‌های روزانه دوره ۱۳۹۴–۱۴۰۳ نشان داد شدت و ساختار انتقال ریسک سیستمیک در بازارهای مالی ایران کاملاً به رژیم رفتاری بازار بستگی دارد. در رژیم‌های «آرام»، همبستگی‌های شرطی بین طلا و دلار و نیز میان طلا و شاخص بورس به زیر ۰٫۳ کاهش یافته و متوسط COVARها کمتر از ۰٫۱۵ است، اما با افزایش نوسانات به سطح «نیمه‌بی‌ثبات»، این مقادیر به حدود ۰٫۴ تا ۰٫۵ می‌رسند. در «بحران» ساختار چهاررژیمی، همبستگی طلا–دلار به بیش از ۰٫۸ و طلا–بورس به بیش از ۰٫۳ افزایش یافت و COVAR طلا⇄دلار تا ۰٫۷۸ و طلا⇄بورس تا ۰٫۳۰ بالا رفت که نشانگر پدیده «فرار به ارز» و «فرار به طلا» در اوج تنش‌هاست. همچنین، روابط دلار⇄بورس و دلار⇄طلا در رژیم‌های میانی نه‌تنها سیگنال‌های هشدار اولیه از افزایش ریسک می‌دادند، بلکه گاهی در برخی دوره‌های ظاهراً آرام، COVAR بالاتری نسبت به رژیم‌های نیمه‌بی‌ثبات ثبت می‌شد؛ پدیده‌ای که می‌تواند منعکس‌کننده انتظارات منفی پنهان یا سیاست‌گذاری ناپایدار باشد. به‌طور کلی، ترکیب DCC-GARCH، مارکوف سوئیچینگ و GMM امکان تفکیک دقیق‌تر رژیم‌ها و سنجش توانایی ریسک را فراهم ساخت و نشان داد که رفتار غیرخطی و چندلایه انتقال ریسک باید در تحلیل ریسک سیستمیک اقتصادهای ناپایدار مد نظر قرار گیرد.

نتیجه‌گیری: این پژوهش تأکید می‌کند که در اقتصادهایی با نوسانات ساختاری و سیاسی-اقتصادی شدید، استفاده از چارچوب‌های رژیم‌محور و پویا برای تحلیل ریسک سیستمیک الزامی است. این چارچوب نه‌تنها قابلیت شناسایی زودهنگام دوره‌های پرخطر و میان‌بحرانی را دارد، بلکه می‌تواند به‌عنوان ابزاری کارا برای سیاست‌گذاران، نهادهای نظارتی و سرمایه‌گذاران حرفه‌ای در طراحی سیاست‌های کلان، تخصیص بهینه سرمایه و مدیریت ریسک سیستماتیک به‌کار رود.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling Systemic Risk Dynamics in Iranian Financial Markets: A Multi Regime Framework Integrating ARIMA, DCC GARCH, GMM, and Markov Switching Models

نویسندگان [English]

  • Mohammad Reza Rostami 1
  • Mohadese Nasehi Pour 2
1 Associate Professor, Department of Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran
2 Ph.D. Candidate in Finance–Banking, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran
چکیده [English]

Purpose: This study develops an advanced hybrid framework to model the dynamics of systemic risk in Iran’s financial markets. In structurally fragile economies characterized by acute political and economic volatility—as in Iran—the interdependencies among key assets and the intensity of risk spillovers vary significantly across different market behavior regimes. Consequently, the primary objective of this research is to analyze both the dependency structure and the transmission mechanisms of systemic risk across three major assets—gold, the free-market USD/IRR exchange rate, and the overall index of the Tehran Stock Exchange—within distinct behavioral regimes. To achieve this, we integrate multiple modeling approaches, enabling rigorous identification of latent regimes and precise measurement of systemic risk under varying market conditions.

Method: The proposed framework consists of five sequential stages. First, daily return series for the three assets were filtered through ARIMA models to remove linear trends and autocorrelations, isolating non-linear residuals. Second, GARCH(1,1) was employed on each series to estimate conditional volatilities. Third, DCC-GARCH was applied to capture time-varying conditional correlations between asset pairs. To detect regime shifts and structural breaks in market behavior, two complementary techniques were utilized: the Markov Switching model, which classifies observations into low- and high-volatility regimes based on transition probabilities, and the Gaussian Mixture Model (GMM), which probabilistically clusters observations into three behavioral regimes—tranquil, semi-unstable, and crisis—according to their statistical features. Finally, the Conditional Value-at-Risk (COVAR) metric was computed for each asset pair within each identified regime, providing a comprehensive assessment of systemic risk transmission intensity.

Findings: Analysis of daily data from March 21, 2015 to March 20, 2024 reveals that the intensity and structure of systemic risk transmission in Iran’s financial markets are highly regime-dependent. In the “tranquil” regime, conditional correlations between gold and the USD/IRR exchange rate, as well as between gold and the Tehran Stock Exchange (TSE) index, fall below 0.30, and average CoVaR values remain under 0.15. As volatility rises into the “semi-unstable” regime, these measures increase to roughly 0.40–0.50. During the “crisis” regime, gold–USD/IRR correlation exceeds 0.80 while gold–TSE correlation surpasses 0.30; COVAR for the gold⇄USD pair peaks at 0.78 and for gold⇄TSE at 0.30, reflecting flight-to-safety flows into currency and precious metals at times of acute stress. Notably, exchange rate⇄equity and exchange rate⇄gold linkages in intermediate regimes not only serve as early warning indicators but occasionally exhibit higher COVAR values in ostensibly tranquil periods than in semi-unstable ones—an outcome indicative of latent negative expectations or erratic policy shifts. Overall, integrating DCC-GARCH, Markov Switching, and GMM enabled a more granular regime classification and precise measurement of risk spillovers, underscoring the necessity of accounting for nonlinear, multi-layered contagion effects when analyzing systemic risk in volatile economies.

Conclusion: This study emphasizes that in economies marked by structural fragility and severe political–economic volatility, employing regime-sensitive and dynamic frameworks is essential for systemic risk analysis. This framework not only enables the early identification of high-risk and intermediate-risk periods but also serves as an effective tool for policymakers, regulatory authorities, and professional investors in designing macroprudential policies, optimizing capital allocation, and managing systemic risk.

کلیدواژه‌ها [English]

  • Systemic risk
  • Dynamic conditional correlation
  • Markov switching
  • Gaussian Mixture Model
  • Conditional Value at Risk