نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه علم و صنعت ایران

2 دانشجوی دکتری مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه علم و صنعت

چکیده

ریسک قیمت نفت خام برای کشورهای صادرکننده نفت از جایگاه ویژه­ای برخوردار است، بنابراین وجود مکانیزمی برای پوشش ریسک قیمت نفت در این کشورها اهمیت بالایی دارد. از جمله ابزارهای شناخته شده برای محاسبه ریسک قیمت، ارزش در معرض ریسک است. در این مقاله، سعی می­شود تا با استفاده از معیار ارزش در معرض ریسک، مکانیزمی برای مدیریت ریسک درآمدهای نفتی ایران طراحی گردد، بدین منظور از مدل­های واریانس ناهمسان شرطی GARCH، CGARCH و EGARCH با توابع توزیع چگالی مختلف برای محاسبه ارزش در معرض ریسک نفت خام اپک در طول دوره 6 اکتبر سال 2005 تا 29 آگوست سال 2015، استفاده شده است. نتایج مطالعه نشان می­دهد که از نظر معیارهای سنجش خطای پیش­بینی، مدل CGARCH با توزیع تی استیودنت در پیش­بینی تلاطم عملکرد بهتری داشته است، بر این اساس، پس از انتخاب مدل مناسب، مقادیر ارزش در معرض ریسک برای طراحی مکانیزم پوشش ریسک مورد استفاده قرار گرفته و با استفاده از داده­های تولید نفت ایران، برای سال 2014 این مکانیزم پیاده­سازی شده است. نتایج نشان داد که بر مبنای مکانیزم پیشنهادی، علاوه بر پوشش ریسک کاهش قیمت، مدل با مازاد درآمد مواجه خواهد بود.

کلیدواژه‌ها

عنوان مقاله [English]

Application of Value at Risk in Risk Management of Oil Revenue in Iran

نویسندگان [English]

  • Saeed Shavvalpour 1
  • Armin Jabbarzadeh 1
  • Hossein Khanjarpanah 2

1 Assistant Professor, Faculty of Social Systems Engineering Science & Technology, Science & Technology University

2 PhD. Student in Industrial Engineering, Science & Technology University

چکیده [English]

Crude oil price risk is crucial for oil exporting countries. Consequently, developing a risk hedging mechanism has great importance for these countries. Given that Value at Risk (VaR) is one of the most powerful tools for evaluating price risk, this paper has tried to design a mechanism for risk management of Iranian oil revenues using the VaR measure. In this regard, Autoregressive Conditional Heteroskedasticity models including GARCH, CGARCH and EGARCH with different destiny distribution functions are utilized for calculating VaR of OPEC crude oil price in the period of 6 October 2005 to 29 August 2015. The results show that CGARCH model with t-student distribution outperforms the other methods in terms of forecast error measures. The implementation of CGARCH model with using the data of Iranian oil production in 2014 reveals that the proposed model can lead to a significant surplus income.
 

کلیدواژه‌ها [English]

  • : Value at Risk
  • crude oil
  • CGARCH
  • Foreign Exchange Reserve Funds

مدلسازی کاربرد ارزش مخاطره­ای در مدیریت ریسک نوسانات درآمد نفت در ایران

سعید شوال­پور[1]، آرمین جبارزاده[2]، حسین خنجرپناه[3]

تاریخ دریافت: 18/09/1394                                              تاریخ پذیرش:16/12/1395

 

چکیده

ریسک قیمت نفت خام برای کشورهای صادرکننده نفت از جایگاه ویژه­ای برخوردار است، بنابراین وجود مکانیزمی برای پوشش ریسک قیمت نفت در این کشورها اهمیت بالایی دارد. از جمله ابزارهای شناخته شده برای محاسبه ریسک قیمت، ارزش در معرض ریسک است. در این مقاله، سعی می­شود تا با استفاده از معیار ارزش در معرض ریسک، مکانیزمی برای مدیریت ریسک درآمدهای نفتی ایران طراحی گردد، بدین منظور از مدل­های واریانس ناهمسان شرطی GARCH، CGARCH و EGARCH با توابع توزیع چگالی مختلف برای محاسبه ارزش در معرض ریسک نفت خام اپک در طول دوره 6 اکتبر سال 2005 تا 29 آگوست سال 2015، استفاده شده است. نتایج مطالعه نشان می­دهد که از نظر معیارهای سنجش خطای پیش­بینی، مدل CGARCH با توزیع تی استیودنت در پیش­بینی تلاطم عملکرد بهتری داشته است، بر این اساس، پس از انتخاب مدل مناسب، مقادیر ارزش در معرض ریسک برای طراحی مکانیزم پوشش ریسک مورد استفاده قرار گرفته و با استفاده از داده­های تولید نفت ایران، برای سال 2014 این مکانیزم پیاده­سازی شده است. نتایج نشان داد که بر مبنای مکانیزم پیشنهادی، علاوه بر پوشش ریسک کاهش قیمت، مدل با مازاد درآمد مواجه خواهد بود.

 

واژگان کلیدی:ارزش در معرض ریسک؛ نفت خام؛ CGARCH؛ صندوق­های ذخیره ارزی.

طبقه­بندی JEL: Q47، P48، C01.

1- مقدمه

مدیریت ریسک در بردارنده مفاهیم و ابزارهایی است که برای ارزیابی، اندازه­گیری و مدیریت کردن ریسک­های مختلف برای یک سبد دارایی یا قیمت کالاهای مختلف، استفاده می­شود (صادقی و شوال­پور، 2006). نفت خام از جمله مهم­ترین منابع انرژی می­باشد که اقتصاد بسیاری از کشورهای دنیا تحت تاثیر آن قرار دارد. از آنجا که قیمت نفت یکی از ورودی های اصلی مدل های کلان اقتصادی است، نوسانات این متغیر، همواره از اهمیت بالایی برای کشورهای صادرکننده و واردکننده نفت برخوردار بوده است. به این ترتیب، نفت خام بر متغیرهایی مانند رشد اقتصادی و تورم (هوانگ و همکاران[4]، 2005؛ لاردیک و میگنون[5]، 2006)، بازارهای انرژی (بیهار و هاموری[6]، 2005؛ اوینگ و همکاران[7]، 2006) و بازارهای مالی (سادورسکی[8]، 2003؛ اوینگ و تامپسون[9] 2007؛ پینکدیک[10]، 2001) تأثیر بالایی دارد. در دهه­های اخیر و با توسعه و گسترش بازارهای مهمی از جمله بازار نفت خام، قیمت جهانی نفت خام با تلاطم[11] زیادی همراه بوده است. از جمله این تغییرات شدید قیمت می­توان به رشد قیمت تا 148 دلار در هر بشکه در ماه جولای سال 2008 اشاره کرد که پس از آن در اواخر دسامبر، به 40 دلار در هر بشکه افت پیدا کرد. این ریسک­های قیمتی که بر اساس شوک­های مختلف به این بازار وارد می­گردد، می­تواند اقتصاد کشورهای بسیاری را تحت تأثیر خود قرار دهند.

ریسک، تعاریف مختلفی دارد و معیارهای متفاوتی نیز برای سنجش آن پیشنهاد و به کارگرفته شده است. یکی از معیارهای پرریسک بودن متغیرهای اقتصادی، تلاطم بالای این متغیرهاست. این شاخص پراکندگی بازده یک سری زمانی را نشان می­دهد و بدین ترتیب برای محاسبه ارزش در معرض ریسک نیز از این شاخص استفاده می­شود. درآمدهای حاصل از نفت در اقتصاد کشورها و به خصوص اقتصاد ایران، نقش بسیار مهمی دارند و بدین ترتیب تلاطم دلارهای حاصل از نفت، تأثیرات قابل ملاحظه­ای بر اقتصاد ایران دارد. تولید ناخالص داخلی در سال­های 1347 تا 1379، با نرخ %12/5 رشد کرده است، در صورتی که اگر تلاطم درآمدهای نفتی به صفر می­رسید، این نرخ به %905/6 می­رسید (ابراهیمی و سوری، 1384). بدین صورت، تلاطم درآمدهای نفتی را می­توان مهمترین ریسک­های اقتصاد کلان کشور دانست (ابراهیمی و قنبری، 1385).

با توجه به اینکه مدل­های واریانس ناهمسان شرطی[12] (ARCH) از جمله مهم­ترین مدل­های توسعه­یافته برای مدلسازی تلاطم به شمار می­آیند، در این مقاله تلاش می­شود، با بهره­گیری از این مدلها، شاخصی برای اندازه­گیری ریسک نوسانات قیمت نفت ارائه شود. همچنین، بر اساس محاسبه ارزش در معرض ریسک نفت­ اوپک[13] و تولید نفت توسط ایران، مکانیزمی ارائه گردد تا ریسک­های موجود در بازار نفت را مدیریت کرد. ارزش در معرض ریسک از طریق روش­های واریانس ناهمسان شرطی در این مطالعه، برآورد خواهند شد. محاسبه تلاطم با استفاده از مدل­های خانواده واریانس ناهمسان شرطی از جمله GARCH، CGARCH و EGARCH انجام می­گیرد و با توجه به اهمیت توزیع چگالی به کار رفته در این مدل­ها، برآورد این مدل­ها با استفاده از سه توزیع نرمال، تی-استیودنت[14] و توزیع خطای تعمیم­یافته[15] (GED) انجام خواهد گرفت و سپس برای دوره­های 1هفته و 1ماهه، پیش­بینی تلاطم به صورت برون­نمونه­ای انجام می­شود تا بهترین مدل برای برآورد ارزش در معرض ریسک از طریق معیارهای سنجش خطا انتخاب گردد. ساختار مقاله به این صورت است که در بخش دوم، ابتدا در مورد مبانی نظری و پیشینه پژوهش مطالبی ارائه خواهد شد. پس از آن در بخش سوم، به بیان مدل­های مورد بررسی پرداخته خواهد شد. ارائه نتایج عددی و مطالعه مدل­ها با استفاده از داده­های روزانه بازده در بخش چهارم انجام می­شود و در نهایت، در بخش پنجم به بحث و نتیجه­گیری و ارائه پیشنهادات برای تحقیقات آتی پرداخته خواهد شد.

2- مبانی نظری و پیشینه پژوهش

منابع انرژی و معدنی، موهبتی است که قرار گرفتن آن­ها در هر کشوری می­تواند ذخایر و دارایی­های زیادی را برای آن کشور به همراه داشته باشد. بنابراین این انتظار وجود دارد که کشورهای دارای منابع انرژی و معدنی از نظر اقتصاد و رفاه دارای شرایط مناسبی باشند. با توجه به نظریات روستو[16] (1960)، می­توان بیان کرد که درآمد حاصل از صادرات انرژی و مواد معدنی، یک فرصت مناسب را برای سرمایه­گذاری در واحدهای تولیدی مناسب و برنامه­هایی که باعث پیشرفت کشور می­شوند، مهیا می­کند. بر اساس برخی از نظریات اقتصادی، برای افزایش تولید آتی باید سرمایه­گذاری را افزایش داد و بر اساس این ایده، نظریه "بنیادگرایی سرمایه­داری" شکل می­گیرد. این نظریه برآن اشاره دارد که علت اصلی تفاوت سطح تولید ملی، تفاوت در ذخیره سرمایه می­باشد.

برخلاف نظرات اولیه، پژوهش­های زیادی نشان داد که متکی بودن به منابع باعث رشد اقتصادی کمتری می­شود. اولین کسانی که در این موضوع مطالعات خود را ارائه نمودند، پربیش[17] (1950) و سینگر[18] (1950) بودند. آن­ها بر این باور بودند که صادرکنندگان مواد اولیه از مبادله با کشورهای صنعتی دچار زیان خواهند شد، چرا که شرایط مبادله برای آن­ها بدتر می­شود. پس از آن مطالعات زیادی در زمینه نفت انجام گردید، تا اینکه در دهه 1990، محققان به این نتیجه رسیدند که کشورهای صادرکننده، نتوانسته­اند درآمدهای منابع خود را برای فایده رساندن به جامعه خود به کار ببرند. در نتیجه نظریه "نفرین منابع" مطرح گردید. نفرین منابع به شرایطی گفته می­شود که کشوری با وجود در اختیار داشتن منابع طبیعی فراوان، رشد اقتصادی و دستاوردهای توسعه­ای کمتری نسبت به کشورهای با منابع طبیعی کمتر دارد. اما در جواب این­که چرا نفرین منابع ایجاد می­گردد، مکانیزم­های مختلفی معرفی شده است که از جمله مهمترین این مکانیزم­ها می­توان به پدیده بیماری هلندی و ماهیت پرنوسان یا ریسکی بودن قیمت منابع اشاره کرد.

بیماری هلندی، پس از کشف میدان گازی در هلند شناخته شد. این بیماری به تبع افزایش درآمد حاصل از فروش منابع هیدروکربوری و در نتیجه رشد قیمت دارایی های ثابت مانند املاک و مستغلات بروز می یابد. افزایش درآمد حاصل از صادرات منابع طبیعی، موجب رشد ارزش پول ملی کشور صادرکننده و در نتیجه کاهش صادرات در بخش تولید می شود (کلستاد و همکاران[19]، 2009). جریان درآمد ناشی از صادرات منابع طبیعی، فشار رو به بالایی را به ارزش پول ملی وارد نموده و در نتیجه موجب کاهش نرخ ارز می­شود. از سوی دیگر افزایش درآمد صادراتی باعث افزایش شدید در تقاضای داخلی می­شود، حال آنکه افزایش یکباره درآمدها، تأثیر سریعی بر ظرفیت­های عرضه نمی­گذارد. این افزایش تقاضا از بخش بودجه عمومی نشأت می­گیرد. قیمت کالای غیرمبادلاتی به دلیل افزایش تقاضا افزایش می­یابد و این منجر به افزایش ارزش نرخ ارز داخلی می­گردد. این آثار منجر به کاهش رقابت­پذیری صادرات غیرنفتی، تخریب تنوع و تعادل در اقتصاد کشور و انتقال منابع داخلی به بخش غیرمبادلاتی می­شود (کریم­زاده و همکاران، 1388). بنابراین به طور کلی می­توان بیان کرد که بیماری هلندی وضعیتی است که در آن افزایش قیمت کالا، دستمزد را افزایش می­دهد و نرخ ارز داخلی را گران­تر می­کند و بر این اساس، رقابت­پذیری، تولید و صادرات سایر بخش­ها را کاهش می­دهد. به بیان دیگر، درآمد حاصل از منابع طبیعی، ساختار صنعتی را دچار تغییر می­کند. کاهش تولید صنعتی ناشی از کاهش رقابت پذیری محصولات صادراتی (به دلیل افزایش ارزش پول ملی) در کنار افزایش سطح دستمزدها (به دلیل تورم) منجر به کاهش بهره­وری می­شود. از طرف دیگر، درآمدهای منابع طبیعی دارای نوسانات زیادی است که محققان، نوسان درآمد را از جمله علل نفرین منابع عنوان کرده­اند. این نوسانات باعث دشواری دنبال کردن سیاست­های مالی محتاطانه می­گردد. از طرفی، این نگرانی وجود دارد که درآمد پرنوسان صادرات، به جای سرمایه­گذاری در مصرف صرف شود.

از جمله راهکارهای پیش­گیری بیماری هلندی و مقاوم سازی اقتصاد، تاسیس صندوق­هایی برای مدیریت ریسک نوسانات قیمت نفت است. در نظریات اقتصادی، سه نوع صندوق تحت عنوان صندوق تثبیت­کننده[20]، ذخیره پس­انداز[21] و صندوق­های مجازی[22] (تامین مالی) مطرح است. انواع صندوق اگر چه به لحاظ کلی یک هدف مشترک را دنبال می­نماید، اما از نظر اجرایی و رابطه با بودجه دولت و نحوه مدیریت با یکدیگر متفاوتند. انواع مختلف این صندوق­ها در کشورهای مختلف تجارب موفقی داشته­اند و توانسته­اند اهداف اصلی خود را برآورده سازند (منظور و یادی­پور، 1388). به این ترتیب، صندوق­های فوق با عناوین مختلف در کشورهای مختلف به منظور برطرف نمودن دو مشکل اصلی ایجاد شده­اند: مدیریت نوسانات غیرقابل پیش­بینی درآمدهای نفتی و پایان­پذیری منابع نفتی و ضرورت توجه به منافع بین نسلی. این صندوق­ها به منظور ذخیره­سازی درآمدهای حاصل از نفت خام ایجاد می­گردند تا دیگر این درآمدها در بودجه­های سالانه وارد نشوند. تأسیس این صندوق­ها در زمانی که بازار نفت دچار بحران شود و یا درآمدهای نفتی کاهش یابد، باعث خواهد شد تا شوک­های وارده بر قیمت نفت، بر درآمد ملی و اقتصاد کشور تأثیر بالایی نداشته باشد. از کارایی­های دیگر این صندوق­ها می­توان به کسب اعتبار جهانی، جذب سرمایه­گذاران خارجی و افزایش قدرت چانه­زنی کشور در بازار نفت اشاره کرد (بارنت و اوسوسکی[23]، 2003). در واقع، زمانی که یک کشور با تکیه بر این صندوق­ها، آسیب­پذیری خود را در مقابل کاهش قیمت نفت افزایش می­دهد، این قدرت را دارد تا در برابر کاهش قیمت نفت در بازار جهانی مقاومت نموده و در شرایط کاهش قیمت، تولید خود را کاهش دهد. این در حالی است که فقدان این مکانیزم و فقدان درآمد ذخیره جهت تأمین منابع در شرایط کاهش قیمت، کشور صادرکننده را مجبور به فروش نفت تحت هر شرایطی خواهد نمود و در عمل توان چانه­زنی کشور کاهش خواهد یافت. از جمله ویژگی­های مهم این صندوق­ها می­توان به هدف، قوانین مربوط به ورود و خروج، منبع درآمدی، ارتباط با بودجه، ساختار و نهادهای مسئول مدیریت عملیات و موارد استفاده از آن، اشاره کرد. صندوق­های ذخیره ارزی، توانایی بالایی را در کنترل ریسک و نوسانات و همچنین پیش­گیری از بیماری هلندی دارند.

با توجه به اهمیت نفت در بازارهای انرژی، مطالعات زیادی در زمینه کاربرد ارزش در معرض ریسک در این زمینه انجام شده است. کابدو و مویا[24] (2003)، ارزش در معرض ریسک را برای ریسک بازار نفت محاسبه کردند. آن­ها از مدل واریانس ناهمسان شرطی برای پیش­بینی مقدار ارزش در معرض ریسک استفاده کردند. نتایج مطالعه آن­ها از کارایی روش مورد استفاده آن­ها در حرکت­های قیمتی نفت حاکی بوده است. آلویی و مابروک[25] (2010) به اندازه­گیری مقدار ارزش در معرض ریسک در بازارهای کالاهای نفتی و گازی پرداختند که در مطالعه آن­ها از مدل­های GARCH، FIGARCH، FIAPARCH و HYGARCH با سه تابع توزیع مختلف استفاده شده است. نتایج آن­ها نشان داد که مدل FIAPARCH در پیش­بینی ارزش در معرض ریسک عملکرد بهتری نسبت به بقیه مدل­ها دارد. همچنین مطالعات گسترده­ای در زمینه تلاطم نفت وجود دارد. کانگ و همکاران[26] (2009) به مدل­سازی و پیش­بینی تلاطم بازارهای نفت پرداختند. آن­ها در مطالعه خود از سه نفت برنت، دبی و WTI به عنوان بازارهای نفت خام استفاده کردند. آن­ها همچنین مدل­سازی را با مدل­های GARCH، IGARCH، CGARCH و FIGARCH انجام دادند تا به وسیله این مدل­ها بتوانند اثرات حافظه بلندمدت را در سری زمانی نفت مدل­سازی کنند. نتایج آن­ها نشان داد که مدل­های CGARCH و FIGARCH در ضبط کردن حافظه بلندمدت و همینطور در پیش­بینی برون­نمونه­ای بهتر از بقیه مدل­ها عمل کرده­اند. در ادامه مطالعه کانگ و همکاران (2009)، وی و همکاران[27] (2010) نیز تلاطم بازار نفت خام را پیش­بینی کردند. آن­ها از مدل­های وسیع­تری از خانواده مدل­های GARCH استفاده کردند. آن­ها بیان کردند که در مطالعه خود مدلی را برتر از بقیه مدل­ها نیافتند ولی به صورت کلی بیان کردند که مدل­های غیرخطی خانواده GARCH توانایی بالاتری را در ضبط حافظه بلندمدت و عدم­تقارن در تلاطم داشته­اند و در نتیجه دارای صحت پیش­بینی بالاتری بوده­اند. سالیسو و فاسانیا[28] (2013) نیز به مدل­سازی تلاطم نفت با درنظرگرفتن شکست­های ساختاری پرداختند. آن­ها برای مطالعه خود دو شکست را در سال­های 1990 و 2008 به ترتیب برای برخورد با جنگ کویت/عراق و بحران مالی جهانی در نظر گرفتند. آن­ها در نتایج خود بیان کردند که اثرات ماندگاری (حافظه بلندمدت) و اهرمی بر روی تلاطم مشاهده شده است. از جمله دیگر مطالعاتی که اخیرا در زمینه مدل­سازی و پیش­بینی تلاطم قیمت نفت انجام گرفته است می­توان به (وانگ و همکاران[29] (2016)؛ هاوگوم و همکاران[30] (2014)) اشاره کرد. در ایران نیز، مطالعاتی در این زمینه انجام شده است. به عنوان مثال، رستمی و فرهمندی (1391) و فلاح­پور و همکاران (1394)، ارزش در معرض ریسک قیمت نفت خام را با استفاده از مدل­های GARCH محاسبه کردند. همچنین صمدی و همکاران (1392) و ارشدی (1390) با استفاده از مدل­های مختلف خانواده GARCH به مدل­سازی نوسانات قیمت نفت پرداخته­اند.

معمولا مرور مطالعات موجود در زمینه محاسبه ارزش در معرض خطر نشان می­دهد که این مطالعات عمدتاً مبتنی بر مدلهای GARCH با فرض توزیع نرمال داده­ها هستند، این در حالی است که در واقعیت امکان عدم تحقق این شرط وجود دارد. در نتیجه مدل­های مبتنی بر فرض فوق را نمی­توان بهترین مدل برای برآورد تلاطم دانست. موضوع دیگر آنکه مفهوم اثر ماندگاری سری زمانی (مدل CGARCH) در تخمین ارزش در معرض ریسک، تاکنون کمتر مورد توجه قرار گرفته است.

به این ترتیب، مرور مطالعات انجام شده نشان می­دهد که عمده مطالعات بر روی دو موضوع متمرکز بوده است: گروهی از محققان به بررسی ماهیت و ساختار این صندوق­ها پرداخته­اند و گروهی از مطالعات به مدل­سازی ریسک تغییرات قیمت نفت و تأثیر آن بر سایر متغیرهای اقتصادی پرداخته­اند. در نتیجه، ارتباط نظام­مند بین روش­های اندازه­گیری ریسک قیمت نفت با کارکرد صندوق­ها کمتر مورد توجه قرار گرفته است. به عبارت دیگر، اگر چه از نظر مفهومی کارکرد این صندوق­ها در مدیریت ریسک است، ارتباط آنها با مؤلفه­های مدیریت ریسک یعنی شناسایی، اندازه­گیری و پوشش ریسک مدل­سازی نشده است. در این مقاله، ضمن طراحی جایگاه این صندوق­ها در فرآیند مدیریت ریسک، کارکرد این صندوق ها با استفاده از یک مدل اندازه­گیری ریسک (ارزش در معرض ریسک) تبیین می­شود.

3- روش­شناسی پژوهش

برای محاسبه ارزش در معرض ریسک از طریق روش­های واریانس-کواریانس، روش­های مختلفی وجود دارد که از جمله پرکاربردترین این روش­ها می­توان به مدل­های واریانس ناهمسان شرطی اشاره کرد. این مدل­ها توسط انگل (1982) برای سنجش و مدل­سازی واریانس در یک سری زمانی، معرفی شدند که این مدل­ها می­توانند روند واریانس را بر اساس اطلاعات قبلی خود بیان کنند. در حالت کلی، یک مدل ARCH(q) به صورت زیر معرفی می­شود:

 

(1)

که در آن  ضریب ثابتو  ضریب توان دوم خطاهای دوره­های قبل برای این معادله می­باشند و برای آن­که واریانس شرطی در معادله فوق مثبت باشد باید شرایط  و  برقرار باشد. بنابراین در مدل ARCH(q)، واریانس شرطی تابعی از مقادیر گذشته مربعات خطا می­باشد. با توجه به اهمیت موضوع تلاطم در متغیرهای اقتصادی، پیشرفت­های مهمی در زمینه مدل­های واریانس ناهمسانی شرطی صورت گرفته است.

مدل CGARCH که توسط انگل و لی (1999) بیان گردید، دارای این قابلیت است که نوسانات کوتاه­مدت و بلندمدت را از یکدیگر متمایز کند. فرم معادلاتی مدل (1و1)CGARCH را می­توان به صورت زیر نوشت:

 

(2)

 

(3)

در معادلات بیان شده،  تلاطم بلندمدت را نشان می­دهد. معادله اول نشان­دهنده مؤلفه نوسان موقت است و  به سمت  میل می­کند، یعنی نوسان کوتاه­مدت به سمت نوسان بلندمدت میل می­کند. همچنین معادله دوم که نشان­دهنده مؤلفه نوسان بلندمدت است به سمت یک مقدار ثابت  میل می­کند، یعنی مقدار نوسان بلندمدت مقداری ثابت می­شود. بدین ترتیب،  خطای پیش­بینی دوره قبل و  یک مؤلفه زودگذر[31] تلاطم می­باشد. بنابراین می­توان بیان کرد که برای مؤلفه تلاطم بلندمدت که بیشتر از مؤلفه تلاطم کوتاه­مدت پایدار باشد،  است.

مدل EGARCH برای در نظر گرفتن اثرات اهرمی تغییرات قیمت بر روی واریانس شرطی توسط نلسون (1991) پیشنهاد گردید. این بدان معناست که یک کاهش شدید قیمت می­تواند اثر بزرگتری نسبت به افزایش زیاد قیمت بر روی تلاطم بگذارد. تصریح در واریانس شرطی و مدل (1و1)EGARCH را می­توان به فرم زیر نوشت:

 

(4)

طبق معادله بیان شده، وجود اثر اهرمی با آزمون فرضیه  بررسی می­شود. اگر  باشد، آن­گاه اثر نامتقارن خواهد بود. این مدل محدودیتی روی پارامترهای  و  برای اطمینان از غیرمنفی بودن واریانس­های غیرشرطی ندارد، بنابراین اگر پارامترها منفی هم باشد،  مثبت خواهد بود چرا که با  مدل­سازی شده است.

با توجه به سری زمانی بازده می­توان مدل­های واریانس ناهمسان شرطی را با توابع توزیع مختلفی برآورد کرد. معمولا در اکثر مطالعات مدل­ها با تابع توزیع نرمال برآورد می­شوند اما در این پژوهش از سه تابع توزیع مختلف نرمال، تی استیودنت و توزیع خطای تعمیم­یافته برای برآورد مدل­ها استفاده می­گردد تا کارایی آن­ها نیز در برآورد مدل­ها مشخص گردد. معادله تابع چگالی توزیع نرمال را می­توان به صورت زیر بیان کرد:

 

(5)

که در این معادله،  میانگین و  واریانس تابع توزیع نرمال برآورد شده برای سری زمانی است. همچنین تابع چگالی توزیع تی-استیودنت را نیز می­توان به فرم زیر نوشت:

 

(6)

در معادله بیان شده ، بیان­گر تابع گاما و  درجه آزادی تابع توزیع است. در نهایت فرم تابع چگالی GED را نیز می­توان به فرم زیر نوشت:

 

(7)

 

که مانند توابع قبلی در این­جا نیز ، بیان­گر تابع گاما و  درجه آزادی تابع توزیع است. زمانی که در این تابع  باشد، GED توزیع نرمال استاندارد را نشان خواهد داد. اما به ازای  دنباله نازک­تر از نرمال و به ازای  دنباله پهن­تر از آن خواهد بود. برخی مطالعات بیان ­داشته­اند که در سری­های زمانی نظیر نفت، تابع چگالی GED به علت توضیح بهتر توزیع­های دارای کشیدگی و دنباله­های چاق می­تواند عملکرد بهتری نسبت به بقیه توابع توزیع داشته باشد (جلالی نائینی و همکاران، 1392). اما در این مطالعه کارایی این سه تابع توزیع بیان­شده در مدل­سازی مدل­های مختلف واریانس ناهمسان شرطی با یکدیگر مورد مقایسه قرار خواهد گرفت.

به منظور مقایسه عملکرد مدل­های بیان شده در پیش­بینی، در این مطالعه از دو معیار میانگین مجذور خطا[32] و میانگین مطلق خطا[33] استفاده شده است که معادلات این معیارها در ادامه بیان شده است:

 

(8)

 

(9)

در این معادلات ارائه شده،  تعداد دوره­های پیش­بینی،  مقدار واقعی میزان تلاطم در دوره  و  میزان تلاطم پیش­بینی شده در دوره  می­باشد. مقدار خطای پیش­بینی کمتر در مدل­ها نشان دهنده کارایی بالاتر آن­ها در پیش­بینی می­باشد.

در این مقاله مکانیزمی برای تثبیت درآمدهای حاصله از نفت، در برابر نوسانات ایجاد شده در قیمت آن پیشنهاد شده است، که می­توان نمای شماتیک این مکانیزم را در شکل 2 مشاهده کرد.

 

 
 
 
 
 
 
 

نوسان مجاز

 

شکل 2- نحوه عملکرد مکانیزم پیشنهادی. [منبع: یافته­های تحقیق]

 

در شکل 2،  میزان فروش نفت،  قیمت آن،  و  به ترتیب میانگین حدبالای نوسان قیمت و حد پایین آن،  میزان درآمد اضافی ذخیره شده در صندوق،  میزان کسری صندوق و  مقدار درآمد از نفت می­باشد.

همان طور که در شکل (2) نشان داده شده است، آنچه نوسانات درآمد نفت را رقم می­زند، دو مؤلفه قیمت و مقدار تولید است. برخلاف قیمت که تغییرات آن لحظه­ای، تابع خبرهای خوب و بد بازار و عوامل طرف عرضه و تقاضاست، تغییرات تولید با نوسانات کمتری همراه است. چرا که تولید نفت علاوه بر وابستگی به فناوری و ظرفیت­های تولید که خود مؤلفه­های ساختاری و بلندمدت هستند، برای کشورهای عضو اوپک تابع سهمیه­های معین شده در کارتل نیز هست. بنابراین به سختی می­توان متغیر تولید نفت را یک متغیر کاملاً تصادفی در نظر گرفت که دارای تغییرات آنی و سریع مانند قیمت باشد. با این حال، آزمون وجود اثرات واریانس ناهمسانی شرطی بر روی سری زمانی تولید نفت ایران در بازه زمانی مورد مطالعه، جهت بررسی وجود تلاطم در این متغیر انجام شد. این سری در این دوره پایا بوده و مدل میانگینARMA(1,1) بهینه تشخیص داده شد. مقدار آماره F مربوط به آزمون واریانس ناهمسانی از نوع ARCH برای این مدل 216/5 برآورد گردید که در سطوح اطمینان مربوطه، احتمال همسانی واریانس 0311/0 می­باشد. به این ترتیب، نتایج آماری نیز فرضیه صفر همسانی واریانس در متغیر تولید و عدم وجود تلاطم را رد می­کند. بر این اساس لازم است نوسان مقدار تولید نیز در محاسبات وارد شود.

همان­گونه که از نمای شماتیک عملکرد مکانیزم پیشنهادی نیز مشخص است، ابتدا با استفاده از ارزش در معرض ریسک محاسبه شده، حدود بالا و پایین برای نوسان قیمت قابل محاسبه می­باشد و بدین ترتیب می­توان از این حدود میانگین گرفت و دو حد بالا و پایین را به دست آورد. بدین ترتیب، در این جا سه حالت برای مدل قابل پیش­بینی است. حالت اول زمانی است که در بالاترین سطح شکل قرار داشته باشیم یعنی حد بالای نوسان درآمد از مقدار میانگین خود بالاتر باشد که در این حالت مقدار درآمد اضافی در صندوق ذخیره، پس­انداز می­گردد. حالت دوم زمانی است که در پایین­ترین سطح از شکل قرار داریم، یعنی زمانی که حد پایین نوسان درآمد از میانگین خود پایین­تر باشد. در این حالت، کمبود درآمد از محل صندوق ذخیره تامین می­گردد. و در نهایت، حالت سوم زمانی است که در حالت­های اول و دوم نباشیم، که در این حالتی سیاستی در قبال صندوق ذخیره اتخاذ نمی­گردد.

4- نتایج پژوهش

به منظور بررسی بازار نفت خام، داده­های قیمت روزانه اپک (دلار به بشکه) از پایگاه داده تارنمای اوپک (OPEC) اخذ شده است. داده­ها در بازه زمانی 14 مهرماه 1384 تا 7 شهریورماه 1394 قرار دارند و از 20 داده انتهای این بازه به عنوان داده­های پیش­بینی استفاده شده است. در این مقاله، به منظور رفع مشکل پایایی داده­های سری زمانی قیمت و همچنین برآورد مدل­های سنجش تلاطم، مانند مطالعه ژانگ و کیو[34] (2015) از بازده لگاریتمی سری زمانی استفاده شده است. این بازده با استفاده از معادله به ازای  برای قیمت نفت به دست می­آید، که در این معادله،  بازده قیمت نفت در زمان ،  قیمت در زمان  و  قیمت در دوره قبل از  بوده است. بنابراین از سری زمانی بازده لگاریتمی در مدل­سازی استفاده می­گردد. ذکر این نکته ضروری است که در این مقاله، مقدار واقعی تلاطم روزانه، توان دوم بازده­های روزانه  در نظر گرفته شده است.

شکل 3، نمودار سری­های زمانی قیمت، بازده و تلاطم را برای نفت اوپک نشان می­دهد.آمارهای توصیفی مرتبط با سری­های زمانی بازده قیمت­ نفت در جدول 1 آورده شده است.

 

 

شکل 3- سری­های زمانی قیمت، بازده و تلاطم واقعی

 

منبع: تارنمای اوپک

 

 

جدول 1- برخی آمارهای مرتبط با سری زمانی نفت اپک

 

 

اپک

 

میانگین

003/0-

 

میانه

011/0

 

انحراف استاندارد

69/0

 

مینیمم

66/3-

 

ماکزیمم

56/5

 

چولگی

13/0-

 

کشیدگی

69/7

 

آزمون Jarque-Bera

***7/2382

 

آزمون (36)Q

***77/185

 

آزمون (36)Qs

***59/212

 

تعداد مشاهدات

2583

 

 

*** معنادار در سطح 1%

** معنادار در سطح 5%

* معنادار در سطح 10%

منبع: یافته­های تحقیق

       

چیزی که در مورد آمارهای توصیفی مرتبط با سری­ زمانی نفت قابل مشاهده است آن است که میانگین این سری­ زمانی عددی کوچک است، در حالی که واریانس آن مقادیر بزرگی را اختیار کرده ­است. بدین ترتیب می­توان بیان کرد که به علت بزرگی نسبت واریانس به میانگین، بررسی تلاطم در چنین سری­ زمانی از اهمیت بالایی برخوردار می­باشد. آزمون نرمال بودن Jarque-Bera، فرض صفر خود را که مبنی بر غیرنرمال بودن داده­ها است، رد می­کند و سری­ زمانی دارای توزیع نرمال هستند. برای سنجش خودهمبستگی سری­های زمانی مورد بررسی نیز از آزمون Q برای بازده ((36)Q) و برای توان دوم بازده ((36)Qs) استفاده شده است که نتایج این آزمون­ها نیز در جدول 1 آورده شده است. نتایج این آزمون­ها نشان می­دهد که فرض صفر آزمون مبنی بر عدم وجود خودهمبستگی، رد می­شود. بنابراین یک وابستگی معنادار بین دوره­های سری زمانی بازده نفت و همچنین بین دوره­های توان دوم بازده نفت وجود دارد. برای سنجش ویژگی­هایی پایایی، یکپارچگی داده­ها و همچنین حافظه بلندمدت سری­های زمانی از آزمون­های دیکی-فولر تعمیم یافته (دیکی و فولر، 1979) و فیلیپس-پرون استفاده شده است که نتایج آن در جدول 2 نشان داده شده است.

 

جدول 2- نتایج آزمون پایایی برای سری­ زمانی نفت اپک

سری زمانی

دیکی فولر

فیلیپس پرون

اپک

***58/38-

***32/38-

*** معنادار در سطح 1%

منبع: یافته­های تحقیق

مشخص است با توجه به مقادیر به دست آمده برای آزمون­های سنجش پایایی، فرض صفر در این آزمون­ها مبنی بر ناپایایی داده­ها، رد می­شود و بدین ترتیب، داده­های سری زمانی مورد بررسی در این مقاله پایا می­باشند و از این داده­ها می­توان برای مدل­سازی واریانس ناهمسان شرطی استفاده کرد. پس از تخمین مدل­ها در مورد سری­های زمانی مورد بررسی، نتایج حاصل از برآورد این مدل­ها در جدول 3 آورده شده است.

 

جدول 3- برآورد مدل­ها برای سری زمانی بازده نفت اپک

EGARCH

CGARCH

GARCH

مدل

GED

t

نرمال

GED

T

نرمال

GED

T

نرمال

توزیع خطا

***1/0-

(01/0)

***09/0-

(01/0)

***1/0-

(01/0)

01/7

(05/148)

83/12

(58/18)

64/2

(8/12)

**001/0

(0006/0)

**001/0

(0006/0)

***001/0

(0005/0)

 

***124/0

(015/0)

***118/0

(015/0)

***128/0

(011/0)

**045/0

(019/0)

**043/0

(02/0)

***049/0

(015/0)

***07/0

(009/0)

***06/0

(009/0)

***07/0

(007/0)

 

***99/0

(002/0)

***99/0

(002/0)

***99/0

(001/0)

***72/0

(18/0)

***74/0

(17/0)

***69/0

(15/0)

***92/0

(009/0)

***93/0

(009/0)

***92/0

(007/0)

 

***04/0-

(008/0)

***04/0-

(008/0)

***04/0-

(006/0)

***99/0

(003/0)

***99/0

(0001/0)

***99/0

(002/0)

-

-

-

 

-

-

-

***05/0

(01/0)

***05/0

(01/0)

***06/0

(009/0)

-

-

-

 

69/1

69/1

702/1

69/1

69/1

709/1

69/1

69/1

706/1

معیار شوارز

3/2156-

0/2154-

8/2171-

09/2160-

3/2158-

4/2176-

1/2163-

1/2161-

7/2180-

لگاریتم درستنمایی

84/5

]000/0[

57/6

]000/0[

37/5

]000/0[

69/0

]59/0[

78/0

]53/0[

57/0

]67/0[

85/2

]02/0[

06/3

]015/0[

58/2

]03/0[

ARCH (4)

85/19

]000/0[

21/22

]000/0[

38/18

]000/0[

99/0

]31/0[

31/1

]25/0[

53/0

]46/0[

85/8

]003/0[

48/9

]002/0[

91/7

]005/0[

Qs(36)

*** رد فرض صفر در سطح معناداری 1%

** رد فرض صفر در سطح معناداری 5%

* رد فرض صفر در سطح معناداری 10%

یادداشت: اعداد ارائه شده در براکت، مقادیر p-value را نشان می­دهند.

منبع: یافته­های تحقیق

همان­گونه که پیش­تر نیز اشاره شده است،  بیان­گر ضریب حافظه بلندمدت می­باشد که ملاحظه می­گردد این مقدار در مدل GARCH برای سری­های زمانی نفت، مقداری نزدیک به 1 شده است. در مدل­های برآورد شده CGARCH ملاحظه می­شود که مقدار  کمتر از مدل GARCH بوده است. این موضوع نشان می­دهد که مؤلفه کوتاه­مدت تلاطم ضعیف­تر عمل کرده است. همچنین مؤلفه بلندمدت  مقدار 99/0 در سری­های زمانی تخمین زده شده است که نشان می­دهد حافظه بلندمدت واریانس شرطی از درجه بالایی برخوردار بوده است. برآورد نتایج مدل EGARCH با بقیه مدل­ها دارای تفاوت بالاتری بوده است؛ این مدل از آن جهت که محدودیت مثبت بودن ضرایب را ندارد، برخی از ضرایب منفی برآورد شده­اند و در این مدل مقدار مولفه  بیشتر از 1 بوده است. همچنین در جداول تخمین ضرایب، معیارهای شوارز و لگاریتم درستنمایی نیز ارائه شده­اند که با استفاده از این معیارها می­توان بهترین مدل­های تخمین زده شده را مشخص کرد. هر چقدر که مقادیر این دو معیار کمتر باشد، مدل از لحاظ مدل­سازی نسبت به بقیه مدل­ها دارای برتری بوده است. با توجه به این معیارها ملاحظه می­گردد که مدل­های EGARCH نسبت به بقیه مدل­ها از مقادیر بهتری در این معیارها برخوردار بوده­اند. در برآورد سری­های زمانی قیمت نفت اوپک، مدل EGARCH با تابع توزیع تی-استیودنت دارای عملکرد بهتری بوده­ است. در ادامه جداول، آزمون­های Q برای توان دوم پسماند مدل­ها و ARCH بودن با تعداد وقفه 4 برای مدل­ها ارائه شده است، که با توجه به معناداری این آزمون­ها برخی از مدل­ها ممکن است که اشتباه در مدل­سازی تلاطم تخمین زده شده باشند.

اما این که کدام یک از این مدل­ها توانایی بالاتری را در پیش­بینی تلاطم داشته­اند را باید با استفاده از پیش­بینی برون نمونه­ای و معیارهای سنجش خطای پیش­بینی مشخص کرد. برای پیش­بینی تلاطم، داده­های 30 روز انتهای سری زمانی در نظر گرفته شده مورد استفاده قرار گرفته­اند. دوره­های پیش­بینی به صورت 1 هفته­ای و 1 ماهه در نظر گرفته شده است. پیش­بینی با استفاده از معادلات تخمین زده شده صورت گرفته است و با استفاده از معیارهای سنجش خطای MSE و MAE عملکرد مدل­ها در پیش­بینی با یکدیگر مقایسه می­شود. نتایج حاصل از مقادیر معیارهای سنجش خطای پیش­بینی در دوره­های زمانی در نظر گرفته شده در جدول 4 آورده شده است.


 

 

جدول 4- نتایج مقادیر معیارهای سنجش خطای پیش­بینی

سری زمانی

مدل

تابع توزیع

دوره­های پیش­بینی

1 هفته

1 ماهه

MSE

MAE

MSE

MAE

نفت اپک

GARCH

نرمال

675/0

771/0

214/1

832/0

T

679/0

775/0

216/1

836/0

GED

676/0

773/0

215/1

834/0

CGARCH

نرمال

499/0

644/0

140/1

788/0

T

490/0

639/0

137/1

786/0

GED

495/0

642/0

138/1

788/0

EGARCH

نرمال

50/0

65/0

180/1

774/0

T

52/0

66/0

181/1

782/0

GED

51/0

66/0

180/1

778/0

منبع: یافته­های تحقیق

همان­گونه که در جدول 4 نیز مشاهده می­شود، عملکرد مدل­ها به تفکیک تابع توزیع آن­ها بیان شده است. ردیف بهترین تابع توزیع در مدل­ها با رنگ خاکستری در جدول مشخص شده است. مشاهده می­شود که در سری زمانی نفت اپک، مدل­های GARCH و EGARCH با استفاده از تابع توزیع نرمال به بالاترین عملکرد خود رسیده­اند در حالی­که مدل CGARCH با تابع توزیع تی-استیودنت، بالاترین کارایی خود را داشته است. به طور کلی می­توان گفت که مدل­ها معمولا با تابع توزیع تی-استیودنت کارایی بهتری را داشته­اند. مدل CGARCH با تابع توزیع تی-استیودنت در نفت اپک پیش­بینی بهتری را نسبت به سایر مدل­ها داشته است. بنابراین با توجه به برتری این مدل نسبت به بقیه مدل­ها، در ادامه کار و برای محاسبه ارزش در معرض خطر، فقط از این مدل استفاده خواهد شد.

بدین ترتیب و با توجه به آن­چه که در بخش قبل در مورد روش ارزش در معرض ریسک بیان گردید می­توان این مقادیر را برای مدل CGARCH با توزیع t-student در سه سطح اطمینان 99%، 95% و 90% محاسبه کرد که نتایج محاسبه شده در جدول 5 آورده شده است. برای محاسبه ارزش در معرض ریسک، با استفاده از مدل CGARCH مقدار واریانس قیمت در طول دوره مورد بررسی محاسبه و به تبع آن میزان واریانس درآمد نفت برای این دوره محاسبه شده است. پس از برآورد واریانس و بر اساس رابطه (2) مقدار ارزش در معرض ریسک در سطوح اطمینان 90، 95 و 99 درصد محاسبه شده است. از آن­جا که متغیر تولید نیز دارای الگوی واریانس ناهمسانی تشخیص داده شد، با توجه به مزیت مدل CGARCH در مقایسه با سایر مدل­ها مقدار ارزش در معرض ریسک این متغیر نیز به شیوه مشابه متغیر قیمت محاسبه و در جدول 5 ارائه شده است.

جدول 5- مقادیر ارزش در معرض ریسک تلاطم برای مدل CGARCH با توزیع t-student

سطح اطمینان

90 درصد

95 درصد

99 درصد

ارزش در معرض ریسک قیمت

730/0

458/1

921/2

ارزش در معرض ریسک تولید فصلی

026983/0

028013/0

047983/0

منبع: یافته­های تحقیق

باید توجه شود که مقادیر ارائه شده در جدول 5 برای سری زمانی بازده لگاریتمی قیمت نفت است. بنابراین برای به دست آوردن سری زمانی حد بالا برای ارزش در معرض ریسک، مقدار تلاطم واقعی را با مقدار به دست آمده جمع می­کنیم. از طرف دیگر، حد پایین سری زمانی از تفریق ارزش در معرض ریسک به دست آمده از مقدار تلاطم به دست می­آید. اما برای آن­که مقادیر ارزش در معرض ریسک قیمت نفت به دست آید باید مقادیر فعلی که به صورت لگاریتمی می­باشد، تبدیل به حالت قیمتی کرد که برای این کار باید با استفاده از فرمول زیر عمل کرد:

 

(10)

 

(11)

که در آن،  می­تواند شامل  قیمت و  تولید باشد.  و  به ترتیب حد بالا و پایین متغیر در دوره i،  مقدار تلاطم مدل­سازی شده در دوره i و  ارزش در معرض ریسک تخمین زده شده در سطح اطمینان 𝛼 می­باشد. با توجه به معادلات، سری زمانی حدود پایین و بالا برای ارزش در معرض ریسک به دست می­آید که در اینجا برای سطح اطمینان 99 درصد، می­توان به عنوان مثال نمودار قیمت را به صورت شکل 4 نمایش داد.

 

شکل 4- نمودار قیمت، حد بالا و پایین برای سطح اطمینان 99 درصد

منبع: یافته­های تحقیق

در این مقاله، با توجه به مقادیر به دست آمده برای ارزش در معرض ریسک قیمت نفت، مکانیزمی در قبال صندوق­های ذخیره ارزی ارائه می­گردد. نحوه کارکرد این مکانیزم بدین صورت است که در دوره­هایی که حد بالای ارزش در معرض ریسک، بالاتر از مقدار میانگین خود قرار دارد، صندوق ذخیره ارزی باید فعال شود و درآمدهای حاصله از نفت به حساب صندوق واریز گردد و در زمانی که حرکت سری زمانی حد پایین ارزش در معرض ریسک، پایین­تر از میانگین آن باشد، برای جبران کسری، اجازه برداشت از صندوق صادر شود. بنابراین بر اساس این مکانیزم می­توان تا حد بالایی ریسک­های موجود در نوسانات قیمت نفت را مدیریت کرد.

4-1. شبیه سازی مکانیزم پوشش ریسک

برای بررسی توانایی مکانیزم پیشنهادی این مقاله، از داده­های قیمت نفت در سال 2014 استفاده شده است. دلیل انتخاب این سال بدین جهت بوده است که در اواخر این سال، قیمت نفت کاهش شدیدی پیدا کرده است و همین عامل می­تواند برای کشور صادرکننده نفت، با آثار اقتصادی مهمی همراه باشد. بدین دلیل این سال برای سنجش کارایی مکانیزم پیشنهادی انتخاب گردیده است.

با توجه به محاسبه مقادیر ارزش در معرض ریسک، می­توان میانگین حدود بالا و پایین را برای آن محاسبه کرد. شکل 5 حدود بالا و پایین ارزش در معرض ریسک و میانگین این حدود را در سطح اطمینان 99 درصد، در سال 2014 نشان می­دهد.

 

شکل 5- نمودار مقادیر حد بالا و پایین و میانگین آن­ها در سال 2014

منبع: یافته­های تحقیق

برای محاسبه مقدار ارزش پولی ذخیره و برداشت شده توسط این مکانیزم، با توجه به در دسترس بودن داده­های ماهانه تولید نفت ایران، از معادله زیر استفاده می­گردد:

 

(12)

TI مقدار کلی ذخیره یا برداشت از صندوق،  مقدار حد بالای قیمت در ماه  و روز ،  مقدار حد پایین قیمت در ماه  و روز ،  مقدار میانگین سالانه حد بالای قیمت،  مقدار میانگین سالانه حد پایین قیمت و  مقدار تولید نفت ایران در ماه  می­باشد. با توجه به این­که مطابق محاسبات فوق مقدار تولید نیز دارای حد بالا و حد پایین می­باشد، تأثیر این نوسانات بر میزان ذخیره یا برداشت از صندوق در قالب یک تحلیل حساسیت انجام می­شود.  ضریبی است که می­تواند مقادیر 0 و 1 اختیار کند. زمانی مقدار این ضریب 1 است که  و در غیر اینصورت صفر است.  ضریبی است که زمانی 1 است که  باشد. می­توان مقادیر درآمدهای نفتی ذخیره­ و برداشتی از صندوق را به تفکیک ماه­ها محاسبه نمود که این مقادیر در جدول 6 آورده شده است. واضح است که این مقادیر، با فرض عدم وجود نوسان در تولید محاسبه شده است و تأثیر نوسان در تولید بر این مقادیر در قالب نمودار تحلیل حساسیت محاسبه و ارائه می­شود.

جدول 6- مقادیر ذخیره و برداشت درآمد ارزی در ماه­های مختلف سال 2014

ماه­های سال 2014

سطح 90%

سطح 95%

سطح 99%

1

2891/615

6896/625

1266/647

2

7035/575

4348/585

4926/605

3

3663/545

5848/554

5857/573

4

2741/540

4065/549

230/568

5

898/637

6806/648

9053/670

6

6169/761

491/774

026/801

7

0656/734

4738/746

049/772

8

3504/310

5961/315

4091/326

9

518/30-

9729/27-

4352/15-

10

586/819-

962/805-

220/779-

11

062/1329-

969/1306-

637/1263-

12

487/2473-

370/2432-

756/2351-

مجموع

91078/67

0838/227

7762/554

علامت منفی نشان دهنده برداشت از صندوق می­باشد.

واحد اعداد میلیون دلار می­باشد.

منبع: یافته­های تحقیق

همان­گونه که بیان گردید با توجه به کاهش قیمت نفت در اواخر سال 2014، ملاحظه می‌گردد که در ماه­های آخر سال، به جای ذخیره ارز در صندوق باید از صندوق برداشت انجام داد. مقادیر برای سه سطح اطمینان مشخص شده­اند که در سطح اطمینان 99 درصد، بیشترین ذخیره ارزی را می­توان در صندوق داشت. می­توان ملاحظه نمود که با توجه به این مکانیزم در سال 2014، مبلغ بالایی درآمد ارزی می­تواند ذخیره شود. ذکر این نکته ضروری است که می­توان میانگین را به صورت سالانه در نظر گرفت و پس از گذشت هر روز آن را به روزرسانی کرد و با پیش­بینی مقادیر حدود بالا و پایین ارزش در معرض ریسک و مقایسه آن با میانگین به روز رسانی شده، سیاست عدم انجام کار، ذخیره یا برداشت اتخاذ شود.

4-2. تحلیل حساسیت ضرایب

با توجه به وجود ضرایب  و  در معادله CGARCH که به ترتیب بیان­گر ضریب تاثیر شوک و تلاطم می­باشند، تحلیل حساسیت روی این ضرایب می­تواند کمک بالایی در پیش­بینی­ها داشته باشد. براین اساس با توجه به سناریوهای قابل پیش­بینی در آینده می­توان ضرایب مختلفی را برای  و  در نظر گرفت و مقادیر ارزش در معرض ریسک جدید را بر اساس این ضرایب مدل­سازی کرد. در این مرحله، برای تحلیل حساسیت بر روی ضرایب  و  از داده­های چهارماهه نخست سال 2015 برای مدل­سازی استفاده شده است. در مدل تخمین زده شده CGARCH، مقادیر  و  به ترتیب، تقریبا برابر 05/0 و 75/0 بوده است که در این­جا علاوه بر این مقادیر سه مجموعه سناریو برای حالت­های ضرایب  و  در نظر گرفته شده است که این مقادیر در جدول 7 آورده شده است. با تخمین ارزش در معرض ریسک و مقایسه آن با ارزش در معرض ریسک سناریوی فعلی، نمودار تغییرات ارزش در معرض ریسک بر اساس  و  را در شکل 6 نشان داد.

جدول 7- سناریوهای در نظر گرفته شده

سناریو

   

فعلی

05/0

75/0

حالت 1

25/0

55/0

حالت 2

45/0

35/0

حالت 3

55/0

25/0

منبع: یافته­های تحقیق

 

 

شکل 6- تغییرات ارزش در معرض ریسک بر اساس  و  

منبع: یافته­های تحقیق

بنابراین با توجه به شکل فوق مشخص است که با افزایش 5/0 واحد به ضریب  و کاهش همین مقدار از ، مقدار ارزش در معرض ریسک در حدود 60 درصد افزایش می­یابد.

4-3. تحلیل حساسیت نوسانات تولید

با توجه به این­که تولید نفت در دوره مطالعه دارای الگوی GARCH بوده ­است، بنابراین نوسانات تولید بر ارزش در معرض خطر تأثیر دارد. به منظور بررسی تأثیر این نوسانات، ابتدا با استفاده از مدل CGARCH، مقدار تلاطم تولید در دوره مورد مطالعه محاسبه شده است و با توجه به ارزش در معرض خطر ارائه شده در جدول 5 و روابط 16 و 17 مقادیر حد بالا و پایین تولید برای آن محاسبه شده است. حال با توجه به این­که از یک سو قیمت، و از طرف دیگر تولید هم دارای الگوی تغییرات است، به منظور تحلیل نوسانات تولید از تحلیل حساسیت استفاده می­شود. برای این منظور، پس از محاسبه ارزش در معرض خطر، مقادیر حد بالا و پایین برای مقدار تولید محاسبه شده است و با جایگذاری در رابطه 18، مقادیر پایین و بالای تولید برای 31 دوره (فصل) اخیر در شکل 7، آورده شده است. ذکر این نکته ضروری است که با توجه به فصلی بودن داده­های تولید در دسترس، ابتدا نوسان قیمت نیز فصلی در نظر گرفته شده است و سپس در روابط از مقادیر فصلی استفاده شده است.

 

شکل 7- تاثیر نوسانات تولید بر میزان ذخیره و برداشت درآمدهای نفتی

منبع: یافته­های تحقیق

همان­گونه شکل 7 نشان می دهد، نوسانات تولید نفت، بر میزان ذخیره و یا برداشت درآمدهای صندوق تأثیر دارد. در دوره­های رشد تولید، و یا به عبارتی در دوره­هایی که تولید نفت، فراتر از میانگین دوره می­باشد، صندوق دارای ذخیره بوده و در دوره­هایی که تولید نفت، از میزان متوسط تولید کمتر شود، از منابع صندوق برداشت خواهد شد. محاسبات نشان می­دهد که در دوره مورد بررسی، در مجموع با احتساب دوره­های ذخیره و برداشت، موجودی صندوق مثبت خواهد بود.

5. بحث و نتیجه­گیری

در این مقاله، به دلیل اهمیت موضوع ریسک در بازارهای انرژی، تلاش گردید تا ریسک در بازار نفت خام با استفاده از معیار ارزش در معرض ریسک اندازه­گیری شود. بدین منظور، از داده­های بازده روزانه قیمت نفت اوپک استفاده گردید. برای محاسبه مقدار ارزش در معرض ریسک از مدل­های واریانس ناهمسان شرطی تعمیم­یافته استفاده شد. همچنین برای مدل­سازی عدم تقارن و حافظه بلندمدت سری زمانی نفت، مدل­های EGARCH و CGARCH تخمین زده شدند. با توجه به دست آمدن ارزش در معرض ریسک برای قیمت نفت، مکانیزمی پیشنهاد گردید تا با استفاده از این مکانیزم بتوان ریسک­های موجود در بازار نفت را با استفاده از صندوق­های ذخیره ارزی مدیریت کرد. نتایج بررسی سال 2014، توسط این مکانیزم نشان از کارایی آن برای مدیریت ریسک­های موجود در بازار نفت خام دارد.

بررسی عملکرد حساب ذخیره ارزی در ایران نشان می­دهد که نگاه کوتاه­مدت به این منابع موجب شده، این منابع همواره توسط دولت­های مختلف مورد استفاده قرار گیرد. این در حالی است که تجربه کشورهای مشابه نشان می­دهد که جریان مستقیم ورود درآمدهای نفت به بودجه دولت مسدود شده و در برخی از کشورها بخشی از درآمد نفت و در دیگر کشورها کل درآمد نفت (بهره مالکانه) به حساب ذخیره واریز می شود. این در حالی است که در ایران، طی دوره 86-1379 برداشت بابت مصارف دولتی سهم بیشتری را نسبت به اعطای تسهیلات به خود اختصاص داده به طوری که بیش از 80 درصد از کل برداشت­های صورت گرفته در این سال­ها از جانب دولت انجام گرفته است. این موضوع نشان می­دهد که صرف وجود حساب ذخیره ارزی موجب ایجاد انضباط مالی در دولت نشده و ابزاری برای پوشش ریسک نوسانات قیمت نفت نبوده است. شایان ذکر است که در سال 1384 دولت رسماً با دریافت مجوز در قانون بودجه (بند چ تبصره 2)، حساب ذخیره ارزی را به عنوان یکی از منابع تامین منابع مالی مورد نیاز خود محسوب نمود و به این ترتیب، حساب ذخیره نیز در زمره سایر حساب­های درآمدی دولت قرار گرفت. به این ترتیب، تجربه ایران نشان می­دهد که نگاه به حساب ذخیره ارزی تاکنون به عنوان عاملی برای مدیریت ریسک نوسانات درآمد نفتی نبوده است.

با توجه به نتایج این پژوهش، ریسک ناشی از نوسانات درآمدهای نفتی کشور ناشی از دو مولفه نوسانات قیمت نفت جهانی و نوسانات تولید است. پیشنهاد می شود، با استفاده از مدلهای پیش بینی پیشرفته، نوسانات این دو مولفه به صورت پویا مورد پیش بینی قرار گیرد و سپس با بهره گیری از روش هایی مانند ارزش مخاطره ای، ریسک این نوسانات محاسبه شود. بر همین مبنا، میزان بهینه منابع حساب ذخیره ارزی به صورت منظم و پویا محاسبه و برنامه ریزی شود. در همین راستا، لازم است مکانیزم مناسب برای برداشت از این منابع (بر مبنای مدل طراحی شده) در قالب یک قانون مصوب شده و مبنای تعیین درآمدهای نفتی دولت در بودجه های سنواتی قرار گیرد.

 

6. منابع

الف) فارسی

ابراهیمی، محسن و سوری، علی (1384)، "زیان ناشی از نااطمینانی درآمدهای نفتی بر رشد اقتصادی و ضرورت حساب ذخیره ارزی"، نامه مفید، شماره 48، ص54-43.

ابراهیمی، محسن و قنبری، علیرضا (1385)، "مدیریت ریسک نوسانات قیمت نفت در ایران"، نامه مفید، شماره 57، ص162-139.

ارشدی، علی (1390)، "مدل­سازی نوسانات قیمت نفت، قالبی برای اندازه­گیری شاخص نااطمینانی بر اساس یک مدل (ARIMA-GARCH)"، مطالعات اقتصاد انرژی، دوره 8، شماره 30، ص220-205.

جلالی نائینی، سید احمدرضا، قربانی، وحید و صیادی، محمد (1392)، "اثر سرریز ریسک بین بازدهی قیمت در بازارهای نقدی و آتی­های نفت خام"، اقتصاد انرژی ایران، دوره 2، شماره 9، ص52-31.

رستمی، محمدرضا و فرهمندی، سحر (1391)، "برآورد ارزش در معرض ریسک قیمت نفت خام و اثرات سرریز آن با استفاده از مدل گارچ چندمتغیره MGARCH"، دانش سرمایه­گذاری، دوره 1، شماره 4، ص228-215.

صمدی، علی حسین، هادیان، ابراهیم و جعفری، محبوبه (1392)، "بررسی تاثیر نوسان­های دائمی و موقتی قیمت نفت اوپک بر سرمایه­گذاری، تولید و نرخ بیکاری در اقتصاد ایران"، اقتصاد انرژی ایران، دوره 2، شماره 7، ص101-75.

فلاح­پور، سعید، رضوانی، فاطمه و رحیمی، محمدرضا (1394)، "برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدل­های ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت"، دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، دوره 8، شماره 26، ص18-1.

کریم­زاده، مصطفی، نصرالهی، خدیجه، صمدی، سعید، دلالی اصفهانی، رحیم و فخار، مجید (1388)، "بررسی بیماری هلندی در اقتصاد ایران: تاثیرگذاری رابطه مبادله بر ساختار سرمایه­گذاری"، فصلنامه اقتصاد مقداری (فصلنامه بررسی­های اقتصادی)، دوره 6، شماره 4، ص172-147.

منظور، داود و یادی­پور، مهدی (1388)، "تجربه کشورهای مختلف در زمینه درآمدهای نفتی و درس­هایی برای ایران"، فصلنامه راهبرد یاس، شماره 17، ص165-142.

ب) انگلیسی

Aloui, C., and Mabrouk, S. (2010), “Value-at-Risk Estimations of Energy Commodities via Long-Memory, Asymmetry and Fat-tailed GARCH Models”, Energy policy, Vol. 38, Issue 5, pp. 2326-2339.

Barnett, M.S. and Ossowski, M.R. (2003), Operational aspects of fiscal policy in oil-producing countries, No. 2-177, International Monetary Fund.

Bhar, R. and Hamori, S. (2005), “Causality in Variance and the Type of Traders in Crude Oil Futures”, Energy Economics, Vol. 27, Issue 3, pp. 527-539.

Cabedo, J. D., and Moya, I. (2003), “Estimating Oil Price ‘Value at Risk’ Using the Historical Simulation Approach”, Energy Economics, Vol. 25, Issue 3, pp. 239-253.

Dickey, D. A. and Fuller, W. A. (1979), “Distribution of the Estimators For Autoregressive Time Series With a Unit Root”, Journal of the American statistical association, Vol. 74, Issue 366, pp. 427-431.

Engle, R. F. (1982), “Autoregressive Conditional Heteroscedasticity With Estimates of the Variance of United Kingdom Inflation”, Econometrica: Journal of the Econometric Society, Vol.50, Issue 4, pp. 987-1007.

Engle, R. F. and Lee, G. (1999), A Long-Run and Short-Run Component Model of Stock Return Volatility: Cointegration, Causality, and Forecasting: A Festschrift in Honour of Clive WJ Granger.

Ewing, B. T., Hammoudeh, S. M. and Thompson, M. A. (2006), “Examining Asymmetric Behavior in US Petroleum Futures and Spot Prices”, The Energy Journal, Vol. 27, Issue 3, pp. 9-23.

Ewing, B. T. and Thompson, M. A. (2007), “Dynamic Cyclical Comovements of Oil Prices with Industrial Production, Consumer Prices, Unemployment, and Stock Prices”, Energy Policy, Vol. 35, Issue 11, pp. 5535-5540.

Haugom, E., Langeland, H., Molnár, P. and Westgaard, S. (2014), “Forecasting Volatility of the US Oil Market”, Journal of Banking & Finance, Vol. 47, pp. 1-14.

Huang, B. N., Hwang, M. and Peng, H. P. (2005), “The Asymmetry of the Impact of Oil Price Shocks on Economic Activities: An Application of the Multivariate Threshold Model”, Energy Economics, Vol. 27, Issue 3, pp. 455-476.

Kang, S. H., Kang, S. M. and Yoon, S. M. (2009), “Forecasting Volatility of Crude Oil Markets”, Energy Economics, Vol. 31, Issue 1, pp. 119-125.

Kolstad, I., Wiig, A., and Williams, A. (2009), “Mission Improbable: Does Petroleum-Related Aid Address the Resource Curse? ”, Energy Policy, Vol. 37, Issue 3, pp. 954-965.

Lardic, S. and Mignon, V. (2006), “The Impact of Oil Prices on GDP in European Countries: An Empirical Investigation Based on Asymmetric Cointegration”, Energy policy, Vol. 34, Issue 18, pp. 3910-3915.

Nelson, D. B. (1991), “Conditional Heteroskedasticity in Asset Returns: A New Approach”, Econometrica: Journal of the Econometric Society, Vol. 59, Issue 2, pp. 347-370.

Organization of the Petroleum Exporting Countries. 2015, from http://www.opec.org.

Pindyck, R. S. (2001), “The Dynamics of Commodity Spot and Futures Markets: A Primer”, The Energy Journal, Vol. 22, Issue 3, pp. 1-29.

Prebisch, R. (1950), The Economic Development of Latin America and its Principle Problems, United Nations, Lake Success.

Rostow, W. W. (1960). The Process of Economic Growth.

Sadeghi, M., and Shavvalpour, S. (2006), “Energy Risk Management and Value at Risk Modeling”, Energy policy, Vol. 34, Issue 18, pp. 3367-3373.

Sadorsky, P. (2003), “The Macroeconomic Determinants of Technology Stock Price Volatility”, Review of Financial Economics, Vol. 12, Issue 2, pp. 191-205.

Salisu, A. A. and Fasanya, I. O. (2013), “Modelling Oil Price Volatility with Structural Breaks”, Energy Policy, Vol. 52, pp. 554-562.

Singer, H. W. (1950), “The Distribution of Gains Between Investing and Borrowing Countries”, The American Economic Review, Vol. 40, Issue 2, pp. 473-485.

Wang, Y., Wu, C. and Yang, L. (2016), “Forecasting Crude Oil Market Volatility: A Markov Switching Multifractal Volatility Approach”, International Journal of Forecasting, Vol. 32, Issue 1, pp. 1-9.

Wei, Y., Wang, Y. and Huang, D. (2010), “Forecasting Crude Oil Market Volatility: Further Evidence Using GARCH-Class Models”, Energy Economics, Vol. 32, Issue 6, pp. 1477-1484.

Zhang, C., and Qu, X. (2015), “The Effect of Global Oil Price Shocks on China's Agricultural Commodities”, Energy Economics, Vol. 51, pp. 354-364.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



[1] استادیار گروه مهندسی سیستم­های اقتصادی اجتماعی، دانشکده پیشرفت، دانشگاه علم و صنعت (نویسنده مسئول)

E-mail: shavvalpour@iust.ac.ir

[2] استادیار گروه مهندسی سیستم­های اقتصادی اجتماعی، دانشکده مهندسی صنایع، دانشگاه علم و صنعت

E-mail: arminj@iust.ac.ir

[3] دانشجوی دکتری مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه علم و صنعت

E-mail: khanjarpanah@ind.iust.ac.ir

[4] Huang et al.

[5] Lardic and Mignon

[6] Bhar and Hamori

[7] Ewing et al.

[8] Sadorsky

[9] Ewing and Thompson

[10] Pinkdyck

[11] Volatility

[12] Autoregressive conditional heteroskedasticity

[13] Organization of the Petroleum Exporting Countries (OPEC)

[14] T-Student

[15] Generalized Error Distribution

[16] Rostow

[17] Prebisch

[18] Singer

[19] Kolstad et al.

[20] Stabilization Fund

[21] Saving Fund

[22] Virtula Fund

[23] Barnett and R.Ossowski

[24] Cabedo and Moya

[25] Aloui and Mabrouk

[26] Kang et al.

[27] Wei et al.

[28] Salisu and Fasanya

[29] Wang et al.

[30] Haugom et al.

[31] Transitory

[32] Mean Squared Error

[33] Mean Absolute Error

[34] Zhang and Qu

الف) فارسی
ابراهیمی، محسن و سوری، علی (1384)، "زیان ناشی از نااطمینانی درآمدهای نفتی بر رشد اقتصادی و ضرورت حساب ذخیره ارزی"، نامه مفید، شماره 48، ص54-43.
ابراهیمی، محسن و قنبری، علیرضا (1385)، "مدیریت ریسک نوسانات قیمت نفت در ایران"، نامه مفید، شماره 57، ص162-139.
ارشدی، علی (1390)، "مدل­سازی نوسانات قیمت نفت، قالبی برای اندازه­گیری شاخص نااطمینانی بر اساس یک مدل (ARIMA-GARCH)"، مطالعات اقتصاد انرژی، دوره 8، شماره 30، ص220-205.
جلالی نائینی، سید احمدرضا، قربانی، وحید و صیادی، محمد (1392)، "اثر سرریز ریسک بین بازدهی قیمت در بازارهای نقدی و آتی­های نفت خام"، اقتصاد انرژی ایران، دوره 2، شماره 9، ص52-31.
رستمی، محمدرضا و فرهمندی، سحر (1391)، "برآورد ارزش در معرض ریسک قیمت نفت خام و اثرات سرریز آن با استفاده از مدل گارچ چندمتغیره MGARCH"، دانش سرمایه­گذاری، دوره 1، شماره 4، ص228-215.
صمدی، علی حسین، هادیان، ابراهیم و جعفری، محبوبه (1392)، "بررسی تاثیر نوسان­های دائمی و موقتی قیمت نفت اوپک بر سرمایه­گذاری، تولید و نرخ بیکاری در اقتصاد ایران"، اقتصاد انرژی ایران، دوره 2، شماره 7، ص101-75.
فلاح­پور، سعید، رضوانی، فاطمه و رحیمی، محمدرضا (1394)، "برآورد ارزش در معرض ریسک شرطی (CVaR) با استفاده از مدل­های ناهمسانی واریانس شرطی متقارن و نامتقارن در بازار طلا و نفت"، دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، دوره 8، شماره 26، ص18-1.
کریم­زاده، مصطفی، نصرالهی، خدیجه، صمدی، سعید، دلالی اصفهانی، رحیم و فخار، مجید (1388)، "بررسی بیماری هلندی در اقتصاد ایران: تاثیرگذاری رابطه مبادله بر ساختار سرمایه­گذاری"، فصلنامه اقتصاد مقداری (فصلنامه بررسی­های اقتصادی)، دوره 6، شماره 4، ص172-147.
منظور، داود و یادی­پور، مهدی (1388)، "تجربه کشورهای مختلف در زمینه درآمدهای نفتی و درس­هایی برای ایران"، فصلنامه راهبرد یاس، شماره 17، ص165-142.
ب) انگلیسی
Aloui, C., and Mabrouk, S. (2010), “Value-at-Risk Estimations of Energy Commodities via Long-Memory, Asymmetry and Fat-tailed GARCH Models”, Energy policy, Vol. 38, Issue 5, pp. 2326-2339.
Barnett, M.S. and Ossowski, M.R. (2003), Operational aspects of fiscal policy in oil-producing countries, No. 2-177, International Monetary Fund.
Bhar, R. and Hamori, S. (2005), “Causality in Variance and the Type of Traders in Crude Oil Futures”, Energy Economics, Vol. 27, Issue 3, pp. 527-539.
Cabedo, J. D., and Moya, I. (2003), “Estimating Oil Price ‘Value at Risk’ Using the Historical Simulation Approach”, Energy Economics, Vol. 25, Issue 3, pp. 239-253.
Dickey, D. A. and Fuller, W. A. (1979), “Distribution of the Estimators For Autoregressive Time Series With a Unit Root”, Journal of the American statistical association, Vol. 74, Issue 366, pp. 427-431.
Engle, R. F. (1982), “Autoregressive Conditional Heteroscedasticity With Estimates of the Variance of United Kingdom Inflation”, Econometrica: Journal of the Econometric Society, Vol.50, Issue 4, pp. 987-1007.
Engle, R. F. and Lee, G. (1999), A Long-Run and Short-Run Component Model of Stock Return Volatility: Cointegration, Causality, and Forecasting: A Festschrift in Honour of Clive WJ Granger.
Ewing, B. T., Hammoudeh, S. M. and Thompson, M. A. (2006), “Examining Asymmetric Behavior in US Petroleum Futures and Spot Prices”, The Energy Journal, Vol. 27, Issue 3, pp. 9-23.
Ewing, B. T. and Thompson, M. A. (2007), “Dynamic Cyclical Comovements of Oil Prices with Industrial Production, Consumer Prices, Unemployment, and Stock Prices”, Energy Policy, Vol. 35, Issue 11, pp. 5535-5540.
Haugom, E., Langeland, H., Molnár, P. and Westgaard, S. (2014), “Forecasting Volatility of the US Oil Market”, Journal of Banking & Finance, Vol. 47, pp. 1-14.
Huang, B. N., Hwang, M. and Peng, H. P. (2005), “The Asymmetry of the Impact of Oil Price Shocks on Economic Activities: An Application of the Multivariate Threshold Model”, Energy Economics, Vol. 27, Issue 3, pp. 455-476.
Kang, S. H., Kang, S. M. and Yoon, S. M. (2009), “Forecasting Volatility of Crude Oil Markets”, Energy Economics, Vol. 31, Issue 1, pp. 119-125.
Kolstad, I., Wiig, A., and Williams, A. (2009), “Mission Improbable: Does Petroleum-Related Aid Address the Resource Curse? ”, Energy Policy, Vol. 37, Issue 3, pp. 954-965.
Lardic, S. and Mignon, V. (2006), “The Impact of Oil Prices on GDP in European Countries: An Empirical Investigation Based on Asymmetric Cointegration”, Energy policy, Vol. 34, Issue 18, pp. 3910-3915.
Nelson, D. B. (1991), “Conditional Heteroskedasticity in Asset Returns: A New Approach”, Econometrica: Journal of the Econometric Society, Vol. 59, Issue 2, pp. 347-370.
Organization of the Petroleum Exporting Countries. 2015, from http://www.opec.org.
Pindyck, R. S. (2001), “The Dynamics of Commodity Spot and Futures Markets: A Primer”, The Energy Journal, Vol. 22, Issue 3, pp. 1-29.
Prebisch, R. (1950), The Economic Development of Latin America and its Principle Problems, United Nations, Lake Success.
Rostow, W. W. (1960). The Process of Economic Growth.
Sadeghi, M., and Shavvalpour, S. (2006), “Energy Risk Management and Value at Risk Modeling”, Energy policy, Vol. 34, Issue 18, pp. 3367-3373.
Sadorsky, P. (2003), “The Macroeconomic Determinants of Technology Stock Price Volatility”, Review of Financial Economics, Vol. 12, Issue 2, pp. 191-205.
Salisu, A. A. and Fasanya, I. O. (2013), “Modelling Oil Price Volatility with Structural Breaks”, Energy Policy, Vol. 52, pp. 554-562.
Singer, H. W. (1950), “The Distribution of Gains Between Investing and Borrowing Countries”, The American Economic Review, Vol. 40, Issue 2, pp. 473-485.
Wang, Y., Wu, C. and Yang, L. (2016), “Forecasting Crude Oil Market Volatility: A Markov Switching Multifractal Volatility Approach”, International Journal of Forecasting, Vol. 32, Issue 1, pp. 1-9.
Wei, Y., Wang, Y. and Huang, D. (2010), “Forecasting Crude Oil Market Volatility: Further Evidence Using GARCH-Class Models”, Energy Economics, Vol. 32, Issue 6, pp. 1477-1484.
Zhang, C., and Qu, X. (2015), “The Effect of Global Oil Price Shocks on China's Agricultural Commodities”, Energy Economics, Vol. 51, pp. 354-364.