Investigating the Dynamics of Volatility Spillovers across Sectors’ Returns Utilizing a Time-Varying Parameter Vector Autoregressive Connectedness Approach; Evidence from Iranian Stock Market

Document Type : Research Paper

Authors

1 Associate Professor, Faculty of Economics, Allameh Tabataba'i University, Tehran, Iran

2 Associate Professor of Faculty of Economics, Allameh Tabataba'i University, Tehran, Iran

Abstract

Identifying the connection between different economic sectors is pivotal to policy-making and portfolio management, particularly in a developing country such as Iran. This study incorporates the high-frequency data of the daily returns in the Iranian stock market sector (four clusters, including 12 sectors that constitute over 70% of the stock market capitalization) from November 2009 to October 2022 to estimate the total and sectoral static and dynamic connectedness indices using the vector autoregression model (VAR) with time-varying parameter (TVP) and Diebold-Yilmaz connectedness index (DYCI). The findings indicate that 56% of the forecast error variance can be attributed to cross-sectoral innovations within the network, demonstrating a fairly strong co-movement across different sectors. Also, the connectedness between sectoral performances varies significantly over time. The strongest connectedness and spillovers have been observed in recent years when the stock market experienced extraordinary ups and downs, reaching its peak of 85% in the total connectedness index in early 2022. It was also found that the base metal industry and investment sector have acted as permanent transmitters of shocks, and the sugar and ceramic sectors were the permanent receptors of volatilities. This finding confirms the existence of the lead-lag effect in the Iranian stock market. Lastly, the strong pairwise connectedness, especially between “base metal and metal ore sectors” and “food and sugar industries,” indicates that shocks are transferred from downstream to upstream industries in the studied clusters.
JEL Classification: C32, C58, G14, G41

Keywords

References

  1. باقری، سمانه و انصاری سامانی، حبیب (1399). بررسی اثرات سرریز بحران‌های مالی جهانی بر بازار نفت اوپک. انرژی ایران، 23(3)، 103-85.
  2. پوریعقوبی، هادی و اشرفی، یکتا (1399). سرایت‌پذیری تلاطم بازده میان صنایع مختلف بازار سرمایه ایران. دانش سرمایه‌گذاری، 9 (34)، 293-277.
  3. جهانگیری، خلیل و حکمتی فرید، صمد (1393). مطالعه آثار سرریز تلاطم بازارهای سهام، طلا، نفت و ارز. پژوهشنامه اقتصادی، 15(55)، 192-159.
  4. حسنی ابراهیم آباد، سیدعلی، جهانگیری، خلیل، قائمی اصل، مهدی و حیدری، حسن (1399). بررسی اثر سرریز تلاطم و همبستگی‌های پویای شرطی در بورس تهران با استفاده از رویکرد ناهمسانی واریانس شرطی بیزی مبتنی بر آنالیز موجک. نظریه‌های کاربردی اقتصاد، 7(1)، 184-149.
  5. حسینی ابراهیم آباد، سیدعلی، جهانگیری، خلیل، حیدری، حسن و قائمی اصل، مهدی (1398). بررسی سرریز تکانه و تلاطم میان شاخص‌های منتخب بورس اوراق بهادار تهران با استفاده از مدل Asymmetric BEKK-GARCH. مطالعات اقتصادی کاربردی ایران، 8 (29)، 155-123.
  6. زمانی، شیوا، سوری، داوود و ثنائی اعلم، محسن (1389). بررسی وجود سرایت بین سهام شرکت‌ها در بورس اوراق بهادار تهران با استفاده از یک مدل دینامیک چندمتغیره. تحقیقات اقتصادی، 93، 54-29.
  7. غلامی حیدریانی، لیلا، رنج‌پور، رضا و فلاحی، فیروز (1400). بررسی ارتباط بین چرخه‌های سهام و چرخه‌های تجاری در اقتصاد ایران؛ رویکرد شاخص‌های سرریز. پژوهش‌های رشد و توسعه اقتصادی، 11 (42)، 130-109.
  8. کرمی، سپیده و رستگار، محمدعلی (1397). تخمین اثر سرریز بازده و نوسانات صنایع مختلف بر روی یکدیگر در بازار بورس تهران. مجله مهندسی مالی و مدیریت اوراق بهادار، 35، 342-323.
  9. ممی‌پور، سیاب، فعلی، عاطفه (1396). بررسی سرریز تلاطم قیمت نفت بر بازدهی صنایع منتخب در بورس اوراق بهادار تهران: رویکرد تغییر رژیم مارکوف و تجزیه واریانس. پژوهش‌های اقتصاد پولی و مالی، 24 (14)، 234-205.
  10. هاشمی، سیدامیرمهدی، خدائی وله زاقرد، محمد، معمارنژاد، عباس و ابوالحسنی هستیانی، اصغر (1399). رابطه سرریز شبکه‌ای بازدهی بازارهای سرمایه‌گذاری با رویکرد دیبولد و یلماز. مهندسی مالی و مدیریت اوراق بهادار، 44، 478-446.
  11. Adler, M., & Dumas, B. (1983). International Portfolio Choice and Corporation Finance: A Survey. The Journal of Finance, 38(3), 925-984.
  12. Ahmed, W. M. A. (2016). The Dynamic Linkages Among Sector Indices: The Case Of The Egyptian Stock Market. International Journal of Economics and Finance, 8(4), 23-38
  13. Ahmad, W., Mishra, A. V., & Daly, K. J. (2018). Financial Connectedness of BRICS and Global Sovereign Bond Markets. Emerging Markets Review, 37(3), 1-16.
  14. Antonakakis, N., Chatziantoniou, I., & Filis, G. (2013). Dynamic Co-Movements of Stock Market Returns, Implied Volatility and Policy Uncertainty. Economics Letters, 120(1), 87-
  15. Antonakakis, N., Chatziantoniou, I., & Filis, G. (2017). Oil Shocks and Stock Markets: Dynamic Connectedness under the Prism of Recent Geopolitical and Economic Unrest. International Review of Financial Analysis, 50 (3), 1-
  16. Antonakakis, N., Chatziantoniou, I., & Gabauer, D. (2020). Refined Measures of Dynamic Connectedness Based on Time-Varying Parameter Vector Autoregressions. Journal of Risk and Financial Management, 13(4), 13040084.
  17. Arouri, M.E.H., Jouini, J., & Nguyen, D.K. (2011). Volatility Spillovers between Oil Prices and Stock Sector Returns: Implications for Portfolio Journal of International Money Finance, 30, 1387–1405.

Awartani, B., & Maghyereh, A.I. (2013). Dynamic Spillovers between Oil and Stock Markets in the Gulf Cooperation Council Countries. Energy Economics, 36, 28–42.

Journal of Economic Research (Tahghighat- E- Eghtesadi)
Volume 57, Issue 2 - Serial Number 139
January 2023
Pages 321-356

Files

History

  • Receive Date: 14 October 2022
  • Revise Date: 15 January 2023
  • Accept Date: 06 January 2023

Share

How to cite

Statistics