پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,236 |
| تعداد مقالات | 67,810 |
| تعداد مشاهده مقاله | 115,284,538 |
| تعداد دریافت فایل اصل مقاله | 90,026,623 |
طراحی شاخص شرایط مالی به‌منظور پیش‌بینی متغیرهای کلان با استفاده از مدل‌های پویای متغیر در زمان | ||
| تحقیقات مالی | ||
| دوره 25، شماره 2، 1402، صفحه 180-204 اصل مقاله (1.58 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2023.344847.1007353 | ||
| نویسندگان | ||
| پریا کریمی1؛ علیرضا سارنج* 2؛ محمد ندیری2؛ محمدرضا مهربان پور2 | ||
| 1دانشجوی دکتری، گروه مدیریت مالی و حسابداری، دانشکده مدیریت و حسابداری، دانشکدگان فارابی، دانشگاه تهران، قم، ایران. | ||
| 2استادیار، گروه مدیریت مالی و حسابداری، دانشکده مدیریت و حسابداری، دانشکدگان فارابی، دانشگاه تهران، قم، ایران. | ||
| چکیده | ||
| هدف: شاخص شرایط مالی در سال‌های اخیر، در کانون توجه سیاست‌گذاران قرار گرفته است. این موضوع از این فرض نشئت می‌گیرد که تحولات مالی که از طریق عوامل اساسی سیاست پولی هدایت نمی‌شوند، ممکن است بر اقتصاد تأثیر زیادی داشته باشد. بنابراین نیاز سیاست‌گذاران به نظارت دقیق شرایط مالی بسیار اهمیت می‌یابد. هدف پژوهش حاضر طراحی شاخص شرایط مالی با استفاده از مدل‌های پویای متغیر در زمان، به‌منظور بهبود پیش‌بینی متغیرهای کلان اقتصادی است. روش: در این پژوهش با استفاده از مدل‌های خودرگرسیون برداری عاملی تعمیم‌یافته با ضرایب متغیر در زمان و نوسان‌های تصادفی، به طراحی شاخص شرایط مالی پرداخته شده و دقت مدل پیشنهادی، در پیش‌بینی متغیرهای کلان اقتصادی بررسی شده است. بدین منظور، از داده‌های ماهانه طی سال‌های ۱۳۸۰ تا ۱۳۹۹ برای ۱۹ متغیر مالی و ۵ متغیر کلان اقتصادی استفاده شده است. یافته‌ها: به‌کارگیری مدل‌های متغیر در زمان، توانست به کاهش خطای پیش‌بینی در متغیرهای شاخص قیمت مصرف‌کننده، نقدینگی، پایه پولی و تولید ناخالص داخلی بینجامد؛ ولی در پیش‌بینی نرخ بیکاری، نتوانست عملکرد بهتری از سایر روش‌های پیش‌بینی داشته باشد. نتیجه‌گیری: در این پژوهش از مدل‌های متغیر در زمان، برای استخراج شاخص شرایط مالی به‌گونه‌ای استفاده شد که بتواند بهترین برآورد را از متغیرهای کلان اقتصادی داشته باشد. نتایج حکایت دارد از اینکه به‌کارگیری این گونه مدل‌ها، میتواند در پیش‌بینی برخی از متغیرهای کلان اقتصادی عملکرد بهتری نسبت به سایر مدل‌ها داشته باشد. | ||
| کلیدواژه‌ها | ||
| انتخاب پویا؛ شاخص شرایط مالی؛ متغیرهای کلان اقتصادی؛ مدل‌های متغیر در زمان؛ میانگین‌گیری پویا | ||
| عنوان مقاله [English] | ||
| Designing a Financial Condition Index to Predict Macroeconomic Variables Using Dynamic Time-varying Models | ||
| نویسندگان [English] | ||
| Paria Karimi1؛ Alireza Saranj2؛ Mohammad Nadiri2؛ Mohammad Reza Mehrabanpour2 | ||
| 1Ph.D. Candidate., Department of Finance and Accounting, Faculty of Management and Accounting, Farabi College, University of Tehran, Qom, Iran. | ||
| 2Assistant Prof., Department of Finance and Accounting, Faculty of Management and Accounting, Farabi College, University of Tehran, Qom, Iran. | ||
| چکیده [English] | ||
| Objective: Since financial developments that are not driven by fundamental factors of monetary policy may have a large impact on the economy, policymakers have placed significant emphasis on the financial conditions index over the past recent years. Policymakers must maintain a vigilant watch over financial conditions, as their significance becomes increasingly significant. The construction and use of the financial condition index include three issues, which are: a) the selection of financial variables to enter the financial index, b) weights used to relate financial variables to the index, and finally c) the relationship between this index and the macroeconomy. There are many reasons for the changeability of these three cases over time, which can be discussed about the reasons for their occurrence and effect on the results. Many changes affect the way a financial index is made. Therefore, in this research, the goal is to design an index of financial conditions using time-varying dynamic models to improve the forecasting of macroeconomic variables. Methods: The process of implementing the conceptual model can be explained in the following steps. First, extracting the desired variables to be used in the desired models (for this purpose, we have used monthly data during the years 2001 to 2021 for 19 financial variables and 5 macroeconomic variables). It should be noted that since all the variables must be in the form of rates - if necessary, all the variables were converted into growth rates. Also, all the variables were examined from the dimension of stationary, and the problem of their stationary has been solved. Second, the desired models were calculated to predict macroeconomic variables. Using time-varying models, dynamic averaging models, and dynamic selection models, the financial condition index was constructed in such a way that this index could include various variables to adopt different coefficients from its previous and subsequent periods and challenge constant parameter and variable models. Third, the predictive power of each of the proposed models in the estimation of macroeconomic variables (sum of squares of prediction error) was analyzed and estimated. Fourth, financial index extraction was done based on the model selected in the third step. Results: The findings suggest that employing models that solely consider variability in the coefficients (without accounting for variability in the variables) leads to enhanced predictions of the unemployment rate compared to vector autoregression models and vector autoregression models incorporating the basic component. In addition, by moving from the generalized factor vector autoregression models and the time-varying generalized factor vector autoregression and the generalized factor time-varying vector autoregression, in which only the variability in the parameters is included (without considering the variability in the variables) towards the models that consider the variability in the parameters both in a Bayesian and dynamic way, a reduction will occur in the forecast error in the variables of the consumer price index, liquidity, monetary base, and gross domestic product. However, the amount of improvement in each of the variables is different from each other. Conclusion: This study employed time-varying models to derive the financial condition index, aiming to provide the most accurate estimation of macroeconomic variables. The findings demonstrate that the utilization of these models outperforms other approaches in forecasting a majority of the macroeconomic variables | ||
| کلیدواژه‌ها [English] | ||
| Financial condition index, Macroeconomic variables, Dynamic time-varying models | ||
| مراجع | ||
|
تقی‌زاده، حجت؛ زمانیان، غلامرضا و هراتی، جواد (1396). بررسی اثر شوک‌های پولی بر بخش‌های مختلف اقتصادی. با استفاده از رویکرد FAVAR. فصلنامه علمی نظریه‌های کاربردی اقتصاد، 4(4)، 1-26.
خضری، محسن؛ سحابی، بهرام؛ یاوری، کاظم و حیدری، حسن (1394). اثر بازده بر بخش سوداگری تورم در اقتصاد ایران: مدل TVP-FAVAR. پژوهشنامه اقتصادی ( دانشگاه علامه طباطبایی)، 15(57)، 193-228.
خورسندی، مرتضی؛ اسلاملوییان، کریم و ذوالنور، سید حسین (1391). شاخص شرایط پولی مناسب برای اقتصاد ایران. پژوهش‌های اقتصادی (رشد و توسعه پایدار)، ۱۲(۱)، 31-57.
شکروی، سمیه و خضری، محسن (1396). محاسبه شاخص توسعه مالی و بررسی اثرات متغیر زمانی آن بر رشد اقتصادی با استفاده از مدل TVP-FAVAR. پژوهشنامه اقتصادی، 17 (67)، 315-341.
عطرکار روشن، صدیقه و سادات محبوبی، مطهره (1395). استخراج شاخص شرایط مالی برای ایران. تحقیقات مدل‌سازی اقتصادی، 24، 147-173.
کمیجانی، اکبر و علی نژاد مهربانی، فرهاد (1391). ارزیابی اثربخشی کانال‌های انتقال پولی بر تولید و تورم و تحلیل اهمیت نسبی آنها در اقتصاد ایران. فصلنامه برنامه‌ریزی و بودجه، ۱۷ (۲)، ۶۳-۳۹ .
همتی، مریم و بوستانی، رضا (1394). معرفی یک شاخص شرایط پولی جدید برای اقتصاد ایران. مقاله کاری پژوهشکده پولی و بانکی بانک مرکزی ج.ا.ا ، 94001.
References Atrkarroshan, M. & Sadat Mahbubi, M. (2016). Financial Condition Index (FCI) Extraction for Iran. JEMR, 7 (24),147-173. (in Persian) Boivin, J., Kiley, T., & Mishkin, F.S. (2010). How Has the Monetary Transmission Mechanism Evolved Over Time? National bureau of economic research (Working Paper 15879). Borg, I. & Micallef, B. (2018). Constructing a Financial Condition Index for a small-open economy: The case of Malta. Research in Applied Economics, 10(3), 89-105. Debuque-Gonzales, M. & Gochoco-Bautista, M.S. (2013). Financial Conditions Indexes for Asian Economies. ADB Economics Working Paper Series 333, Asian Development Bank. Dudley, W. & Hatzius, J. (2000). The Goldman Sachs financial conditions index: the right tool for a new monetary policy regime. Global economics paper. Goldman Sachs, (44). Gaglianone, W. & Areosa, W. (2016). Financial Conditions Indicators for Brazil. Working paper of banco central do Brasil. Ganchev, G.T., & Paskaleva, M.G. (2020). The Importance of Financial Condition Indices in South-Eastern Europe. International Journal of Contemporary Economics and Administrative Sciences, 10(1), 78–106. Gauthier, C., Graham, C. & Liu, Y. (2004). Financial Conditions Indexes for Canada. Staff Working Papers 04-22, Bank of Canada. Guillaumin, C. & Vallet, G. (2017). Forecasting inflation in Switzerland after the crisis: the usefulness of a monetary and financial condition index. Cahier de recherché du Creg. Hartigan, L. & Wright, M. (2021). Financial Conditions and Downside Risk to Economic Activity in Australia. RBA Research Discussion Papers, Reserve Bank of Australia. Hatzius, J., Hooper, P. & Mishkin, F.S. (2010). Financial Conditions Indexes: A Fresh Look after the Financial Crisis. U.S. Monetary Policy Forum (Chicago: Chicago Booth Initiative on Global Markets), 3-59. Hematy, M. & Boostani, R. (2015). Constructing a New Monetary Condition Index for Iran. Working paper of MBRI, 94001. (in Persian) Jabeenm, H. & Qureshi, M. N. (2019). Financial Condition Index (FCI) for the Pakistan. Indian Journal of Science and Technology, 12(21), 1-8. Juhro, S. & Iyke, B. (2019). Monetary policy and financial conditions in Indonesia. Buletin Ekonomi Moneter Dan Perbankan, 21(3), 283-302. Juhro, S. & Iyke, B.N. (2020). Consumer confidence and consumption expenditure in Indonesia. Economic Modelling, (89), 367-377. Kabundi, A. & Mbelu, A. (2021). Estimating a time-varying financial conditions index for South Africa. Empirical Economics, Springer, 60(4), 1817-1844. Kabundi, A. & Mbelu, A. (2021). Has the Exchange Rate Pass-Through changed in South Africa? South African reserve bank (Working Papers). Kapetanios, G., Price, S.G., & Young, G. (2017). A UK Financial Conditions Index Using Targeted Data Reduction: Forecasting and Structural Identification. CAMA Working Paper, (58). Khorsandi, M., Eslamloueyan, K. & Zonnoor, H. (2012). An Appropriate Monetary Conditions Index for the Iranian Economy. QJER, 12 (1), 31-57. (in Persian) Komijani, A., Alinejad-Mehrabani, F. (2012). Evaluating the Effectiveness of Monetary Transmission Channels on Production and Inflation besides Analyzing their Relative Importance in Iran’s Economy. JPBUD, 17 (2), 39-63. (in Persian) Koop, G. & Korobilis, D. (2014). A new index of financial conditions. European Economic Review, Elsevier, 71(C), 101-116. Mayes, D. & Virén, M. (2001). Financial Conditions Indexes. Bank of Finland Discussion Paper, (17). Shokravi, S., Khezri, M. (2017). Measuring Financial Development Index and Analyzing Its Time-Varying Effects on Economic Growth: An Application of TVP-FAVAR Model. Economics Research, 17(67), 315-341. (in Persian) Taghizadeh, H., Zamanian, G. & Harati, J. (2018). Monetary Shocks Effects on Different Economic Sectors: Using the FAVAR Approach. Quarterly Journal of Applied Theories of Economics, 4(4), 1-26. | ||
|
آمار تعداد مشاهده مقاله: 437 تعداد دریافت فایل اصل مقاله: 284 |
||