رفتار شرکت کنندگان در بازار غالباً به سیگنال های بازار متکی نیست ، بلکه تصمیمات سرمایه گذاری سایر احزاب را تکرار می کند. همگرایی رفتار سرمایه گذاری آنها منجر به ظهور رفتار گله با پیامدهای منفی برای ثبات مالی می شود. علاوه بر این ، این پدیده ممکن است در مواقع بحران حتی بیشتر باشد. اگرچه گلها موضوعی جالب است که علاقه محققان دانشگاهی را دعوت می کند ، اما هنوز به اندازه کافی از نظر مقایسه اثر گله بین بازارهای مختلف توسعه یافته مورد مطالعه قرار نگرفته است. هدف اول این تحقیق تعیین رفتار گله در طول همه گیر COVID-19 با استفاده از تجزیه و تحلیل رگرسیون استاتیک و نورد بود. هدف دوم بررسی این بود که آیا رفتار گله توسط همه گیر ایجاد شده است ، در حالی که هدف سوم مقایسه تفاوت در رفتار گله بین بازارهای سهام متفاوت اروپا است. نتایج نشان می دهد که این پدیده در بازارهای نوظهور بیشتر برجسته است و به دنبال آن بازارهای مرزی و بازارهای توسعه یافته است. بنابراین ، نتایج این مطالعه از اهمیت ویژه ای برای سرمایه گذاران فردی و نهادی برای دستیابی به تنوع ریسک کارآمد و مقامات مالی برای تعیین قوانین و جلوگیری از افزایش رفتار گله برخوردار است.
1. مقدمه
بازارهای مالی اغلب توسط الگوهای مختلف رفتار سرمایه گذار هدایت می شوند. تعدادی از مطالعات تأثیر بر بازارهای مالی و رفتار سرمایه گذار مرتبط با دوره استرس را بررسی کرده اند. واکنش های عاطفی به حوادث استرس زا می تواند منجر به تصمیمات غیر منطقی توسط سرمایه گذاران و مدیران شود. با شروع رکود بزرگ در سال 1930 ، بحران آسیای شرقی در سال 1997 ، حباب Dot-Com در سال 2000 ، بحران وام مسکن در سال 2008 ، بحران بدهی حاکمیت اروپا در سال 2011 ، سقوط نفت در سال 2014 ، سقوط چینی هایوان در سال 2015 ، و اکنون همه گیر Coronavirus در سال 2020 ، بازارهای مالی نشان دادند که آنها توسط احساسات رانده می شوند (Shrotryia و Kalra 2021).
شیوع اخیر Coronavirus باعث شده است که مقالات علمی را برطرف کند که به تحریف بازارهای مالی پرداخته است. COVID-19 با ایجاد سطح غیر منتظره ای از عدم اطمینان ، تأثیر منفی نه تنها بر سلامت عمومی ، بلکه در بازارهای مالی و اقتصاد وسیع تر نیز داشته است (اسلم و همکاران 2021 ؛ سپلوودا ولسکز و همکاران 2021). گزارش ثبات مالی خاطرنشان می کند که این بیماری همه گیر تأثیر قابل توجهی در سیستم های مالی داشته و افزایش بیشتر این بحران می تواند بر ثبات مالی جهانی تأثیر بگذارد (گزارش ثبات مالی جهانی 2020). تعدادی از مطالعات شواهدی از تأثیرات منفی شیوع COVID-19 در بازار مالی به دلیل ترس و اضطراب سرمایه گذار نشان دادند (Lyócsa et al. 2020 ؛ Liu et al. 2020 ؛ Al-Awadhi et al. 2020 ؛ Zhang et al. 2020). در مواقع اختلال در بازار ، سرمایه گذاران کمتر آگاه سعی می کنند از رفتار شرکت کنندگان در بازار آگاه تر تقلید کنند و منجر به وضعیت روانی با تعصبات رفتاری مانند رفتار گله شوند. رفتار گله به دلیل شرایط نامشخص مانند شایعات و عدم تقارن اطلاعات بوجود می آید و می تواند در یک مطالعه آزمایشی تکرار شود ، و این امکان را برای استخراج اطلاعات در مورد فرآیندهای رفتاری فراهم می کند (اسمایات و همکاران 2021). تئوری رفتار گله در دهه 1990 از طریق تحقیقات توسط بانرجی (1992) و بیخچندانی و همکاران محبوب شد.(1992). بانرجی (1992) رفتار گله را به عنوان رفتاری تعریف می کند که دیگران بدون استفاده از اطلاعات خودشان درگیر می شوند. Krkoska و Schenk-Hoppé (2019) وضعیت گله را به عنوان یک عامل خطر که باید در نظر گرفته شود و بیشتر مورد بررسی قرار می دهد ، برجسته می کنند.
این رفتار منجر به نوسانات بیش از حد در بازارهای مالی با روندهای کوتاه مدت (کبیر و شکور 2018) می شود و می تواند بازار سهام یک کشور را بی ثبات کند و شکنندگی سیستم مالی را افزایش دهد (Javaira and Hassan 2015 ؛ Kumar and Badhani 2018). بنابراین ، درک رفتار گله در بازارهای سهام مهم است زیرا به سیاست گذاران کمک می کند تا خطرات احتمالی مرتبط با چنین رفتاری را کاهش دهند و از این طریق از ثبات بازارهای مالی و اقتصاد اطمینان حاصل کنند. از آنجا که همه گیر Covid-19 از ابعاد سرزمینی قوی برخوردار است زیرا مناطق به همان روش تحت تأثیر قرار نمی گیرند و تأثیر آن در مناطق بسیار متفاوت است ، لازم است مدت زمان رفتار گله را در بورس های سهام متفاوت توسعه یافته بررسی کنید. بنابراین ، میزان حرکات مشترک نیز در بازارهای سهام توسعه یافته ، در حال ظهور و مرزی متفاوت است (سحاب الدین و همکاران 2022).
از آنجایی که تأثیر شدید و منفی همهگیری ویروس کرونا (COVID-19) بر اقتصاد جهانی و بازارهای سرمایه ملی و بینالمللی اجتنابناپذیر است، اولین هدف این مطالعه بررسی اینکه آیا رفتار گلهای در بازارهای توسعهیافته، نوظهور وجود دارد یا خیر، بود. و کشورهای اروپایی مرزی قبل و در طول همه گیری. Ferreruela و Mallor (2021) دریافتند که رفتار گلهداری با شدت بیشتری در دورههای قبل از بحران رخ میدهد، در طول یک بحران مالی ناپدید میشود و پس از بحران دوباره ظاهر میشود، البته با شدت کمتر در دو بازار اروپایی توسعهیافته، در حالی که به طور کلی در طول دوره شناسایی نشد. پاندمی. در مقابل، اسپینوزا مندز (2021) دریافت که یک بیماری همه گیر رفتار گله داری را در بازارهای سرمایه توسعه یافته اروپایی افزایش می دهد. لازم به تاکید است که اکثر نتایج از طریق تحلیل استاتیکی به دست آمده اند، اگرچه رفتار گله را می توان به عنوان یک اثر پویا کوتاه مدت تعریف کرد. نتایج تحقیقات بسیار معنادارتری را می توان با استفاده از رگرسیون نورد که در این مقاله به کار گرفته شد به دست آورد. ذکر این نکته ضروری است که نتایج تا حد زیادی به روش مورد استفاده بستگی دارد. عبدالدائم و الدلیمی (2020) با استفاده از انحراف استاندارد مقطعی (CSSD) در بازارهای سهام شورای همکاری خلیج فارس (GCC) نشان دادند که ریسک مرتبط با همهگیری ویروس کرونا تأثیر آماری معنیداری بر رفتار گلهای سرمایهگذاران در بازارهای سهام شورای همکاری خلیجفارس دارد. سه ماهه اول 2020. بوری و همکاران.(2021) یک رابطه قوی بین رفتار گله داری در بازارهای سهام جهانی و عدم اطمینان بازار مالی ناشی از COVID-19 پیدا کرد. تعداد قابل توجهی از نشریات رفتار گله را در بازارهای سهام آسیا در طول همهگیری کووید-19 بررسی کردند (جیانگ و همکاران 2022؛ عبدالدائم و الدلیمی 2020؛ بهارتی و کومار 2021؛ دهل و سینگ 2020).
در رابطه با هدف اول، هدف دوم بررسی این بود که آیا رفتار گله توسط وقوع همهگیری COVID-19 ایجاد شده است یا خیر و مقایسه اثرات رفتار گله در بازارهای توسعهیافته، بازارهای نوظهور و بازارهای مرزی، که در نظر گرفته شد. هدف سومبازارهای توسعه یافته متفاوت نیز فرصت های متفاوتی را از نظر بازده و ریسک ارائه می دهند. ارتباط نتایج برای بازارهای توسعهیافته، بازارهای نوظهور و بازارهای سرمایه مرزی ناشی از تعیین مدت رفتار گلهداری است که بر اساس آن سرمایهگذاران خردهفروشی و نهادی میتوانند از فرصتهای متنوعسازی بیشتری که این بازارها ارائه میدهند، استفاده کنند. اگرچه انتظار می رود که هر سه بازار تحت تأثیر اثر گله قرار گیرند، همچنین انتظار می رود که اثرات اثر گله یکسان نباشد، که در این مقاله مورد بررسی قرار گرفت. اثرات COVID-19 در بازارهای نوظهور با اثرات موجود در بازارهای توسعه یافته متفاوت است (Harjoto et al. 2021; Salomons and Grootveld 2003). اثر کلی رفتار گله داری در بازارهای بین المللی، به ویژه بازارهای نوظهور، بارزتر است (شاه و همکاران 2019). به طور خلاصه، هدف سهگانه این مطالعه تعیین رفتار گلهداری در بازارهای سرمایه اروپا قبل و در طول همهگیری COVID-19، تعیین اینکه آیا رفتار گلهداری ناشی از همهگیری COVID-19 بوده است یا خیر، و سوم، تعیین تفاوتها دررفتار گله ای بین بازارهای سهام توسعه یافته، نوظهور و مرزی در اروپا
این مطالعه به ادبیات موجود در مورد رفتار گله در طول همه گیر Covid-19 از چند طریق کمک می کند. اول ، بیشتر مطالعات در مورد رفتار گله برای بازارهای توسعه یافته و در حال ظهور استفاده شده است. فقط برخی از آنها در بازارهای مرزی متمرکز بودند. بنابراین ، این موضوع به اندازه کافی مورد بررسی قرار نگرفته است. به بهترین دانش ما ، این اولین مطالعه برای بررسی تفاوت های اثر گله با استفاده از یک روش نورد پنجره در بازار سهام متفاوت اروپا در طول همه گیر COVID-19 بود ، بنابراین سهم ما نیز از نظر ماهیت روش شناختی بود. یافته های تحقیق حاکی از وجود رفتار گله در همه بازارها است و میزان توسعه بازار مربوط به مدت زمان اثر گله در زمان همه گیر Covid-19 است. علاوه بر مشارکتهای نظری ، یافته های تحقیق پیامدهای عملی دارند. این نتایج برای سرمایه گذاران فردی و نهادی به ویژه در تصمیم گیری در مورد سرمایه گذاری و انجام فعالیت های سرمایه گذاری بسیار مورد استفاده قرار خواهد گرفت.
در این تحقیق ، دو روش برای تشخیص رفتار گله ارائه شد. هر دو بر اساس مدل های قیمت گذاری دارایی منطقی است. مدل انحراف استاندارد مقطعی (CSSD) که توسط کریستی و هوانگ (1995) تهیه شده است ، رابطه خطی افزایش یافته بین بازده سهام و بازار را اندازه گیری می کند. با این حال ، این مدل فقط در صورت وجود حرکات قابل توجه بازار می تواند مفید باشد. برای غلبه بر کاستی های مدل CSSD ، چانگ و همکاران.(2000) مدل انحراف مطلق مقطع (CSAD) را توسعه داد. چانگ و همکاران.(2000) استدلال كرد كه رابطه خطی و فزاینده ای بین پراکندگی و بازده بازار لزوماً وجود ندارد كه سرمایه گذاران تمایل به پیروی از رفتار كلی بازار در دوره های بی ثبات داشته باشند ، و این رابطه ممکن است در طول رشد یا نزول غیرخطی شود. این دقیقاً به همین دلیل چانگ و همکاران است.(2000) شامل یک اصطلاح درجه دوم در مدل آنها برای گرفتن رابطه غیرخطی بود ، که دلیل اصلی آن است که این مدل به عنوان پایه ای برای تحقیقات بیشتر در این مقاله پذیرفته شده است. هر دو مدل در بخش 2 با جزئیات بیشتر مورد بحث قرار گرفته است.
نامه یادآوری به گونه ذیل تنظیم شده است. بخش 2 به روش استفاده شده برای تعیین رفتار گله می پردازد. بخش 3 مربوط به داده ها و آمار توصیفی است. بخش 4 یافته ها و بحث مربوطه را گزارش می کند. بخش 5 اظهارات و توصیه های نتیجه گیری را برای تحقیقات آینده ارائه می دهد.
2. روش تحقیق
2. 1تست گله
گام اولیه در این روش تشخیص رفتار گله دار با ارزیابی پراکندگی بازگشت بود. در دوره های عادی ، مدل های قیمت گذاری دارایی منطقی پیش بینی می کنند که پراکندگی بازده مقطعی با ارزش مطلق بازده بازار افزایش می یابد ، زیرا سرمایه گذاران انفرادی بر روی اطلاعات خصوصی خود عمل می کنند ، در حالی که در مواقع جنبش های شدید بازار ، سرمایه گذاران فردی شروع به تقلید از دیگر می کنند. سرمایه گذاران که منجر به رفتار گله می شوند. از دو چارچوب مشهور در اندازه گیری گله استفاده می شود. اولین مورد توسط کریستی و هوانگ (1995) پیشنهاد شد ، که پیشنهاد انحراف استاندارد مقطعی (CSSD) را پیشنهاد کردند. این اندازه به شرح زیر تعریف شده است:
جایی که ri , tبازگشت شاخص سهام I در زمان t ، r استm , tبازده شاخص وزن شده بر اساس ارزش بازار برای m بازار در زمان t است، در حالی که N تعداد کل شاخص های سهام است. از آنجایی که این رویکرد می تواند حساس باشد و تحت تأثیر عوامل پرت باشد (چیانگ و ژنگ 2010؛ اقتصادو و همکاران 2011؛ استاورویانیس و بابالوس 2017؛ کومار و بادانی 2018)، انحراف استاندارد مطلق مقطعی (CSAD) که در اصل توسط چانگ و همکاران پیشنهاد شده بود.(2000) در این تحقیق استفاده شد. چانگ و همکاران برای رفع نواقص مدل CSSD.(2000) رابطه غیر خطی بین پراکندگی بازده و بازده کل بازار را بررسی کردند. روش CSAD به صورت زیر بیان می شود:
مشابه فرمول قبلی، Ri , tو Rm , tبه ترتیب به بازده شاخص های سهام و بازده شاخص های وزنی ارزش بازار اشاره می شود، در حالی که N تعداد شاخص های سهام در پرتفوی بازار در دوره زمانی t است. مدل اصلی برای شناسایی رفتار گله باید در این مطالعه اصلاح می شد تا غیرقابل پیش بینی بودن رفتار سرمایه گذار در شرایط مختلف بازار را در نظر بگیرد، بنابراین شکل نهایی معادله به شرح زیر است:
پس از افزودن Rm , tدر سمت راست معادله، مدل برای محاسبه تصادفی بودن رفتار سرمایهگذاران تحت شرایط مختلف بازار اصلاح شد (رمضان 2015؛ چیانگ و ژنگ 2010). در دورههایی که قیمتهای بازار به طور نسبتاً گسترده در نوسان هستند، سرمایهگذاران ممکن است به طور یکنواختتر پاسخ دهند و رفتار گلهای از خود نشان دهند. اصطلاح |R m, t |قدر مطلق بازده بازار را در روز t به منظور در نظر گرفتن مقدار به جای جهت بازار ارائه می دهد. مجموع γ1و γ2نشان دهنده رابطه بین پراکندگی و بازده بازار زمانی است که Rmtبزرگتر از 0 است، در حالی که اختلاف γ2و γ1رابطه را زمانی تعریف می کند که Rmtکمتر یا مساوی صفر است. اصطلاح رهگیری یا γ0در شرایط عادی بازار، یک رابطه خطی بین انحراف مطلق استاندارد مقطعی و بازده بازار را می توان بر اساس مدل های قیمت گذاری منطقی فرض کرد. در زمان استرس، پراکندگی بازده های فردی شروع به رشد می کند که با دوره های استرس که رابطه به یک رابطه غیرخطی تبدیل می شود و رفتار گله می تواند رخ دهد متفاوت است. برای ثبت رفتار گله داری، چانگ و همکاران.(2000) از مشخصات غیرخطی Rm, t2 استفاده کرد و در حضور γ3 به طور قابل توجهی منفی، می توان نتیجه گرفت که سرمایه گذاران تمایل به درگیر شدن در رفتار گله دارند. در مواقع استرس در بازار، مدلهای منطقی تعیین میکنند که پراکندگی بازدههای فردی دقیقاً به دلیل حساسیت متفاوت بازدههای فردی نسبت به تغییرات در بازده پرتفوی بازار افزایش مییابد، که در نتیجه CSAD را با نرخ افزایشی افزایش یا کاهش میدهد. γ3 در این مورد مثبت خواهد بود. اگر γ3 دارای ارزش مثبت قابل توجهی باشد، رفتار ضد گله را می توان مشاهده کرد. با این حال، زمانی که سرمایه گذاران شروع به تقلید از یکدیگر می کنند، CSAD با سرعت کمتری کاهش یا افزایش می یابد، که در نتیجه یک γ3 منفی را نشان می دهد.
حجم زیادی از تحقیقات علمی تا به امروز مربوط به تشخیص آزمایش گلهداری مبتنی بر پراکندگی برگشتی است (علی و همکاران 2022؛ بوری و همکاران 2021؛ پاپادامو و همکاران 2021؛ باتمونخ و همکاران 2020؛ لو و لونگ2020؛ Arjoon and Bhatnagar 2017؛ Chen 2013). با وجود تعداد زیاد مطالعات، هدف از این مطالعه بررسی این موضوع بود که آیا وقوع یک بیماری همه گیر باعث رفتار گله در بازارهای توسعه یافته، بازارهای نوظهور و بازارهای مرزی در اروپا شده است یا خیر. اگرچه رفتار گلهداری پدیدهای کوتاهمدت است، تفاوتها در اثر گلهداری بین بازارهای سرمایه اروپایی توسعهیافته متفاوت بر اساس روش پنجره نورد اعمالشده برآورد شده است که به طور خلاصه در بخش 2 توضیح داده شده است.
2. 2. رگرسیون لجستیک
برای به دست آوردن پاسخ به این سوال که آیا تشکیل گله ناشی از همه گیری COVID 19 بوده است، رگرسیون لجستیک انجام شد. زمانی که متغیر وابسته دودویی باشد، می توان رگرسیون لجستیک را یک تحلیل رگرسیونی مناسب در نظر گرفت. در این تحقیق از تحلیل فوق برای توصیف داده ها و توضیح رابطه بین متغیر باینری وابسته (رفتار گله) و متغیر مستقل (حجم جستجوی گوگل-GSV) استفاده شد که در بخش 2 به تفصیل بیشتر مورد بحث قرار گرفته است. یک مدل رگرسیون غیرخطی که بین 0 و 1 محدود شده است. در تخمین مدل لاجیت، 1 به روزهای معاملاتی که رفتار گلهداری وجود دارد، اختصاص داده میشود، در حالی که 0 به روزهای معاملاتی که رفتار گلهداری وجود ندارد، اختصاص داده میشود. در این مطالعه، ارتباط پیدایش همهگیری COVID-19 با گلهداری پیشنهاد شد. مدل لاجیت بر اساس معادله زیر فرموله می شود:
که در آن P نشان دهنده احتمال مشاهده یک مورد i در متغیر نتیجه Y است. مدل رگرسیون لجستیک بیان می کند که احتمال رسیدن یک مورد به مقدار 1 (به جای 0) یک تابع ضربی از اثرات متغیرهای X مختلف است که در مورد ما متغیر GSV بود. این به این دلیل است که اثر در مخرج با e (ثابت اویلر) تقویت میشود. در این روش از حداکثر احتمال برای یافتن بهترین مقادیر برازش پارامترها استفاده می شود. به عبارت دیگر، برنامه حداکثر درستنمایی تخمین ضرایبی را تعیین می کند که لگاریتم احتمال مشاهده مجموعه خاصی از مقادیر متغیر وابسته در نمونه را برای مجموعه ای از مقادیر X به حداکثر می رساند (Hanneman et al. 2012, p. 495).
روش شناسی را می توان به صورت زیر خلاصه کرد. برای تعیین رفتار گلهداری در طول همهگیری COVID-19، ما از مدل پراکندگی بازگشت با محاسبه انحراف استاندارد مقطعی بازده (CSAD) و یک رگرسیون پنجره غلتشی استفاده کردیم. نتایج گله در میان سرمایه گذاران در بازارهای توسعه یافته، بازارهای نوظهور و بازارهای مرزی مقایسه شد. رگرسیون لجستیک برای پاسخ به این سوال انجام شد که آیا رفتار گلهداری ناشی از همهگیری COVID-19 است یا خیر.
3. داده ها
این تحقیق بر بازارهای سهام اروپایی متمرکز بود که بر اساس مورگان استنلی کپیتال بین المللی (MSCI Market Classification Framework 2022) به سه بخش زیر طبقه بندی شدند: بازارهای توسعه یافته، بازارهای نوظهور و بازارهای مرزی. با توجه به طبقه بندی بازار MSCI، هر بازار باید الزامات خاصی را از سه معیار اساسی زیر برآورده کند: (الف) توسعه اقتصادی، (ب) نیازهای اندازه و نقدینگی و (ج) معیارهای دسترسی به بازار. 1 برای هر بخش پنج کشور انتخاب شدند. کشورهای زیر در بازارهای توسعه یافته قرار گرفتند: اتریش، آلمان، انگلستان، ایتالیا و فرانسه. یونان، ترکیه، مجارستان، جمهوری چک و لهستان نماینده بازارهای نوظهور هستند، در حالی که رومانی، کرواسی، لیتوانی، استونی و اسلوونی به عنوان بازارهای مرزی انتخاب شدند. در مجموع از 15 شاخص عمده سهام اروپا برای محاسبه بازده روزانه طبق فرمول زیر استفاده شد:
که در آن P آخرین قیمت در روز t است. از آنجایی که روزهای کاری در صرافیها متفاوت است، قیمتهای گمشده در روزهای غیرکاری در هر کشور با قیمت بسته شدن آخرین روز کاری جایگزین شد. داده ها از وب سایت رسمی بورس اوراق بهادار گرفته شده است. علاوه بر شاخصهای سهام اروپایی تکتک کشورها، شاخصهای MSCI بهعنوان بازده کل بازار نماینده، یعنی برای بازار توسعهیافته شاخص جهانی MSCI، برای بازارهای نوظهور شاخص MSCI بازارهای نوظهور اروپا، و برای بازارهای مرزی MSCI بازارهای مرزی استفاده شد. 100 شاخص.
بازده روزانه شاخص های MSCI بر اساس رابطه (4) محاسبه شد. دادههای روزانه مشاهدهشده از 1 ژانویه 2018 تا 28 ژانویه 2022 را در بر میگیرد. چارچوب زمانی پیشنهادی به دوره قبل از شیوع همهگیری، یعنی از 1 ژانویه 2018 تا 21 فوریه 2020، و دوره در طول همهگیری، از 22 تقسیم شد. فوریه 2020 تا 28 ژانویه 2022. 21 فوریه 2020 به عنوان تاریخ قطع تعیین شد زیرا این روزی بود که اولین مورد COVID-19 به طور رسمی در اروپا شناسایی شد. جدول 1 تجزیه و تحلیل آماری توصیفی از شاخص های CSAD و بازده سهام را ارائه می دهد.
آمار توصیفی برای اندازه گیری CSAD و بازده بازار (Rmt) برای هر بازار نمونه در دوره های قبل و حین COVID-19 در جدول 1 نشان داده شده است. مشاهده می شود که میانگین بازده کل فقط برای بازارهای نوظهور در دوره COVID-19 منفی است. نتایج نشان میدهد که برای همه بازارها، میانگین و انحراف استاندارد CSAD در طول COVID-19 بیشتر است. میانگین بالاتر نشاندهنده نوسانات بازار بهطور قابلتوجهی در بازده سهام است، در حالی که انحراف استاندارد بالاتر ممکن است نشاندهنده این باشد که بازارها نوسانات مقطعی غیرمعمول را به دلیل رویدادهای غیرمنتظره نشان میدهند (چیانگ و ژنگ 2010). بازارهای نوظهور بالاترین مقادیر میانگین را دارند و پس از آن بازارهای توسعه یافته و بازارهای مرزی قرار دارند.
4. یافته ها و بحث
نتایج تحقیق در این مقاله بر اساس تحلیل استاتیکی و پنجره غلتشی مطابق با مدل پیشنهادی چانگ و همکاران است.(2000). رفتار گله ابتدا با استفاده از یک مدل استاتیک مطابق با رابطه (3) آزمایش شد. نتایج مدل برای بازار توسعه یافته، بازار نوظهور و بازار مرزی در جدول 2 نشان داده شده است.
جدول 2 نتایج تحلیل استاتیک رفتار گله را برای بازارهای سهام اروپا در دوره نمونه نشان می دهد. این تحلیل بر بازارهای در حال توسعه، نوظهور و مرزی متمرکز بود و ما به دنبال یک γ منفی قابل توجه بودیم3نشان دهنده رفتار گله است، در حالی که یک مقدار مثبت معنی دار آن نشان دهنده وجود رفتار ضد گله است. نتایج قبل از COVID نشان می دهد که رفتار گله در همه بازارهای مشاهده شده وجود نداشت. در طول یک بیماری همه گیر، نتایج تجزیه و تحلیل برای بازارهای نوظهور و مرزی نشان می دهد که γ3ارزش منفی معنیداری داشت که نشاندهنده رفتار گله بود. مقدار γ3همچنین در طول دوره نمونه کامل به طور قابل توجهی منفی بود. این نتیجه با فانگ و همکارانش مطابقت دارد.(2021) و عبدالدائم و الدلیمی (2020). در مقابل، نتایج تحقیق رفتار گله داری در بازارهای توسعه یافته اروپایی را نشان نمی دهد. ضریب تورم واریانس بین متغیرهای مستقل به منظور آزمون شدت چندخطی بودن در مدل بر اساس رابطه (3) برای نمونه بازارهای توسعه یافته، نوظهور و مرزی برآورد شد. نتایج ضریب تورم واریانس برآورد شده در جدول 3 نشان داده شده است.
نتایج بهدستآمده نشان میدهد که VIF همه متغیرها در هر سه بازار زیر 10 بوده که نشان میدهد چند خطی بودن مشکل جدی نیست. رفتار گله اساساً یک اثر پویا است و تجزیه و تحلیل ایستا از رفتار گله ممکن است در عمل کافی نباشد. رفتار گله در دورههایی از نوسانات شدید قیمت سهام رخ میدهد، که در دورههای استرس بازار مانند همهگیری COVID-19 رایجتر است. بنابراین، تحلیل رگرسیون پنجره غلتکی از رفتار گله رویکرد بسیار مناسبتری در نظر گرفته شد. به دنبال کاکان و همکاران.(2019)، سیبنده و همکاران.(2021)، و استاورویانیس و بابالوس (2017)، گام بعدی برآورد رفتار گله تحت رژیم های مختلف بازار با استفاده از رگرسیون غلتشی بود. ایده اصلی رگرسیون غلتشی تعیین پنجره غلتشی است، یعنی استفاده از نمونه هایی از مشاهدات متوالی. پس از تعیین عرض پنجره W، پنجره برآورد یک گام به جلو در زمان نورد شد. به عنوان مثال، از 1 ژانویه 2018 تا 29 ژوئن 2018 و سپس از 2 ژانویه 2018 تا 30 ژوئن 2018، این روند تا پایان نمونه ادامه یافت.
هیچ قانونی برای تعیین اندازه مناسب پنجره نورد وجود ندارد، اما یک پنجره غلتکی که خیلی کوتاه یا خیلی طولانی است ممکن است به نتیجه گیری نادرست منجر شود. از آنجایی که رفتار گلهداری یکی از پدیدههای کوتاهمدت در نوسانات بزرگ قیمت سهام است (ژانگ و گیوریس 2022؛ کاپورال و همکاران 2008؛ کریستی و هوانگ 1995)، این مطالعه بر اساس دادههای روزانه از 130 مشاهدات، پنجره چرخشی را تعیین کرد. سال). هیچ شکست ساختاری در این دوره مشاهده شده وجود نداشت. تحلیل رگرسیون غلتشی در شکل 1 آماره t را نشان می دهد3برای تعیین رفتار گله در دوره از 1 ژانویه 2018 تا 28 ژانویه 2022. بر اساس رابطه (3)، مقدار منفی γ3رفتار گله را نشان می دهد. دوره هایی که آماره t برای آنها مهم در نظر گرفته می شود باید ≤-1. 9788 باشد.
شکل 1 نشان می دهد که اثر گله (مناطق سایه دار) در هر سه بازار در آغاز گسترش اروپا از همه گیر Covid-19 ، یعنی در مارس 2020 رخ داده است. از علاقه خاص ، اثر گله کمترین تأثیر را در بازارهای توسعه یافته داشت، جایی که اندکی در آغاز ماه مارس و از اواخر مارس 2020 تا اواسط ماه مه 2020 مشاهده شد. این نتیجه با نتیجه تجزیه و تحلیل استاتیک در تضاد است ، که بیان می کند که هیچ رفتار گله ای در بازار توسعه یافته مشاهده نشده است. در بازارهای مرزی ، اثر گله در مقایسه با بازارهای توسعه یافته کمی طولانی تر شد. رفتار گله از ابتدای ماه مارس تا آغاز ماه ژوئن ثبت شد و در سپتامبر 2020 تکرار شد. در بازارهای نوظهور طولانی ترین طول ، از مارس تا اواسط سپتامبر به طول انجامید. یافته های تحقیق نشان می دهد که رفتار گله دار در بازارهای کمتر توسعه یافته ، که نقدینگی کمتری دارند ، برجسته تر است. علاوه بر این ، بازارهای کمتر توسعه یافته نیز به ویژه از نظر مقررات پایدار هستند ، به همین دلیل آنها بازارهای ریسک پذیر محسوب می شوند و بنابراین یک محیط مناسب تر برای اثر گله اتفاق می افتد. بازارهای کمتر توسعه یافته نیز بازارهای شفاف کمتری دارند. شفافیت نقش مهمی در بازارهای سهام دارد ، به خصوص در مواقعی که اطلاعات کمتری در دسترس است و سرمایه گذاران شروع به زیر سوال بردن ارزیابی های خود و دنبال کردن دیگران می کنند ، که به نوبه خود باعث ایجاد اثر گله می شود. علاوه بر نتیجه گیری فوق از شکل 1 ، می توان خاطرنشان کرد که بازارهای مرزی در مقایسه با بازارهای نوظهور کمتر مستعد رفتار گله هستند. این یافته تحقیق برخلاف یافته های قبلی است. Guney و همکاران.(2017) ادعا كرد كه بازارهای مرزی در مقایسه با بازارهای توسعه یافته و نوظهور بیشتر مستعد ابتلا به گله هستند. نتیجه گیری مشابهی توسط شانتا (2019) حاصل شد ، که ادعا کرد که رفتار گله دار احتمالاً در بازارهای مرزی برجسته تر خواهد بود. یک توضیح احتمالی این است که بازارهای مرزی به طور معمول تعداد بسیار کمتری از سهام معاملاتی روزانه و حجم معاملات دارند و این واقعیت که انحراف استاندارد در مقایسه با بازارهای نوظهور بسیار پایین است ، همانطور که توسط آمار توصیفی در جدول 1 نشان داده شده است ، مطمئناً از این یافته پشتیبانی می کندواد
با توجه به تمام نتایج تجزیه و تحلیل پنجره نورد ، رفتار گله در مارس 2020 در بازارهای توسعه یافته ، بازارهای نوظهور و بازارهای مرزی مشاهده شد. این سؤال پیش می آید که آیا این امر ناشی از همه گیر Covid-19 بوده است. رگرسیون لجستیک برای پاسخ به این سوال انجام شد. از متغیر ساختگی برای دوره هایی استفاده شد که در آن رفتار گله ثبت شد زیرا متغیر مشخص شده باینری بود ، یعنی 1 دوره ای را نشان می دهد که رفتار گله وجود دارد ، و در غیر این صورت ، یک شاخص اندازه گیری حجم جستجوی Google (GSV) استاز کلمه کلیدی "Covid-19" در Google Trend برای متغیر مستقل استفاده شد. در طی این بیماری همه گیر ، بسیاری از دولت ها اقدامات انزوا و محدودیت های مختلف حرکت را انجام دادند ، که باعث شد بسیاری از شهروندان در خانه بمانند ، که به نوبه خود بر رشد ترافیک اینترنت تأثیر می گذارد (فلدمان و همکاران 2020). از زمان شیوع بیماری همه گیر ، علاقه به اطلاعات در مورد این بیماری همه گیر با افزایش عدم اطمینان در مورد رشد ناشناخته افزایش یافته است. از آنجا که افزایش عدم اطمینان در بازارها منجر به کاهش می شود ، حجم جستجوی گوگل یک متغیر پروکسی مستقل خوب در نظر گرفته می شد. این ویژگی Google به همه کاربران اجازه می دهد تا ببینند که چند بار یک اصطلاح خاص در یک دوره زمانی معین جستجو شده است ، همانطور که توسط این فهرست اندازه گیری شده است ، که از 0 تا 100 متغیر است. حجم جستجوی مربوطه از Google Trends در یک فرم هفتگی بارگیری شد. همانطور که هیچ داده روزانه در دسترس نبود. Google Trends به همه کاربران اجازه می دهد تا داده های روزانه را فقط در صورتی که سری زمانی کمتر از 9 ماه باشد ، بدست آورند. از آنجا که رگرسیون لجستیک به سری زمانی که از 24 فوریه 2020 تا 28 ژانویه 2022 استفاده می شود ، اعمال شده است که کمی کمتر از دو سال است ، فقط داده های هفتگی ارائه می شود. داده های گله دار نیز از فرم روزانه به هفتگی تبدیل شدند. بر اساس معادله (4) ، نتایج اندازه گیری اثرات GSV بر رفتار گله دار در جدول 4 نشان داده شده است.
نتایج حاصل از جدول 3 نشان می دهد که GSV تأثیر مثبت و معنی داری بر رفتار گله دار داشت. این نتایج از یافته های تحقیق Wanidwaranan و Padungsaksawasdi (2022) پشتیبانی می کند ، که نشان می دهد هرچه سرمایه گذاران بیشتر اینترنت را در یک موضوع خاص جستجو کنند ، بیشتر از یکدیگر تقلید می کنند. همانطور که قبلاً ذکر شد ، افزایش جستجوی اینترنت برای COVID-19 منجر به عدم اطمینان سرمایه گذار شد که تصمیمات غیر منطقی را تشویق می کرد. نتایج در جدول 3 نشان می دهد که اثرات GSV بر رفتار گله دار در بازارهای نوظهور بیشترین تأثیر را دارد و به دنبال آن بازارهای مرزی و توسعه یافته است. این نتایج انتظار می رود از آنجا که اثر گله دار نیز در بازارهای نوظهور قوی ترین است. نتایج این مطالعه تا حدودی با نتایج آثار قبلی سازگار است (Chaffai and Medhioub 2018 ؛ Omane-Adjepong و همکاران 2021 ؛ Indārs و همکاران 2019). لو و لوونگ (2020) به وجود رفتار گله در طول همه گیر H1N1 و Covid-19 در بخش های مختلف در مرزهای مرزی و نوظهور اشاره می کنند. علاوه بر این واقعیت که بخش های مختلف به رفتار گله ای متفاوت واکنش نشان می دهند ، نویسندگان نتیجه می گیرند که همه گیر عاملی است که باعث بی ثباتی روانشناختی می شود ، که در بازار مالی منعکس می شود. اگرچه نویسندگان رفتار گله دار را در بازارهای نوظهور و مرزی مورد مطالعه قرار دادند ، توجه به این نکته حائز اهمیت است که آنها فقط دو کشور را در نمونه ، یعنی تایوان و ویتنام شامل می شدند.
5. نتیجه گیری ها
این مطالعه به بررسی بازارهای سهام اروپا کشورهای توسعه یافته ، نوظهور و مرزها در دوره همه گیر Covid-19 پرداخته است. تحقیقات قبلی نشان می دهد که سرمایه گذاران در مواقع بحران رفتار غیر منطقی دارند. به دلیل کمبود اطلاعات ، سرمایه گذاران تمایل به تقلید از یکدیگر دارند و منجر به رفتار گله می شوند. با این حال ، رفتار گله منحصر به زمان بحران نیست ، زیرا تأثیرات بسته به تحولات بازار متفاوت است. اگرچه ادبیات زیادی در مورد رفتار گله وجود دارد ، ادبیاتی که تفاوت در رفتار گله بین بازارهای مختلف توسعه یافته را بررسی می کند ، کمیاب است. به بهترین دانش ما ، هیچ مطالعه ای وجود ندارد که رفتار گله را در بازارهای توسعه یافته ، بازارهای نوظهور و بازارهای مرزی در اروپا در هنگام شروع کرونوویروس مقایسه کند. نتایج چنین مطالعه ای از اهمیت بالایی برخوردار است ، به ویژه برای سرمایه گذاران ، تنظیم کننده ها ، سیاست گذاران و محققان دانشگاهی.<SPAN> در این مطالعه بازارهای سهام اروپا کشورهای توسعه یافته ، نوظهور و مرزها در دوره همه گیر Covid-19 بررسی شده است. تحقیقات قبلی نشان می دهد که سرمایه گذاران در مواقع بحران رفتار غیر منطقی دارند. به دلیل کمبود اطلاعات ، سرمایه گذاران تمایل به تقلید از یکدیگر دارند و منجر به رفتار گله می شوند. با این حال ، رفتار گله منحصر به زمان بحران نیست ، زیرا تأثیرات بسته به تحولات بازار متفاوت است. اگرچه ادبیات زیادی در مورد رفتار گله وجود دارد ، ادبیاتی که تفاوت در رفتار گله بین بازارهای مختلف توسعه یافته را بررسی می کند ، کمیاب است. به بهترین دانش ما ، هیچ مطالعه ای وجود ندارد که رفتار گله را در بازارهای توسعه یافته ، بازارهای نوظهور و بازارهای مرزی در اروپا در هنگام شروع کرونوویروس مقایسه کند. نتایج چنین مطالعه ای از اهمیت بالایی برخوردار است ، به ویژه برای سرمایه گذاران ، تنظیم کننده ها ، سیاست گذاران و محققان دانشگاهی. این مطالعه بازار سهام اروپا کشورهای توسعه یافته ، نوظهور و مرزی را در دوره بیماری همه گیر Covid-19 بررسی کرد. تحقیقات قبلی نشان می دهد که سرمایه گذاران در مواقع بحران رفتار غیر منطقی دارند. به دلیل کمبود اطلاعات ، سرمایه گذاران تمایل به تقلید از یکدیگر دارند و منجر به رفتار گله می شوند. با این حال ، رفتار گله منحصر به زمان بحران نیست ، زیرا تأثیرات بسته به تحولات بازار متفاوت است. اگرچه ادبیات زیادی در مورد رفتار گله وجود دارد ، ادبیاتی که تفاوت در رفتار گله بین بازارهای مختلف توسعه یافته را بررسی می کند ، کمیاب است. به بهترین دانش ما ، هیچ مطالعه ای وجود ندارد که رفتار گله را در بازارهای توسعه یافته ، بازارهای نوظهور و بازارهای مرزی در اروپا در هنگام شروع کرونوویروس مقایسه کند. نتایج چنین مطالعه ای از اهمیت بالایی برخوردار است ، به ویژه برای سرمایه گذاران ، تنظیم کننده ها ، سیاست گذاران و محققان دانشگاهی.
برای گسترش سهم علمی فعلی ، این تحقیق دارای سه هدف اصلی زیر است: اول ، برای تعیین رفتار گله دار در بازارهای سرمایه اروپا قبل و در طول همه گیر COVID-19. دوم ، برای تعیین اینکه آیا رفتار گله ای مربوط به همه گیر است یا خیر. و سوم ، برای توضیح تفاوت در اثر گله دار در بازارهای سهام مختلف اروپا توسعه یافته. این تحقیق در بازارهای سهام 15 کشور مختلف اروپایی انجام شد که طبق MSCI ، یعنی بازارهای توسعه یافته ، بازارهای نوظهور و بازارهای مرزی به سه گروه تقسیم شدند. مطابق با هدف اول ، مدل CSAD برای تعیین رفتار گله با استفاده از روش های پنجره استاتیک و نورد آزمایش شد. نتایج به دست آمده توسط مدل استاتیک نشان می دهد که رفتار گله دار در بازارهای توسعه یافته ، نوظهور و مرزی قبل از COVID وجود ندارد. در حین COVID ، رفتار گله دار در بازارهای نوظهور و مرزی وجود داشت در حالی که این اثر در بازارهای توسعه یافته وجود نداشت. از آنجا که رفتار گله دار اساساً یک اثر پویا است ، تجزیه و تحلیل پنجره نورد بسیار قابل اطمینان تر بود ، و نتایج حاکی از یافته های مختلف در زمینه بازارهای توسعه یافته است. بنابراین ، می توان نتیجه گرفت که استفاده از یک مدل استاتیک می تواند به نتیجه گیری مشکوک منجر شود. بنابراین ، با توجه به روش پنجره نورد کاربردی ، بسیار جالب است که توجه داشته باشید که گله در دوره همه گیر Covid-19 یافت شد ، که اولین هدف این مطالعه را توجیه می کند. نتایج همچنین حاکی از آن است که رفتار گله دار در بازارهای نوظهور بیشترین تأثیر را نشان می دهد ، به دنبال آن بازارهای مرزی و بازارهای توسعه یافته ، و توجیه هدف سوم مطالعه. حقایق موجود در چنین یافته های تحقیقاتی با توجه به نقدینگی ، ثبات و شفافیت پایین تر قابل توضیح است. بازارهای کمتر توسعه یافته با سابقه کوتاه تر از توسعه و تجارت اغلب با رفتار گله غیر منطقی مشخص می شوند. این نوع همگرایی در رفتار توسط اصول بازار هدایت نمی شود ، بلکه نتیجه عوامل برون زا و یا یک فرایند صرفاً تقلید است که منعکس کننده رفتار عمدی توسط عوامل اقتصادی است. بازارهای مالی کمتر توسعه یافته (بازارهای نوظهور و مرزی) با رفتار گله دار متوسط و عمدی مشخص می شوند. نتایج همچنین حاکی از آن است که بازارهای نوظهور رفتار گله دار برجسته تری را در مقایسه با بازارهای مرزی نشان می دهند ، که برخلاف انتظارات است. این نتایج را می توان با نقدینگی پایین تر در بازارهای مرزی توضیح داد. علاوه بر این ، نتایج آمار توصیفی همچنین در مقایسه با بازارهای نوظهور نوسانات کمتری در بازارهای مرزی نشان می دهد. همچنین این نکته مهم است که بیشتر مقالات منتشر شده از تجزیه و تحلیل استاتیک استفاده می کنند ، که این یک تفاوت روش شناختی از مطالعات تحقیقاتی قبلی است. بر اساس تجزیه و تحلیل پنجره نورد ، دریافتیم که رفتار گله دار در هر سه بازار در اوایل مارس 2020 رخ داده است که در نتیجه به دلیل شروع همه گیر است. رگرسیون لجستیک برای آزمایش رسمی تأثیر بیماری همه گیر بر رفتار گله انجام شد ، و نتایج قابل توجه این نتیجه گیری را تأیید می کند ، که هدف دوم این مقاله را توجیه می کند.
علاوه بر سهم نظری ، این کار همچنین به روشی عملی به ادبیات موجود کمک می کند. از آنجا که رفتار گله به شدت ارزش تعادل قیمت ها در بازار را تحریف می کند و منجر به افزایش نوسانات می شود ، نتایج کاربردی برای سرمایه گذاران خرده فروشی و نهادی هنگام تصمیم گیری در مورد تشکیل اوراق بهادار سرمایه گذاری از نظر تنوع مؤثر ریسک است. نتایج این مطالعه همچنین از اهمیت ویژه ای برخوردار است تا سیاست گذاران بتوانند قوانین بازار را در بورس سهام به موقع تنظیم کنند.
در زمینه نتایج به دست آمده در بازارهای سرمایه اروپا ، تحقیقات آینده می توانند از روشهای پیشرفته تری استفاده کنند تا به تفصیل بررسی کنند که چرا رفتار گله دار در بازارهای نوظهور نسبت به بازارهای مرزی برجسته تر است. همچنین جالب خواهد بود که بررسی کنیم که کدام متغیرهای کلیدی ، مانند شفافیت ، نقدینگی ، ثبات یا سایر موارد موجود در بازار ، تأثیر مرتبط با وقوع رفتار گله دار در مواقع بحران دارند. می توان فرض کرد که صنایع مختلف در مواقع بحران واکنش متفاوتی نشان می دهند ، بنابراین مطالعه شدت رفتار گله دار در صنایع مختلف در بازار سرمایه چالش برانگیز است. این بینش ها می تواند برای همه شرکت کنندگان در بازارهای مالی فایده ای داشته باشد. از دیدگاه مالی و حقوقی ، جالب خواهد بود که بررسی کنیم که اقدامات بازار سرمایه می تواند به طور مؤثر رفتار گله را در بازارهای سرمایه متفاوت توسعه دهد.
کمک های نویسنده
مفهوم سازی ، S. B. و N. S. ؛روش شناسی ، S. B. و N. S. ؛نرم افزار ، S. B. و N. S. ؛اعتبار سنجی ، S. B. و N. S. و B. O. D. ؛تجزیه و تحلیل رسمی ، S. B. و N. S. ؛تحقیقات ، S. B. و N. S. ؛منابع ، S. B. و N. S. ؛درمان داده ها ، S. B. و N. S. ؛نوشتن - پیش نویس آماده سازی ، S. B. ، N. S. و B. O. D. ؛نوشتن - بررسی و ویرایش ، S. B. ، N. S. و B. O. D. ؛تجسم ، S. B. ، N. S. و B. O. D. ؛نظارت ، S. B. ، N. S. و B. O. D. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.
منابع مالی
این کار تا حدودی توسط دانشگاه رجکا تحت شماره پروژه UNIRI-DRUSTV-18-61 پشتیبانی شد.