از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Connect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.
داده های مرتبط
چکیده
همه گیر Covid-19 باعث ایجاد تغییرات چشمگیر در نحوه زندگی مردم در سراسر جهان شده و تأثیر منفی عمیقی بر اقتصاد جهانی داشته است. بخش اعظم این تأثیر منفی ناشی از خود این بیماری نیست ، بلکه از محدودیت های قفل شده برای حاوی شیوع ویروس تحمیل شده است. ما بررسی می کنیم که چگونه شاخص های بازار سهام ملی در دوره ژانویه تا مه 2020 به اخبار محدودیت های قفل ملی واکنش نشان داده است. ما می دانیم که محدودیت های قفل شده منجر به واکنش های مختلف در نمونه ما از کشورهای OECD و BRICS می شود: یک اثر منفی کلی ناشی از آن وجود داردافزایش محدودیت های قفل ، اما ما شواهد محکمی برای کمبود واکنش در طول اعلامیه قفل می یابیم ، و به دنبال آن برخی واکنشهای بیش از حد که متعاقباً اصلاح می شود. این الگوی زیر/بیش از حد واکنش ، با این حال ، بیشتر در نیمه اول سری زمانی ما مشاهده می شود و به اثرات یادگیری اشاره می کند. از طرف دیگر ، آرامش محدودیت های قفل ، فقط در نیمه دوم نمونه ما تأثیر مثبتی در بازارها داشت ، در حالی که برای نیمه اول نمونه ، اثر منفی است.
1. مقدمه
هنگامی که اولین پرونده های COVID-19 به سازمان بهداشت جهانی (WHO) در تاریخ 31 دسامبر 2019 گزارش شد ، بورس اوراق بهادار نیویورک واقعاً واکنش نشان نداد. فقط در حدود 20 فوریه ، هنگامی که این بیماری در شمال ایتالیا شروع به شیوع کرد ، روند داو جونز را تغییر داد. در تاریخ 3 مارس ، این شاخص در طی یک روز بیش از 2000 امتیاز کاهش یافت و به دنبال آن افت شدید دیگری در 12 مارس و سرانجام ، بالاترین امتیاز در رکورد 16 مارس 2020 است. در 9 مارس ، ایتالیا یک قفل ملی را تحمیل کرد ،به دنبال سایر کشورهای اتحادیه اروپا. در حالی که بیشتر کشورها در طول سال 2020 محدودیت هایی را برای فعالیت های تجاری و اجتماعی تحمیل می کردند ، محدودیت ها بر اساس کشور ، تاریخ و مدت متفاوت است ، همانطور که توسط شاخص پاسخ دهنده پاسخ دولت آکسفورد Covid-19 (OXCGRT) مشهود است. 1
در این مقاله ، ما به بررسی تأثیر پاسخ های دولت Covid-19 بر بازارهای مالی می پردازیم که سه گانه در ادبیات نقش دارد. اول ، ما تأثیر بازار مداخلات دولت را در یک محیط بین المللی آزمایش می کنیم. ثانیا ، ما آزمایش می کنیم که چگونه بازارها به خوبی متصل هستند و اثرات یادگیری منطقه ای را شناسایی می کنیم. سوم ، ما نشان می دهیم که بازارهای مالی در نیمه اول دوره نمونه ما به طور کارآمد رفتار نمی کنند ، اما این ناکارآمدی ها در نیمه دوم دوره نمونه ما کاهش یافته است. این مطابق با Dima و همکاران است.(2021) که نشان می دهد شاخص VIX در سال 2020 بیشتر از سایر دوره های زمانی کارآمد نبود.
در مطالعه ما، ما یک تجزیه و تحلیل پانل بازار چند کشور را با یک طرح مطالعه رویداد به سبک کاپلانسکی و لوی (2010a) ترکیب کردیم تا اثرات سختگیری قرنطینه بر بازده غیرعادی بازار را بررسی کنیم، با استفاده از مجموعه داده‌های پانل کشوری جامع OECD و BRICS. دوره از 22 ژانویه تا 20 مه 2020. این طرح به ما امکان می دهد تا زمان مداخلات دولت را به صورت روزانه کنترل کنیم و روزهای خاصی را گروه بندی کنیم. تاریخ شروع نمونه ما 22 ژانویه 2020 است (اولین محدودیت عمده کرونا: قرنطینه در ووهان)، تاریخ پایان آن 20 می 2020 است (آخرین روزی که شاخص OxCGRT در طول تابستان برای آن در دسترس بود). ما بازده غیرعادی بازار سهام ملی (باقیمانده یک رگرسیون کمکی بازده ملی در تاخیرها و سرنخ‌ها و بازده بازار جهانی) را با زمان‌بندی تغییرات در محدودیت‌ها برای مهار همه‌گیری توضیح می‌دهیم. ما بررسی می‌کنیم که بازارهای مالی در کشورهای مختلف، از اقتصادهای نوظهور گرفته تا اقتصادهای بسیار صنعتی، تا چه اندازه توانستند اطلاعات را در جریان بحران جذب کنند. به طور مشابه ادمانز و همکاران.(2007)، ما همچنین پیوندی بین رویدادهای کم و بیش اهمیت ملی (نتایج رویدادهای ورزشی در مقابل سیاست های ملی کرونا) و بازارهای سهام ملی پیدا کردیم. همانطور که Becchetti و Ciciretti (2011) نتیجه می گیریم که آگاهی از رویدادهای گذشته ممکن است منجر به بازنگری در اطلاعات موجود شود.
ما می دانیم که اقدامات مربوط به کرونا ملی منجر به یک الگوی معمولی تحت/غلبه در بازده بازار سهام ملی می شود. محکم کردن محدودیت های قفل ملی همزمان با بازده منفی بازار سهام است ، اما این اثرات به تأخیر می افتد (کمبود اولیه). واکنش منفی بعدی یک واکنش بیش از حد است که به نوبه خود تا حدودی معکوس است ، حداقل در نیمه اول سری زمانی ما. این نتیجه رحمان و همکاران را تأیید می کند.(2021) که بورس سهام استرالیا از اعلام اضطراری ملی و معرفی بسته های محرک کم نظیر است. علاوه بر این ، از آنجا که ما به جای بازده غیرطبیعی تجمعی به مدل خود ، منجر به تغییر شاخص OxCGRT می شویم ، ما قادر به شناسایی بیش از حد متعاقب آن هستیم. حتی پس از پاکسازی اثر بازده بازار جهانی از داده ها ، ما تأثیر جداگانه ای از اولین اقدامات محدود کننده اصلی در یک کشور و منطقه بیشتر پیدا می کنیم. علاوه بر این ، کاهش محدودیت های قفل ، با توجه به کل دوره نمونه ، تأثیر آینه مثبت قابل مقایسه ای در بازده بورس سهام دارد. با این حال ، هنگامی که نمونه را به یک دوره زودتر و بعد تقسیم می کنیم ، تفاوت های جالبی پدیدار می شود. در دوره اولیه ، بازارها از کاهش محدودیت ها قدردانی نمی کردند.
با توجه به تأثیرات قفل تاج ، مطالعه ما مربوط به Askitas و همکاران است.(2020) ، یک مطالعه پانل چند کشور در مورد تأثیر انواع مختلف محدودیت قفل بر روی شماره های عفونت COVID-19 و الگوهای تحرک.
در مورد پیامدهای بازار مالی Covid-19 ، Ru et al.(2020a) و Ru et al.(2020b) نشان می دهد که کشورهایی که تحت تأثیر بیماری همه گیر SARS 2003 قرار دارند ، در پاسخ های سیاست خود سریعتر و تعیین کننده تر بودند و در نتیجه واکنش سریعتر بورس به وجود می آمد. آلفارو و همکاران.(2020) نشان می دهد که به ویژه تغییرات غیر منتظره در تعداد موارد COVID-19 بر بازار سهام ایالات متحده تأثیر می گذارد. راملی و واگنر (2020) عملکرد سهام انفرادی را در ابتدای سال 2020 در نظر می گیرند. در ابتدا ، قیمت سهام بنگاه ها با پیوندهای چین بیشترین متحمل شد ، اما بعداً سهام بنگاه های دارای بدهی بالا و نقدینگی کم بیشترین تأثیر را داشتند. BEIRNE و همکاران.(2020) دریافت که بازارهای مالی در اقتصادهای نوظهور در آسیا و اروپا به شدت از این بیماری همه گیر نسبت به اقتصادهای پیشرفته برخورد کرده اند ، زیرا جریان سرمایه ناگهانی و قابل توجهی ایجاد شده است. بیکر و همکاران.(2020) همه گیر فعلی را با سایر همه گیر مقایسه کنید و نتیجه بگیرید که پاسخ دولت بسیار قوی تر به COVID-19 باعث نوسانات بازار قوی مشاهده شده در ایالات متحده می شود.
در بخش 2 ، ما داده های مورد استفاده در مطالعه خود را شرح می دهیم و مدل تجربی را ارائه می دهیم. در بخش 3 نتایج اصلی را مستند می کنیم. بخش 4 نتیجه می گیرد. جزئیات مربوط به روش شناسی و نتایج و همچنین نتایج اضافی در پیوست آنلاین است.
2. داده ها و روش شناسی
برای بررسی چگونگی تأثیر بازارهای سهام تحت تأثیر مداخلات دولت برای کنترل گسترش COVID-19 ، ما از داده های سه منبع مختلف استفاده می کنیم.
داده های عفونت از تبادل داده های بشردوستانه ، که روزانه توسط دانشگاه جان هاپکینز (JHU) در بالتیمور گردآوری و به روز می شود ، بدست می آید.
بانک اطلاعاتی رویترز شامل داده های بازار سهام فردی برای هر کشور و همچنین فهرست جهانی MSCI است. ما در صورت وجود از شاخص های ارزش کشور با ارزش همه ، یک اندازه گیری استاندارد برای عملکرد بازار سهام (Nyberg ، 2010) استفاده می کنیم. در غیر این صورت ، ما از این فهرست شامل بیشترین تعداد شرکت ها استفاده می کنیم. علاوه بر این ، در صورت وجود ، ما از شاخص کل بازده استفاده می کنیم زیرا شامل سود سهام و سایر حقوق است و بنابراین یک اقدام دقیق تر عملکرد محسوب می شود (Nyberg ، 2010). از آنجا که ارزهای محلی تحت تأثیر تورم مورد انتظار یک کشور جداگانه قرار می گیرند ، که در نرخ تخفیف دارایی فردی منعکس می شود (Damodaran ، 2012) ، ما شاخص های بازار سهام فردی را با یورو به کار می بریم.
برای اندازه گیری تأثیر مداخلات دولت ، از شاخص سختگیرانه OxCGRT استفاده می کنیم.
ما نمونه خود را به کشورهای سازمان همکاری و توسعه اقتصادی (OECD) و ایالت های BRICS (برزیل ، روسیه ، هند ، چین و آفریقای جنوبی) محدود می کنیم زیرا این اقتصادهای صنعتی یا بزرگ نوظهور تأثیر زیادی بر اقتصاد جهانی دارند (گارسیا-هررو ، 2012). در کل ، این مطالعه داده های روزانه 42 کشور مختلف را از 22 ژانویه تا 20 مه 2020 تجزیه و تحلیل می کند.
ما از یک رویکرد مطالعه رویداد پیروی می کنیم و آزمایش می کنیم که آیا شماره های ملی COVID-19 و مداخلات مربوط به دولت COVID-19 بر بازار سهام یک کشور تأثیر می گذارد. همه رگرسیون از ناهمگونی و همبستگی سریال از برآوردگرهای قوی استفاده می کنند (Arellano و همکاران ، 1987).
ما مدل خود را در دو مرحله تخمین می زنیم. در مرحله اول ، ما اثرات مخدوش را کنترل می کنیم (همبستگی شاخص های سهام ، اثر دوشنبه ، تعطیلات غیر هفته و غیره (Edmans et al. ، 2007 ، Cho et al. ، 2007 ، Kaplanski and Levy ، 2010b). معادله تخمین:
r i ، t = γ 0 + ∑ j = - 1 1 γ 1 j r t + j m + γ 2 m t + γ 3 h i ، t + ∑ j = 1 4 γ 4 j r i ، t - j + ϵآی تی ؛
جایی که r i ، t نرخ روزانه بازگشت کشور من در زمان t است. به دنبال ادمانز و همکاران.(2007) ، ما همبستگی شاخص های سهام محلی را در سراسر کشورها با شامل یک سبد بازار جهانی در رگرسیون ، نرخ بازده جهانی MSCI ، کنترل می کنیم. علاوه بر این ، ما شامل سرب R T + 1 M و LAG R T-1 M برای کنترل همبستگی های متغیر زمان هستیم. برای کنترل اثر دوشنبه در بازارهای سهام (چو و همکاران ، 2007) ، ما یک متغیر ساختگی را درج می کنیم. ما همچنین یک متغیر ساختگی H I ، T را برای روز بعد از تعطیلات غیر هفته ای شامل می کنیم (ادمانز و همکاران ، 2007 ، کپلانسکی و لوی ، 2010b). سرانجام ، ما همبستگی سریال را در بازده بازار سهام ملی از جمله نرخ بازده روز گذشته کشور من کنترل می کنیم.
در مرحله دوم ، ما تخمین می زنیم
ϵ ˆ I ، T = β 0 + β 1 C I ، T + β 2 C T W + β 3 F I ، T + β 4 G R ، T + β 5 Δ S I ، T - 2 + β 6 Δ S I، T - 1 + β 7 Δ S I ، T + β 8 Δ C 1 ، 2 S I ، T + β 9 Δ C 3 - 7 S I ، T χ + (Δ S I ، T) + β 10 Δ SI ، T - 2 + β 11 Δ S I ، T - 1 + β 12 Δ S I ، T + β 13 Δ C 1 ، 2 S I ، T + β 14 Δ C 3 - 7 S I ، T χ - ((δ S I ، T) ؛
به عنوان متغیر وابسته ، ما از بازده غیر طبیعی (باقیمانده های رگرسیون تخمین زده شده ϵ ˆ i t ، از مدل مرحله اول) استفاده می کنیم. متغیرهای توضیحی (برای اطلاعات بیشتر ، به پیوست آنلاین مراجعه کنید) شامل موارد زیر است:
متغیر ساختگی G r ، T که کنترل اولین اقدامات سخت در منطقه بزرگ R را که در آن قرار دارم کنترل می کند ،
تغییرات روزانه در مداخلات دولت Δ S I ، T ، با (Δ S I ، T) χ + نشان دهنده محدودیت ها و (Δ S I ، T) χ - آرامش مداخلات دولت.
از آنجا که اطلاعات مربوط به تغییرات خط مشی قبل از روز رویداد منتشر می شود ، ما Δ S I ، T را به یک و دو روز تأخیر می کنیم و متغیرهای Δ S I ، T - 1 و Δ S I ، T - 2 را در رگرسیون ما قرار می دهیم.
برای روز T + 1 و همچنین شش روز دیگر پس از روز رویداد (تاریخ T + J با J =< 1 , … , 7 >) ، ما Δ S I ، T + 1 تا Δ S I ، T + 7 را به دو متغیر جداگانه ادغام کردیم. متغیر اول Δ C 1 ، 2 S I ، t جمع می کند Δ S I T + 1 و Δ S I ، T + 2 را به یک متغیر. متغیر دوم Δ C 3 - 7 S I ، t جمع می کند Δ S I ، T + 3 تا Δ S I ، T + 7.
ما همچنین کل نمونه را به دو نمونه زیر تقسیم می کنیم. اولین دوره زیر نمونه از 22 ژانویه آغاز می شود و در تاریخ 27 مارس 2020 به پایان می رسد (روزی که همه کشورها در نمونه ما اولین اقدامات محدود کننده خود را اجرا کرده بودند). نیمه دوم از 28 مارس شروع می شود و در تاریخ 20 مه 2020 به پایان می رسد.
میز 1
کشورهای OECD و BRICS (22 ژانویه - 20 مه 2020).
| متغیر | ضریب | P-Value |
|---|---|---|
| رهگیری کردن | 2. 62e - 04 | 0. 61 |
| موارد جدید (کشور I) C I ، T | 1. 92e - 03 | 0. 12 |
| موارد جدید (جهانی) C T W | 4. 45e - 03 | 0. 26 |
| اولین اقدامات سخت (کشور اول) F I ، T | 1. 58e - 02 | 0. 01 ∗ |
| اولین اقدامات دقیق (منطقه) G R ، t | 1. 95e - 02 | 0. 00 ∗ |
| شاخص سختگیرانه مثبت T-2 Δ S I ، T-2 χ + (Δ S I ، T) | . 336e - 06 | 0. 99 |
| شاخص سختگیرانه مثبت T-1 Δ S I ، T-1 χ + (Δ S I ، T) | 6. 06e --04 | 0. 00 ∗ |
| شاخص سختگیرانه مثبت T0 Δ S I ، T χ + (Δ S I ، T) | . 15. 13 e-04 | 0. 02 ∗ |
| pos. تقدیررشتهIndex T1 & T2 Δ C 1 ، 2 S I ، T χ + (Δ S I ، T) | . 40 e-04 | 0. 03 ∗ |
| pos. تقدیررشتهIndex T3 - T7 Δ C 3 - 7 S I ، T χ + (Δ S I ، T) | 2. 28e - 04 | 0. 01 ∗ |
| شاخص سختگیرانه منفی T-2 Δ S I ، T-2 χ-(Δ S I ، T) | −1. 70e - 03 | 0. 04 ∗ |
| شاخص سختگیرانه منفی T-1 Δ S I ، T-1 χ-(Δ S I ، T) | . 12 e-04 | 0. 34 |
| شاخص سختگیرانه منفی T0 Δ S I ، T χ - (Δ S I ، T) | 4. 60e - 04 | 0. 33 |
| منفیتقدیررشتهIndex T1 & T2 Δ C 1 ، 2 S I ، T χ - (Δ S I ، T) | 6. 42e - 06 | 0. 92 |
| منفیتقدیررشتهIndex T3 - T7 Δ C 3 - 7 S I ، T χ - (Δ S I ، T) | . 60E - 05 | 0. 37 |
| تنظیم شده r 2 | 0. 06 | |
| N | 2666 |
∗ P ≤ 0. 1 ، ∗ ∗ P ≤ 0. 05
معادله تخمین مربوطه (2) است.
3. نتایج اصلی
نتایج مربوط به رگرسیون مرحله اول و همچنین آمار توصیفی و نتایج استحکام در پیوست آنلاین ارائه شده است. نتایج اصلی در شکل 1 خلاصه شده است. ما شاهد کاهش قیمت اولیه هستیم که مربوط به کمبود واکنش در اقدامات سختگیرانه ای است که منجر به بیش از حد واکنش می شود ، که از بازیابی جزئی که از چند روز پس از رویداد سختگیرانه شروع می شود ، می توان مشاهده کرد. الگوهای محدودیت ها و بازگشت آنها بیشتر متقارن است.
OECD و BRICS پایه برگشت غیر طبیعی تجمعی 100. این شکل نشان می دهد که غیر طبیعی تجمعی در روز رویداد (T = 0) با محدودیت ها یا بازپرداخت محدودیت ها برای دوره از 22 ژانویه تا 20 مه 2020 باز می گردد. برای تصویر سازی بهتر ، برای تصویربرداری بهتر ،بازده ها برای ایجاد یک شاخص در اطراف روز رویداد که از T-7 با مقدار 100 شروع می شود ، مجدداً بازپرداخت شده است. نقاط شاخص بعدی به شرح زیر محاسبه می شوند: مقدار شاخص t = مقدار شاخص t-1 ⋅ (1 + β (δS I T)) برای t =< − 6 . . . 7 >.
جدول 1 نتایج رگرسیون مرحله دوم را برای نمونه کامل کشورهای OECD و BRICS نشان می دهد. در نمونه کلی ، نه موارد محلی و جهانی جدید COVID-19 تأثیر معنی داری در بورس سهام محلی ندارند. با این حال ، اگر کشور اول اولین اقدامات پیشگیرانه سختگیرانه علیه COVID-19 را در یک منطقه معین انجام دهد ، بازارهای سهام ملی در آن منطقه منفی واکنش نشان می دهد. نتایج بسیار قابل توجه است. به همین ترتیب ، اولین اقدامات انجام شده توسط یک کشور جداگانه بر بازار سهام مربوطه تأثیر منفی می گذارد. این تأیید می کند که بورس سهام در نتیجه محدودیت های دولت از عواقب اقتصادی منفی انتظار دارد. با مقایسه این دو بازده ، می بینیم که اولین محدودیت منطقه ای در مقایسه با اولین محدودیت ملی تأثیر مشابهی اما کمی بزرگتر دارد. پس از اجرای اولین محدودیت های سخت در یک منطقه ، احتمالاً می توان انتظار داشت که سایر کشورها از این پرونده پیروی کنند.
با توجه به تأثیر متوالی مداخلات بیشتر دولت، محدودیت‌ها یک روز قبل، در روز اجرای اقدامات و تا دو روز پس از اجرا تأثیر منفی بسیار مهمی دارند. این در راستای اثر اعلامی است: اقدامات اعلام شده قبل از اجرا قیمت گذاری می شوند. در مقایسه با تأثیر اولین اقدامات پیشگیرانه ملی، این بازده های منفی کمتر است. وقتی به روزهای 3 تا 7 پس از اجرا نگاه می کنیم، بازده مثبت قابل توجهی را می یابیم: بازار کمی بیش از حد واکنش نشان داد، که سپس اصلاح شد. از سوی دیگر، کاهش محدودیت دو روز قبل از آرامش، تاثیر مثبت (منفی مضاعف) قابل توجهی بر بازار سهام دارد.
جدول 2 نتایج را برای دوره های 22 ژانویه تا 27 مارس و 28 مارس تا 20 مه نشان می دهد. معادله برآورد مانند جدول 1 است. در اولین نمونه فرعی، برخلاف نمونه کلی، بازده مثبت بسیار قابل توجهی را برای افزایش تعداد موارد جهانی COVID-19 دریافتیم، در حالی که افزایش موارد محلی COVID-19 تأثیر قابل توجهی بر رویبازارهای سهام محلینتایج برای اولین اقدامات دقیق منطقه ای و ملی مشابه نتایج برای کل نمونه است. نمونه فرعی اول نیز الگوی کاهش بورس پس از محدودیت های بیشتر دولت و اصلاحات بعدی را تایید می کند. بر خلاف نتایج برای کل نمونه، ما یک اثر منفی معنی‌دار را در روز آرامش محدودیت (شاخص سختگیری منفی) می‌یابیم. احتمالاً بازار آرامش های اولیه را زودرس می داند و بنابراین واکنش منفی نشان می دهد.
در نمونه فرعی دوم، مانند نمونه کلی، اثر قابل توجهی از افزایش موارد COVID-19 پیدا نکردیم. با در نظر گرفتن اجرای محدودیت، ما فقط بازدهی ضعیف (در سطح 10٪) را در روز t - 1 می یابیم. احتمالاً محدودیت‌هایی از سوی بازار انتظار می‌رفته است و بنابراین، قبلاً بیشتر قیمت‌گذاری شده‌اند. با توجه به کاهش محدودیت، دو روز قبل از اجرا، بازده مثبت قابل توجهی (منفی مضاعف) پیدا می‌کنیم.
مشخصات رگرسیون جایگزین با سرنخ‌های اضافی، تفکیک‌شده‌تر و تأخیرهای شاخص‌های سختگیری در پیوست آنلاین ارائه شده است. تجزیه و تحلیل استحکام نشان می دهد که نتایج اصلی در واقع قوی هستند.
جدول 2
کشورهای OECD و BRICS (22 ژانویه تا 27 مارس و 28 مارس تا 20 مه 2020).
| (1) | (2) | |||
|---|---|---|---|---|
| متغیر | ضریب | P-Value | ضریب | P-Value |
| رهگیری کردن | −2. 16E−03 | 0. 00 ∗ | 1. 47E - 03 | 0. 20 |
| موارد جدید (کشور I) C I ، T | −1. 21e - 03 | 0. 31 | . 30 E-03 | 0. 87 |
| موارد جدید (جهانی) C T W | 1. 25e - 02 | 0. 01 ∗ | 1. 41e - 02 | 0. 67 |
| اولین اقدامات سخت (کشور اول) F I ، T | −1. 60e - 02 | 0. 01 ∗ | ||
| اولین اقدامات دقیق (منطقه) G R ، t | - 1. 76e - 02 | 0. 00 ∗ | ||
| شاخص سختگیرانه مثبت T-2 Δ S I ، T-2 χ + (Δ S I ، T) | 8. 26e - 05 | 0. 76 | 3. 43e - 04 | 0. 44 |
| شاخص سختگیرانه مثبت T-1 Δ S I ، T-1 χ + (Δ S I ، T) | . 5. 73e - 04 | 0. 00 ∗ | . 54 --04 | 0. 07 |
| شاخص سختگیرانه مثبت T0 Δ S I ، T χ + (Δ S I ، T) | . 49e --04 | 0. 02 ∗ | 1. 65e - 04 | 0. 68 |
| pos. تقدیررشتهIndex T1 & T2 Δ C 1 ، 2 S I ، T χ + (Δ S I ، T) | . 12 e-04 | 0. 07 | −1. 98e - 05 | 0. 92 |
| pos. تقدیررشتهفهرست T 3-T7 Δ C 3 - 7 S I ، T χ + (Δ S I ، T) | 2. 88e - 04 | 0. 00 ∗ | 1. 29e - 04 | 0. 31 |
| شاخص سختگیرانه منفی T-2 Δ S I ، T-2 χ-(Δ S I ، T) | −4. 00e --04 | 0. 93 | −1. 68e - 03 | 0. 00 ∗ |
| شاخص سختگیرانه منفی T-1 Δ S I ، T-1 χ-(Δ S I ، T) | 2. 23e - 04 | 0. 82 | . 3. 70e - 04 | 0. 53 |
| شاخص سختگیرانه منفی T0 Δ S I ، T χ - (Δ S I ، T) | 6. 21e - 03 | 0. 00 ∗ | 2. 14e - 04 | 0. 45 |
| منفیتقدیررشتهIndex T1 & T2 Δ C 1 ، 2 S I ، T χ - (Δ S I ، T) | . 49e - 05 | 0. 44 | 1. 84e - 04 | 0. 10 |
| منفیتقدیررشتهفهرست T 3-T7 Δ C 3 - 7 S I ، T χ - (Δ S I ، T) | 4. 63e - 05 | 0. 38 | 7. 68e - 06 | 0. 95 |
| تنظیم شده r 2 | 0. 08 | 0. 01 | ||
| N | 1591 | 1075 |
∗ P ≤ 0. 1 ، ∗ ∗ P ≤ 0. 05
در این جدول نتایج رگرسیون برای کشورهای OECD و BRICS در دوره های نمونه 22 ژانویه - 27 مارس (1) و 28 مارس - 20 مه (2) گزارش شده است. معادله تخمین (2) است.
4. نتیجه گیری
همه‌گیری COVID-19 یک موقعیت آزمایشی ایده‌آل برای کارایی بازار است، زیرا رویدادهای آشکار برای شرکت‌کنندگان بازار مالی کاملاً جدید و عمدتاً برونزا بودند. واکنش اولیه بازار سهام نشان دهنده واکنش تاخیری است: تنها پس از شروع افزایش تعداد موارد COVID-19 در ایتالیا، بازارهای سهام بین‌المللی کاهش یافت. زمانی که دولت ها سعی کردند با اعمال اقدامات پیشگیرانه تر، شیوع ویروس را مهار کنند، بازارهای سهام با کاهش بیشتر واکنش نشان دادند. با این حال، این واکنش نشانه‌های واضحی از واکنشهای ناکافی را با تغییر قابل توجهی پس از اعلام نشان داد، یعنی بازار چند روز طول می‌کشد تا اطلاعات جدید را در خود جای دهد. حداقل در نیمه اول سری زمانی ما نیز شاهد نشانه‌های آشکار واکنش بیش از حد هستیم: سه روز پس از اعمال محدودیت‌ها، بازارهای سهام برای چند روز بازدهی غیرعادی مثبت را نشان دادند. 2 به طور خلاصه، ما الگوی معمولی یک پاسخ تاخیری و سپس بیش از حد قوی را به یک رویداد برونزا شگفت‌انگیز می‌یابیم. این الگو با فرضیه بازار کارآمد که قیمت‌ها بلافاصله و به طور کامل همه اطلاعات موجود را منعکس می‌کند، ناسازگار است، اما با سایر رد تجربی فرضیه بازار کارا مطابقت دارد (Sewell, 2012, Boubaker et al., 2015, Rahman et al., 2021).).
علاوه بر این، بازارها به اولین اقدام پیشگیرانه سختگیرانه ملی و همچنین به اولین اقدام پیشگیرانه سختگیرانه در همان منطقه بزرگتر واکنش نشان دادند. در واقع، اولین اقدام سختگیرانه یک منطقه، احتمالاً به دلیل اثرات پیش‌بینی، واکنش قوی‌تری نسبت به یک کشور منفرد داشت.
زمانی که محدودیت‌ها دوباره کاهش یافت، بازارهای سهام واکنش نشان دادند، اما به روش‌های مختلف: آنها به کاهش محدودیت‌های قبلی (عمدتاً بین ژانویه تا پایان مارس) و کاهش‌های بعدی مثبت واکنش نشان دادند. این نشان می‌دهد که فعالان بازار آرامش‌های اولیه را زودرس و غیرمولد می‌دانستند، اما آرامش‌های بعدی را برای توسعه اقتصادی معقول و مفید می‌دانستند.
در نهایت، تعداد موارد جدید COVID-19 در سطح ملی و جهانی تأثیر قابل توجهی بر بازده بازار سهام نداشته است، که تا حدودی تعجب آور است زیرا این اعداد باعث تحمیل یا کاهش اقدامات سختگیرانه شده است. به نظر نمی رسد این اثر بازخورد در قیمت های بازار گنجانده شود.
اعلامیه منافع رقابتی
نویسندگان اعلام می کنند که هیچ منافع مالی رقیب یا روابط شخصی شناخته شده ای ندارند که به نظر می رسد بر کار گزارش شده در این مقاله تأثیر بگذارد.
منابع مالی
دو نفر از سه نویسنده (Matschke، Rieger) اعضای گروه تحقیقاتی "فرهنگ‌های در حال گذار در شرق آسیا و اروپا" دانشگاه تریر هستند که توسط ابتکار تحقیقاتی ایالت راینلاند-فالتز (آلمان) تامین می‌شود. با این حال، پروژه تحقیقاتی در مورد واکنش های بازار سهام به قرنطینه COVID-19 مستقیماً تأمین مالی نشده بود یا محتوای آن به هیچ وجه تحت تأثیر ایالت راینلاند-فالتز نبود.
پانویسها و منابع
2 این را نمی توان با تأثیرات مثبت اقدامات پیشگیرانه بر میزان عفونت توضیح داد، زیرا با توجه به زمان نهفتگی COVID-19 و زمان مورد نیاز برای شناسایی، چنین تأثیراتی را فقط می توان پس از یک دوره طولانی تر مشاهده کرد، البته نه در طی دو روز. موارد جدید به طور متوسط حدود یک هفته است.
پیوست B مطالب تکمیلی مرتبط با این مقاله را می‌توانید به صورت آنلاین در https://doi. org/10. 1016/j. frl. 2021. 102245 بیابید.
ضمیمه، الف. جداول و شکل ها
پیوست ب. داده های تکمیلی
مطالب تکمیلی مربوط به این مقاله در زیر آمده است.
روش شناسی دقیق، توصیفی، نتایج اضافی، و بررسی های استحکام.
