تشخیص پویایی‌های نرخ ارز دلار/هریونی در نظام ارزی شناور

فهرست مطالب

1. مقدمه و مرور کلی

این مطالعه، یک تحلیل تجربی جامع از پویایی‌های نرخ ارز دلار/هریونی (گریونا اوکراین) تحت نظام نرخ ارز شناوری که اوکراین در سال ۲۰۱۴ اتخاذ کرد، ارائه می‌دهد. این پژوهش که دوره زمانی از ژانویه ۲۰۱۴ تا می ۲۰۲۰ را پوشش می‌دهد، هدفش تشخیص ماهیت حرکات نرخ ارز است و فراتر از مشاهدات موردی، به ارزیابی مبتنی بر داده می‌پردازد. گذار از یک ترتیب تثبیت‌شده به یک نظام شناور و هدف‌گیری تورم، نشان‌دهنده یک تغییر عمده بود که محیطی از عدم قطعیت فزاینده برای کسب‌وکارها و اقتصاد کلان ایجاد کرد. با توجه به درجه بالای دلاری‌سازی در اوکراین، درک محرک‌ها و الگوهای نوسانات نرخ ارز برای تجارت، سرمایه‌گذاری و ثبات اقتصاد کلان حیاتی است.

2. روش‌شناسی و داده‌ها

2.1 توصیف داده‌ها و دوره زمانی

تحلیل از داده‌های سری زمانی با فرکانس بالا برای نرخ ارز دلار/هریونی از ژانویه ۲۰۱۴، همزمان با تغییر سیاست، تا می ۲۰۲۰ استفاده می‌کند. این دوره، رویدادهای مهمی از جمله تنش‌های ژئوپلیتیک، اصلاحات اقتصادی و مرحله اولیه همه‌گیری جهانی را در بر می‌گیرد و نمونه‌ای قوی برای آزمون رفتار نرخ ارز تحت شرایط استرس و عادی فراهم می‌کند.

2.2 چارچوب تحلیلی

این مطالعه از یک رویکرد اقتصادسنجی چند-روشی برای اطمینان از استحکام استفاده می‌کند:

• آزمون‌های ریشه واحد: آزمون‌های دیکی-فولر تعمیم‌یافته (ADF) و فیلیپس-پرون برای تعیین وجود روند تصادفی (راه‌پیمایی تصادفی).
• تحلیل خودهمبستگی و فصلیت: برای شناسایی الگوهای پایدار و اثرات فصلی.
• آزمون‌های علیت گرنجر: برای بررسی روابط پیشرو-پسرو بین نرخ ارز و متغیرهای کلیدی اقتصاد کلان.
• مدل خودرگرسیون برداری (VAR) و توابع واکنش آنی (IRFs): برای مدل‌سازی تعامل پویا بین چندین متغیر سری زمانی و ارزیابی حساسیت و تداوم نرخ ارز نسبت به شوک‌های خارجی (مانند تغییرات نرخ بهره، تورم، تراز تجاری).

2.3 فرضیه‌های آزمون شده

بررسی تجربی حول سه فرضیه اصلی ساختار یافته است:

1. روند در نرخ ارز دلار/هریونی تصادفی (راه‌پیمایی تصادفی) است نه جبری.
2. پویایی‌های نرخ ارز فصلیت آماری معناداری را نشان می‌دهند.
3. بازار ارز خارجی اوکراین کارا و پایدار است، به این معنی که واکنش آن به شوک‌های خارجی کوتاه‌مدت است و تمایل به محو سریع دارد.

3. نتایج تجربی و تحلیل

3.1 تحلیل روند و راه‌پیمایی تصادفی

نتایج آزمون‌های ADF و فیلیپس-پرون، فرض صفر وجود ریشه واحد برای سری دلار/هریونی را رد نمی‌کنند. این شواهد محکمی ارائه می‌دهد که نرخ ارز از یک فرآیند راه‌پیمایی تصادفی پیروی می‌کند. روند شامل یک مؤلفه تصادفی است، که دلالت بر این دارد که حرکات گذشته پیش‌بین‌های قابل اعتمادی برای تغییرات آینده نیستند. این یافته با شکل ضعیف فرضیه بازار کارا (EMH) برای بازار ارز خارجی اوکراین همسو است و نشان می‌دهد کسب بازده غیرعادی به طور مداوم تنها بر اساس داده‌های قیمت تاریخی دشوار است.

3.2 تشخیص فصلیت

برخلاف دلالت راه‌پیمایی تصادفی محض، تحلیل یک الگوی فصلی واضح را آشکار می‌کند:

• تضعیف: هریونی تمایل دارد در طول سه‌ماهه اول و دوم (Q1 & Q2) در برابر دلار تضعیف شود.
• تقویت: این ارز عموماً در طول سه‌ماهه سوم و چهارم (Q3 & Q4) تقویت می‌شود.

این الگو ممکن است به عوامل چرخه‌ای مانند جریان‌های صادرات کشاورزی، برنامه‌های بازپرداخت بدهی یا چرخه‌های بودجه‌ای که فشارهای تقاضا و عرضه مکرر برای ارز خارجی ایجاد می‌کنند، مرتبط باشد.

3.3 واکنش به شوک‌های خارجی

مدل VAR و توابع واکنش آنی نشان می‌دهند که نرخ دلار/هریونی چگونه به نوآوری‌ها در سایر متغیرهای اقتصاد کلان (مانند تفاضل تورم، نرخ بهره، حساب جاری) واکنش نشان می‌دهد. یافته کلیدی این است که واکنش بازار به شوک‌ها مثبت یا منفی اما کوتاه‌مدت و ناچیز است و پاسخ‌ها تمایل دارند با گذشت زمان محو شوند. این نشان‌دهنده درجه‌ای از ثبات بازار و کارایی نسبی است، زیرا شوک‌ها بدون ایجاد روندهای طولانی‌مدت و بی‌ثبات‌کننده جذب می‌شوند. با این حال، نوسان بالا و ماهیت راه‌پیمایی تصادفی به طور همزمان دلالت بر قابلیت پیش‌بینی پایین دارد.

4. یافته‌های کلیدی و پیامدها

5. جزئیات فنی و چارچوب

پایه ریاضی

مدل اصلی راه‌پیمایی تصادفی با رانش را می‌توان به صورت زیر نمایش داد: $$S_t = \mu + S_{t-1} + \epsilon_t$$ که در آن $S_t$ لگاریتم نرخ ارز در زمان $t$ است، $\mu$ یک رانش ثابت است و $\epsilon_t$ یک جمله خطای نویز سفید است. رد روند جبری توسط مطالعه، از این مشخصه پشتیبانی می‌کند.

مؤلفه فصلی درون یک چارچوب ARMA مدل‌سازی شد. یک نمایش ساده از یک فرآیند AR فصلی (۱) برای داده‌های فصلی به صورت زیر است: $$S_t = \phi S_{t-4} + \epsilon_t$$ که در آن $\phi$ پارامتر خودرگرسیون فصلی است و یک $\phi$ معنادار نشان‌دهنده تداوم یک الگو از همان فصل در سال قبل است.

تحلیل چندمتغیره از یک مدل خودرگرسیون برداری (VAR) از مرتبه $p$ استفاده کرد: $$\mathbf{Y}_t = \mathbf{c} + \sum_{i=1}^{p} \mathbf{\Phi}_i \mathbf{Y}_{t-i} + \mathbf{\varepsilon}_t$$ که در آن $\mathbf{Y}_t$ یک بردار از متغیرهای درونزای (مانند دلار/هریونی، تورم، نرخ بهره) است، $\mathbf{c}$ یک بردار از ثابت‌ها است، $\mathbf{\Phi}_i$ ماتریس‌های ضریب هستند و $\mathbf{\varepsilon}_t$ یک بردار از نوآوری‌های نویز سفید است. توابع واکنش آنی اثر یک شوک یک-انحراف معیاری در یک متغیر را بر مقادیر کنونی و آینده همه متغیرهای سیستم ردیابی می‌کنند.

مثال چارچوب تحلیل (غیرکدی)

مورد: ارزیابی تأثیر افزایش نرخ بهره

1. آماده‌سازی داده‌ها: جمع‌آوری سری‌های زمانی ماهانه برای دلار/هریونی، نرخ سیاستی NBU، تورم CPI و تراز تجاری برای ۲۰۱۴-۲۰۲۰. آزمون ایستایی همه سری‌ها، اعمال تفاضل‌گیری در صورت لزوم.
2. مشخص‌سازی مدل: تعیین طول وقفه بهینه (p) برای مدل VAR با استفاده از معیارهای اطلاعاتی (AIC, BIC). برآورد مدل VAR(p).
3. بررسی پایداری: اطمینان از اینکه همه ریشه‌های چندجمله‌ای مشخصه درون دایره واحد قرار دارند، تأیید یک سیستم پایدار.
4. علیت گرنجر: آزمون اینکه آیا وقفه‌های نرخ سیاستی «علیت گرنجری» نرخ دلار/هریونی را دارند، که نشان‌دهنده قدرت پیش‌بینی است.
5. تحلیل واکنش آنی: شوک به معادله «نرخ سیاستی» در VAR و مشاهده مسیر پویای واکنش دلار/هریونی در طول، مثلاً، ۲۴ ماه. یافته مطالعه به صورت یک حرکت اولیه کوچک، از نظر آماری معنادار (مانند تقویت) که در عرض چند دوره به صفر می‌رسد، تجسم می‌یابد.

6. تحلیل اصلی و تفسیر کارشناسی

7. کاربردهای آتی و جهت‌های پژوهشی

• ادغام داده‌های با فرکانس بالا و داده‌های جایگزین: پژوهش‌های آتی باید داده‌های درون‌روزی و مجموعه داده‌های جایگزین (مانند احساسات خبری از رسانه‌های اوکراینی و روسی، شاخص‌های ریسک ژئوپلیتیک) را برای مدل‌سازی تأثیر نوسانات غیربنیادی و خبر-محور، مشابه رویکردهای استفاده شده در مطالعات دفتر ملی پژوهش اقتصادی (NBER) در مورد ریزساختار بازار، ادغام کنند.
• یادگیری ماشین برای پیش‌بینی بهبودیافته: در حالی که اقتصادسنجی سنتی غیرقابل پیش‌بینی بودن را تأیید می‌کند، کاوش مدل‌های یادگیری ماشین (LSTMها، Gradient Boosting) که می‌توانند غیرخطی‌های پیچیده و تعاملات بین مجموعه وسیع‌تری از متغیرها را ثبت کنند، ممکن است سیگنال‌های پیش‌بینی ضعیف اما قابل بهره‌برداری در «نویز» کشف کنند.
• تحلیل بین‌ارزی در اروپای در حال ظهور: یک مطالعه تطبیقی دلار/هریونی، دلار/زلوتی لهستانی (PLN) و دلار/فورینت مجارستان (HUF) می‌تواند عوامل خاص اوکراین را از روندهای منطقه‌ای جدا کند و راهنمایی واضح‌تری در مورد ریسک خاص ارائه دهد.
• تحلیل تغییر رژیم سیاستی: مدل‌سازی رسمی شکست ساختاری در ۲۰۱۴ و ارزیابی اینکه چگونه پارامترهای مدل VAR (تداوم شوک، نوسان) پس از اتخاذ نظام شناور و هدف‌گیری تورم تغییر کردند.
• تعامل با دارایی‌های رمزارز: بررسی رابطه رو به رشد بین هریونی، استیبل‌کوین‌ها و جریان‌های رمزارز به عنوان یک کانال جایگزین برای حرکت سرمایه و فشار بالقوه نرخ ارز.

8. منابع

1. Ignatyuk, A., Osetskyi, V., Makarenko, M., & Artemenko, A. (2020). Ukrainian hryvnia under the floating exchange rate regime: diagnostics of the USD/UAH exchange rate dynamics. Banks and Bank Systems, 15(3), 129-146.
2. Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
3. International Monetary Fund. (2019). Annual Report on Exchange Arrangements and Exchange Restrictions (AREAER). Washington, DC.
4. Bank for International Settlements. (2019). Triennial Central Bank Survey of Foreign Exchange and OTC Derivatives Markets.
5. Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 383-417.
6. Engle, R. F., & Granger, C. W. J. (1987). Co-integration and Error Correction: Representation, Estimation, and Testing. Econometrica, 55(2), 251-276.
7. Sims, C. A. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1-48.