تشخیص‌شناسی پویایی نرخ ارز USD/UAH در نظام ارزی شناور

فهرست مطالب

1. مقدمه و مرور کلی

این مطالعه یک تحلیل تجربی جامع از پویایی نرخ ارز USD/UAH (هریونیای اوکراین) پس از گذار اوکراین به نظام ارزی شناور و سیاست هدف‌گذاری تورم در سال 2014 انجام می‌دهد. دوره زمانی از ژانویه 2014 تا می 2020 مورد بررسی قرار گرفته که با عدم‌تعادل‌های کلان اقتصادی، تنش‌های اجتماعی-سیاسی و نوسانات ارزی قابل توجه، از جمله کف 23.46 UAH/USD در دسامبر 2019، مشخص می‌شود. هدف این تحقیق، تشخیص این است که آیا حرکت نرخ ارز از یک روند تصادفی یا دائمی پیروی می‌کند، شناسایی الگوهای فصلی و ارزیابی حساسیت آن به شوک‌های کلان اقتصادی خارجی، و در نتیجه ارزیابی کارایی و ثبات بازار ارز خارجی اوکراین.

2. روش‌شناسی و داده‌ها

تحلیل تجربی از مجموعه‌ای قوی از تکنیک‌های اقتصادسنجی سری زمانی برای آزمون سه فرضیه محوری در مورد ماهیت فرآیند نرخ ارز USD/UAH استفاده می‌کند.

2.1 فرضیه‌های تحقیق

این مطالعه فرضیه‌های زیر را می‌آزماید: (H1) نرخ ارز USD/UAH از یک فرآیند تصادفی (راه‌برد تصادفی) پیروی می‌کند نه یک روند قطعی. (H2) پویایی‌ها الگوهای فصلی با اهمیت آماری نشان می‌دهند. (H3) نرخ ارز به شوک‌های کلان اقتصادی خارجی حساس است، اما اگر واکنش‌ها کوتاه‌مدت و دارای بازگشت به میانگین باشند، بازار ارز خارجی اوکراین نشانه‌هایی از کارایی نسبی نشان می‌دهد.

2.2 چارچوب تحلیلی

یک رویکرد چند-روشی به کار گرفته شده است:

• آزمون‌های ریشه واحد: آزمون‌های دیکی-فولر تعمیم‌یافته (ADF) و فیلیپس-پرون برای تعیین مانایی و وجود روند تصادفی.
• تحلیل خودهمبستگی: برای شناسایی الگوها و پایداری در سری.
• آزمون‌های علیت گرنجر: برای بررسی روابط پیشرو-پسرو بین نرخ ارز و متغیرهای کلان اقتصادی کلیدی.
• مدل تک‌متغیره: مدل‌سازی ARMA (میانگین متحرک خودرگرسیو) برای تجزیه روند-فصلی.
• مدل چندمتغیره: مدل خودرگرسیو برداری (VAR) و توابع واکنش به ضربه (IRFs) برای تحلیل تأثیر پویای شوک‌های ناشی از شاخص‌های مختلف کلان اقتصادی بر نرخ ارز.

2.3 دوره زمانی و منابع داده

از داده‌های ماهانه از ژانویه 2014 تا می 2020 استفاده شده است. متغیر اصلی، نرخ ارز USD/UAH است. برای تحلیل چندمتغیره، سایر شاخص‌های کلان اقتصادی احتمالاً شامل نرخ‌های تورم، نرخ‌های بهره، ذخایر خارجی، ارقام تراز تجاری و احتمالاً عوامل جهانی مانند قیمت نفت یا شاخص دلار آمریکا می‌شود که از بانک ملی اوکراین (NBU) و سایر نهادهای آماری رسمی استخراج شده‌اند.

3. نتایج تجربی و تحلیل

3.1 تحلیل روند و راه‌برد تصادفی

نتایج حاصل از آزمون‌های ADF و فیلیپس-پرون نشان می‌دهد که فرض صفر وجود ریشه واحد برای سری USD/UAH در دوره نمونه رد نمی‌شود. این شواهد محکمی برای H1 فراهم می‌کند و نشان می‌دهد حرکت نرخ ارز یک فرآیند تصادفی با مؤلفه راه‌برد تصادفی است. روند دائمی نیست بلکه حاوی یک عنصر تصادفی است که منجر به تغییرات شدید و غیرقابل پیش‌بینی در طول زمان می‌شود. این با فرضیه بازار کارا (EMH) با شکل ضعیف برای بازار ارز خارجی اوکراین همسو است و دلالت بر این دارد که حرکات قیمت گذشته نمی‌توانند تغییرات آینده را به طور قابل اعتمادی پیش‌بینی کنند.

3.2 تشخیص فصلیت

تحلیل H2 را تأیید می‌کند و یک الگوی فصلی واضح در نوسانات USD/UAH را آشکار می‌سازد. هریونیا تمایل دارد در سه‌ماهه اول و دوم سال (Q1 و Q2) در برابر دلار تضعیف شود و در سه‌ماهه سوم و چهارم (Q3 و Q4) تقویت شود. این الگو می‌تواند به عوامل چرخه‌ای مانند جریان‌های صادرات کشاورزی، برنامه‌های زمان‌بندی پرداخت مالیات شرکت‌ها یا تقاضای فصلی برای ارز خارجی مرتبط باشد.

3.3 حساسیت به شوک‌های خارجی

مدل VAR و توابع واکنش به ضربه نشان می‌دهند که نرخ USD/UAH به شوک‌های ناشی از شاخص‌های خاص کلان اقتصادی واکنش نشان می‌دهد، که این واکنش‌ها می‌توانند مثبت (تضعیف) یا منفی (تقویت) باشند. نکته کلیدی این است که مطالعه نشان می‌دهد این واکنش‌ها کوتاه‌مدت، از نظر آماری از نظر بزرگی بی‌اهمیت و تمایل به محو شدن در طول زمان دارند. این از H3 پشتیبانی می‌کند و نشان می‌دهد که اگرچه بازار به اخبار واکنش نشان می‌دهد (که نشان‌دهنده کارایی نسبی است)، اما همچنین پایدار است زیرا شوک‌ها باعث انحرافات پایدار و بی‌ثبات‌کننده نمی‌شوند.

4. یافته‌های کلیدی و پیامدها

• روند تصادفی و غیرقابل پیش‌بینی: نرخ USD/UAH از یک راه‌برد تصادفی پیروی می‌کند که پیش‌بینی دقیق کوتاه‌ تا میان‌مدت را با مدل‌های خطی بسیار دشوار می‌سازد.
• فصلیت آشکار: سیاست‌گذاران و کسب‌وکارها می‌توانند نقاط فشار سه‌ماهه را پیش‌بینی کنند، اگرچه مؤلفه راه‌برد تصادفی پیش‌بینی دقیق را محدود می‌کند.
• بازار کارا اما کم‌عمق: واکنش سریع و محو شونده به شوک‌ها نشان‌دهنده بازاری است که اطلاعات را به سرعت جذب می‌کند اما ممکن است عمق کافی برای حفظ حرکات بزرگ و طولانی‌مدت ناشی از شوک‌های منفرد را نداشته باشد.
• وابستگی چندعاملی: نرخ ارز تحت تأثیر چندین عامل کلان اقتصادی داخلی و بالقوه جهانی قرار دارد که با نظریه استاندارد مالی بین‌المللی سازگار است.
• چالش سیاستی: برای بانک ملی اوکراین، مدیریت تورم تحت یک نظام شناور با نرخ ارز بسیار پرنوسان و تصادفی، یک چالش قابل توجه است.

5. جزئیات فنی و چارچوب ریاضی

مدل‌های اصلی به شرح زیر مشخص شده‌اند:

آزمون دیکی-فولر تعمیم‌یافته (ADF):
$\Delta y_t = \alpha + \beta t + \gamma y_{t-1} + \sum_{i=1}^{p} \delta_i \Delta y_{t-i} + \epsilon_t$
فرض صفر $H_0: \gamma = 0$ (ریشه واحد وجود دارد). به احتمال زیاد نتایج مطالعه نتوانسته‌اند $H_0$ را برای سری سطح رد کنند.

مدل خودرگرسیو برداری (VAR):
$\mathbf{Y}_t = \mathbf{A}_0 + \mathbf{A}_1\mathbf{Y}_{t-1} + ... + \mathbf{A}_p\mathbf{Y}_{t-p} + \mathbf{U}_t$
که در آن $\mathbf{Y}_t$ یک بردار حاوی نرخ USD/UAH و سایر متغیرهای کلان اقتصادی (مانند تورم، نرخ بهره) است، $\mathbf{A}_i$ ماتریس‌های ضرایب هستند و $\mathbf{U}_t$ بردار نوآوری‌های نویز سفید است.

تابع واکنش به ضربه (IRF):
اثر یک شوک به اندازه یک انحراف معیار به یک متغیر (مانند یک شوک تورمی غیرمنتظره) بر مقادیر فعلی و آینده تمام متغیرها در سیستم VAR، به ویژه نرخ USD/UAH را ردیابی می‌کند: $\frac{\partial Y_{t+h}}{\partial u_{j,t}}$ برای $h=0,1,2,...$

6. نتایج آزمایشی و توصیف نمودارها

شکل 1 (نمودار سری زمانی): به احتمال زیاد نرخ اسمی ارز USD/UAH از 2020-2014 را نشان می‌دهد که تضعیف شدید در 2015-2014، ثبات نسبی در 2018-2016 و نوسانات مجدد در 2020-2019 را با اوج دسامبر 2019 برجسته می‌کند.

شکل 2 (نمودارهای ACF/PACF): نمودارهای تابع خودهمبستگی و خودهمبستگی جزئی که برای شناسایی مرتبه‌های مدل ARMA ($p$, $q$) و ارزیابی بصری پایداری (ACF با زوال آهسته نشان‌دهنده عدم مانایی است) استفاده شده‌اند.

شکل 3 (تجزیه فصلی): نموداری که سری را به مؤلفه‌های روند، فصلی و باقیمانده تجزیه می‌کند و الگوی تضعیف Q1-Q2 / تقویت Q3-Q4 را به صورت بصری تأیید می‌کند.

شکل‌های 4-7 (توابع واکنش به ضربه): مجموعه‌ای از نمودارها که پاسخ نرخ ارز USD/UAH به شوک‌های متعامد از سایر متغیرها در VAR (مانند شوک به نرخ سیاستی NBU، تورم، تراز تجاری) را نشان می‌دهند. مشاهده کلیدی این است که مسیرهای پاسخ حول صفر در نوسان هستند، با فواصل اطمینان که صفر را در بر می‌گیرند، که نشان‌دهنده اثرات از نظر آماری بی‌اهمیت و گذرا است.

جداول 1-11: آمار توصیفی، نتایج آزمون ریشه واحد (آماره‌های ADF/PP و مقادیر p)، خروجی‌های برآورد مدل ARMA، نتایج آزمون علیت گرنجر (آماره‌های F و مقادیر p) و ماتریس‌های برآورد مدل VAR را ارائه می‌دهند.

7. چارچوب تحلیل: یک مورد عملی

سناریو: یک صادرکننده کشاورزی اوکراینی می‌خواهد ریسک ارزی را برای درآمدهای سررسید ژوئن 2024 ارزیابی کند.

کاربرد چارچوب:

1. مؤلفه روند (تصادفی): تحلیلگر ماهیت راه‌برد تصادفی را می‌پذیرد. یک پیش‌بینی نقطه‌ای از یک مدل ARMA بسیار نامطمئن است. در عوض، آن‌ها بر پیش‌بینی توزیع نتایج ممکن تمرکز می‌کنند (به عنوان مثال، با استفاده از شبیه‌سازی حرکت براونی هندسی: $dS_t = \mu S_t dt + \sigma S_t dW_t$، که در آن $S_t$ نرخ ارز است).
2. تنظیم فصلی: داده‌های تاریخی نشان می‌دهند ژوئن (Q2) به طور معمول دوره ضعف هریونیا است. تحلیلگر یک سوگیری فصلی تضعیف را در مدل ریسک خود لحاظ می‌کند، شاید با تحلیل میانگین بازده‌های ژوئن در 10 سال گذشته.
3. تحلیل شوک: با استفاده از نسخه ساده‌شده چارچوب VAR مقاله، تحلیلگر شاخص‌های پیشرو (مانند اعلامیه‌های ماهانه تورم، اظهارات NBU، قدرت جهانی دلار) را رصد می‌کند. منطق IRF به آن‌ها می‌گوید که حتی یک عدد تورم "بد" نیز نباید در صورت کارایی بازار باعث یک تغییر دائمی شود، اما می‌تواند باعث نوسانات کوتاه‌مدت شود.
4. تصمیم پوشش ریسک: با توجه به نوسان بالا (روند تصادفی) و مانع فصلی، تحلیلگر توصیه می‌کند بخش قابل توجهی از درآمد مورد انتظار ژوئن را از طریق قراردادهای آتی یا اختیار معامله پوشش دهد، نه اینکه بر اساس یک پیش‌بینی ساده‌لوحانه آن را بدون پوشش رها کند.

8. کاربردهای آتی و جهت‌های تحقیقاتی

• مدل‌های غیرخطی و یادگیری ماشین: با توجه به محدودیت‌های مدل‌های خطی (ARMA, VAR) در پیش‌بینی یک راه‌برد تصادفی، تحقیقات آتی باید از مدل‌های غیرخطی مانند GARCH برای خوشه‌بندی نوسان، یا تکنیک‌های یادگیری ماشین (شبکه‌های LSTM، جنگل‌های تصادفی) برای捕捉 وابستگی‌های پیچیده غیرخطی که ممکن است قدرت پیش‌بینی بهبودیافته‌ای برای مدیریت ریسک ارائه دهند، استفاده کنند، همان‌طور که در مطالعات پیشرفته پیش‌بینی ارز خارجی مشاهده شده است (به عنوان مثال، آزمایش‌های ترکیب LSTM با مکانیزم‌های توجه).
• تحلیل داده‌های با فرکانس بالا: استفاده از داده‌های درون‌روزی یا تیک برای آزمون ریزساختار بازار و سرعت تعدیل به اخبار، که آزمون تیزتری از کارایی بازار ارائه می‌دهد.
• ادغام عوامل ریسک جهانی: گنجاندن صریح متغیرهای جهانی مانند شاخص دلار آمریکا ICE (DXY)، VIX (شاخص نوسان) یا قیمت‌های کالا در مدل VAR برای تفکیک محرک‌های داخلی از جهانی.
• ارزیابی سیاست: استفاده از چارچوب تأسیس شده به عنوان یک ضدواقعیت برای ارزیابی تأثیر مداخلات خاص NBU یا تغییرات سیاستی پس از 2020.
• کاربرد در جفت‌های رمزارز-فیات: روش‌شناسی می‌تواند برای تحلیل پویایی ارزهای بازارهای نوظهور در برابر رمزارزها، که حوزه‌ای در حال رشد در امور مالی غیرمتمرکز (DeFi) است، تطبیق داده شود.

9. 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. Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427-431.
3. Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346.
4. Granger, C. W. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424-438.
5. Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.
6. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417.
7. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
8. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
9. National Bank of Ukraine. (2024). Official statistics and reports. Retrieved from [NBU Website].
10. International Monetary Fund. (2023). Annual Report on Exchange Arrangements and Exchange Restrictions (AREAER).

10. دیدگاه تحلیلگر: بینش محوری، جریان منطقی، نقاط قوت و ضعف، بینش‌های عملی

بینش محوری: این مقاله یک حقیقت سرد و سخت را برای هر کسی که روی هریونیا شرط می‌بندد ارائه می‌دهد: روند محوری آن اساساً غیرقابل پیش‌بینی است. نویسندگان به طور متقاعدکننده‌ای نشان می‌دهند که نرخ USD/UAH یک راه‌برد تصادفی کلاسیک است و امید به مدل‌های پیش‌بینی خطی قابل اعتماد را دفن می‌کند. نکته جالب همزیستی این آشوب با الگوهای فصلی واضح و بازاری است که اخبار را به طور کارآمد اما کوتاه هضم می‌کند. این تصویری از بازاری را ترسیم می‌کند که از نظر مکانیکی کارا اما از نظر بنیادی ناپایدار است - ترکیبی خطرناک برای سرمایه‌گذاران بلندمدت اما یک زمین بازی بالقوه برای معامله‌گران تاکتیکی و آگاه از فصلیت.

جریان منطقی: استدلال روشمند و قوی است. با یک فرضیه واضح (راه‌برد تصادفی) شروع می‌شود، از آزمون‌های استاندارد صنعت (ADF, PP) برای تأیید آن استفاده می‌کند، سپس با شناسایی ناهنجاری‌های فصلی که راه‌برد تصادفی آن‌ها را منتفی نمی‌کند، پیچیدگی را اضافه می‌کند. در نهایت، از یک مدل VAR برای آزمون استرس تاب‌آوری بازار استفاده می‌کند و می‌یابد که شوک‌ها را به سرعت جذب می‌کند - نشانه یک بازار نسبتاً کارا، اگر نه عمیق. جریان از تحلیل تک‌متغیره به چندمتغیره، کتابی و مؤثر است.

نقاط قوت و ضعف: نقطه قوت در جعبه ابزار روش‌شناسی جامع و نتایج واضح و داده‌محور است. نویسندگان زیاده‌روی نمی‌کنند. با این حال، ضعف اصلی یکی از حذف در زمینه مدرن است: عدم کامل رویکردهای غیرخطی یا یادگیری ماشین. پایبندی به ARMA/VAR در سال 2020 برای تحلیل یک ارز پرنوسان بازار نوظهور مانند استفاده از نقشه برای پیمایش یک طوفان است. مطالعاتی مانند آن‌هایی که LSTM را بر ارز خارجی اعمال می‌کنند (به عنوان مثال، Sezer et al., 2020) نشان می‌دهند که در捕捉 الگوهای پیچیده‌ای که یک راه‌برد تصادفی ممکن است پنهان کند، پیشرفت قابل توجهی حاصل شده است. علاوه بر این، "شوک‌های خارجی" احتمالاً بیش از حد بر داخلی متمرکز هستند و فیل بزرگی را در اتاق نادیده می‌گیرند: تأثیر فراگیر سیاست فدرال رزرو ایالات متحده و چرخه‌های جهانی دلار بر یک اقتصاد دلاری‌شده مانند اوکراین.

بینش‌های عملی:

• برای شرکت‌ها و بانک‌ها: پیش‌بینی‌های نقطه‌ای را برای برنامه‌ریزی عملیاتی کنار بگذارید. فوراً به تحلیل سناریوی احتمالی و آزمون استرس تغییر جهت دهید. از فصلیت شناسایی‌شده Q1/Q2 به عنوان یک عامل سیستماتیک در تقویم سالانه پوشش ریسک خود استفاده کنید - در نظر بگیرید که در این بازه‌های زمانی محافظت بیشتری را لایه‌بندی کنید.
• برای NBU: یافته‌ها دشواری فوق‌العاده هدف‌گذاری تورم با یک ارز شناور و راه‌برد تصادفی را تأیید می‌کنند. استراتژی ارتباطی باید بر مدیریت انتظارات و نوسان بیش از تلاش برای هدایت سطح تأکید کند. در نظر بگیرید که یک ضمیمه "عوامل فصلی" به گزارش‌های تورم برای تثبیت درک عمومی منتشر کنید.
• برای محققان: این مقاله یک خط پایه کامل است. گام بعدی جایگزینی آن با مدل‌هایی است که می‌توانند غیرخطی بودن را که این مطالعه به آن اشاره می‌کند، مدیریت کنند. با تیم‌های علم داده همکاری کنید تا تقویت گرادیان یا شبکه‌های عصبی را بر روی همین مجموعه داده اعمال کنید؛ مقایسه نتایج بسیار قابل انتشار خواهد بود.
• برای سرمایه‌گذاران: اوکراین را به عنوان یک تخصیص تاکتیکی با نوسان بالا در نظر بگیرید. الگوی فصلی (ضعف نیمه اول سال، قدرت نیمه دوم سال) یک تمایل سیستماتیک بالقوه، اگرچه پرریسک، ارائه می‌دهد. هر موقعیت بلندمدت باید مبتنی بر اصلاحات بنیادی که محرک‌های اساسی نوسان را بهبود می‌بخشد باشد، نه بر پیش‌بینی ارز.