سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

فتحی, سعید, اسماعیلی ششجوانی, الهه. (1403). نقش ویژگی‌های دوره ارزیابی و تخمین در تحلیل کارآیی قرارداد آتی در مدیریت ریسک شاخص سهام. , 14(48), 9-33. doi: 10.48308/jfmp.2025.238487.1467
سعید فتحی; الهه اسماعیلی ششجوانی. "نقش ویژگی‌های دوره ارزیابی و تخمین در تحلیل کارآیی قرارداد آتی در مدیریت ریسک شاخص سهام". , 14, 48, 1403, 9-33. doi: 10.48308/jfmp.2025.238487.1467
فتحی, سعید, اسماعیلی ششجوانی, الهه. (1403). 'نقش ویژگی‌های دوره ارزیابی و تخمین در تحلیل کارآیی قرارداد آتی در مدیریت ریسک شاخص سهام', , 14(48), pp. 9-33. doi: 10.48308/jfmp.2025.238487.1467
فتحی, سعید, اسماعیلی ششجوانی, الهه. نقش ویژگی‌های دوره ارزیابی و تخمین در تحلیل کارآیی قرارداد آتی در مدیریت ریسک شاخص سهام. , 1403; 14(48): 9-33. doi: 10.48308/jfmp.2025.238487.1467

نقش ویژگی‌های دوره ارزیابی و تخمین در تحلیل کارآیی قرارداد آتی در مدیریت ریسک شاخص سهام

چشم انداز مدیریت مالی
مقاله 1، دوره 14، شماره 48، 1403، صفحه 9-33    اصل مقاله (1.02 M)
نوع مقاله: علمی - پژوهشی
شناسه دیجیتال (DOI): 10.48308/jfmp.2025.238487.1467
نویسندگان
سعید فتحی* 1؛ الهه اسماعیلی ششجوانی2
1دانشیار دانشگاه اصفهان
2گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران
چکیده
هدف: در پژوهش‌های گذشته، کارآیی قرارداد آتی در مدیریت ریسک برای شاخص‌های مختلف با انواع استراتژی‌ها و روش‌های تخمین در سال‌ها، کشور‌ها و دارایی‌های پایه‌ی متفاوتی بررسی شده‌ است که نتایج متفاوتی گزارش کرده‌اند. یکی از ابعاد موثر بر واگرایی نتایج مطالعات گذشته، ویژگی‌های دوره‌ ارزیابی تغییر در واریانس و دوره تخمین نسبت بهینه پوشش ریسک است. کشف نقش این عوامل، در کیفیت مطالعات آینده در پوشش ریسک به کمک قرارداد آتی نقشی اساسی دارد. البته لازم است نتایج حاصل از پژوهش مورد ارزیابی استحکام قرار گیرد.

روش: در این پژوهش از هفت مرحله فراتحلیل استفاده شده است. نمونه شامل کلیه آزمون‌های تجربی انجام‌ شده در مورد کارآیی پوشش ریسک شاخص سهام به کمک قرارداد آتی است. آزمون‌هایی که در مقالات بین سال‌های 2015 تا 2022 منتشر شده است. 30 مقاله و 1373 اندازه اثر است که شامل 1,846,373 و 1,052,225 مشاهده به ترتیب در دوره‌ی تخمین و ارزیابی می‌شود. جهت دستیابی به اهداف تعیین شده، به کمک نرم افزار سی‌اِم‌اِی محاسبه و مورد تحلیل قرار گرفت. نرم افزار اکسل نیز برای تنظیم داده‌ها و محاسبات اولیه استفاده شد. مبنای ارزیابی، میانگین وزنی اندازه اثر کارآیی پوشش ریسک است و برای مقایسه گرو‌ه‌های اندازه اثر از تحلیل واریانس استفاده شده است. به دلیل وجود واگرایی در اندازه‌ه‌اثرها، عمدتا از روش اثرات تصادفی استفاده شده است. آزمون استحکام برای ارزیابی ثبات نتایج در شرایط مختلف و پایایی پژوهش استفاده شده است.

یافته‌ها: نتایج نشان داد که کارآیی پوشش ریسک در دسته طول دوره‌ی ارزیابی کمتر مساوی یک سال از مقدار آن در دسته طول دوره‌ی ارزیابی بزرگتر از یک سال به طور معناداری بیشتر است، کارآیی پوشش ریسک شاخص سهام با استفاده از استراتژی برون نمونه‌ای نسبت به استراتژی درون نمونه‌ای به طور معناداری بیشتر است و استفاده از داده‌های بیشتر یا به عبارتی دوره‌ی تخمین بزرگتر، به طور معناداری منجر به کاهش کارآیی پوشش ریسک می‌شود. از 16 طبقه آزمون استحکام صورت گرفته برای طول دوره ارزیابی و استراتژی تخمین در 15 طبقه و برای طول دوره تخمین در ده طبقه نتایج با فرضیه‌های اصلی تطابق داشته و مورد تایید قرار گرفت.

نتیجه‌گیری: در طول دوره‌ی ارزیابی بزرگ، احتمالا، دفعات تغییر نرخ بهره یا سایر عوامل محیطی بیشتر است و این امر باعث کاهش کارآیی پوشش ریسک شده است. در مورد طول دوره تخمین اگر سرمایه‌گذار پارامترهای مدل پوشش ریسک را با استفاده از داده‌هایی تخمین بزند که در دوره‌ی کمتر از سه سال قرار داشته باشد، می‌تواند به شکل موثرتری نوسان قیمت دارایی نقد خود را کنترل کند یا در واقع در این حالت واریانس سبد متشکل از دارایی نقد و آتی کاهش بیشتری خواهد داشت. در نهایت وقتی سرمایه‌گذاران از داده‌های گذشته برای تخمین پارامترها و پوشش ریسک در دوره‌های آتی استفاده می‌کنند و روش برون‌نمونه‌ای را مبناقرار می‌دهند، می‌توانند به شکل کارآتر ریسک را پوشش دهند.
کلیدواژه‌ها
مدیریت ریسک؛ کارآیی پوشش ریسک؛ اثر بخشی مدیریت ریسک؛ نسبت پوشش ریسک؛ قرارداد آتی
عنوان مقاله [English]
Role of Evaluation Period Characteristics in the Efficiency Analysis of Futures Contracts for Equity Index Risk Management
نویسندگان [English]
Saeed Fathi1؛ Elaheh Esmaeili Sheshjavani2
1Associate Professor University of Isfahan
2Department of Management, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran
چکیده [English]
Objective: Previous research has examined the effectiveness of futures contracts in risk management for various indices using different strategies and estimation methods across different years, countries, and underlying assets, yielding diverse results. One of the key dimensions influencing the divergence in outcomes of past studies is the characteristics of the assessment period for variance changes and the estimation period for optimal risk hedging. Understanding the role of these factors is crucial for enhancing the quality of future studies on risk hedging via futures contracts. Due to more implication of variance and more coverage in previeouse studies, this measure has been used for risk in contrast ot utility or Var. To validate the results we need to test the robustness of test results fo all three hypotheses.

Method: This meta-analysis encompasses all empirical tests conducted on the efficacy of stock index risk hedging using futures contracts, published in articles from 2015 to 2022. It includes 30 papers and 1,373 effect sizes, which consist of 1,846,373 and 1,052,225 observations in the estimation and assessment periods, respectively. To achieve the specified objectives, data were computed and analyzed using CMA software. The excell software has been used to arrange the data. The basis of the evaluation was the weighted average effect size of risk coverage efficacy, and ANOVA was utilized for comparing effect size groups. Due to convergence of effect sizes, the random effect method has been used to calculate the cumulative effect sizes. Seven-sptep meta-analysis has been used in this study.

Findings: Results indicated that the efficacy of risk hedging in the category with an assessment period of one year or less was greater than that in categories with an assessment period exceeding one year. Furthermore, the efficiency of stock index risk hedging utilizing out-of-sample strategies was found to be superior to that employing in-sample strategies. Moreover, using a larger dataset, or in other words, extending the estimation period, led to a reduction in risk hedging efficiency. Out of 16 robustness test categories for assessment period length and estimation strategy, results were confirmed in 15 categories, and for estimation period length, results were validated in ten categories.

Conclusion: During extended evaluation periods, the frequency of interest rate changes or other environmental factors is likely higher, which may reduce the effectiveness of risk hedging. Regarding the estimation window length, if investors estimate their risk hedging model parameters using datasets spanning less than three years, they can more effectively control price volatility in their cash assets. Indeed, under such conditions, the variance of a portfolio comprising both cash and futures assets experiences a more pronounced reduction. Finally, when investors utilize historical data to estimate parameters and implement risk hedging for future periods—adopting an out-of-sample approach—they can achieve more efficient risk coverage.
کلیدواژه‌ها [English]
Risk Management, Risk Hedging Efficiency, Risk Hedging Effectiveness, Risk Hedging Ratio, Future Contract
مراجع
  1. Abootalebi, H. (2019). Meta-Analysis of Direct and Indirect of Corporate Governance on Financial Performance of Firms, Master Thesis, Faculty of Administrative Sciences and Economics, University of Isfahn.
  2. Alan, N. S., Karagozoglu, A. K., Korkmaz, S. (2016). Growing pains: The evolution of new stock index futures in emerging markets. Research in International Business and Finance, 37, 1-16.
  3. Aragó, V. & Salvador, E. (2011). Sudden changes in variance and time varying hedge ratios. European Journal of Operational Research, 215(2), 393-403.
  4. Azar, A., Momeni, M. (2014). Statistics and its Application in Management, Tehran, Samt Pub.
  5. Bai, Y., Pan, Z., & Liu, L. (2019). Improving futures hedging performance using option information: Evidence from the S&P 500 index. Finance Research Letters, 28, 112-117.
  6. Basher, S. A., & Sadorsky, P. (2016). Hedging emerging market stock prices with oil, gold, VIX, and bonds: A comparison between DCC, ADCC and GO-GARCH. Energy Economics, 54, 235-247.
  7. Becker, B. J. (2005). Failsafe N or File-Drawer Number, In Rothstein, H. R., Sutton, A. J., & Borenstein, M., Publication Bias in Meta-Analysis Prevention, Assessment and Adjustments, John Wiley & Sons, Ltd.
  8. Buyukkara, G., Kucukozmen, C., & Uysal, E. T. (2022). Optimal hedge ratios and hedging effectiveness: An analysis of the Turkish futures market. Borsa Istanbul Review, 22(1), 92-102.
  9. Card, N. A. (2012). Applied Meta-Analysis for Social Science Research, New York: A Division of Guilford Publications, Inc.
  10. Cohen, J. (1977). Statistical Power Analysis for the Behavioural Sciences, New York: Academic Press.
  11. Corbet, S., Hou, Y. (G.), Hu, Y., & Oxley, L. (2022). The influence of the COVID-19 pandemic on the hedging functionality of Chinese financial markets. Research in International Business and Finance, 59, Article 101510.
  12. COSO (2001), Enterprise risk management: An emerging model for building shareholder value, Au: KPMG.
  13. Dubofsky, D. (1992). Options and financial futures, New York: McGraw-Hill Inc.
  14. Echaust, K., Just, M. & Kliber, A. (2024). To hedge or not to hedge? Cryptocurrencies, gold and oil against stock market risk. International Review of Financial Analysis, 94, 103292,
  15. Ederington, L. (1979). The hedging performance of the new futures markets. The Journal of Finance, 34(1), 157-170.
  16. Fan, R., Li, H. and Park, S. (2015). Estimation and hedging ffectiveness of time-varying hedge ratio: nonparametric approaches. The Journal of Futures Markets, 36(10), 968-991.
  17. Farsijani, H. , Arefnezhad, M. , Asadi, S. and Hasanvand, A. (2021). Presentation of the structural model of risk types in banks using the Fuzzy Interpretative Structural Modeling Approach. Financial Management Perspective, 11(33), 173-192.
  18. Farzanegan, E. (2024). Analyzing the Information Contained in the Skewness and Kurtosis of TEPIX Returns for Forecasting Risk: GARCH Model with Gram-Charlier Expansions for Innovations. Financial Management Perspective, 14(45), 149-174. doi: 10.48308/jfmp.2024.104895
  19. Ghorbanizadeh, V. (2015). Meta-Analysis Research Method Using CMA2 Software, Tehran: Baztab Pub.
  20. Glantz, M., & Kissell, R. (2014). Multi-Asset Risk Modeling Techniques for a Global Economy in an Electronic and Algorithmic Trading Era, San Diego, USA, Elsevier Inc.
  21. Hasan, M., Choudhry, T., & Zhang, Y. (2020). An econometric investigation of hedging performance of stock index futures in Korea: dynamic versus static hedging. International Journal of Banking Accounting and Finance, 11(2), 227-253.
  22. Hedges, L. V. (1982). Estimation of effect size from a series of independent experiments. Psychological Bulletin, 92, 490–499.
  23. Hedges, L. V., & Olkin, I. (1985). Statistical methods for meta-analysis. San Diego, CA: Academic Press.
  24. Herbst, A. F., Kare, D. D., & Marshall J. F. (1993). A time varying convergence adjusted, minimum risk futures hedge ratio. Advances in Futures and Option Research, 6, 137-155.
  25. Higgings, J.P., Thompson, S.G., Deeks, J.J., & Altman D.G. (2003). Measuring inconsistency in meta-analyses. The BMJ.3,27:557-560.
  26. Hull, J. (2012). Options, Futures, and other Derivatives. New York: Prentice Hall.
  27. Johnson, L. L. (1960). The theory of hedging and speculation in commodity futures. The Review of Economic Studies, 27(3), 139-151.
  28. Kim, M. J., & Park, S. Y. (2016). Optimal conditional hedge ratio: A simple shrinkage estimation approach. Journal of Empirical Finance, 38, 139-156.
  29. Kumar, D. (2014). Return and volatility transmission between gold and stock sectors: Application of portfolio management and hedging effectiveness. IIMB Management Review, 26(1), 5-16.
  30. Kumar, K. K., & Bose, S. (2019). Hedging effectiveness of cross-listed Nifty index futures. Global Economy Journal, 19(2), Article 1950011.
  31. Lai, Y. S., Sheu, H. J., & Lee, H. T. (2017). A multivariate Markov regime-switching high-frequency-based volatility model for optimal futures hedging. Journal of Futures Markets, 37(11), 1124-1140. Doi: 10.1002/fut.21842.
  32. Lee, C. F., Lee, A. C. & Lee, J. C. (2024). Handbook of Investment Analysis, Portfolio Management, and Financial Derivatives, World Scientific Publishing Co.
  33. Lipsey, M. W. & Wilson, D. B. (1999). Practical Meta­Analysis, London:Sage Publications, Inc.
  34. Markopoulou, C., Skintzi, V., & Refenes, A. (2016). Realized hedge ratio: Predictability and hedging performance. International Review of Financial Analysis, 45, 121-133.
  35. McDonald, R. (2006). Derivatives Markets, New York: Addison Wesley.
  36. Mensi, W., Al-Yahyaee, K. H., & Kang, S. H. (2017). Time-varying volatility spillovers between stock and precious metal markets with portfolio implications. Resources Policy, 53, 88-102.
  37. Morris, S. B., & DeShon, R. P. (2002). Combining effect size estimates in meta-analysis with repeated measures and independent-groups designs. Psychological Methods, 7(1), 105.
  38. Raei, R., Saeedi, A. (2019). Fundamentals of Financial Engineering and Risk Management, Tehran: Samt Pub.
  39. Reboredo, J., & Rivera-Castro, M. (2014). Gold and exchange rates: Downside risk and hedging at different investment horizons. International Review of Economics & Finance, 34, 267-279.
  40. Rosenthal, R., DiMatteo, M.R. (2001). Meta-analysis: Recent development in
    quantitative methods of literature review. Annual Review of Psychology, 52, 59-82.
  41. Rothstein, H. R., Sutton, A. J., & Borenstein, M. (2005). Publication Bias in Meta-Analysis Prevention, Assessment and Adjustments, John Wiley & Sons, Ltd.
  42. Sajad, R. and Torosian, A. (2014). Exchange Rate Optimal Hedge Ratio by Gold Futures in Iran. Journal of Investment Knowledge. 12(3), 1-24.
  43. Schwenk, C., Shrader, C. (1993). Effects of formal strategic planning on financial performance in small firms: A Meta-Analysis. Entrepreneurship, Theory and Practice, 17(3), 53-64.
  44. Singh, J., Ahmad, W., Mishra, A. (2019). Coherence, connectedness and dynamic hedging effectiveness between emerging markets equities and commodity index funds. Resources Policy, 16, 441-460.
  45. Stajkovic, A., Luthans, F. (2003). Behavioral management and task performance in organizations: conceptual plan, Meta-Analysis and test of alternative models. Personnel Psychology, 56(1), 155-194.
  46. Sterne, J. A. C. , Egger, M. (2005). Regression Methods to Detect Publication and Other Bias in Meta-Analysis, In Rothstein, H. R., Sutton, A. J., & Borenstein, M. Publication Bias in Meta-Analysis Prevention, Assessment and Adjustments, , John Wiley & Sons, Ltd.
  47. Wei, Y., Wang, Y., & Huang, D. (2011). A copula–multifractal volatility hedging model for CSI 300 index futures. Physica A: Statistical Mechanics and its Applications, 390(23-24), 4260-4272.
  48. Yang, W., & Allen, D. (2005). Multivariate GARCH hedge ratios and hedging effectiveness in Australian futures markets. Accounting and Finance, 45(2), 301-321.
  49. Yu, X., Yanyan, L., Lu, J. & Shen, X. (2023). Futures hedging in crude oil markets: A trade-off between risk and return. Resources Poilicy, 80, 103147.
  50. Zhou, J. (2016). Hedging performance of REIT index futures: A comparison of alternative hedge ratio estimation methods. Economic Modelling, 52(B), 690-698.
آمار
تعداد مشاهده مقاله: 1,117
تعداد دریافت فایل اصل مقاله: 902