Abstract:

Acest studiu oferă un nou cadru pentru analizarea mecanismelor sistematice de transmitere a
riscului de coadă prin combinarea modelului Condițional Autoregresiv Value-at-Risk (CAViaR)
cu abordarea de conexiune bazată pe Autoregressiv cu parametri variabili în timp (TVP-VAR).
Estimăm răspândirea dinamică a prețurilor a două țiței (Brent și WTI) și a patru produse
petroliere rafinate (benzină, ulei de încălzire, combustibil pentru avioane și propan) din 17
ianuarie 1997 până la 11 decembrie 2020. Rezultatele arată că atât uleiul de încălzire, cât și
kerosenul sunt transmițători neți persistenti de șocuri, ceea ce semnifică rolul important al
lichidității pe piețele relevante. În plus, rolul fiecărei tipuri de țiței pare să se schimbe în jurul
anului 2009, ca urmare a evoluțiilor de pe piața energiei. În general, constatările noastre
sugerează că conexiunea totală este afectată pozitiv de episoadele majore de criză și că recenta
pandemie de COVID-19 pare să aibă potențialul de a propulsa atât riscul final, cât și expunerea
la pierderi la niveluri asemănătoare cu cele ale crizei financiare globale din 2007. –2008.
Introducere:
În acest studiu, măsurăm răspândirea sistematică a riscului de coadă între prețurile țițeiului și
produselor petroliere rafinate în perioada 1997–2020. Propunem ipoteza cercetării conform
căreia conexiunea riscului de coadă între țiței și produsele petroliere rafinate crește odată cu
episoadele majore de criză, cum ar fi COVID-19. 19. Conexiunea cu riscul de coadă facilitează
examinarea și evaluarea deversărilor care decurg din evenimente pozitive sau negative extreme
de-a lungul timpului. Acest studiu este asociat cu literatura de specialitate privind deversările
(sau volatilitatea) petrolului (vezi, Atukeren și colab., 2021; Asai și colab., 2020; Dahl și colab.,
2020; Liu și Gong, 2020; Chatziantoniou și colab., 2020; 2020; Mensi și colab., 2020; Baruník și
colab., 2015). În plus, studiul nostru este, de asemenea, legat de literatura mai largă a spillovers-
ului volatilității (a se vedea, Atukeren și colab., 2021; Dahl și colab., 2020 și referințele din
aceasta). De exemplu, Atukeren et al. (2021) și Dahl și colab. (2020) evaluează spillovers-ul
volatilității petrolului bazându-se pe indicele propus inițial de Diebold și Yilmaz (2009, 2012) și
utilizând modelele de cauzalitate Granger și, respectiv, EGARCH.
Suntem motivați în primul rând de dinamica prețului țițeiului dezvoltată în timpul pandemiei de
COVID-19, când prețul țițeiului din SUA al futures-ului de referință West Texas Intermediate
(WTI) a căzut în teritoriu negativ pentru prima dată în istoria sa închizându-se la -37,63 USD/bbl
(The Economist, 2020). Suntem motivați și de studii precum Asche și colab. (2003) care
subliniază legătura dintre prețurile țițeiului și prețurile mai multor produse petroliere rafinate și
iau în considerare în continuare posibilitatea integrării între diferite piețe ale petrolului rafinat.
Studii mai recente, cum ar fi Ederington et al. (2019), oferă o imagine de ansamblu detaliată a
legăturilor dintre prețurile țițeiului și prețurile produselor petroliere. În acest sens,
comportamentul extrem al prețurilor țițeiului în lumina epidemiei de COVID-19 (Commodity
Futures Trading Commission, 2020) a reaprins interesul privind impactul scăderilor bruște ale
prețurilor asupra prețurilor produselor petroliere rafinate. Prețurile negative ale țițeiului atrag, de
asemenea, interesul față de mecanismul de transmitere a volatilității extreme și a conexiunii cu
riscul de scurgere în perioadele de incertitudine de pe piețele produselor petroliere rafinate. Only
a few studies au abordat efectele adverse pe care le are COVID-19 asupra dinamicii dintre
prețurile acțiunilor și variabilele energetice (Abuzayed și Al-Fayoumi, 2021; Huang și Liu, 2021;
Jebabli și colab., 2021; Si et al., 2021; Zhang și colab., 2021; ., 2021) sau volatilitatea prețului
petrolului (Devpura și Narayan, 2020).
Conexiunea cu riscul de coadă oferă un indiciu al incertitudinii-contagiune în cadrul unei rețele
de variabile, deoarece surprinde transmiterea unei expuneri mai mari la pierderi. În acest sens,
utilizarea unui cadru care analizează conexiunea riscului de coadă este crucială atunci când se
investighează efectele contagioase asupra prețurilor țițeiului și produselor petroliere rafinate.
Contribuim la literatura existentă în diverse moduri. În primul rând, având în vedere că pandemia
COVID-19 a crescut volatilitatea prețului petrolului (a se vedea, Devpura și Narayan, 2020),
investigăm care este impactul specific al incertitudinii riscului de coadă pe piața țițeiului asupra
incertitudinii respective de pe piața rafinatelor. produse petroliere. În al doilea rând, luând în
considerare posibilitatea ca piețele de petrol rafinat să fie într-adevăr integrate într-o oarecare
măsură (vezi, Asche și colab., 2003), examinăm în continuare modul în care incertitudinea
riscului de coadă se propagă în diferite produse petroliere rafinate. În strânsă legătură cu acest
punct, prin includerea (i) a patru produse petroliere rafinate; adică benzină, ulei pentru încălzire,
combustibil pentru avioane și propan și (ii) două tipuri de țiței populare (adică Brent și WTI),
oferim o imagine mai amplă a interconexiunii pieței relevante. În schimb, cele mai multe studii
relevante s-au concentrat până acum în principal pe prețurile la petrol sau benzină pentru
încălzire (a se vedea, de exemplu, Kaufmann și Laskowski, 2005; Baruník și colab., 2015;
Ederington și colab., 2020). În al treilea rând, adăugăm la componenta relativ limitată a literaturii
existente care măsoară conexiunea riscului de coadă, combinând, pentru prima dată, două
metode recent dezvoltate, și anume, conexiunea autoregressiv cu parametri variabili în timp
(TVP-VAR) și autoregressiv condiționat. Metode Valueat-Risk (CAViaR). În cele din urmă,
folosim un set de date care se desfășoară pe parcursul perioadei din ianuarie 1997 până în
decembrie 2020, care este o perioadă suficientă pentru a investiga în detaliu interacțiunea dintre
variabilele de interes, deoarece (i) încorporează o serie de evenimente geopolitice majore -
facilitând astfel comparația a efectelor evenimentelor majore de-a lungul timpului – și (ii) oferă
un raport pentru aproape tot anul 2020; adică întregul an în care pandemia de COVID-19 a avut
o influență puternică asupra creșterii incertitudinii în mediul economic.
Constatările sugerează că contagiunea este într-adevăr un factor care conduce evoluțiile în
această rețea de variabile. Pentru a spune altfel, găsim dovezi că o expunere mai mare la riscul de
coadă și pierderile poate fi atribuită dinamicii conexiunii dintre seria acestui studiu. Vă rugăm să
rețineți că, conexiunea sporită în acest studiu implică faptul că este mai ușor ca o expunere mai
mare la pierderi pe o piață de mărfuri să migreze și să afecteze expunerea la pierderi pe alte piețe
de mărfuri. La rândul nostru, oferim dovezi că conexiunea crește odată cu episoadele majore de
criză și că recenta pandemie are potențialul de a lăsa o amprentă de neșters pe piețele respective
de interes. Aparent, atât uleiul de încălzire, cât și kerosenul sunt transmițători neți persistenti de
șocuri în sistem, în timp ce atât benzina, cât și propanul își asumă un rol persistent de recepție
net. Cu referire la perioada pandemiei de COVID-19, rezultatele medii arată că toți indicii de
conectare pe perechi cresc substanțial, în timp ce măsurile de conectare dinamică ating cote fără
precedent în perioada marcată de focarul COVID-19. Aceste constatări sunt importante pentru
părțile interesate relevante pentru a obține o mai bună înțelegere a evoluțiilor de pe piețele
respective și pentru a planifica din timp luând în considerare expunerea potențială la pierderi. De
asemenea, testăm constatările noastre pentru robustețe. În special, estimăm mecanismul de
transmisie subiacent atât pentru seria CAViaR de 2,5%, cât și pentru 10%. În general, constatăm
că rezultatele noastre și, prin urmare, implicațiile lor corespunzătoare, sunt valabile în diferitele
setări.
Restul lucrării este organizat după cum urmează. În secțiunea 2, trecem în revistă literatura
conexe privind modelarea prețurilor și volatilităților petrolului rafinat. Apoi ne uităm la setul de
date folosit în Secțiunea 3. În Secțiunea 4 descriem (i) metodologia CAViaR și (ii) abordarea
conexiunii bazată pe TVP-VAR. În continuare, expunem și discutăm rezultatele empirice în
Secțiunea 5. În cele din urmă, Secțiunea 6 încheie studiul.
Scurtă prezentare a literaturii:
Studiul nostru este strâns legat de noua componentă a literaturii care se concentrează pe efectele
economice ale COVID-19 (a se vedea sondajul nou al lui Padhan și Prabheesh, 2021 și
referințele din acesta). Doar puține studii au abordat efectele adverse ale COVID-19 asupra
dinamicii dintre prețurile acțiunilor și variabilele energetice (a se vedea, de exemplu, Abuzayed
și Al-Fayoumi, 2021; Huang și Liu, 2021; Jebabli și colab., 2021; Si et al. al., 2021; Zhang și
colab., 2021) sau volatilitatea prețului petrolului (Devpura și Narayan, 2020). De asemenea,
trebuie remarcat faptul că recenta financiarizare a pieței petrolului (vezi, Silvennoinen și Thorp,
2013) a adus piața petrolului în strânsă legătură cu piețele financiare. Prin urmare, evoluțiile pe
fiecare dintre aceste piețe au potențialul de a afecta evoluțiile pe cealaltă. În ceea ce privește
impactul mai larg al COVID-19 asupra activității economice și a piețelor financiare, autori
precum Abuzayed și Al-Fayoumi (2021) identifică că efectul riscului sistemic al prețului
petrolului asupra randamentului pieței bursiere a Consiliului de Cooperare din Golf a fost
semnificativ mai mare în timpul COVID-19. 19 decât înainte de pandemie. Huang și Liu (2021)
observă că efectul COVID-19 asupra riscului de prăbușire a prețului acțiunilor este mai puțin
sever pentru întreprinderile de stat energetice decât pentru întreprinderile nedeținute de stat.
Jebabli şi colab. (2021) evaluează spillovers-urile de volatilitate dintre energie și piețele de valori
în perioadele de criză. Descoperirile lor sugerează că transmiterea volatilității în timpul crizei
pandemice de COVID-19 a depășit nivelurile care au fost înregistrate pe parcursul crizei
financiare globale din 2007-2008 (GFC, în continuare). Si et al. (2021) se concentrează asupra
efectelor de propagare a riscului ale COVID-19 asupra industriei energetice chineze, utilizând un
model VAR cu factor de dimensiuni mari și variabil în timp. Ei observă că efectele nete de
volatilitate din perioada pandemiei rămân pozitive pentru toate sectoarele energetice subiacente.
Zhang şi colab. (2021) analizează spillover-urile dinamice dintre energie și piețele bursiere și
documentează că COVID-19 a avut un impact pozitiv semnificativ asupra efectelor spillover.
Cu un accent deosebit pe COVID și pe piața petrolului, Bourghelle et al. (2021) au prezentat
argumentul că pandemia COVID-19a avut un impact extraordinar asupra pieței petrolului și că a
dus la două evoluții majore (adică o reducere a cererii globale de petrol și a disputelor de ofertă
între țările producătoare de petrol) care au dus ambele la creșterea volatilității prețului petrolului.
În plus, Devpura și Narayan (2020) propune, de asemenea, o legătură între volatilitatea prețului
petrolului și COVID-19. Folosind datele din seria temporală orară din iulie 2019 până în iunie
2020, Devpura și Narayan (2020) arată că COVID-19 a contribuit la volatilitatea prețului
petrolului. Rezultatele lor sunt robuste la măsurile alternative de volatilitate și utilizarea unor
controale pentru volatilitate. Mai mult, Zhang și colab. (2021) documentează că focarul de
COVID-19 a avut un efect pozitiv și slab persistent asupra volatilității prețurilor acțiunilor
petrolului având în vedere indicele național al prețurilor acțiunilor petroliere din China. La
rândul său, Narayan (2020) oferă dovezi că atunci când cazurile de COVID-19 ating un anumit
prag, efectul COVID-19 asupra prețului petrolului devine mai puternic și că știrile negative ale
prețului petrolului sunt cele care afectează cel mai mult prețul petrolului (din nou, după o
anumită perioadă). prag). Cu referire la natura impactului crizei COVID-19 în sine, Gil-Alana et
al. (2021) arată că, în primele luni ale crizei COVID-19, seria prețului petrolului este inversată,
sugerând că orice șocuri ar trebui să aibă doar un efect tranzitoriu. În ansamblu, adăugăm la
această componentă a literaturii care se concentrează pe impactul pandemiei de COVID-19 pe
piața petrolului, luând în considerare dinamica contagiunii într-o rețea de variabile care constă în
seria riscului de coadă a două repere populare de petrol brut, precum și patru produse petroliere
rafinate pentru o perioadă de eșantion caracterizată de evenimente geopolitice, economice și de
altă natură majore – inclusiv izbucnirea crizei COVID-19.
Într-o notă finală, din punct de vedere al metodelor, munca noastră este legată de componenta
literaturii care discută deversările energetice și dinamica prețurilor în spiritul contribuției
fundamentale a lui Diebold și Yilmaz (2009, 2012). O discuție extinsă despre metodele de
conectare dinamică depășește scopul acestui studiu; cu toate acestea, ar trebui să menționăm
anumite repere legate de dezvoltarea studiilor de conectare în general. În acest sens, începem cu
lucrarea fundamentală a lui Sims (1980) care a introdus modelul Vector Autoregressiv (VAR) și
descompunerea corespunzătoare a varianței erorilor de prognoză (FEVD). La rândul lor, Diebold
și Yilmaz (2009, 2012) au introdus modalități elaborate de a rezuma FEVD, pentru a dezvolta
atât spillovers-urile lor (adică, bazarea pe un VAR de tip Cholesky) cât și conexiunea (adică,
bazarea pe o VAR generalizată) abordare empirică. În munca lor, Diebold și Yilmaz (2009,
2012) își obțin rezultatele dinamice pe baza tehnicii tipice a ferestrelor rulante. Cu toate acestea,
introducerea autoregresiilor vectoriale cu parametrii care variază în timp bayesian (TVP-VAR)
de către autori precum Koop și Korobilis (2014) a deschis calea pentru dezvoltarea unor
modalități alternative de a produce rezultate dinamice. Mai recent Antonakakis et al. (2020) au
arătat că măsurile de conectare dinamică bazate pe TVP-VAR-uri sunt mai precise decât
rezultatele extrase de VAR cu fereastră rulantă. Având în vedere aceste repere metodologice, în
acest studiu urmăm linia menționată mai sus a cercetării empirice existente și extindem în
continuare aplicațiile literaturii menționate, luând în considerare conexiunea riscului de coadă (a
se vedea, de exemplu, Yang et al., 2020; Ji et al. al., 2018; Zhu și colab., 2020; Peng și colab.,
2018; Du și He, 2015). În special, abordarea noastră metodologică a răspândirii riscului de coadă
este strâns legată de Zhang și colab. (2020) care examinează răspândirea riscului sistemic și
conexiunea în rețeaua sectorială de risc de coadă a pieței de valori din China; Hanif și colab.
(2021) care evaluează riscul de dependență de coadă și efectele de propagare între prețurile
petrolului și prețurile alimentelor și Xu et al. (2021) care investighează interconectarea riscului
de coadă între criptomonede. Toate aceste studii folosesc abordări alternative pentru a măsura
răspândirea riscurilor extreme. Cu referire la metodele empirice utilizate, Zhang și colab. (2020)
utilizează o valoare condiționată la risc și un model de indice unic; Hanif și colab. (2021) adoptă
metode VaR și CoVaR în timp ce, Zhu și colab. (2020) folosesc o metodă neparametrică cu
dimensiuni înalte pentru a măsura răspândirea riscurilor extreme.
În retrospectivă, lucrarea noastră extinde literatura de specialitate anterioară, având în vedere
scopul nostru specific
Date empirice:
Folosim date săptămânale ale WTI (Cushing, OK WTI preț spot FOB în USD pe baril), Brent
(prețul spot la vedere Europa Brent FOB în USD pe baril), benzină (prețul spot normal al
benzinei convenționale din New York Harbor FOB în USD pe galon), ulei de încălzire (portul
New York nr. 2 preț spot FOB în USD pe galon), kerosen (preț spot FOB de combustibil de tip
kerosen pentru coasta Golfului, în USD pe galon) și propan (Mont Belvieu, TX preț spot FOB de
propan în USD per galon). Acest set de date cuprinde două mărfuri energetice din țiței (WTI și
Brent) și patru prețuri ale produselor petroliere rafinate (benzină, ulei de încălzire, combustibil
pentru avioane și propan) în perioada 17 ianuarie 1997 până la 11 decembrie 2020. Datele brute
au fost colectate de la Administrația pentru Informații Energetice din SUA.
Fig. 1 ilustrează riscurile de 5% VaR care oferă o primă impresie vizuală a co-mișcărilor de-a
lungul seriei temporale utilizate. Într-o etapă ulterioară, calculăm primele diferențe logaritmice
ale riscului de coadă care pot fi interpretate ca modificări ale incertitudinii așteptate.
Tabelul 1 arată că media tuturor modificărilor riscului de coadă este negativă, cu excepția
propanului. În plus, toate seriile sunt semnificativ deformate la dreapta, leptokurtice și distribuite
nenormal la nivelul de semnificație de 1%. De importanță principală este și faptul că toate seriile
sunt staționare la nivelul de semnificație de 1% conform Stock et al. (1996) test unitar care
indică faptul că sunt îndeplinite toate condițiile prealabile pentru estimarea unui model TVP-
VAR. În special, constatăm că toate corelațiile necondiționate sunt pozitive, ceea ce înseamnă că
o schimbare pozitivă (negativă) a unei variabile este probabil să apară cu o schimbare pozitivă
(negativă) a unei alte variabile. Cel mai înalt grad de corelație este observat în WTI, Brent, ulei
de încălzire și kerosen, în timp ce cele mai scăzute corelații sunt observate în ceea ce privește
propanul și benzina.
Metodologia:
4.1. Valoare la risc autoregresivă condiționată (CAViaR)
Spre deosebire de majoritatea abordărilor existente care măsoară Value-at-Risk (VaR) prin
estimarea distribuției randamentelor mai întâi și apoi prin recuperarea cuantilelor acesteia într-un
mod indirect, urmărim abordarea CAViaR cu pantă asimetrică propusă de Engle și Manganelli
(2004) care estimează VaR în mod direct. Din perspectiva noastră, această metodă este cea mai
flexibilă dintre cele trei opțiuni relevante, deoarece abordarea CAViaR cu panta permite efecte
asimetrice, ceea ce nu este cazul nici pentru valoarea absolută simetrică, nici pentru abordarea
indirectă GARCH(1,1). În plus, modelul CAViaR cu pantă asimetrică presupune că VaR al unei
anumite cuantile urmează un proces autoregresiv care poate fi formulat matematic după cum
urmează:

unde 𝑓𝛼,𝑡 este VaR la nivelul 𝛼 – care în cazul nostru este egal cu 5% – în perioada 𝑡, 𝛽0 este
constanta modelului, 𝛽1 și 𝑓𝛼,𝑡−1(𝛽) sunt ponderile Va și întârziate VaR-urile întârziate,
respectiv, în timp ce 𝛽2 și 𝛽3 reprezintă efectele pe care randamentele pozitive și, respectiv,
negative le au asupra VaR.
4.2. Abordarea conexiunii bazată pe TVP-VAR
În pasul următor, folosim modificările CAViaR ca bază pentru Abordarea conexiunii bazată pe
TVP-VAR pentru a prelua informații despre mecanismul de transmitere a riscului de coadă a
prețului energiei. Prin aceasta, folosim aceeași metodologie ca și în Antonakakis și colab. (2018,
2019, 2020).1 În special, estimăm un TVP-VAR(1) așa cum sugerează criteriul Bayesian de
informare (BIC), care poate fi subliniat astfel:

unde 𝒛𝑡 , 𝒛𝑡−1 și 𝒖𝑡 sunt vectori 𝑘× 1 dimensional, reprezentând toate seriile de risc de coadă în
𝑡, 𝑡− 1 și, respectiv, termenul de eroare corespunzător. 𝑩𝑡 și 𝑺𝑡 sunt matrici dimensionale 𝑘 × 𝑘
care demonstrează coeficienții VAR variabili în timp și varianța-covarianțele variabile în timp, în
timp ce 𝑣𝑒𝑐(𝑩𝑡 ) și 𝑩𝑡 ) și 𝑩𝑡 ) și 𝒗𝑘 2 x 𝑘 dimensionale sunt vectori 𝒗𝑘 2 × 𝑘 2 dimensionali.
Deoarece conceptul de descompunere a varianței erorii de prognoză generalizată (GFEVD)
introdus de Koop și colab. (1996) și Pesaran și Shin (1998) este construit pe teorema
reprezentării Wold, trebuie să transformăm modelul TVP-VAR estimat în procesul său TVP-
VMA prin următoarea egalitate:

GFEVD (scalat) normalizează GFEVD (nescalat), 𝜓 𝑔 𝑖𝑗,𝑡(𝐻), astfel încât fiecare rând să se
însumeze la unitate. Prin urmare, ̃𝜓 𝑔 𝑖𝑗,𝑡(𝐻) reprezintă influența pe care o exercită variabila 𝑗
asupra variabilei 𝑖 în ceea ce privește cota sa de varianță a erorii de prognoză, care este definită
ca conexiunea direcțională pe perechi de la 𝑗 la 𝑖. Acest indicator este calculat de:
H reprezintă orizontul de prognoză, iar 𝜾 𝑖 corespunde unui vector de selecție cu unitate pe 𝑖a
poziție și zero în caz contrar. În primul rând, ne uităm la cazul în care variabila 𝑖 își transmite
șocul tuturor celorlalte variabile 𝑗, numită conexiune direcțională totală la altele, care este
definită ca

În al doilea rând, calculăm variabila șoc pe care o primește 𝑖 de la variabilele 𝑗, numită conexiune
direcțională totală DE LA alții, care este definită ca

Scăzând conexiunea direcțională totală LA alții din conexiunea direcțională totală DE LA alții
obținem conexiunea direcțională totală NET, care poate fi interpretată ca variabila de influență
pe care o are variabila 𝑖 asupra rețelei analizate.

Indicele de conectare totală (TCI) calculează interconectarea pieței și este construit de

Principala problemă cu această măsură este că interpretarea a ceea ce constituie cu adevărat

interconectare ridicată este subiectivă. Pe baza simulărilor Monte Carlo, Chatziantoniou și
Gabauer (2021) au arătat că propriile cote de varianță sunt prin construcție întotdeauna mai mari
sau egale cu toate cotele de varianță încrucișată, ceea ce înseamnă că TCI este în [0, 𝑘 − 1 𝑘 ] și
nu în [0, 𝑘 − 1 𝑘 ] , 1]. Prin urmare, pentru a îmbunătăți interpretabilitatea, TCI ar trebui ajustat
după cum urmează:
În cele din urmă, Gabauer (2021) a arătat că TCI poate fi descompus la indicele de conectare la
perechi (PCI) care măsoară interconexiunea dintre două variabile 𝑖 și 𝑗:

Această măsurătoare variază între [0, 1], ilustrând gradul de interconectare bilaterală între
variabilele 𝑖 și 𝑗, care este mascat de TCI.3
Constatări empirice și discuții
În această secțiune, prezentăm și discutăm rezultatele conexiunii, concentrându-ne pe episoadele
de criză. Suntem deosebit de interesați de rolul specific pe care l-a jucat fiecare sursă de energie
în timpul episoadelor recente precum GFC din 2007–08, prăbușirea prețului petrolului din 2014
dar și recenta pandemie de COVID-19 și încercăm să identificăm potențiale asemănări. Cadrul
adoptat permite o expunere detaliată a suportului

relații, luând în considerare dinamica nu numai la nivel agregat, ci și la nivel de perechi între
variabilele incluse în rețeaua relevantă.
5.1. Măsuri medii de conectare
În primul rând, analizăm rezultatele medii luând în considerare întreaga perioadă de eșantion.
Pentru a fi mai explicit, luăm în considerare atât rezultatele mediate totale (adică, pe baza
indicelui de conexiune totală) cât și rezultatele medii pe perechi (adică, bazate pe indicele de
conexiune pe perechi). Tabelul 2 raportează rezultatele totale medii pe baza TCI. Cifrele dintre
paranteze corespund constatărilor asociate cu izbucnirea perioadei de criză COVID-19 (adică, în
studiul nostru, această perioadă coincide cu primele cazuri raportate în SUA începând cu
ianuarie 2020). Conform acestor constatări, co-mișcarea medie în cadrul acestei rețele de
variabile este destul de moderată, având în vedere că valoarea relevantă a conexiunii totale este
egală cu 65,20% pentru perioada de dinaintea izbucnirii crizei și 76,63% în perioada focarului.
Acest lucru implică practic că, în medie, 65,20% (sau 76,63%, respectiv) din variația erorii de
prognoză în fiecare sursă de energie poate fi atribuită evoluțiilor tuturor celorlalte surse de
energie incluse în rețea. Cu toate acestea, conexiunea în cadrul acestei rețele de variabile este
departe de a fi neglijabilă și, în acest sens, o investigare atentă a legăturilor asociate ar putea
foarte bine să ne îmbunătățească înțelegerea dinamicii care rezultă între sursele de energie de
interes. Cu alte cuvinte, având în vedere că măsurile de conectare ale acestui studiu se bazează
pe riscul de coadă capturat de metoda CAViaR cu panta asimetrică, investigarea rețelei
particulare de variabile este destul de perspicace pentru identificarea surselor potențiale de
incertitudine pentru aceste piețe particulare de energie. Informațiile suplimentare pe care le
obținem din Tabelul 2 includ distincția dintre sursele de energie netă de transmitere și de recepție
netă, în care, uleiul de încălzire – cu o contribuție netă de 9,40% (12,15%), este principalul
transmițător net al inovațiilor în cadrul acestei rețele de variabile, în timp ce benzina și propanul
cu −11,90% (−9,63%) și, respectiv, −11,07% (−18,21%), sunt principalii destinatari. De
asemenea, ar fi instructiv în acest moment să remarcăm că diagonala principală a tabelului 2
corespunde șocurilor variabile proprii și că aceste șocuri corespund de obicei celei mai mari
surse de perturbare pentru fiecare dintre variabilele incluse în rețea.
Privind retrospectiv, analizând valorile furnizate de Tabelul 2, observăm că valoarea TCI a
crescut substanțial în timpul COVID-19 focar, reflectând în mare măsură incertitudinea crescută
în primele luni de criză. De asemenea, este de remarcat faptul că, în timpul Socurile variabile
proprii ale focarului de COVID-19 (adică valorile principale ale diagonalei) scad substanțial, fapt
care evidențiază și mai mult (i) asocierea mai puternică între variabile în acea perioadă și (ii)
potențialul mai mare de dinamică de contagiune între variabilele rețelei. La rândul său, Tabelul 3
prezintă rezultate medii (pe perechi) pe baza PCI. În acest sens, Tabelul PCI raportează co-
mișcarea medie (adică, variind de la 0 la 100%) între oricare două piețe de energie, pentru
întreaga perioadă de eșantion. Ca mai sus, valorile dintre paranteze corespund perioadei de focar
de COVID-19. De asemenea, rețineți că, prin construcție, toate elementele de pe diagonala
principală sunt egale cu 1. Avantajul tabelului PCI este că facilitează identificarea co-mișcărilor
puternice între perechi specifice de piețe de energie și kerosen cu valoare de 78,58% (88,60 %),
WTI și Brent cu valoare 73,99% (78,84%), precum și ulei de încălzire și Brent cu valoare
55,69% (75,66%). De asemenea, merită remarcat faptul că elementele în afara diagonalei acestui
tabel sunt imagini în oglindă unele ale altora. În general, constatările sugerează co-mișcări
puternice nu numai în cadrul grupului de mărfuri energetice sau a produselor petroliere rafinate,
ci și în cadrul celor două grupuri care alcătuiesc rețeaua de variabile a studiului. Cu referire la
primele luni ale crizei COVID-19, observăm că toți indicii medii de conectare pe perechi cresc
substanțial. Este de remarcat faptul că, în primele luni de criză, relația dintre propan și benzină
aproape sa triplat, în timp ce cea dintre propan și Brent mai mult decât dublat.
5.2. Măsuri de conectare dinamică
Înainte de a continua să discutăm despre măsurile de conectare dinamică, am dori să subliniem
că, pe lângă dinamica spillover-ului de 5% CAViaR, în fiecare diagramă de conectivitate sunt
incluse și informații referitoare la mecanismul de propagare a CAViaR de 2,5% și 10%, pentru a
evidenția robustețea rezultatelor noastre empirice. În toate diagramele de conexiune, se pare că
dinamica CAViaR este la fel cantitativ și calitativ. Pentru a fi mai explicit, observăm căderi și
vârfuri similare în ceea ce privește conexiunea totală dinamică și, de asemenea, conexiuni
direcționale netă totală și perechi similare atunci când vine vorba de co-mișcări și de
magnitudinea mecanismului de transmisie. Aceasta, la rândul său, implică faptul că, modelul
privind comportamentul de recepție/transmisie netă între diferitele serii CAViaR nu prezintă
diferențe și, prin urmare, concluzionăm că atât constatările, cât și implicațiile care decurg.

În ciuda faptului că obținem valori agregate de 65,20% (76,63%) pt indicii de conexiune totală
corespunzători — care corespunde la o co-mişcare moderată a variabilelor reţelei, noi de
asemenea
procedați cu o abordare mai granulară a efectului pe care îl putem pentru a înțelege mai bine
evoluția acestei co-mișcări în timp. De exemplu, ar fi interesant de știut dacă nivelul de
conexiune a crescut în timpul unor episoade specifice de criză sau evenimente majore care au
avut loc în perioada de eșantion a studiului. În acest scop, ne concentrăm pe măsurile dinamice
ale conexiunii oferite de metoda folosită. Începând cu TCI dinamic, rezultatele sunt prezentate în
Fig. 2. Această figură ilustrează evoluția conexiunii în timp, ceea ce implică faptul că analiza
depășește rezultatele medii care rezumă pur și simplu legăturile dintre variabile. Rezultatele
dinamice sugerează că conexiunea variază în timp și este probabil afectată de evenimente majore
care au loc în anumite momente în timp. De fapt, observăm că, de-a lungul timpului, conexiunea
presupune valori într-un interval de la aproximativ 50% până la un maxim care depășește nivelul
de 85%. Acest lucru este destul de perspicace, având în vedere că conexiunea, care în acest
studiu reflectă practic amploarea incertitudinii-contagiune între sursele de energie, pare să
crească ca urmare a unor evenimente specifice. De exemplu, conexiunea crește odată cu debutul
GFC din 2007-2008, ca urmare a prăbușirii prețului petrolului din 2014, în timp ce atinge, de
asemenea, noi niveluri de vârf fără precedent spre sfârșitul perioadei noastre de eșantion, care
pot fi asociate cu COVID19. epidemie. Impactul pronunțat al pandemiei de COVID-19 asupra
pieței țițeiului a fost raportat și de Zhang și Hamori (2021), care investighează legătura de
frecvență dintre COVID-19, țiței și piața de capital. În special, Zhang și Hamori (2021)
documentează că impactul COVID-19 asupra volatilității pieței țițeiului l-a depășit de fapt pe cel
al GFC 2007-2008. Având în vedere că volatilitatea reflectă riscul, este destul de evident că
pandemia a avut un impact pronunțat asupra creșterii percepției riscului pe piețele de energie. În
plus, impactul negativ al COVID-19 asupra sectorul energetic a fost raportat și de Jia și colab.
(2021) care oferă dovezi că pandemia a avut un impact negativ profund asupra atât cererea cât și
oferta de țiței. Prin urmare, se poate argumenta că impactul negativ al pandemiei asupra gradului
de ipotezitate pe și produsele petroliere rafinate ar trebui să fie considerabile, având în vedere
corelația puternică dintre piețele țițeiului și produsele petroliere rafinate. De exemplu, Mensi et
al. (2021) oferă ample dovezi cu privire la corelația puternică dintre țițeiul și uleiul pentru
încălzire și raportează că, în special în perioada pandemiei de COVID-19, WTI a contribuit
considerabil la variația de eroare de prognoză atât a uleiului de încălzire, cât și a benzinei. În
acest sens, constatările din analiza dinamică fac ecou rezultate raportate anterior și evidențiază în
continuare importanța investigației dinamice a interrelațiilor din cadrul rețelei specifice. În
general, am putea ajunge la concluzia că TCI-ul dinamic este capabil să surprindă amploarea
propagării incertitudinii pieței în timp în întreaga rețea investigată.
Apoi ne întoarcem la rezultatele dinamice nete. Acestea iau de obicei forma (i) rezultate totale
nete, prin care putem clasifica variabilele a studiului fie în emițători de rețea, fie în receptori de
rețea de piață șocuri de incertitudine și (ii) rezultate net pe perechi, prin care investigăm
dinamica de bază între perechi specifice din cadrul rețelei. Rezultatele nete totale sunt date de
Fig. 3. Un transmițător net al șocurilor de incertitudine a pieței este indicat de valori pozitive ale
conexiunii. Privind panourile din Fig. 3, devine evident că, cu referire la grupul de produse
petroliere rafinate, imaginea este destul de simplă, având în vedere că par să existe doi
transmițători persistenti (adică ulei de încălzire și kerosen) și doi receptori persistenti (adică,
propan și benzină) de incertitudine a pieței. Adică, în termeni neți, aceste piețe nu par să își
asume un rol diferit (adică, cel puțin nu pentru un interval demn de remarcat) în cadrul rețelei
odată cu trecerea timpului. În schimb, imaginea cu privire la piețele energetice ale WTI și Brent
nu este la fel de clară, având în vedere că acestea comută între roluri, WTI acționând ca un
transmițător net puternic până la începutul anului 2009 și Brent, acționând în principal ca un
transmițător net al incertitudinii pieței în perioada care a urmat. În ceea ce privește importanța
atât a uleiului de încălzire, cât și a kerosenului ca transmițători neți în sistem, transmiterea unei
expuneri mai mari la pierderile rezultate din aceste două mărfuri ar putea fi explicată prin faptul
că ambele sunt mai degrabă caracterizate de lichiditate redusă, ceea ce face ca tranzacționarea
acestor active mai greoaie. La rândul lor, autori precum Uddin et al. (2018) raportează că
investițiile în mărfuri caracterizate prin lipsă de lichiditate, cum ar fi uleiul de încălzire sau
etanolul, sunt de obicei asociate cu o expunere mai mare la pierderi. Acest lucru este strâns legat
de munca lui Cho et al. (2019) care subliniază că mărfurile nelichide sunt de obicei însoțite de
prime mai mari cerute de agenții de acoperire și speculatorii. În cele din urmă, autori precum
Adams și Gerner (2012) și Berghöfer și Lucey (2014) au prezentat argumentul că companiile
care depind de kerosen, cum ar fi avioanele de linie, se confruntă cu prime considerabile de
ilichiditate atunci când tranzacționează pe piețele derivate. Rezultă că lichiditatea pare a fi o forță
cheie care conduce percepția față de risc pe piețele derivate și, prin urmare, este un motiv pentru
ca mărfurile cu lichiditate redusă să acționeze ca surse majore de contagiune a riscului în
perioadele tulburi.
Trecand la cele doua masuri de titei, aparent, perioada în jurul anului 2009 a fost o piatră de
hotar pentru evoluțiile de pe piața țițeiului. Literatura existentă asociată cu diferența de preț
WTI-Brent a identificat deja perioada de după 2008 și cel puțin până în 2015, ca o perioadă în
care WTI se tranzacționa cu o reducere substanțială față de țițeiul Brent (a se vedea, inter alia,
Caporin și al., 2019; Tian și Lai, 2019; Mastroeni și colab., 2021). Rezultă că schimbarea rolului
fiecăreia dintre măsurile respective privind țițeiul în jurul anului 2009 ar putea fi explicată prin
evoluții notabile de pe piața țițeiului (de exemplu, creșterea ofertei de petrol în SUA ca urmare a
aplicării extensive a fracking-ului și orizontală). foraj) care au afectat foarte mult echilibrul
dintre cele două măsuri de petrol brut. Analizând oricare dintre tipurile de țiței ca o sursă
potențială de contagiune a expunerii mai mari la pierderi, am putea documenta următorii factori
de incertitudine. Începând cu WTI, interdicția de export din SUA a fost ridicată abia în 2015, în
timp ce au fost prezente și considerații în legătură cu constrângerile de transport și infrastructura
de conducte existentă în SUA (a se vedea, printre altele, McRae, 2018; Agerton și Upton Jr.,
2019). În ceea ce privește Brent, o epuizare considerabilă a rezervelor de petrol din Marea
Nordului în ultimii ani a fost probabil un motiv major de îngrijorare (a se vedea, de exemplu,
Scheitrum et al., 2018; Tian și Lai, 2019). După ce am identificat unele dintre mecanismele
potențiale care stau la baza rezultatelor studiului nostru, merită să analizăm mai profund
dinamica dintre perechile de variabile din rețeaua noastră. În acest scop, rezultatele conexiunii
net pe perechi sunt prezentate în Fig. 4. Adică, pentru a investiga legăturile dintre variabilele
rețelei pe o lungime mai mare, trecem la analiza dinamicii dintre variabilele rețelei.
În special, uleiul de încălzire este un transmițător net pentru aproape toată perioada eșantionului
față de orice altă piață de produse și energie. Destul de interesant, comportamentul net total fie al
WTI, fie al Brent-ului poate fi de fapt urmărit înapoi la relația lor netă perechi, deoarece, în mod
evident, Brent transmite șocurile de incertitudine a pieței către WTI în anii care au urmat anului
2009. În plus, Brent și WTI, în conformitate cu constatările anterioare, ambele par să se
transmită în principal produselor petroliere, cu excepția uleiului de încălzire și a kerosenului. În
cele din urmă, relația dintre propan și benzină, care sunt cei doi destinatari principali ai studiului,
nu este foarte clară, deoarece ambele produse par să își schimbe rolurile în timp. Cu referire la
amploarea conexiunii între perechi, în majoritatea cazurilor conexiunea net atinge niveluri
considerabile, în special în timpul episoadelor de criză. În plus, impactul produs de Brent, ulei de
încălzire și kerosen pare a fi destul de puternic, în special spre sfârșitul perioadei de eșantion,
ceea ce indică faptul că COVID-19 a avut un rol esențial în modelarea evoluțiilor în ceea ce
privește incertitudinea și contagiunea pieței. Din motive de consecvență, încheiem expunerea
constatărilor studiului analizând evoluția comovimentului perechi în timp, deoarece aceasta este
surprinsă de indicele PCI dinamic. Din nou, avantajul acestei abordări este că suntem imediat
capabili să identificăm o co-mișcare puternică între perechi specifice din rețea și să investigăm în
continuare modul în care co-mișcarea sa schimbat în magnitudine în timp. În conformitate cu
PCI-ul static, PCI-ul dinamic își asumă și valori între 0 și 1. Rezultatele sunt prezentate în Fig. 5.

Privind panourile din Fig. 5 putem trage anumite concluzii.

În primul rând, în unele cazuri, cum ar fi WTI și Brent, sau ulei de încălzire și kerosen, co-
mișcarea rămâne puternică pe tot parcursul perioadei de studiu. În alte cazuri, cum ar fi uleiul de
încălzire și propanul, uleiul de încălzire și benzina sau Brent și benzina, este destul de evident că
co-mișcarea devine mai puternică în timpul episoadelor de criză, cum ar fi GFC din 2007-2008 și
focarul COVID-19. În concluzie, este destul de evident că co-mișcarea între variabilele rețelei
noastre este puternică și se amplifică și mai mult în timpul episoadelor majore care afectează
grav activitatea economică. Piața energiei, așa cum este prezentată în acest studiu, care se
concentrează atât pe mărfuri energetice, cât și pe produsele petroliere rafinate, pare a fi puternic
interconectată și aceasta ar putea fi o bună măsură a măsurii în care incertitudinea pe unele piețe
agravează incertitudinea pe altele. Luând în considerare rezultatele din perioada eșantion a
studiului, recenta criză COVID-19, care a adus până acum, printre altele, niveluri reduse de
investiții, pare să aibă și potențialul de a lăsa o amprentă puternică pe piețele energetice. de
asemenea.
Concluzii:
În acest studiu, combinăm abordarea CAViaR cu panta asimetrică introdus inițial de Engle și
Manganelli (2004) cu o abordare a conexiunii bazată pe variații în timp (adică, în spiritul lui
Antonakakis et al., 2020) pentru a investiga transmiterea incertitudinii pe piața produselor
petroliere rafinate. În special, ne concentrăm pe uleiul de încălzire, kerosenul, benzina și
propanul ca patru produse cheie ale pieței relevante, în timp ce, în același timp, luăm în
considerare în continuare interacțiunea acestor produse cu două tipuri diferite de țiței; adică
Europa Brent și SUA WTI. În acest sens, acest studiu investighează un aspect important al pieței
produselor petroliere rafinate, care este transmiterea unei expuneri mai mari la pierderi ca urmare
a răspândirilor asupra variabilelor rețelei specifice. Ne concentrăm pe datele săptămânale pentru
perioada cuprinsă între 17 ianuarie 1997 și 11 decembrie 2020.
În plus, ne separăm eșantionul între perioada anterioară izbucnirii COVID-19 și perioada din
primele luni de criză. Rezultatele medii totale sugerează că interconectarea evenimentelor de
coadă între variabilele rețelei poate explica într-adevăr evoluțiile de pe piața produselor
petroliere rafinate într-o anumită măsură. Aparent, uleiul de încălzire și kerosenul apar ca
emițători neți principali ai rețelei, în timp ce atât benzina, cât și propanul își asumă în mod clar
un rol de recepție net. În plus, uleiul de încălzire pare să fie puternic corelat nu numai cu
kerosenul, ci și cu ambele măsuri privind țițeiul. La rândul său, investigația dinamică a
interconectării dintre variabilele rețelei, care ia în considerare practic evoluția conexiunii cozii
de-a lungul timpului, relevă faptul că conexiunea dintre variabilele incluse în acest studiu crește
pe parcursul tuturor evenimentelor majore surprinse în perioada eșantionului. În special,
constatăm că conexiunea crește atât la începutul GFC din 2007-2008, cât și imediat după
prăbușirea prețului petrolului din 2014, dar și la începutul crizei COVID-19, care este surprinsă
spre sfârșitul eșantionului nostru. . De fapt, amploarea conexiunii la începutul COVID-19 pare să
fie similară cu nivelurile de conectare din timpul GFC din 2007-2008. În acest sens, oferim
câteva dovezi preliminare că impactul crizei COVID-19 asupra pieței energetice poate atinge, de
fapt, niveluri foarte ridicate. Rezultă că, în perioadele de conexiune crescută, risc crescut și
expunere mai mare la pierderi pe o piață, poate duce la o expunere mai mare la pierderi pe alte
piețe.
Cu referire la constatările conexiunii dinamice, este evident că atât uleiul de încălzire, cât și
kerosenul sunt transmițători mai degrabă persistenti (adică, pe tot parcursul perioadei de
eșantion), ai incertitudinii cozii fie la benzină, fie la propan. Atotputernicia celor dintâi pe piața
produselor petroliere rafinate poate fi privită prin prisma lichidității, în care mărfurile nelichide,
cum ar fi uleiul de încălzire și kerosenul, sunt de obicei asociate cu prime mai mari cerute nu
numai de agenții de acoperire, ci și de speculatorii de pe piețele relevante. Pe o notă finală,
observăm că în jurul anului 2009 a avut loc o schimbare remarcabilă a rolului celor două măsuri
privind țițeiul. Mai precis, deși înainte de 2009 țițeiul WTI era un transmițător net dominant al
incertitudinii cozii către toate celelalte variabile ale rețelei, în anii care au urmat, acesta și-a
asumat în mod clar un rol de recepție net. Reversul a fost valabil pentru țițeiul Brent, care a
devenit un transmițător net dominant al incertitudinii cozii în perioada de după 2009.
Considerăm că aceste constatări ar putea fi explicate prin evoluțiile de pe piața energetică din
SUA, care includ, printre altele, ridicarea interdicției de export în SUA și adoptând fracking-ul și
producția de șist. Rezultă că, investigarea diferitelor măsuri ale țițeiului prin concentrarea, de
exemplu, pe diferențele de preț, este esențială în identificarea factorilor de risc pe piețele
respective. Limitările studiului implică utilizarea mai multor tipuri diferite de produse petroliere
rafinate, procesarea unui set de date cu frecvență mai mare și utilizarea abordărilor alternative de
conectare (a se vedea, Baruník și colab., 2016; Baruník și Křehlík, 2018; Gabauer, 2020;
Lastrapes și Wiesen, 2021; Balcilar et al., 2021), precum și cadrele TVP-VAR (vezi, Koop și
Korobilis, 2013; Del Negro și Primiceri, 2015; Petrova, 2019). Căile pentru cercetări
suplimentare includ investigarea relației de frecvență Brent-WTI, deoarece ar putea fi de mare
importanță pentru investitori să cunoască mecanismul de transmitere pe termen scurt, mediu și
lung între aceste două variabile. Acest lucru duce direct la a doua posibilă cale de cercetare
viitoare care se ocupă de gestionarea riscului și a portofoliului de prețuri la energie. Printre
numeroasele opțiuni, o tehnică proeminentă care ar putea fi legată de această cercetare este
generarea de portofolii dinamice prin minimizarea VaR.