Wpływ pandemii COVID-19 na zmienność i ryzyko ekstremalnych stóp zwrotu metali szlachetnych

Dominik Krężołek

doi:https://doi.org/10.59139/ws.2025.08.1

Dominik Krężołek Uniwersytet Ekonomiczny w Katowicach, Wydział Informatyki i Komunikacji, Katedra Demografii i Statystyki Ekonomicznej; Urząd Statystyczny w Katowicach, Śląski Ośrodek Badań Regionalnych, Polska / University of Economics in Katowice, Faculty of Informatics and Communication, Department of Demography and Economic Statistics; Statistical Office in Katowice, Śląski Centre for Regional Surveys, Poland ORCID: https://orcid.org/0000-0002-4333-9405 Wiadomości Statystyczne. The Polish Statistician, vol. 70, 2025, 8, s. 1-16 Opublikowano online: 1 września 2025 DOI https://doi.org/10.59139/ws.2025.08.1 Sposób cytowania: Krężołek, D. (2025). Wpływ pandemii COVID-19 na zmienność i ryzyko ekstremalnych stóp zwrotu metali szlachetnych. Wiadomości Statystyczne. The Polish Statistician, 70(8), 1–16. https://doi.org/10.59139/ws.2025.08.1.

64 Wyświetlenia 29 Pobrania

ARTYKUŁ

(Polski) PDF

STRESZCZENIE

Inwestorzy i badacze zadają sobie pytanie, czy zdarzenia takie jak pandemia COVID-19 istotnie wpływają na poziom ryzyka inwestycyjnego i czy modele ryzyka sprzed pandemii mogą być wykorzystywane do analizy stóp zwrotu na rynkach finansowych również w trakcie tego kryzysu. Celem badania omawianego w artykule jest sprawdzenie, czy model zmienności GARCH z gruboogonowym warunkowym rozkładem błędu jest adekwatny do mierzenia ryzyka ekstremalnych stóp zwrotu metali szlachetnych – złota, srebra i platyny – w czasie pandemii COVID-19. Analizę oparto na danych dziennych z London Metal Exchange pochodzących z dwóch okresów: przed pandemią (2.01.2018–11.03.2020) i w jej trakcie (12.03.2020–17.05.2022). W badaniu wykorzystano modele GARCH(1,1) z trzema rozkładami błędu: skośnym t-Studenta, skośnym GED i alfastabilnym. Miary ryzyka ekstremalnego zostały oszacowane za pomocą wartości zagrożonej i oczekiwanego niedoboru, a ich skuteczność zweryfikowano z wykorzystaniem testów Kupca i Acerbiego-Szekelyego. Uzyskane wyniki wskazują, że w trakcie pandemii COVID-19 ryzyko ekstremalnych strat wzrosło w przypadku wszystkich badanych metali, przy czym największa zmienność dotyczyła srebra i platyny. Zmienność badanych aktywów najlepiej opisywały modele GARCH z rozkładem alfastabilnym. Na ryzyko ekstremalnych stóp zwrotu metali szlachetnych miały jednak wpływ nie tylko skutki pandemii, lecz także inne czynniki, takie jak sytuacja geopolityczna po rosyjskiej agresji na Ukrainę.

SŁOWA KLUCZOWE

metale szlachetne, pandemia COVID-19, ryzyko ekstremalne, model GARCH, wartość zagrożona, oczekiwany niedobór

JEL

C14, C50, C58

BIBLIOGRAFIA

Acerbi, C., Szekely, B. (2014). Backtesting Expected Shortfall. Risk, 27(11), 76–81.

Alexander, C. (2008). Market Risk Analysis (t. 1–4). John Wiley & Sons.

Artzner, P., Delbaen, F., Eber, J.-M., Heath, D. (1999). Coherent Measures of Risk. Mathematical Finance, 9(3), 203–228. https://doi.org/10.1111/1467-9965.00068.

Azzalini, A., Capitanio, A. (2003). Distributions generated by perturbation of symmetry with emphasis on a multivariate skew t-distribution. Journal of the Royal Statistical Society. Series B: Statistical Methodology, 65(2), 367–389. https://doi.org/10.1111/1467-9868.00391.

Bentes, S. R. (2022). On the stylized facts of precious metals’ volatility: A comparative analysis of preand during COVID-19 crisis. Physica A: Statistical Mechanics and its Applications, 600, 1–12. https://doi.org/10.1016/j.physa.2022.127528.

Bollerslev, T. (1986). Generalised Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304-4076(86)90063-1.

Castillo, B., León, Á., Níguez, T.-M. (2022). Backtesting VaR under the COVID-19 sudden changes in volatility. Finance Research Letters, 43, 1–9. https://doi.org/10.1016/j.frl.2021.102024.

Daníelsson, J. (2011). Financial Risk Forecasting. The Theory and Practice of Forecasting Market Risk, with Implementation in R and MATLAB. John Wiley & Sons.

Dowd, K. (2005). Measuring Market Risk (t. 2). John Wiley & Sons. https://doi.org/10.1002/9781118673485.

Engle, R. F. (1982). Autoregressive Conditional Heteroscedastisity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987–1007. https://doi.org/10.2307/1912773.

Goodell, J. W. (2020). COVID-19 and finance: Agendas for future research. Financial Research Letters, 35, 1–5. https://doi.org/10.1016/j.frl.2020.101512.

Hansen, B. E. (1994). Autoregressive Conditional Density Estimation. International Economic Review, 35(3), 705–730. https://doi.org/10.2307/2527081.

Holliwell, J. (2001). Ryzyko finansowe. Metody identyfikacji i zarządzania ryzykiem finansowym. Wydawnictwo Liber.

International Monetary Fund. (2020a). World Economic Outlook. A Long and Difficult Ascent. https://www.imf.org/en/Publications/WEO/Issues/2020/09/30/world-economic-outlook-october-2020.

International Monetary Fund. (2020b, 14 kwietnia). Transcript of April 2020 World Economic Outlook Press Briefing [wideo]. https://www.imf.org/en/News/Articles/2020/04/14/tr041420-transcript-of-april-2020-world-economic-outlook-press-briefing.

Jajuga, K. (2003). Metody statystyczne w finansach. Wydawnictwo Akademii Ekonomicznej we Wrocławiu.

Khaskheli, A., Zhang, H., Raza, S. A., Khan, K. A. (2022). Assessing the influence of news indicator on volatility of precious metals prices through GARCH-MIDAS model: A comparative study of pre and during COVID-19 period. Resources Policy, 79, 1–11. https://doi.org/10.1016/j.resourpol.2022.102951.

Krężołek, D. (2020). Modelowanie ryzyka na rynku metali. Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach.

Kupiec, P. H. (1995). Techniques for Verifying the Accuracy of Risk Measurement Models. The Journal of Derivatives, 3(2), 73–84. https://doi.org/10.3905/jod.1995.407942.

Piontek, K. (2002). Pomiar ryzyka metodą VaR a modele AR-GARCH ze składnikiem losowym o warunkowym rozkładzie z „grubymi ogonami”. W: W. Tarczyński (red.), Rynek kapitałowy. Skuteczne inwestowanie (cz. 2; s. 467–484). Wydawnictwo Naukowe Uniwersytetu Szczecińskiego.

Samorodnitsky, G., Taqqu, M. S. (1994). Stable Non-Gaussian Random Processes. Stochastic Models with Infinite Variance. Chapman & Hall. https://doi.org/10.1201/9780203738818.

Shaik, M., Padmakumari, L. (2022). Value-at-risk (VaR) estimation and backtesting during COVID-19: Empirical analysis based on BRICS and US stock markets. Investment Management and Financial Innovations, 19(1), 51–63. http://dx.doi.org/10.21511/imfi.19(1).2022.04.

Trzpiot, G. (red.). (2010). Wielowymiarowe metody statystyczne w analizie ryzyka inwestycyjnego. Polskie Wydawnictwo Ekonomiczne.

Tsay, R. S. (2002). Analysis of Financial Time Series. Financial Econometrics. John Wiley & Sons.

U.S. Bureau of Labor Statistics. (2020). The Employment Situation – April 2020. https://www.bls.gov/news.release/archives/empsit_05082020.pdf.

Yildirim, D. Ç., Esen, Ö., Ertugrul, H. M. (2022). Impact of the COVID-19 pandemic on return and risk transmission between oil and precious metals: Evidence from DCC-GARCH model. Resources Policy, 79, 1–8. https://doi.org/10.1016/j.resourpol.2022.102939.

Wróć do: