Własności szeregów czasowych stóp zwrotu z inwestycji w metale nieżelazne

Paulina Król

Autor

Paulina Król ✉️ Uniwersytet Ekonomiczny w Katowicach
paulina.krol@edu.uekat.pl https://orcid.org/0000-0002-5016-3620

Słowa kluczowe:

metale nieżelazne, pandemia COVID-19, wojna w Ukrainie, szeregi czasowe, inwestycje alternatywne

Abstrakt

Cel: Celem artykułu jest identyfikacja własności szeregów czasowych stóp zwrotu z inwestycji w wybrane metale nieżelazne z uwzględnieniem aktualnej niestabilnej sytuacji gospodarczej oraz geopolitycznej, jak również porównanie własności analizowanych szeregów czasowych.

Metodyka: W artykule zastosowano wybrane metody statystyczne oraz ekonometryczne, metody inżynierii finansowej oraz analiz szeregów czasowych. Przedstawiono kształtowanie się cen i stóp zwrotu metali nieżelaznych (aluminium, cyny, cynku, miedzi, niklu i ołowiu) w latach 2015-2023, wyznaczono podstawowe statystyki szeregów czasowych oraz zweryfikowano normalność i stacjonarność rozkładów empirycznych.

Wyniki: Najwyższy dochód przynosiły inwestycje w miedź, a najniższy – w ołów. Wszystkie szeregi czasowe cechowały się dodatnią historyczną stopą zwrotu. Stopy zwrotu z inwestycji w nikiel charakteryzowały się największą zmiennością. Rozkłady stóp zwrotu z inwestycji w miedź i cynę były lewostronnie asymetryczne, pozostałe szeregi zaś prawostronnie asymetryczne. Wszystkie empiryczne rozkłady szeregów czasowych nie były zbieżne z rozkładem normalnym, jednak wykazywały stacjonarność.

Implikacje i rekomendacje: Osoby pracujące w sektorach związanych z metalami nieżelaznymi oraz inwestorzy powinni być zainteresowani znajomością własności stóp zwrotu z inwestycji w metale nieżelazne. Może to pomóc im w trafniejszym prognozowaniu cen metali nieżelaznych, a w efekcie – w dokonywaniu bardziej optymalnych transakcji na rynku.

Oryginalność/wartość: W artykule zweryfikowano własności stóp zwrotu z inwestycji w metale nieżelazne wobec wysokiej zmienności panującej w ostatnich latach na rynku metali.

Bibliografia

Akhtaruzzaman, M., Banerjee, A. K., Le, V. i Moussa, F. (2024). Hedging Precious Metals with Impact Investing. International Review of Economics & Finance, (89), 651-664. https://doi.org/10.1016/j.iref.2023.07.047

Bednarz-Okrzyńska, K. (2019). Wpływ koniunktury giełdowej na wyniki modelowania empirycznego rozkładu stóp zwrotu z akcji spółek indeksu WIG20. Wydawnictwo Naukowe Uniwersytetu Szczecińskiego.

Charpentier Poncelet, A., Helbig, C., Loubet, P., Beylot, A., Muller, S., Villeneuve, J., Laratte, B., Thorenz, A., Tuma, A. i Sonnemann, G. (2022). Losses and Lifetimes of Metals in the Economy. Nature Sustainability, 5(8), 717-726. https://doi.org/10.1038/s41893-022-00895-8

Cunado, J., Gabauer, D. i Gupta, R. (2024). Realized Volatility Spillovers between Energy and Metal Markets: A Time-varying Connectedness Approach. Financial Innovation, 10(1), 1-17. https://doi.org/10.1186/s40854-023-00554-7

European Commission, Joint Research Centre, Carrara, S., Bobba, S. i Blagoeva, D. (2023). Supply chain analysis and material demand forecast in strategic technologies and sectors in the EU: a foresight study. Publications Office of the European Union. European Commission, Joint Research Centre. https://data.europa.eu/doi/10.2760/386650

Galán-Gutiérrez, J. A. i Martín-García, R. (2022). Fundamentals vs. Financialization during Extreme Events: From Backwardation to Contango, a Copper Market Analysis during the COVID-19 Pandemic. Mathematics, 10(4), 1-23. https://doi.org/10.3390/math10040559

Ghazani, M. M., Khosravi, R. i Caporin, M. (2023). Analyzing Interconnection among Selected Commodities in the 2008 Global Financial Crisis and the COVID-19 Pandemic. Resources Policy, (80), 1-16. https://doi.org/10.1016/j.resourpol.2022.103157

Herman, S. i Lach, B. (2022). Skutki ekonomiczne restrykcyjnego lockdownu jako strategii walki z pandemią. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 66(4), 71-86. https://doi.org/10.15611/pn.2022.4.05

Investing.com. https://pl.investing.com/

Jung, D. S. (2023). Spillover Effects and Connectedness between Oil Futures Markets and Commodity Futures Markets. Journal of System and Management Sciences, 13(1), 620-636. https://doi.org/10.33168/JSMS.2023.0131

Krysicki, W., Bartos, J., Dyczka, W., Królikowska, K. i Wasilewski, M. (2012a). Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach. Rachunek prawdopodobieństwa, część 1. Wydawnictwo Naukowe PWN.

Krysicki, W., Bartos, J., Dyczka, W., Królikowska, K. i Wasilewski, M. (2012b). Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach. Statystyka matematyczna, część 2. Wydawnictwo Naukowe PWN.

Osińska, M. (red.). (2007). Ekonometria współczesna. Towarzystwo Naukowe Organizacji i Kierownictwa „Dom Organizatora”.

Ostasiewicz, S., Rusnak, Z. i Siedlecka, U. (2006). Statystyka. Elementy teorii i zadania. Wydawnictwo Akademii Ekonomicznej im. Oskara Langego.

Paulo, A. i Strzelska-Smakowska, B. (2020). Rudy metali nieżelaznych i szlachetnych. Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH.

Pera, K., Buła, R. i Mitrenga, D. (2014). Modele inwestycyjne. Wydawnictwo C. H. Beck.

Piasecki, K. i Tomasik, E. (2013). Rozkłady stóp zwrotu z instrumentów polskiego rynku kapitałowego. Wydawnictwo edu-Libri.

Strojny, J. (2020). Wektorowe modele autoregresyjne w analizie zależności między produkcją rolną a wymianą zagraniczną towarów rolno-żywnościowych krajów Unii Europejskiej. Difin.

Sun, X., Fang, W., Gao, X., An, S., Wu, T. i Ren, S. (2023). Nonlinear Dynamical Analysis of Metal Futures Price Fluctuations: A Recurrence Quantification Analysis Approach. Applied Economics, 55(10), 1142-1155. https://doi.org/10.1080/00036846.2022.2096864

Syczewska, E. M. (2006). The Phillips Method of Fractional Integration Parameter Estimation and Aggregation of PLN Exchange Rates. Dynamic Econometric Models, (7), 209-220.

Yang, S., Yang, W., Zhang, K. i Hao, Y. (2023). A Novel System Based on Selection Strategy and Ensemble Mode for Non-Ferrous Metal Futures Market Management. Systems, 11(2), 1-33. https://doi.org/10.3390/systems11020055

Zhang, T. i Zeng, S. (2023). Dynamic Comovement and Extreme Risk Spillovers between International Crude oil and China’s Non-Ferrous Metal Futures Market. Resources Policy, (80), 1-20. https://doi.org/10.1016/j.resourpol.2022.103263