DOI: https://doi.org/10.3934/dsfe.2026006
تاريخ النشر: 2026-01-01
المؤلف: Hyder Ali وآخرون
الموضوع الرئيسي: ديناميات السوق والتقلبات
نظرة عامة
تستقصي هذه الدراسة تأثير عدم اليقين المتعلق بالسياسات متعددة الأبعاد على المخاطر الخاصة بالشركات، وبشكل خاص التقلبات الفردية (IVOL)، باستخدام بيانات يومية على مستوى الأسهم من شركات نيكاي 225 تمتد من عام 2000 إلى 2023. يقوم المؤلفون ببناء مؤشر عدم يقين مركب يشمل سبعة مجالات سياسية: الاقتصادية، والمالية، والنقدية، والتجارية، وسعر الصرف، والطاقة، والمخاطر الجيوسياسية. باستخدام نموذج الذاكرة الطويلة القصيرة (LSTM) ، تقوم الدراسة بنمذجة التفاعلات غير الخطية والاستمرارية الزمنية في عدم اليقين، مما يظهر أن المؤشر المعتمد على LSTM يتفوق على الطرق التقليدية مثل تحليل المكونات الرئيسية (PCA) و تحليل المكونات الرئيسية باستخدام النواة (KPCA) في تفسير IVOL. تكشف النتائج أن زيادة بمقدار وحدة واحدة في مؤشر LSTM تتوافق مع زيادة بنسبة 0.31% في IVOL، مما يبرز الطبيعة غير الخطية والمعتمدة على الحالة لديناميات عدم اليقين.
تستخدم التحليلات أيضًا SHapley Additive exPlanations (SHAP) لضمان شفافية النموذج، حيث تحدد عدم اليقين المالي والنقدي والجيوسياسي كالعوامل الرئيسية المساهمة في مؤشر LSTM. تشير تحليلات التباين إلى أن الحساسية تجاه عدم اليقين تختلف حسب القطاع وحجم الشركة والربحية، حيث تظهر القطاعات التي تعتمد على التجارة والطاقة، والشركات الصغيرة، والشركات ذات العائد المنخفض على حقوق الملكية (ROE) حساسية متزايدة. تؤكد فحوصات القوة الاستقرائية استقرار النتائج عبر مواصفات وفترات زمنية مختلفة. بالإضافة إلى ذلك، يكشف توسيع التحليل ليشمل أسواق متقدمة وناشئة أخرى عن علاقة إيجابية متسقة بين عدم اليقين السياسي و IVOL، حيث تظهر اليابان أعلى حساسية. بشكل عام، تربط هذه الأبحاث بين الطرق الاقتصادية التقليدية وتقنيات التعلم الآلي الحديثة، مما يبرز الدور الحاسم لعدم اليقين السياسي متعدد الأبعاد في التأثير على المخاطر الخاصة بالشركات في اليابان.
مقدمة
في مقدمة هذه الورقة البحثية، يبرز المؤلفون الأهمية المتزايدة لعدم اليقين السياسي كعامل محدد للمخاطر المالية على مستوى الشركات في بيئة عالمية معقدة. يؤكدون أن أشكال عدم اليقين المختلفة – الاقتصادية، والمالية، والنقدية، والتجارية، وسعر الصرف، والطاقة، والجيوسياسية – تؤثر على التوقعات بشأن التدفقات النقدية المستقبلية ومعدلات الخصم، مما يؤثر بدوره على التقلبات الفردية (IVOL). بينما تركز الأدبيات الحالية بشكل أساسي على تقلبات السوق الإجمالية وغالبًا ما تستخدم نماذج اقتصادية خطية، يشير المؤلفون إلى وجود فجوة في فهم كيفية تأثير أبعاد متعددة من عدم اليقين السياسي على المخاطر الخاصة بالشركات، لا سيما في اليابان، التي شهدت سياسات نقدية غير تقليدية مطولة وخصائص مالية هيكلية فريدة.
لمعالجة هذه الفجوة، يقوم المؤلفون ببناء مؤشر شامل لعدم اليقين السياسي لليابان، يشمل سبعة مؤشرات متميزة. يستخدمون تقنيات تحليلية متقدمة، بما في ذلك تحليل المكونات الرئيسية الخطية (PCA)، وتحليل المكونات الرئيسية غير الخطية (KPCA)، ونموذج الذاكرة الطويلة القصيرة (LSTM) ، لتقييم تأثير هذه المخاطر على IVOL لشركات نيكاي 225 من عام 2000 إلى 2023. تكشف نتائجهم عن علاقة قوية بين مؤشرات عدم اليقين المركبة والتقلبات الخاصة بالشركات، حيث يتفوق المؤشر المعتمد على LSTM على الطرق التقليدية في دقة التنبؤ. تكشف الدراسة أيضًا أن عدم اليقين الاقتصادي والمالي والنقدي، إلى جانب المخاطر الجيوسياسية، هي المحركات الرئيسية لـ IVOL، بينما تلعب المخاطر الأخرى دورًا أقل. يختتم المؤلفون بالتأكيد على أهمية مؤشرهم متعدد الأبعاد وآثاره على المستثمرين وصانعي السياسات، بينما يقدمون أيضًا رؤى مقارنة عبر أسواق رئيسية أخرى.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يتفصل التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة إطارًا كميًا، حيث استخدمت أدوات إحصائية لضمان موثوقية وصدق النتائج.
تم تجنيد المشاركين بناءً على معايير محددة مسبقًا، مما يضمن عينة تمثيلية ذات صلة بأسئلة البحث. شمل جمع البيانات أدوات وبروتوكولات موحدة لتقليل التحيز وزيادة دقة القياسات. تم إجراء التحليل باستخدام أساليب إحصائية مناسبة، مثل تحليل الانحدار أو ANOVA، لتقييم العلاقات بين المتغيرات واختبار دلالة النتائج.
بشكل عام، تم تصميم المنهجية بدقة لتلبية أهداف البحث، مما يوفر أساسًا قويًا للاستنتاجات المستخلصة في الدراسة.
النتائج
تستقصي قسم النتائج تأثير عدم اليقين المتعلق بالسياسات على المخاطر الخاصة بالشركات، المقاسة من خلال التقلبات الفردية (IVOL) للشركات المدرجة في نيكاي 225. تم هيكلة التحليل في أربع خطوات متميزة. في البداية، تقيم الدراسة آثار أبعاد عدم اليقين الفردية. بعد ذلك، تقارن مؤشرات عدم اليقين المركبة المستمدة من تحليل المكونات الرئيسية (PCA)، وتحليل المكونات الرئيسية باستخدام النواة (KPCA)، ونموذج الذاكرة الطويلة القصيرة (LSTM).
في الخطوة الثالثة، تستخدم البحث SHAP (SHapley Additive exPlanations) لتوضيح مساهمات كل بعد من أبعاد عدم اليقين ضمن المؤشر المعتمد على LSTM. أخيرًا، يستكشف التحليل التباين في آثار عدم اليقين عبر قطاعات مختلفة، وأحجام الشركات، ومستويات الربحية، مما يوفر فهمًا شاملاً لكيفية تفاعل هذه العوامل مع المخاطر الخاصة بالشركات.
المناقشة
في هذا القسم، يناقش المؤلفون محددات التقلبات الفردية (IVOL) وعلاقتها بعدم اليقين الاقتصادي والسياسي، لا سيما في سياق الشركات اليابانية. يتم تعريف IVOL كعنصر خاص بالشركة من تباين العائدات غير المفسر بواسطة عوامل المخاطر المشتركة، ويتأثر بخصائص الشركة مثل الرفع المالي، وفرص النمو، وحوكمة الشركات. عادة ما يرتبط ارتفاع IVOL بالشركات التي لديها حساسية أكبر تجاه صدمات الأرباح ومخاطر التمويل، بينما يمكن أن تخفف ممارسات الحوكمة القوية من هذه التقلبات. كما يبرز المؤلفون دور هيكل السوق ودورات حياة الشركات في تشكيل IVOL، مشيرين إلى أن الشركات في مراحلها المبكرة والشركات المتراجعة تظهر تقلبات أعلى بسبب تدفقات الأرباح غير المؤكدة.
تمتد المناقشة إلى تأثير عدم اليقين الاقتصادي والسياسي على المخاطر على مستوى الشركات. يرتبط ارتفاع عدم اليقين الاقتصادي بزيادة تقلبات السوق، بينما يمكن أن تؤدي عدم اليقين السياسي المحددة – مثل السياسات المالية والنقدية والتجارية – إلى تفاقم المخاطر الخاصة بالشركات من خلال رفع العلاوات المطلوبة للمخاطر وزيادة ردود الفعل تجاه الصدمات. يقترح المؤلفون إطارًا مفاهيميًا يدمج أبعاد متعددة من عدم اليقين السياسي في مؤشر مركب، مفترضين أن هذا المؤشر يرتبط إيجابيًا بـ IVOL ويتفوق على مكونات عدم اليقين الفردية في تفسير المخاطر الخاصة بالشركات. يهدف هذا النهج متعدد الأبعاد إلى التقاط التفاعلات المعقدة بين مصادر عدم اليقين المختلفة وآثارها غير الخطية على IVOL، مع معالجة الفجوات في الأدبيات الحالية التي غالبًا ما تركز على أبعاد فردية ونماذج خطية. ستستخدم التحليل التجريبي بيانات على مستوى الشركات من الشركات اليابانية، باستخدام تقنيات نمذجة متقدمة مثل PCA وKPCA وLSTM autoencoders لبناء مؤشر عدم اليقين وتقييم قوته التنبؤية لـ IVOL.
القيود
يسلط قسم القيود الضوء على عدة مجالات رئيسية للتحسين والاتجاهات البحثية المستقبلية الناتجة عن الدراسة الحالية. أولاً، يقتصر التحليل على الشركات الكبيرة ضمن نيكاي 225، مما قد لا يمثل بشكل كافٍ الطيف الأوسع من الشركات الصغيرة والمتوسطة التي عادة ما تظهر تقلبات أعلى وحساسية للصدمات السوقية. يجب أن تأخذ الدراسات المستقبلية في الاعتبار تضمين هذه الشركات الصغيرة لتوفير فهم أكثر شمولاً لكيفية تأثير عدم اليقين السياسي على مختلف رؤوس الأموال السوقية.
ثانيًا، بينما تقدم ممارسة القوة الاستقرائية عبر البلدان رؤى قيمة، فإنها مقيدة باختيار ضيق من السياقات المؤسسية. سيساهم توسيع هذا التحليل ليشمل لوحة متعددة البلدان تشمل أطرًا نقدية ومالية متنوعة في تعزيز فهم كيفية تأثير الخصائص المؤسسية على العلاقة بين عدم اليقين والتقلبات (IVOL). بالإضافة إلى ذلك، يتم الاعتراف بأن اعتماد الدراسة على مؤشرات قائمة على الأخبار والنصوص لقياس عدم اليقين هو قيد؛ قد يؤدي دمج مقاييس أخرى مثل التقلبات المستمدة من الخيارات وتوقعات قائمة على الاستطلاعات إلى تفسير أكثر دقة لعدم اليقين.
أخيرًا، يتم التعرف على تقنيات النمذجة المستخدمة، بما في ذلك PCA وKPCA وLSTM autoencoders، على أنها غير شاملة. يمكن أن تستكشف الأبحاث المستقبلية طرقًا اقتصادية بديلة وتقنيات تعلم آلي لالتقاط ديناميات عدم اليقين وتأثيرها على IVOL بشكل أفضل. علاوة على ذلك، سيساعد توسيع التركيز ليشمل تفاعلات المخاطر النظامية ونطاق أوسع من خصائص الشركات في تسهيل فهم أعمق لقناة عدم اليقين-IVOL، مما يعود بالنفع في النهاية على المستثمرين وصانعي السياسات الذين يتنقلون في بيئة مالية تزداد تعقيدًا.
DOI: https://doi.org/10.3934/dsfe.2026006
Publication Date: 2026-01-01
Author(s): Hyder Ali et al.
Primary Topic: Market Dynamics and Volatility
Overview
This study investigates the impact of multidimensional policy-related uncertainty on firm-specific risk, specifically idiosyncratic volatility (IVOL), using daily stock-level data from Nikkei 225 firms spanning 2000 to 2023. The authors construct a composite uncertainty index that encompasses seven policy domains: economic, fiscal, monetary, trade, exchange rate, energy-related, and geopolitical risks. Employing a long short-term memory (LSTM) autoencoder, the study models nonlinear interactions and temporal persistence in uncertainty, demonstrating that the LSTM-based index outperforms traditional methods like principal component analysis (PCA) and kernel PCA (KPCA) in explaining IVOL. The findings reveal that a one-unit increase in the LSTM index correlates with a 0.31% rise in IVOL, emphasizing the nonlinear and state-dependent nature of uncertainty dynamics.
The analysis further employs SHapley Additive exPlanations (SHAP) to ensure model transparency, identifying fiscal, monetary, and geopolitical uncertainties as the primary contributors to the LSTM index. Heterogeneity analyses indicate that sensitivity to uncertainty varies by sector, firm size, and profitability, with trade- and energy-intensive sectors, smaller firms, and low-return-on-equity (ROE) firms showing heightened sensitivity. Robustness checks confirm the stability of results across different specifications and time periods. Additionally, extending the analysis to other advanced and emerging markets reveals a consistent positive relationship between policy uncertainty and IVOL, with Japan exhibiting the highest sensitivity. Overall, this research bridges traditional econometric methods with modern machine learning techniques, highlighting the critical role of multidimensional policy uncertainty in influencing firm-specific risk in Japan.
Introduction
In the introduction of this research paper, the authors highlight the increasing significance of policy uncertainty as a determinant of firm-level financial risk in a complex global environment. They emphasize that various forms of uncertainty—economic, fiscal, monetary, trade, exchange rate, energy-related, and geopolitical—impact expectations regarding future cash flows and discount rates, thereby influencing idiosyncratic volatility (IVOL). While existing literature primarily focuses on aggregate market volatility and often employs linear econometric models, the authors note a gap in understanding how multiple dimensions of policy uncertainty affect firm-specific risk, particularly in Japan, which has experienced prolonged unconventional monetary policies and unique structural financial characteristics.
To address this gap, the authors construct a comprehensive policy uncertainty index for Japan, encompassing seven distinct indicators. They employ advanced analytical techniques, including linear principal component analysis (PCA), nonlinear kernel PCA (KPCA), and a long short-term memory (LSTM) autoencoder, to assess the impact of these uncertainties on IVOL for Nikkei 225 firms from 2000 to 2023. Their findings reveal a strong relationship between the composite uncertainty indices and firm-specific volatility, with the LSTM-based index outperforming traditional methods in predictive accuracy. The study also uncovers that economic, fiscal, and monetary uncertainties, along with geopolitical risk, are the primary drivers of IVOL, while other uncertainties play a lesser role. The authors conclude by asserting the importance of their multidimensional index and its implications for investors and policymakers, while also providing comparative insights across other major markets.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to interpret the results. The study utilized a quantitative framework, employing statistical tools to ensure the reliability and validity of the findings.
Participants were recruited based on predefined criteria, ensuring a representative sample relevant to the research questions. Data collection involved standardized instruments and protocols to minimize bias and enhance the accuracy of the measurements. The analysis was conducted using appropriate statistical methods, such as regression analysis or ANOVA, to assess the relationships between variables and test the significance of the results.
Overall, the methodology was rigorously designed to address the research objectives, providing a robust foundation for the conclusions drawn in the study.
Results
The results section investigates the impact of policy-related uncertainty on firm-specific risk, quantified through idiosyncratic volatility (IVOL) for firms listed on the Nikkei 225. The analysis is structured into four distinct steps. Initially, the study assesses the effects of individual dimensions of uncertainty. Subsequently, it compares composite uncertainty indices derived from Principal Component Analysis (PCA), Kernel PCA (KPCA), and a Long Short-Term Memory (LSTM) autoencoder.
In the third step, the research employs SHAP (SHapley Additive exPlanations) to elucidate the contributions of each uncertainty dimension within the LSTM-based index. Finally, the analysis explores heterogeneity in the effects of uncertainty across different sectors, firm sizes, and profitability levels, providing a comprehensive understanding of how these factors interact with firm-specific risk.
Discussion
In this section, the authors discuss the determinants of idiosyncratic volatility (IVOL) and its relationship with macroeconomic and policy uncertainty, particularly in the context of Japanese firms. IVOL, defined as the firm-specific component of return variance not explained by common risk factors, is influenced by firm characteristics such as financial leverage, growth opportunities, and corporate governance. Higher IVOL is typically associated with firms that have greater sensitivity to earnings shocks and funding risks, while robust governance practices can mitigate this volatility. The authors also highlight the role of market structure and firm life cycles in shaping IVOL, noting that early-stage and declining firms exhibit higher volatility due to uncertain earnings streams.
The discussion extends to the impact of macroeconomic and policy uncertainty on firm-level risk. Elevated economic uncertainty correlates with increased market volatility, while specific policy uncertainties—such as fiscal, monetary, and trade policies—can exacerbate firm-specific risks by raising required risk premiums and amplifying reactions to shocks. The authors propose a conceptual framework that integrates multiple dimensions of policy uncertainty into a composite index, hypothesizing that this index positively correlates with IVOL and outperforms individual uncertainty components in explaining firm-specific risk. This multidimensional approach aims to capture the complex interactions between various uncertainty sources and their nonlinear effects on IVOL, addressing gaps in existing literature that often focus on single dimensions and linear models. The empirical analysis will utilize firm-level data from Japanese companies, employing advanced modeling techniques such as PCA, KPCA, and LSTM autoencoders to construct the uncertainty index and assess its predictive power for IVOL.
Limitations
The section on limitations highlights several key areas for improvement and future research directions stemming from the current study. Firstly, the analysis is limited to large firms within the Nikkei 225, which may not adequately represent the broader spectrum of small and mid-cap firms that typically exhibit higher volatility and sensitivity to market shocks. Future studies should consider including these smaller firms to provide a more comprehensive understanding of how policy uncertainty affects different market capitalizations.
Secondly, while the cross-country robustness exercise offers valuable insights, it is constrained by a narrow selection of institutional contexts. Expanding this analysis to a multicountry panel that encompasses diverse monetary and fiscal frameworks would enhance the understanding of how institutional characteristics influence the uncertainty-induced volatility (IVOL) relationship. Additionally, the study’s reliance on news- and text-based indices for measuring uncertainty is acknowledged as a limitation; incorporating other measures such as option-implied volatility and survey-based expectations could yield a more nuanced interpretation of uncertainty.
Finally, the modeling techniques employed, including PCA, KPCA, and LSTM autoencoders, are recognized as non-exhaustive. Future research could explore alternative econometric and machine-learning approaches to better capture the dynamics of uncertainty and its impact on IVOL. Moreover, expanding the focus to include systematic risk interactions and a broader range of firm characteristics would facilitate a deeper understanding of the uncertainty-IVOL channel, ultimately benefiting investors and policymakers navigating an increasingly complex financial landscape.