DOI: https://doi.org/10.1186/s43093-025-00451-8
تاريخ النشر: 2025-03-08
المؤلف: Bechir Raggad وآخرون
الموضوع الرئيسي: ديناميات السوق والتقلبات
نظرة عامة
تستكشف هذه الدراسة العلاقة بين العائد والتقلبات المرتبطة بين صندوق تداول الأسهم الذكي (AI) وقطاعات مختلفة من أسواق الطاقة، وبشكل خاص الطاقة النظيفة والطاقة الملوثة ونفط خام غرب تكساس (WTI)، باستخدام نهج الاتصال الكمي على الكمي على بيانات يومية من 14 سبتمبر 2016 إلى 29 يناير 2024. تشير النتائج الرئيسية إلى أن الاتصال بين الذكاء الاصطناعي وقطاعات الطاقة النظيفة أقوى بشكل ملحوظ من ذلك مع الطاقة الملوثة وWTI. تعمل الطاقة النظيفة بشكل أساسي كمتلقي للعائدات المرتبطة من صندوق ETF الذكي، بينما يمكن لجميع قطاعات الطاقة نقل صدمات التقلبات، حيث تعمل الطاقة النظيفة والملوثة كناقلين رئيسيين عبر كميات مختلفة. تكشف التحليلات أيضًا أن صدمات العائد والتقلبات تكون أكثر وضوحًا في أطراف التوزيع، خاصة خلال جائحة COVID-19، مما يبرز الحاجة إلى نهج ديناميكي لإدارة مخاطر الأطراف.
تشير تداعيات هذه النتائج إلى أنه يجب على صانعي السياسات تخصيص التدخلات بناءً على السلوكيات المميزة لقطاعات الطاقة فيما يتعلق بالذكاء الاصطناعي، خاصة خلال فترات عدم اليقين في السوق. بالنسبة للمستثمرين، تبرز الدراسة الفوائد المنخفضة للتنويع عند دمج الذكاء الاصطناعي مع الأصول النظيفة أو الملوثة، مما يدعو إلى استراتيجيات تأخذ في الاعتبار الاتصال المحدد بالكميات. بالإضافة إلى ذلك، تؤكد الأبحاث على أهمية دمج معايير البيئة والمجتمع والحوكمة (ESG) في استراتيجيات الاستثمار وتطوير أنظمة مدعومة بالذكاء الاصطناعي لمراقبة ديناميكيات السوق في الوقت الفعلي. بينما تقدم الدراسة رؤى قيمة، تعترف بالقيود مثل الاعتماد على أصول تمثيلية محددة والتركيز على البيانات الأمريكية، مما يقترح طرقًا للبحث المستقبلي لتوسيع فهم هذه الأسواق المترابطة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على العلاقة الحيوية بين إنتاج الطاقة والتنمية الاقتصادية والاستدامة البيئية. تؤكد على الاعتماد على الوقود الأحفوري، الذي لا يلوث البيئة فحسب، بل يعيق أيضًا النمو المستدام. استجابةً لذلك، ظهرت مصادر الطاقة المتجددة كبدائل قابلة للتطبيق، ومع ذلك، فإن تقلباتها وعدم اليقين المرتبط بها تمثل تحديات للتحول إلى مستقبل منخفض الكربون. تفترض الورقة أن الذكاء الاصطناعي (AI) يلعب دورًا محوريًا في تحويل قطاع الطاقة من خلال تحسين توليد الطاقة وتوزيعها واستهلاكها، مما يعزز الكفاءة ويقلل التكاليف.
تهدف الدراسة إلى استكشاف الترابط بين أصول الذكاء الاصطناعي وقطاعات مختلفة من سوق الطاقة، خاصة في سياق تقلب أسعار النفط واعتماد الطاقة المتجددة. باستخدام نهج الاتصال الكمي على الكمي، ستقوم الأبحاث بتحليل الاعتماد المتبادل للعائدات والتقلبات عبر ظروف السوق المختلفة، بما في ذلك الأحداث العالمية الكبيرة مثل جائحة COVID-19 والصراع الروسي الأوكراني. يسعى هذا التحليل الشامل إلى تقديم رؤى للمستثمرين بشأن استراتيجيات إدارة المخاطر وتخصيص الأصول ضمن المشهد المتطور لعلاقة الذكاء الاصطناعي والطاقة. تسهم الورقة في الأدبيات من خلال دراسة هذه الديناميكيات وتداعياتها على تطورات سوق الطاقة المستقبلية.
الطرق
في هذا القسم، يوضح المؤلفون منهجيتهم لفحص الاتصال الكمي على الكمي بين صندوق تداول الأسهم الذكي (AI) وقطاعات مختلفة من أسواق الطاقة. يعتمدون إطار عمل يستند إلى نهج الاتصال الكمي الذي اقترحه أندو وآخرون ومنهجية الانتشار التي اقترحها ديبولد ويلماز (2012). تقيم الدراسة عدة تقنيات لتحليل الاعتماد المتبادل للأصول، بما في ذلك الانحدار الذاتي المتجه الكمي (QVAR)، والانحدار الكمي على الكمي (QQR)، والاتصال عبر الكميات (CQC)، ونماذج DCC-GARCH. من بين هذه، يتم تسليط الضوء على طريقة QQC كطريقة فعالة بشكل خاص بسبب قدرتها على التقاط جميع تركيبات الكميات وموثوقيتها في نمذجة الاعتماد على الأطراف، مما يجعلها متفوقة لتحليل الاتصال في سياق علاقة الذكاء الاصطناعي والطاقة.
يمثل المؤلفون رسميًا نموذج QVAR(p)، حيث \( Y_t \) و \( Y_{t-1} \) هما متجهات من المتغيرات الداخلية، و \( \tau \) تشير إلى الكميات، و \( p \) تشير إلى طول التأخير. يتضمن النموذج متجه متوسط شرطي \( \mu(\tau) \)، ومصفوفة معاملات \( J_t \)، ومتجه خطأ \( u(\tau) \) مع مصفوفة التباين والتغاير \( H(\tau) \). لحساب تحليل تباين خطأ التنبؤ العام (GFEVD)، يتم تحويل QVAR إلى تمثيل متوسط متجه كمي متحرك (QVMA). يسمح هذا التحويل بتقييم تأثير الصدمات في سلسلة زمنية واحدة على أخرى، مما يسهل فهمًا شاملاً للترابط عبر الكميات في الأسواق المدروسة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على العلاقات المعقدة بين أسهم الذكاء الاصطناعي وقطاعات الطاقة المختلفة، مع التأكيد على الدور المحوري للذكاء الاصطناعي في تسهيل الانتقال إلى الطاقة. يقترح المؤلفون إطارًا نظريًا يدمج المبادئ الاقتصادية والمالية لتوضيح كيف تعزز تقنيات الذكاء الاصطناعي الكفاءة التشغيلية، وتقلل التكاليف، وتحسن القدرة التنافسية داخل شركات الطاقة، مما يؤثر في النهاية على أداء أسهمها. يتكون الإطار من ثلاثة نماذج: الأول يتناول اعتماد الذكاء الاصطناعي، حيث توازن الشركات بين تكاليف التنفيذ مقابل المكاسب المتوقعة في الكفاءة؛ الثاني يركز على تحسينات الكفاءة التشغيلية التي يتم نمذجتها من خلال دالة إنتاج كوب-دوغلاس؛ والثالث يفحص القدرة التنافسية المدفوعة بقيادة التكاليف والابتكار.
تكشف النتائج التجريبية من الأدبيات الحالية عن ترابط كبير بين التكنولوجيا وأسهم الطاقة، حيث تظهر أسهم الذكاء الاصطناعي تأثيرًا ملحوظًا على الأصول النظيفة، خاصة خلال فترات الاضطراب في السوق مثل جائحة COVID-19. تظهر دراسات مختلفة أن تقلبات أسعار أسهم الذكاء الاصطناعي يمكن أن تؤثر على التدفقات النقدية والمخاطر المدركة في شركات الطاقة، مما يؤثر على تقييمات أسهمها. تؤكد الورقة على ضرورة فهم هذه الديناميات، خاصة في سياق التحليلات المعتمدة على الكميات، لالتقاط سلوك هذه العلاقات عبر ظروف السوق المختلفة ولتوجيه استراتيجيات الاستثمار في المشهد المتطور للطاقة.
DOI: https://doi.org/10.1186/s43093-025-00451-8
Publication Date: 2025-03-08
Author(s): Bechir Raggad et al.
Primary Topic: Market Dynamics and Volatility
Overview
This study explores the return and volatility connectedness between an artificial intelligence (AI) stock ETF and various segments of the energy markets, specifically clean energy, dirty energy, and WTI crude oil, using a quantile-on-quantile connectedness approach on daily data from September 14, 2016, to January 29, 2024. Key findings indicate that the connectedness between the AI and clean energy segments is notably stronger than that with dirty energy and WTI. Clean energy primarily acts as a receiver of return connectedness from the AI ETF, while all energy segments can transmit volatility shocks, with clean and dirty energy serving as principal transmitters across various quantiles. The analysis also reveals that return and volatility shocks are more pronounced at the tails of the distribution, particularly during the COVID-19 pandemic, emphasizing the need for a dynamic approach to tail-risk management.
The implications of these findings suggest that policymakers should tailor interventions based on the distinct behaviors of energy segments in relation to AI, particularly during periods of market uncertainty. For investors, the study highlights the reduced diversification benefits when combining AI with clean or dirty energy assets, advocating for strategies that consider quantile-specific connectedness. Additionally, the research underscores the importance of integrating environmental, social, and governance (ESG) criteria into investment strategies and developing AI-powered systems for real-time monitoring of market dynamics. While the study provides valuable insights, it acknowledges limitations such as the reliance on specific representative assets and the focus on U.S. data, suggesting avenues for future research to broaden the understanding of these interconnected markets.
Introduction
The introduction of this research paper highlights the critical relationship between energy production, economic development, and environmental sustainability. It emphasizes the reliance on fossil fuels, which not only pollute the environment but also hinder sustainable growth. In response, renewable energy sources have emerged as viable alternatives, yet their inherent intermittency and uncertainty present challenges for a transition to a low-carbon future. The paper posits that artificial intelligence (AI) is pivotal in transforming the energy sector by optimizing energy generation, distribution, and consumption, thereby enhancing efficiency and reducing costs.
The study aims to explore the interconnectedness between AI assets and various segments of the energy market, particularly in the context of fluctuating oil prices and the adoption of renewable energy. Utilizing a quantile-on-quantile connectedness approach, the research will analyze both return and volatility interdependencies across different market conditions, including significant global events like the COVID-19 pandemic and the Russo-Ukrainian conflict. This comprehensive analysis seeks to provide insights for investors regarding risk management and asset allocation strategies within the evolving landscape of the AI-energy nexus. The paper ultimately contributes to the literature by examining these dynamics and their implications for future energy market developments.
Methods
In this section, the authors outline their methodology for examining the quantile-on-quantile connectedness between the AI stock ETF and various segments of the energy markets. They adopt a framework based on the quantile connectedness approach by Ando et al. and the spillover methodology proposed by Diebold & Yilmaz (2012). The study evaluates several techniques for analyzing asset interdependence, including quantile vector autoregression (QVAR), quantile-on-quantile regression (QQR), cross-quantilogram connectedness (CQC), and DCC-GARCH models. Among these, the QQC method is highlighted as particularly effective due to its capability to capture all quantile combinations and its robustness in modeling tail dependencies, making it superior for the analysis of connectedness in the context of the AI-energy nexus.
The authors formally represent the QVAR(p) model, where \( Y_t \) and \( Y_{t-1} \) are vectors of endogenous variables, \( \tau \) denotes quantiles, and \( p \) indicates the lag length. The model incorporates a conditional mean vector \( \mu(\tau) \), a coefficient matrix \( J_t \), and an error vector \( u(\tau) \) with a variance-covariance matrix \( H(\tau) \). To compute the generalized forecast error variance decomposition (GFEVD), the QVAR is transformed into a quantile vector moving average (QVMA) representation. This transformation allows for the assessment of the impact of shocks in one time series on another, thereby facilitating a comprehensive understanding of the interconnectedness across quantiles in the studied markets.
Discussion
The discussion section of the research paper highlights the intricate relationships between AI stocks and various energy segments, emphasizing the pivotal role of AI in facilitating the energy transition. The authors propose a theoretical framework that integrates economic and financial principles to elucidate how AI technologies enhance operational efficiency, reduce costs, and improve competitiveness within energy firms, ultimately influencing their stock performance. The framework comprises three models: the first addresses AI adoption, where firms weigh the costs of implementation against expected efficiency gains; the second focuses on operational efficiency improvements modeled through a Cobb-Douglas production function; and the third examines competitiveness driven by cost leadership and innovation.
Empirical findings from existing literature reveal significant interconnectedness between technology and energy stocks, with AI stocks exhibiting a notable influence on clean energy assets, particularly during periods of market turmoil such as the COVID-19 pandemic. Various studies demonstrate that fluctuations in AI stock prices can affect cash flows and perceived risks in energy firms, thereby impacting their stock valuations. The paper underscores the necessity of understanding these dynamics, particularly in the context of quantile-based analyses, to capture the behavior of these relationships across different market conditions and to inform investment strategies in the evolving energy landscape.