Własności szeregów czasowych stóp zwrotu z inwestycji w metale nieżelazne

• Authors: Paulina Król

Title variants

EN

Properties of Time Series of Rates of Return on Investments in Non-ferrous Metals

Abstracts

EN

Aim: The aim of the paper is to identify the properties of time series of rates of return on investments in selected non-ferrous metals, taking into account the current unstable economic and geopolitical situation, as well as to compare the properties of the analysed time series. Methodology: The article uses selected statistical and econometric methods, financial engineering methods, and time series analyses. The paper presents the development of prices and rates of return of non-ferrous metals (aluminum, tin, zinc, copper, nickel, and lead) in the years 2015-2023, determines the basic statistics of time series and checks the normality and stationarity of empirical distributions. Results: Investments in copper brought the highest return and investments in lead the lowest. All time series had a positive historical rate of return. Returns on investments in nickel were characterised by the greatest volatility. The distributions of the rates of return on investments in copper and tin were left-sided asymmetric, the other series were right-sided asymmetric. All empirical time series distributions did not coincide with the normal distribution, but they showed stationarity. Implications and recommendations: People working in the non-ferrous metals sectors and investors should be interested in knowing the ownership of the rates of return on investments in non-ferrous metals. This can help them to forecast prices of non-ferrous metals more accurately and, as a result, to make more optimal trades in the market. Originality/value: The article verified the properties of the rates of return on investments in non-ferrous metals in view of the high volatility prevailing in the metals market in recent years.

PL

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.

Keywords

PL

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

EN

non-ferrous metals; COVID-19 pandemic; war in Ukraine; time series; alternative investments

• Publisher: Uniwersytet Ekonomiczny we Wrocławiu. Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
• Journal: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Year: 2024
• Volume: 68
• Issue: 3
• Pages: 28-40

Dates

published

2024

Contributors

author

Paulina Król

• Uniwersytet Ekonomiczny w Katowicach

• https://orcid.org/0000000250163620

References

• 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

Identifiers

DOI

10.15611/pn.2024.3.03

Biblioteka Nauki

52445397