Dipartimento di Economia, Statistica e Finanza - Tesi di Dottorato

Permanent URI for this collectionhttps://lisa.unical.it/handle/10955/26

Questa collezione raccoglie le Tesi di Dottorato afferenti al Dipartimento di Scienze Economiche, Statistiche e Finanziarie dell'Università della Calabria.

Browse

Now showing 1 - 2 of 2

Impatto ambientale, energie rinnovabili e politiche di supporto nei paesi europei
(2019) Abbruzzese, Matteo; Infante, Davide; Algieri, Bernardina
La presente tesi di dottorato, articolata in tre capitoli autonomi, si pone come obiettivo primario lo studio, teorico ed empirico, della relazione intercorrente tra crescita economica, l’inquinamento ambientale e la diffusione delle fonti energetiche rinnovabili nei paesi europei. L’elemento centrale del lavoro è rappresentato dal fenomeno della diffusione delle fonti energetiche rinnovabili. L’evoluzione di queste nuove tecnologie energetiche sta, infatti, generando diversi effetti in grado di sconvolgere i paradigmi energetici preesistenti dominati dai combustibili fossili. Gli esempi sono molteplici: la decentralizzazione dei sistemi di produzione, la convergenza dal basso nei sistemi di incentivazione, il coinvolgimento delle risorse locali, la crescita e la diversificazione negli investimenti e, soprattutto, la capacità di ridurre le emissioni inquinanti. Nella letteratura, nonostante sia largamente riconosciuta la valenza ecologica di tali fonti energetiche, gli studi che analizzano gli effetti della loro diffusione sono contraddistinti da alcune criticità legate, soprattutto, all’evoluzione del progresso tecnologico nel campo delle fonti energetiche rinnovabili e all’individuazione degli schemi di supporto ottimali. I capitoli che compongono il lavoro affrontano tre aspetti distinti ed altamente correlati. Il primo capitolo, analizzando un panel di trenta paesi europei per gli anni 1995-2015, si propone di riesaminare la relazione intercorrente tra le emissioni di gas serra, il GDP pro capite e i consumi finali di fonti energetiche rinnovabili per quattro differenti indicatori dell’inquinamento atmosferico: il Kyoto basket (GHG), il biossido di carbonio (CO2), il biossido di metano (CH4) e il protossido di azoto (N2O). Il quadro teorico di base è rappresentato dall’Environmental Kuznets Curve (EKC) e l’obiettivo primario consiste nel differenziare l’effetto ambientale del reddito, ampiamente studiato in letteratura, da quello associato ai consumi energetici rinnovabili (il dampening effect). Nel secondo capitolo, analizzando i ventotto paesi dell’Unione Europea per il periodo 1995-2015, l’obiettivo è di indagare l’effetto ambientale disaggregato della produzione di energia elettrica da fonti rinnovabili (RES-E) per le emissioni di gas serra (GHG), ossidi di azoto (NOx), ossidi di zolfo (SOx) e particolati sospesi (PM 2.5). In tal caso, l’obiettivo è di individuare quale sub-categoria di rinnovabili elettriche (Non-combustible renewables o Combustible renewables) abbia una maggiore produttività ambientale. La scomposizione energetica esaminata, sulla base dei dati contenuti nei Bilanci Energetici Nazionali, procede, infatti, in due differenti direzioni: da un lato, si analizza separatamente l’effetto ambientale associato alle due principali categorie di tecnologie energetiche (rinnovabili e fossili), dall’altro, si distingue tra Non-combustible renewables (idroelettrico, eolico, solare e geotermico) e Combustible renewables (biomassa), una disaggregazione scarsamente analizzata nella letteratura. Il terzo capitolo è incentrato sulla valutazione delle principali politiche energetiche di incentivazione delle rinnovabili elettriche. Sulla base di un panel di dati relativo a ventotto paesi dell’Unione Europea e agli anni 1995-2015, viene indagata l’eterogeneità cross-country che caratterizza gli strumenti di supporto alle RES-E non idroelettriche (solare, eolico, geotermico e biomassa) nei paesi europei. Per mezzo di variabili dicotomiche opportunamente costruite, si è analizzata l'efficacia relativa degli incentivi a prezzo fisso (FIT), a premio (FIP) e obbligazionari (RPS) nel promuovere lo sviluppo della capacità (Cap-non idro) e della produzione (Gen-non idro) di energia elettrica da rinnovabili non idroelettriche. I risultati della ricerca permettono di individuare le variabili strategiche su cui far leva per contribuire a realizzare un modello di sviluppo ecologicamente ed economicamente sostenibile. Le tecnologie di sfruttamento delle fonti rinnovabili costituiscono un’opportunità di sviluppo per intere aree geografiche e per interi comparti industriali oggi in forte crisi di competitività, anche a causa di produzioni fortemente inquinanti.
Modelling cryptocurrency market risk: do macroeconomic indicators and financial data explain the risk within the cryptocurrency market?
(Università della Calabria, 2025-01-29) Lawuobahsumo, Kokulo Kpai; Piluso, Fabio; Algieri, Bernardina; Leccadito, Arturo
This dissertation explores the intricate relationship between cryptocurrency market risk and an array of macroeconomic indicators and financial data. The central inquiry revolves around whether traditional financial metrics and broader economic factors can elucidate the underlying risk dynamics within the cryptocurrency market. By integrating insights from financial economics, econometrics, and risk management, this study aims to provide a nuanced understanding of how external economic variables influence cryptocurrency return. Chapter 2 aims to investigate calendar effects in the cryptocurrency market. We consider the day-of-the-week, the month-of-the-year, quarter-of-the-year, the US Holidays, and Weekend calendar anomalies for the leading cryptocurrencies: Bitcoin, Dash, Dogecoin, Litecoin, Ripple, and Stellar. Our study employs the Autoregressive Conditional Density model with dummy variables to scrutinize these calendar effects. We find anomalies in the mean, variance, skewness, and kurtosis for these cryptocurrencies' returns. Our result suggests that the cryptocurrency market in some periods tends to violate the Efficient Market Hypothesis. Chapter 3 aims to jointly predict conditional quantiles and tail expectations for the returns of the most popular cryptocurrencies (Bitcoin, Ethereum, Ripple, Dogecoin and Litecoin) using financial and macroeconomic indicators as explanatory variables. We adopt a Monotone Composite Quantile Regression Neural Network (MCQRNN) model to make one- and five-steps-ahead predictions of Value-at-Risk (VaR) and Expected Shortfall (ES) based on a rolling window and compare the performance of our model against the Historical simulation and the standard ARMA(1,1)-GARCH(1,1) model used as benchmarks. The superior set of models is then chosen by backtesting VaR and ES using a Model Confidence Set procedure. Our results show that the MCQRNN performs better than both benchmark models for jointly predicting VaR and ES when considering daily data. Models with the implied volatility index, treasury yield spread and inflation expectations sharpen the extreme return predictions. The results are consistent for the two risk measures at the 1\% and 5\% level both, in the case of a long and short position and for all cryptocurrencies. Chapter 4 use a robust measure of non-linear dependence, the Gerber cross-correlation statistic, to study the cross-dependence between the returns on Bitcoin and a set of commodities, namely wheat, gold, platinum and crude oil WTI. The Gerber statistic enables us to obtain a more robust co-movement measure since it is neither affected by extremely large nor small movements that characterise financial time series; thus, it strips out noise from the data and allows us to capture effective co-movements between series when the movements are “substantial”. Focusing on the period 2014--2022, we construct the bootstrapped confidence intervals for the Gerber statistic and test the null that all the Gerber cross-correlations up to lag kmax are zero. Our results indicate a low degree of dependence between Bitcoin and commodities prices, both when we consider contemporaneous correlation and when we employ correlations between current Bitcoin and lagged (one day, one week, or one month) commodities returns. Chapter 5 proposes a novel framework leveraging an asymmetric Student-t distribution for asset returns enhanced with correlations governed by Generalized Autoregressive Score dynamics. We incorporate explanatory variables to examine their impact on correlations. Empirical analysis using cryptocurrency (Bitcoin and Ripple) and traditional financial market (S\&P 500, NASDAQ, VIX, and WTI) data reveals that the asymmetric Student-$t$ model consistently outperforms competing models, as it effectively captures asymmetry and heavy tails.