The infernal couple China-Oil Price and the Responses of G7 Equities: A QQ Approach
Notice bibliographique
Résumé
China’s growingly sluggish economy and collapsing oil prices sent ripples through global equities, and G7 countries (United States, United Kingdom, Germany, Canada, Japan, France, Italy) are no exception in this regard. In this article, we address how react G7 stock markets to oil price under potent uncertainty encompassing the extent of China’s slowdown. The main feature of this study is its use of an unwonted method, dubbed the quantile-on-quantile (QQ) approach. Even though this method is based on the quantile \nregression paradigm, it departs from the conventional framework as the exogenous variable may be itself a quantile. This technique is devoted to unsettled context where standard methods are malapropos. Captivating findings have been shown. First, the QQ approach views the G7 stock markets responses to oil price as highly heterogeneous among taildistributions, where consistent with the notion of asymmetry. Second, the equities of Germany, Italy, Canada and United Kingdom (in this order) are typically more responsive than France, Japan and United States towards oil price. Third, even if the fears over China’s \nworsening outlook sends G7 countries into a deeper slowdown, United Kingdom, Japan, France and United States appear better positioned to weather the storm. The oil-dependence profile, the dominance of companies belonging to cyclical industries in the stock market index, the role of monetary policy in containing speculative bubbles, and the forceful quantitative easing have been offered to spell out the convolution of the focal issue.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».