MétaCan
Menu
Retour à la cohorte
Enregistrement W2746221353 · doi:10.5539/ijef.v9n9p157

The Integration of International Capital Market from Indonesian Investors’ Perspective: Do Integration Still Give Diversification Benefit

2017· article· en· W2746221353 sur OpenAlexvenueno aff
Sabilil Hakimi Amizuar, Anny Ratnawati, Trias Andati

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMarket Dynamics and Volatility
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIndonesianCointegrationVariance decomposition of forecast errorsDiversification (marketing strategy)Equity (law)Market integrationCapital marketEmerging marketsError correction modelEconomicsFinancial economicsLiberalizationBusinessEconometricsFinanceMacroeconomicsMarket economyPolitical science

Résumé

récupéré en direct d'OpenAlex

The objective of this study is to analyze whether, despite the international equity liberalization and growing world financial integration, Indonesian investors can be beneficial from international diversification. The study covers both emerging markets (Indonesia, Philippines, Malaysia, Thailand, Korea, China, and Taiwan) and developed markets (USA, UK, Japan, Singapore, and Australia) over the period of January 1st, 2007 to April 30st, 2017. It uses several state-of-the-art techniques: multivariate cointegration and vector error correction models (VECM) with the analysis of impulse response function (IRF) and forecast error variance decomposition (FEVD) to analyze the long-term level of integration and time-varying correlations with the Dynamic Conditional Correlation (DCC) aproach to analyze short term level of integration. The analysis provides the evidence of integration berween Indonesian market and international markets. The findings suggest that Indonesian investors have more chance to gain international diversification benefit from developed markets rather than emerging markets as the Indonesian market has low level of integration compared to developed markets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,241
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetMarket Dynamics and VolatilityTravaux en français237 207