MétaCan
Menu
Retour à la cohorte
Enregistrement W2791091406 · doi:10.5430/ijfr.v9n2p105

Volatility Spillover Analysis Post Implementation of AEC 2015 Agreement: Empirical Study on ASEAN-5 Stock Market

2018· article· en· W2791091406 sur OpenAlexvenueno aff
Yunia Panjaitan, Siti Saadah

Notice bibliographique

RevueInternational Journal of Financial Research · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueStock Market Forecasting Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésStock exchangeStock marketStock (firearms)Spillover effectVolatility (finance)IndonesianCapital marketBusinessEconomicsStock market bubbleFinancial integrationAutoregressive conditional heteroskedasticityFinancial economicsFinancial marketInternational economicsFinanceMacroeconomicsGeography

Résumé

récupéré en direct d'OpenAlex

Efforts to improve financial integration that continue to be implemented after the implementation of the Asean Economic Community 2015 agreement, can encourage increased integration of capital markets in countries within the region. This study was conducted to investigate the spillover of volatility between stock markets that accompanied the ongoing efforts of financial integration carried out by ASEAN member countries. Investigation of volatility spillover is done by applying Exponential GARCH method on time series daily data of stock return of ASEAN-5 countries period September 2016 - December 20, 2017. If previous studies found significant spillover of volatility from Singapore, Malaysia, Thailand and Philippines, the results of this study show that only Singapore's stock exchanges consistently have a significant impact on the Indonesian stock market. The turmoil in the Singapore stock market will be consistently transmitted to the Indonesian stock market. However, efforts to improve the financial integration carried out by ASEAN member countries have not consistently caused the turmoil in Malaysia, Thailand and the Philippines stock exchange to be transmitted to the Indonesian stock market.

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)0,003
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 enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,320
Tête enseignante GPT0,618
Écart entre enseignants0,298 · 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

Citations7
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Financial ResearchMême sujetStock Market Forecasting MethodsTravaux en français237 207