INVESTIGATING ABNORMAL VOLATILITY TRANSMISSION PATTERNS BETWEEN EMERGING AND DEVELOPED STOCK MARKETS: A CASE STUDY
Notice bibliographique
Résumé
The main aim of this paper is to investigate volatility spillover effects, the impact of past volatility on present market movements, the reaction to positive and negative news, among selected financial markets. The sample stock markets are geographically dispersed on different continents, respectively North America, Europe and Asia. We also investigate whether selected emerging stock markets capture the volatility patterns of developed stock markets located in the same region. The empirical analysis is focused on seven developed stock market indices, i.e. IBEX35 (Spain), DJIA (USA), FTSE100 (UK), TSX Composite (Canada), NIKKEI225 (Japan), DAX (Germany), CAC40 (France) and five emerging stock market indices, i.e. BET (Romania), WIG20 (Poland), BSE (India), SSE Composite (China) and BUX (Hungary) from January 2000 to June 2018. The econometric framework includes symmetric and asymmetric GARCH models i.e. EGARCH and GJR which are performed in order to capture asymmetric volatility clustering, interdependence, correlations, financial integration and leptokurtosis. Symmetric and asymmetric GARCH models revealed that all selected financial markets are highly volatile, including the presence of leverage effect. The stock markets in Hungary, USA, Germany, India and Canada exhibit high positive volatility after global financial crisis.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».