Dependencies and systemic risk in the European insurance sector: Some\n new evidence based on copula-DCC-GARCH model and selected clustering methods
Notice bibliographique
Résumé
The subject of the present article is the study of correlations between large\ninsurance companies and their contribution to systemic risk in the insurance\nsector. Our main goal is to analyze the conditional structure of the\ncorrelation on the European insurance market and to compare systemic risk in\ndifferent regimes of this market. These regimes are identified by monitoring\nthe weekly rates of returns of eight of the largest insurers (five from Europe\nand the biggest insurers from the USA, Canada and China) during the period\nJanuary 2005 to December 2018. To this aim we use statistical clustering\nmethods for time units (weeks) to which we assigned the conditional variances\nobtained from the estimated copula-DCC-GARCH model. The advantage of such an\napproach is that there is no need to assume a priori a number of market\nregimes, since this number has been identified by means of clustering quality\nvalidation. In each of the identified market regimes we determined the commonly\nnow used CoVaR systemic risk measure. From the performed analysis we conclude\nthat all the considered insurance companies are positively correlated and this\ncorrelation is stronger in times of turbulences on global markets which shows\nan increased exposure of the European insurance sector to systemic risk during\ncrisis. Moreover, in times of turbulences on global markets the value level of\nthe CoVaR systemic risk index is much higher than in "normal conditions".\n
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».