Asset allocation in extreme market conditions: a comparative analysis between developed and emerging economies
Notice bibliographique
Résumé
This study makes use of the Extreme Value Theory, based on the Generalised Pareto Distribution and the Generalised Extreme Value Distribution, to construct efficient portfolios during periods of turmoil. The portfolios are constructed by combining different assets constituted by their positions in emerging and developed stock markets, with the aim of identifying which assets combinations provide optimal portfolio allocations during turmoil periods. For the developed stock markets, the study uses the French CAC 40, the Canadian S&P/TSX, the United Kingdom FTSE 100, the Japanese NIKKEI 225 and the United States S&P500 indices and returns. Five emerging stock markets indices are used, namely, the Brazilian BOVESPA, the Chinese SHCOMP the Indian S&P BSE SENEX, Indonesian JSI and the Turkish BIST 100. The data sample spans from August 1997 to August 2019 and include major economic and financial crises. Our findings show that for the different portfolios constructed, the estimated shape, location, and scale parameters differ depending on the Extreme Value Theory distribution under investigation. Moreover, based on the Generalised Pareto Distribution and the Generalised Extreme Value Distribution for portfolio optimisation, the results of the study show that during extreme conditions investors are prone to allocate more weight to developed stock market assets than to emerging markets. This confirms that developed economies are safe havens, especially during extreme market conditions. Moreover, the GPD is superior as it provides maximum risk-reward ratios.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».