The Australian Stock Market’s Reaction to the First Wave of the COVID-19 Pandemic and Black Summer Bushfires: A Sectoral Analysis
Notice bibliographique
Résumé
In this study, we investigated the impact of the first wave of the COVID-19 pandemic on various sectors of the Australian stock market. Market capitalization and equally weighted indices were formed for eleven Australian sectors to examine the influence of the pandemic on them. First, we examined the financial contagion between the Chinese stock market and Australian sector indices through the dynamic conditional correlation fractionally integrated generalized autoregressive conditional heteroskedasticity (DCC-FIGARCH) model. We found high time-varying correlations between the Chinese stock market and most of the Australian sector indices, with the financial, health care, information technology, and utility sectors displaying a decrease in co-movements during the pandemic. The Modified Iterative Cumulative Sum of Squares (MICSS) analysis results indicated the presence of structural breaks in the volatilities of most of the sector indices around the end of February 2020, but consumer staples, industry, information technology and real estate indices did not display any break. Markov regime-switching regression analysis depicted that the pandemic has mainly affected three sectors: consumer staples, industry, and real estate. When we considered the firm size, we found that smaller companies in the energy sector exhibited gradual deterioration, whereas small firms in the consumer staples sector experienced the largest positive impact from the pandemic.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».