Do Market and Herding Effect Really Impact on Investment Decision Making in the Indian Share Market?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
“Mad March – 2020, witnessed dramatic down-slide in the world’s top stock exchanges due to COVID-19 pandemic with worrying volatility which resulted in traders panic sold off their holdings out of fear”.2020’s first quarter witnessed substantial losses in the several well-recognized stock indices, especially between March 6 to 18, more than 20% that were triggered downward by the outbreak of COVID-19. Dow Jones Industrial Average and S&P 500 experienced the worst first quarter ever in the history during the year 2020 reducing its value by 23.2%. The year 2020 witnessed several historical landmark changes in the Indian share market movements along with other prominent stock exchanges of the globe. On March 23rd, 2020, Benchmark index SENSEX touched intraday lowest value of 25880 and NIFTY fell to the lowest value of 7583. Throughout the globe, including Indian investors, started to rush for clearing their holdings ahead of dark lines created by the pandemic in spite of most of the financial analysts’ suggestion for fresh buy and/or to hold previous purchase for long. Supporting financial experts’ views, within the next nine months SENSEX has gained around 100% and stood at 48834.34 on 8th Jan 2021.
 There are many studies both in India and outside the country that have provided evidence for the role of behavioral factors on investment decision-making at respective stock markets. Here authors attempted to verify, ‘weather market factor and herding effect of behavioral variables do influences on investment decision making of Indian share market investors?’
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.
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 | 0,004 | 0,003 |
| 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 | 0,001 | 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) | 0,002 | 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 découle