MétaCan
Menu
Retour à la cohorte
Enregistrement W3206252910 · doi:10.3389/fenrg.2021.595060

Energy and Bank Equity Interactions

2021· article· en· W3206252910 sur OpenAlexaboutno aff
Mohammed Sharaf Shaiban, Di Li, Akram Shavkatovich Hasanov

Notice bibliographique

RevueFrontiers in Energy Research · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMarket Dynamics and Volatility
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVariance decomposition of forecast errorsEconomicsEquity (law)Monetary economicsOil priceEmerging marketsPortfolioEconometricsFinancial economicsMacroeconomics

Résumé

récupéré en direct d'OpenAlex

Oil price shocks harm real output and bank and industrial profit in most oil-importing countries, which has motivated us to investigate the impact of these shocks on the equity performance of banking industries. To fulfill the research objectives, we involve a sample of developed and emerging economies for comparison purposes. The objective of employing the Toda and Yamamoto (Journal of econometrics, 1995, 66 (1), 225–250) causality test is to explore the time-variant relationship between oil prices and banking indices to investigate how oil price shocks affect the performance of country-specific banking industries. In addition, an impulse response function and variance decomposition analysis are utilized to, respectively, examine the time-variant relationship between oil price shocks and macroeconomic factors and the performance of the banking sector. Results vary across different economies in our sample, but the magnitude of oil price impact is relatively significant in the US, the UK, Canada, Japan, Mexico, and Brazil. The findings indicate that oil price rises adversely affect equity bank indices in developed and emerging economics except for Mexico. Notably, our findings show that oil prices and interest rates jointly have significant power in explaining the banking equity variation and suggest that international bank portfolio investors should consider hedging oil price risk.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,861
Score d'incertitude au seuil0,482

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,324
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Energy ResearchMême sujetMarket Dynamics and VolatilityTravaux en français237 207