On the Relationship between Oil and Exchange Rates of Oil-Exporting and Oil-Importing Countries: From the Great Recession Period to the COVID-19 Era
Notice bibliographique
Résumé
This paper is dedicated to studying and modeling the interdependence between the oil returns and exchange-rate movements of oil-exporting and oil-importing countries. Globally, twelve countries/regions are investigated, representing more than 60% and 67% of all oil exports and imports. The sample period encompasses economic and natural events like the Great Recession period (2007–2009) and the COVID-19 pandemic. We use the dynamic conditional correlation mixed-data sampling (DCC-MIDAS) model, with the aim of investigating the interdependencies expressed by the long-run correlation, which is a smoother (but always daily observed) version of the (daily) time-varying correlation. Focusing on the advent of the COVID-19 pandemic in 2020, the long-run correlations of the oil-exporting countries (Saudia Arabia, Russia, Iraq, Canada, United States, United Arab Emirates, and Nigeria) and (lagged) WTI crude oil returns strongly increase. For a subset of these countries (that is, Saudia Arabia, Iraq, United States, United Arab Emirates, and Nigeria), the (lagged) correlations turn out to be positive, while for Canada and Russia they remain negative as before the advent of the pandemic. In addition, the oil-importing countries and regions under investigation (Europe, China, India, Japan, and South Korea) experience a similar pattern: before the COVID-19 pandemic, the (lagged) correlations were negative for China, India, and South Korea. After the COVID-19 pandemic, the correlations of these latter countries increased.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».