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
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
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.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 découle