Measures of Volatility, Crises, Sentiment and the Role of U.S. ‘Fear’ Index (VIX) on Herding in BRICS (2007–2021)
Notice bibliographique
Résumé
We look into determinants (volatility, crises, sentiment and the U.S. ‘fear’ index) of herding using BRICS as our sample. Investors herd selectively to crises and herding is a short-lived phenomenon. Herding was highest during the global financial crisis (only China was affected). There was no herding during the European debt crisis and COVID. With regard to the relationship between volatility and CSAD (cross sectional absolute deviation)/herding, a lower CSAD (movement in a specific direction) brings about less volatility. However, a high volatility amplifies herding (reduces CSAD), especially in China. Russia and South Africa are unresponsive to volatility levels (low/high) and herding. We also observe volatility heterogeneity. Different volatility measures have different effects on different markets. There is limited evidence to suggest that sentiment (based on principal component) Granger causes herding/CSAD. Herding is a period and market variant and unrelated to crises. The U.S. ‘fear’ index has a short-lived, limited effect on CSAD/herding (during COVID only) for all countries except China. In addition, Granger causality analysis indicates a two-way relationship between the U.S. ‘fear’ index and CSAD/herding, unrelated to crises.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 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 ».