COVID Asymmetric Impact on the Risk Premium of Developed and Emerging Countries’ Stock Markets
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
We estimated the stock market risk premium during the COVID-19 pandemic with a GARCH-in-Mean (GARCH-M)(1,1) model. The analysis then explored the presence of regime changes using a two-regime Markov-Switching GARCH (MS GARCH)(1,1) model. The sample we used included the stock market indexes of nine countries from three geographical regions, including: North America (Canada, USA, and Mexico), South America (Brazil and Argentina), and Asia (Japan, South Korea, Hong Kong, and Singapore), over two periods: (a) pre-COVID (from 1 January 2015 to 31 December 2019); and (b) COVID (from 1 January 2020 to 31 December 2021). Our GARCH-M(1,1) estimation results indicate that the more developed countries’ stock markets experienced an important increase in their risk premium during the COVID period, likely explained by the massive government anticyclical policies. By contrast, developing countries’ stock markets, particularly in Latin America, experienced a reduction, and in some cases, even a total loss of the risk premium effect. From the perspective of investors and portfolio risk managers, the identification of high and low volatility periods and their estimated probability of occurrence is useful for the characterization of stress scenarios and the design of emerging strategies. For governments and central bankers, the implementation of different policies should respond to the more likely scenarios but should also be prepared to respond to other less likely scenarios. Institutional preparedness to respond to as many different scenarios as may be identified with the use of MS GARCH models can make their interventions more successful. This work presents an objective example of how the use of MS GARCH models may be of use to practitioners in both the financial industry and government. We confirmed that the results of a two-regime MS GARCH model are superior to those obtained from a single-regime model.
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 | 0,003 | 0,001 |
| 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) | 0,002 | 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