Connectedness between Sectors: The Case of the Polish Stock Market before and during COVID-19
Notice bibliographique
Résumé
This article studies the connectedness between economic sectors of the Polish stock market. The sectors that are considered are the following: banks, basic materials, chemicals, construction, developers, energy, food, and oil and gas. The analysis of the connectedness among sectors is conducted from a statistical and dynamic perspective. Using the time-varying parameter vector autoregression (TVP-VAR) method, the intensity, direction and variation of volatility spillover between the economic sectors are studied. Two samples are analysed, the first one being from 1 January 2013 to 12 December 2019, which corresponds to the period before the pandemic caused by COVID-19, and the second one being from 1 January 2020 to 2 December 2021, which corresponds to the period during the pandemic. A series of results are obtained. First, the connectedness between the economic sectors varies depends on the time. Second, the connectedness between the sectors was stronger during the crisis caused by the outbreak of COVID-19 rather than before the crisis. The volatility of each sector was also primarily due to their own volatility. Thirdly, the banking sector was the main sector with respect to volatility spillover. The results that are obtained are important for making the right decisions regarding financial stability under crisis circumstances, when considering development strategies for some economic sectors but also in portfolio management for performing diversification and risk-mitigation strategies.
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 | 0,002 | 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 | 0,001 | 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 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 ».