Investigating the Co-Volatility Spillover Effects between Cryptocurrencies and Currencies at Different Natures of Risk Events
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 examines and confirms the varying volatility of the relationship between cryptocurrency and currency markets at different time periods, such as when the market encountered multiple risk events including the US–China trade war, COVID-19, and the Russian–Ukraine war. We employ the Diagonal BEKK model and find that the co-volatility spillover effects between the returns of cryptocurrencies and currencies, with the exception of Tether and the U.S. dollar index, evolved significantly. Furthermore, the co-volatility spillover effects between cryptocurrencies and EUR have the largest effects and fluctuations. Large-cap cryptocurrencies (Bitcoin and Ethereum) have greater co-volatility spillover effects between them and currencies. Regarding the ability of cryptocurrencies to act as safe-haven for currencies, we observe that Bitcoin, Ethereum, and Tether served as safe-havens during the US–China trade war, and Bitcoin was a safe-haven during COVID-19. During the 2022 Russian–Ukraine war, Bitcoin and Tether were safe-havens. Interestingly, our findings point out that Bitcoin provides a more consistent safe-haven function for currency markets. Overall, by including multiple global risk events and a comprehensive dataset, the results support our conjecture (and earlier studies) indicating that the capabilities of cryptocurrency are time-varying and related to market status and risk events with different natures.
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 | 0,001 | 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 | 0,001 |
| 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