Analysis of the Impact of COVID-19 Pandemic on the Intraday Efficiency of Agricultural Futures Markets
Notice bibliographique
Résumé
The investigation of the fractal nature of financial data has been growing in the literature. The purpose of this paper is to investigate the impact of the COVID-19 pandemic on the efficiency of agricultural futures markets by using multifractal detrended fluctuation analysis (MF-DFA). To better understand the relative changes in the efficiency of agriculture commodities due to the pandemic, we split the dataset into two equal periods of seven months, i.e., 1 August 2019 to 10 March 2020 and 11 March 2020 to 25 September 2020. We used the high-frequency data at 15 min intervals of cocoa, cotton, coffee, orange juice, soybean, and sugar. The findings reveal that the COVID-19 pandemic has great but varying impacts on the intraday multifractal properties of the selected agricultural future markets. In particular, the London sugar witnessed the lowest multifractality while orange juice exhibited the highest multifractality before the pandemic declaration. Cocoa became the most efficient while the cotton exhibited the minimum efficient pattern after the pandemic. Our findings show that the highest improvement is found in the market efficiency of orange juice. Furthermore, the behavior of these agriculture commodities shifted from a persistent to an antipersistent behavior after the pandemic. The information given by the detection of multifractality can be used to support investment and policy-making decisions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».