Impact Analysis of Pandemic on Nigeria’s Stock Market Performance
Notice bibliographique
Résumé
We empirically conducted a distinct analysis of the efficiency of the stock market before and during the Covid-19 pandemic in Nigeria as well as the impact of the Covid-19 pandemic on several indicators of stock market performance. Data were collected on stock variables on monthly basis for the pre-Covid-19 era (2018M02 to 2020M01) and Covid-19 pandemic era (2020M02 to 2022M01) from the Central Bank of Nigeria Statistical Bulletin, while data on the numbers of daily new confirmed cases (New cases and deaths) as well as the government response stringency index on COVID-19 pandemic were obtained from Our World in Data (OWID). We leveraged numerous advantages of the Data Envelopment Analysis (DEA) to estimate stock market efficiency before and during the Covid-19 pandemic for the purpose of comparison. Also, we employed the Autoregressive Distributed Lag Mixed Data Sampling (ADL-MIDAS) approach to conduct the impact analysis of the Covid-19 pandemic on stock market performance. We found that, in terms of efficiency, the stock market was more efficient during the Covid-19 pandemic than in the pre-Covid-19 era, being the only active market among other financial markets especially when several restrictions and total lockdown were imposed. In terms of returns and volatility, the study concluded that the Covid-19 pandemic did not significantly influence Nigeria’s stock market performance negatively. However, the government stringency measures had a significant positive impact on the stock market return in Nigeria. Our findings are instructive to policymaking and financial regulation.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».