The Effect of COVID-19 on Cryptocurrencies and the Stock Market Volatility: A Two-Stage DCC-EGARCH Model Analysis
Notice bibliographique
Résumé
This research examines the correlations between the return volatility of cryptocurrencies, global stock market indices, and the spillover effects of the COVID-19 pandemic. For this purpose, we employed a two-stage multivariate volatility exponential GARCH (EGARCH) model with an integrated dynamic conditional correlation (DCC) approach to measure the impact on the financial portfolio returns from 2019 to 2020. Moreover, we used value-at-risk (VaR) and value-at-risk measurements based on the Cornish–Fisher expansion (CFVaR). The empirical results show significant long- and short-term spillover effects. The two-stage multivariate EGARCH model’s results show that the conditional volatilities of both asset portfolios surge more after positive news and respond well to previous shocks. As a result, financial assets have low unconditional volatility and the lowest risk when there are no external interruptions. Despite the financial assets’ sensitivity to shocks, they exhibit some resistance to fluctuations in market confidence. The VaR performance comparison results with the assets portfolios differ. During the COVID-19 outbreak, the Dow (DJI) index reports VaR’s highest loss, followed by the S&P500. Conversely, the CFVaR reports negative risk results for the entire cryptocurrency portfolio during the pandemic, except for the Ethereum (ETH).
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 ».