Alternative investments during turbulent times comparison of dynamic relationship
Notice bibliographique
Résumé
The coronavirus pandemic, like the Russian aggression on Ukraine, had a significant impact on many financial markets and asset prices. The latter additionally led to large fluctuations on financial markets. In this paper, we try to compare the performance of safe haven assets during turbulent times, such as the recent global financial crises, eurozone debt crises, the COVID-19 pandemic and the Russian aggression on Ukraine. We investigate the dynamic relationship between indices from the European countries like the Czech Republic, France, Germany, Great Britain, Poland, Slovakia, Spain, and popular instruments such as gold, silver, Brent Crude Oil, Crude Oil WTI, US Dollar, Swiss Franc, and Bitcoin. The study estimated the parameters of either DCC or CCC models, to compare the dynamic relation between the above-mentioned stock markets and financial instruments. The results showed that in most cases, the US Dollar and Swiss Franc were able to protect investors from stock market losses during turbulent times. In those periods, gold was the closest to being a safe haven instrument for investors from France, Poland, the Czech Republic and Slovakia. Our findings are in line with other literature which points out that safe haven instruments can change over time and across countries. In that literature, we can find research performed for the USA, China, Canada, and Great Britain, but there is no such research for Poland, Italy, the Czech Republic or Slovakia. The purpose of this paper is therefore to try to fill this research gap.
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 | 0,002 |
| 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) | 0,001 | 0,001 |
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 ».