MétaCan
Menu
Retour à la cohorte
Enregistrement W4366003056 · doi:10.5539/ijef.v15n5p37

Interrelationships Between the Brazilian Financial Market and Foreign Financial Markets: New Evidence During and After the Subprime Crisis

2023· article· en· W4366003056 sur OpenAlexvenueno aff
Edson Zambon Monte, Renzo Caliman Souza, Ricardo Ramalhe Moreira

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueRisk Management in Financial Firms
Établissements canadiensnon disponible
Organismes subventionnairesFundação de Amparo à Pesquisa e Inovação do Espírito SantoConselho Nacional de Desenvolvimento Científico e Tecnológico
Mots-clésSubprime crisisFinancial crisisSubprime mortgage crisisFinancial marketFinancial systemStock marketGranger causalityEquity (law)EconomicsStock exchangeChinaExchange rateStock market indexMonetary economicsBusinessFinanceGeographyMacroeconomics

Résumé

récupéré en direct d'OpenAlex

This study analyzed the financial interrelations between Brazil and selected foreign economies (United States (US), Germany, United Kingdom (UK), Japan and China) during and after the Subprime crisis, using three financial market indicators: stock market index, exchange rate and interest rate. The Vector Autoregressive approach and the Granger causality test were used, with daily data. The periods considered were: i) period of crisis (03/14/2007 to 03/31/2010); and ii) post-crisis period (04/01/2010 to 12/30/2019). The results revealed that in the Subprime crisis, the interrelations were intense, especially in the stock and exchange markets. IBOVESPA and Brazilian exchange rate were predominantly affected by the US, German and UK equity markets. Evidence in the post-crisis period showed considerably lesser interrelationships between the Brazilian financial market and foreign financial markets. Thus, the results confirmed that the crisis significantly intensified interrelations, with the main contagion channels as the stock markets and the foreign exchange markets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,164
Score d'incertitude au seuil0,501

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,230
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetRisk Management in Financial FirmsTravaux en français237 207