Does the source of oil price shock matter for Indian sectoral stock returns? A time-frequency approach to analyse dynamic connectedness and spillovers
Notice bibliographique
Résumé
This paper examines the connectedness and spillovers between decomposed oil shocks and Indian sectoral equities in a time-frequency domain using the most recent Barunik and Krehlik (2018) approach. Our empirical results show that the oil demand shock is the major spillover transmitter across all time horizons followed by the risk shocks; while oil supply shock appears to be a net receiver in all the frequency bands indicating the differential impact of oil shocks. Among the sectors, Basic Materials and Finance receive the highest spillovers from oil shocks in the short-term; while Consumer Discretionary Goods & Services and Industrials join the list in the medium- and long-term. FMCG, Health, Telecom and IT sectors receive the least spillovers in all the bands, making them apt for investments during periods of high volatility. Our empirical results are robust to the application of the alternative TVP-VAR time-frequency parameter framework. The portfolio analysis shows that inclusion of stocks in Oil and sectors like Metal and Telecom significantly reduces the portfolio risk. Dynamic connectedness analysis reveals that the spillovers dramatically increase during times of extreme turmoil, especially during the Global Financial Crisis (2008–2009) and the COVID-19 pandemic. Policy implications of our empirical results are also discussed.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».