Co-volatility dynamics in global cryptocurrency and conventional asset classes: a multivariate stochastic factor volatility approach
Notice bibliographique
Résumé
Purpose This study aims to investigate the co-volatility patterns between cryptocurrencies and conventional asset classes across global markets, encompassing 26 global indices ranging from equities, commodities, real estate, currencies and bonds. Design/methodology/approach It used a multivariate factor stochastic volatility model to capture the dynamic changes in covariance and volatility correlation, thus offering empirical insights into the co-volatility dynamics. Unlike conventional research on price or return transmission, this study directly models the time-varying covariance and volatility correlation. Findings The study uncovers pronounced co-volatility movements between cryptocurrencies and specific indices such as GSCI Energy, GSCI Commodity, Dow Jones 1 month forward and U.S. 10-year TIPS. Notably, these movements surpass those observed with precious metals, industrial metals and global equity indices across various regions. Interestingly, except for Japan, equity indices in the USA, Canada, Australia, France, Germany, India and China exhibit a co-volatility movement. These findings challenge the existing literature on cryptocurrencies and provide intriguing evidence regarding their co-volatility dynamics. Originality This study significantly contributes to applying asset pricing models in cryptocurrency markets by explicitly addressing price and volatility dynamics aspects. Using the stochastic volatility model, the research adding methodological contribution effectively captures cryptocurrency volatility's inherent fluctuations and time-varying nature. While previous literature has primarily focused on bitcoin and a few other cryptocurrencies, this study examines the stochastic volatility properties of a wide range of cryptocurrency indices. Furthermore, the study expands its scope by examining global asset markets, allowing for a comprehensive analysis considering the broader context in which cryptocurrencies operate. It bridges the gap between traditional asset pricing models and the unique characteristics of cryptocurrencies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».