Connectedness of cryptocurrency markets to crude oil and gold: an analysis of the effect of COVID-19 pandemic
Notice bibliographique
Résumé
Abstract The notion that investors shift to gold during economic market crises remains unverified for many cryptocurrency markets. This paper investigates the connectedness between the 10 most traded cryptocurrencies and gold as well as crude oil markets pre-COVID-19 and during COVID-19. Through the application of various statistical techniques, including cointegration tests, vector autoregressive models, vector error correction models, autoregressive distributed lag models, and Granger causality analyses, we explore the relationship between these markets and assess the safe-haven properties of gold and crude oil for cryptocurrencies. Our findings reveal that during the COVID-19 pandemic, gold is a strong safe-haven for Bitcoin, Litecoin, and Monero while demonstrating a weaker safe-haven potential for Bitcoin Cash, EOS, Chainlink, and Cardano. In contrast, gold only exhibits a strong safe-haven characteristic before the pandemic for Litecoin and Monero. Additionally, Brent crude oil emerges as a strong safe-haven for Bitcoin during COVID-19, while West Texas Intermediate and Brent crude oils demonstrate weaker safe-haven properties for Ether, Bitcoin Cash, EOS, and Monero. Furthermore, the Granger causality analysis indicates that before the COVID-19 pandemic, the causal relationship predominantly flowed from gold and crude oil toward the cryptocurrency markets; however, during the COVID-19 period, the direction of causality shifted, with cryptocurrencies exerting influence on the gold and crude oil markets. These findings provide subtle implications for policymakers, hedge fund managers, and individual or institutional cryptocurrency investors. Our results highlight the need to adapt risk exposure strategies during financial turmoil, such as the crisis precipitated by the COVID-19 pandemic.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».