Mapping Risk–Return Linkages and Volatility Spillover in BRICS Stock Markets through the Lens of Linear and Non-Linear GARCH Models
Notice bibliographique
Résumé
This paper explores the influence of the risk–return relationship and volatility spillover on stock market returns of emerging economies, with a particular focus on the BRICS countries. This research is undertaken in a context where discussions on de-dollarization and the expansion of BRICS membership are gaining momentum, making it a novel and distinct exercise compared to prior studies. Utilizing econometric techniques to investigate daily market returns from 1 April 2008 to 31 March 2023, a period that witnessed major events like the global financial crisis, the COVID-19 pandemic, and the Russia–Ukraine conflict, linear and non-linear models like ARCH, GARCH, GARCH-M, EGARCH, and TGARCH, are employed to assess stock return volatility behaviour, assuming a Gaussian distribution of error terms. The diagnostic test confirms that the distribution is non-normal, stationary, and heteroscedastic. The key findings indicate a lack of the risk–return relationship across all BRICS stock markets, except for South Africa; a more pronounced effect of unpleasant news over pleasant news; a slow mean-reverting process in volatility; the EGARCH model is the best fit model as evidenced by a higher log likelihood and lower Akaike information criterion and Schwardz information criterion parameters; and finally, the presence of significant bidirectional and unidirectional spillover effects in the majority of instances. These findings are valuable for investors, regulators, and policymakers in enhancing returns and mitigating risk through portfolio diversification and informed decision making.
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 | 0,002 | 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 | 0,001 |
| 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 ».