Oil shocks and the Islamic financial market: Evidence from a causality-in-quantile approach
Notice bibliographique
Résumé
This study examines the nonlinear relationship between Islamic stock indices and oil shocks. Nonlinearity is viewed from the prism of nonparametric causality-in-quantile, and oil price is decomposed into demand, supply, and risk. The objective of this study is to examine the causality between sectoral Islamic stocks and oil shocks. Using a dataset for ten sectoral Islamic stock indices, we show that causality between the variables of interest is heterogenous across (i) measures of shocks (i.e., demand, supply, or risk), (ii) types of the sector (i.e., the ten sectors), (iii) state of the market (bear, normal, bull) and (iv) model specifications (mean vs. variance equation). We find that for the US, sectoral returns, demand and risk shocks affect Industrial, Information Technology, and ESG sectors across all quantiles, while supply shocks cause changes across normal market conditions. The US healthcare sector remains insensitive and the communications sector is affected only across extreme quantiles. Each oil shock exhibits a significant causal effect on Asian Pacific and Emerging Islamic markets consistently across all quantiles. Developed and European Islamic markets remain sensitive to risk-related shocks. Policy implications of these results are discussed. • We examine nonlinear relationship between Islamic finance and oil shocks for ten sectoral Islamic finance stocks. • We use nonparametric causality-in-quantile, and decompose oil price into demand, supply, and risk. • We show that causality between the variables of interest is heterogenous across. (i) measures of shocks (i.e., demand, supply, or risk) (ii) types of the sector (i.e., the ten sectors) (iii) state of the market (bear, normal, bull) (iv) model specifications (mean vs. variance equation)
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) | 0,000 | 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) | 0,001 | 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 ».