Time–Frequency Co-Movement of South African Asset Markets: Evidence from an MGARCH-ADCC Wavelet Analysis
Notice bibliographique
Résumé
The growing prominence of generating a well-diversified portfolio by holding securities from multi-asset markets has, over the years, drawn criticism. Various financial market events have caused asset markets to co-move, especially in emerging markets, which reduces portfolio diversification and enhances return losses. Consequently, this study examines the time–frequency co-movement of multi-asset classes in South Africa by using the Multivariate Generalized Autoregressive Conditional Heteroscedastic–Asymmetrical Dynamic Conditional Correlation (MGARCH-DCC) model, Maximal Overlap Discrete Wavelet Transformation (MODWT), and the Continuous Wavelet Transform (WTC) for the period 2007 to 2024. The findings demonstrate that the equity–bond, equity–property, equity–gold, bond–property, bond–gold, and property–gold markets depict asymmetrical time-varying correlations. Moreover, correlation in these asset pairs varies at investment periods (short-term, medium-term, and long-term), with historical events such as the 2007/2008 Global Financial Crisis (GFC) and the COVID-19 pandemic causing these asset pairs to co-move at different investment periods, which reduces diversification properties. The findings suggest that South African multi-asset markets co-move, affecting the diversification properties of holding multi-asset classes in a portfolio at different investment periods. Consequently, investors should consider the holding periods of each asset market pair in a portfolio as they dictate the level of portfolio diversification. Investors should also remember that there are lead–lag relationships and risk transmission between asset market pairs, enhancing portfolio volatility. This study assists investors in making more informed investment decisions and identifying optimal entry or exit points within South African multi-asset markets.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».