Connectedness Between Green Financial and Cryptocurrency Markets: A Multivariate Analysis Using TVP-VAR Model and Wavelet-Based VaR Analysis
Notice bibliographique
Résumé
This paper examines the interconnection and wavelet coherence between the green cryptocurrency market and the green conventional market, utilizing daily data. The research period covers 1 July 2020 to 30 September 2024. Employing the time-varying parametric vector autoregression (TVP-VAR) model and wavelet coherence analysis, we capture both short- and long-term spillovers across markets. The results show that cryptocurrencies, particularly Binance and Litecoin, act as dominant transmitters of volatility and return shocks, while green conventional indices function mainly as receivers with strong self-dependence. Spillover intensity is highly time-varying, with peaks during periods of systemic stress, particularly during the COVID-19 pandemic, and troughs indicating diversification opportunities. These findings advance the literature on systemic risk and portfolio design by showing that crypto assets can simultaneously amplify vulnerabilities and enhance diversification when combined with green finance instruments. For policy, the results highlight the need for regulatory frameworks that integrate sustainability taxonomies, mandate environmental disclosures for digital assets, and incentivize energy-efficient blockchain adoption to align crypto markets with sustainable finance objectives. This research enhances our understanding of the interrelationship between green investments and cryptocurrencies, providing valuable insights for investors and policymakers on risk management and diversification strategies in an increasingly sustainable financial landscape.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».