Integration and Risk Transmission Dynamics Between Bitcoin, Currency Pairs, and Traditional Financial Assets in South Africa
Notice bibliographique
Résumé
This study explores the new insights into the integration and dynamic asymmetric volatility risk spillovers between Bitcoin, currency pairs (USD/ZAR, GBP/ZAR and EUR/ZAR), and traditional financial assets (ALSI, Bond, and Gold) in South Africa using daily data spanning the period from 2010 to 2024 and employing Time-Varying Parameter Vector Autoregression (TVP-VAR) and wavelet coherence. The findings revealed strengthened integration between traditional financial assets and currency pairs, as well as weak integration with BTC/ZAR. Furthermore, BTC/ZAR and traditional financial assets were receivers of shocks, while the currency pairs were transmitters of spillovers. Gold emerged as an attractive investment during periods of inflation or currency devaluation. However, the assets have a total connectedness index of 28.37%, offering a reduced systemic risk. Distinct patterns were observed in the short, medium, and long term in time scales and frequency. There is a diversification benefit and potential hedging strategies due to gold’s negative influence on BTC/ZAR. Bitcoin’s high volatility and lack of regulatory oversight continue to be deterrents for institutional investors. This study lays a solid foundation for understanding the financial dynamics in South Africa, offering valuable insights for investors and policymakers interested in the intricate linkages between BTC/ZAR, currency pairs, and traditional financial assets, allowing for more targeted policy measures.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».