Risk transmission and interconnectedness between Fintech and oil-exporting markets during global crises
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study explores the dynamic interconnectedness and risk spillovers between FinTech, technological innovation, and the stock markets of major oil-exporting economies, i.e. Saudi Arabia, Russia, the United States, Iraq, and Canada, during the COVID-19 pandemic and the Russia–Ukraine war. Using a Time-Varying Parameter Vector Autoregression (TVP-VAR) framework, we uncover how systemic linkages evolve across crises. Results show that during COVID-19, Canada, Russia, and Iraq acted as dominant shock transmitters, while the United States, Saudi Arabia, and technological innovation were net recipients, reflecting structural vulnerabilities tied to market depth, institutional strength, and reliance on resource revenues. In contrast, during the Russia–Ukraine war, Iraq remained a persistent transmitter, while the U.S., Russia, and Canada exhibited greater self-connectedness, signaling inward market adjustments. FinTech and technological innovation consistently absorbed volatility, highlighting their growing systemic relevance but also fragility under global uncertainty. The findings highlight shifting contagion channels, urging market participants to adjust hedging strategies and policymakers to strengthen macro prudential coordination for stability. • Examines Fintech–oil market interconnectedness during COVID-19 and Russia–Ukraine war. • Applies a TVP-VAR framework to uncover dynamic spillovers among key oil-exporting markets. • Finds Canada, Russia, and Iraq as dominant risk transmitters in the COVID-19 period. • Iraq remains a persistent transmitter, while U.S., Russia, and Canada show self-links in Russia–Ukraine war. • Fintech and technological innovation absorb volatility, revealing fragility and systemic relevance.
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.
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) | 0,001 | 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 | 0,000 |
| 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 découle