Does the yield curve affect the systemic risk between the stocks of FinTech and traditional finance companies?
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
• Impact of yield curve on systemic risk in US financial services sector. • QVAR used to estimate systemic risk. • Level and slope components negatively and significantly affect systemic risk. • Yield curve impact is strongest in normal market conditions. This study explores the effect of yield curve components (level, slope, and curvature) on the return connectedness (systemic risk) between US FinTech stocks and traditional US financial stocks. Quantile connectedness analysis reveals that total connectedness fluctuates over time, particularly reaching high levels during the COVID-19 lockdowns and the 2023 US bank panic, underscoring the substantial impact of global health crises and bank panics. Connectedness tends to be higher but less variable under extreme market conditions than during normal times. The level and slope components of the yield curve negatively and significantly affect total connectedness in both normal and extreme conditions. This suggests that favorable economic conditions reduce systemic risk; however, the strength of these effects varies depending on market conditions. Their impact is most substantial in normal market conditions, with a one-standard deviation rise in the level (slope) reducing systemic risk by 0.77% (1.22%). Conversely, a one-standard deviation increase in economic policy uncertainty most notably raises total connectedness by 2.01% in normal markets. In contrast, a similar increase in five-year expected inflation decreases total connectedness the most, by 2.46% in normal 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.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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