Does the yield curve affect the systemic risk between the stocks of FinTech and traditional finance companies?
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.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,004 | 0,001 |
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 ».