Assessing the performance of safe haven assets during major crises
Notice bibliographique
Résumé
This paper investigates the safe-haven characteristics of three assets, namely gold, crude oil and Bitcoin, and their ability to reduce downside risk of different portfolios during two severe financial crises: the 2008 global financial crisis (GFC) and the 2019 Coronavirus pandemic (COVID-2019). We examine the left-tail behaviour of portfolios consisting of 60/40 equity returns and bond yield from six G20 member nations by applying EVT, BMM in the context of portfolio optimisation and examine which selection of safe-haven assets between gold, crude oil and Bitcoin can be amalgamated to the stock/bond mix for an optimal portfolio during crises. The portfolios are from three developed countries: Canada, United States of America (USA) and United Kingdom (UK), while the three emerging countries are Russia, Brazil and South Korea. The sample data is from 2007 to 2009 for the GFC and 2019 to 2023 for COVID-19. The findings of the paper show that during the GFC, the addition of gold and crude oil and the combination of the two allowed the heavy Fréchet-type tails to transform into thin Weibull-type tails. This implies that the two assets acted as safe-haven assets during the crisis and gold being the best safe-haven option for all countries. Contrarily, COVID-19 yielded mixed results, all the assets including the digital cryptocurrency acted as a safe haven for only two emerging countries, namely Russia and Brazil, improving both tail behaviours to Weibull-type tails, with gold and Bitcoin serving safe-haven characteristics for both countries.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».