Volatility Spillovers and Market Integration: A Dynamic Connectedness Analysis of Emerging and Developed Stock Markets (2010–2024)
Notice bibliographique
Résumé
This study investigates the dynamic volatility spillovers and market connectedness between emerging and developed stock markets over the period 2010–2024. Employing the Time-Varying Parameter Vector Autoregressive (TVP-VAR) model combined with the Diebold-Yilmaz connectedness framework, we analyze the magnitude, direction, and time-varying nature of volatility transmission across fifteen major stock market indices. The sample includes eight developed markets (United States, United Kingdom, Germany, France, Japan, Canada, Australia, and Switzerland) and seven emerging markets (China, India, Brazil, Russia, South Africa, Mexico, and Indonesia). Our empirical findings reveal that developed markets, particularly the United States, serve as dominant transmitters of volatility spillovers, while emerging markets predominantly act as net receivers. The total connectedness index exhibits significant time variation, with pronounced spikes during the European sovereign debt crisis, the Chinese stock market turbulence of 2015–2016, and most notably during the COVID-19 pandemic. The results demonstrate that crisis periods substantially intensify cross-market volatility linkages, reducing the benefits of international portfolio diversification precisely when they are most needed. These findings carry significant implications for international investors, portfolio managers, and policymakers seeking to understand systemic risk transmission and develop effective risk management strategies in an increasingly interconnected global financial system.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».