Trade uncertainty: Impacts of Trump tariff risk on technology and energy stock markets
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 paper investigates how global technology and energy markets are exposed to tariff risks during the Trump first and second term presidency in the context of international trade uncertainty. Using the multivariable simultaneous quantile regression and data from January 1, 2017 to May 30, 2025, the paper examines daily and monthly responses of technology and energy stock markets to tariff risks using the US Trade Policy Uncertainty Index (TPU_US) and World Trade Uncertainty Index (WTUI). The sample covers the global market, Australia, Canada, China, France, India, Japan, Sweden, Taiwan, the United Kingdom (UK), and the United States (US). The results indicate that trade risk exerts significant daily impacts on both technology and energy markets, with its varying effects across different market conditions. Specifically, in most markets, the impact transitions are from negative in lower quantiles reflecting bearish or unstable market conditions to positive in higher quantiles, associated with bullish market phases. This pattern suggests that, during economic downturns, US trade policy uncertainty increases perceived risk and depresses returns in both technology and energy sectors. However, under favourable market conditions, such uncertainty may create opportunities for certain assets within these sectors to serve as effective hedges, potentially enhancing their attractiveness to investors during bull markets. This study timely contributes to the literature on the asymmetric effects of tariff risks on technology and energy stock markets at the global and national levels. Our findings offer practical implications for policy makers and investment practitioners that investing in technology and energy sectors can hedge against trade policy risks under bullish market conditions.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,060 | 0,024 |
| Études des sciences et des technologies | 0,004 | 0,014 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,008 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle