An Investigation of Changes in Returns on Peer-to-Peer Lending in Lithuania and Sweden During the COVID-19 Pandemic: Evidence from Wavelet Coherence Analysis
Notice bibliographique
Résumé
FinTech has revolutionised financial services, making them more accessible and efficient. However, the COVID-19 pandemic impacted the FinTech industry, including peer-to-peer lending, in Lithuania and Sweden. This article explores the relationship between the pandemic and changes in peer-to-peer lending returns in both countries. By analysing existing literature, statistical data, and using wavelet coherence analysis, the study aims to understand the influence of COVID-19 on lending in Lithuania and Sweden. The results indicate that the pandemic had a limited impact on Lithuanian peer-to-peer lending, with average interest rates declining over time. Negative correlations between infection cases and lending returns were observed in specific quarters but were only significant in the short term. In contrast, the influence on Swedish peer-to-peer lending was more pronounced. Interest rates initially decreased, but a significant increase occurred in the first quarter of 2022, coinciding with a surge in COVID-19 infections and foreign policies. The negative correlation between cases of infection and lending returns persisted across the short, medium, and long terms alike in Sweden. These findings suggest that the Swedish peer-to-peer lending market was more affected by the economic and policy factors related to the pandemic than that of Lithuania.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».