The shock of war: do trade relations impact the reaction of stock markets to the Russian invasion of Ukraine?
Bibliographic record
Abstract
Celem artykułu jest sprawdzenie, czy siła powiązań handlowych z Rosją i Ukrainą istotnie różnicuje reakcję giełd papierów wartościowych na militarną agresję Rosji na Ukrainę 24 lutego 2022 r. Zakres podmiotowy badania stanowią wszystkie kraje G20 oraz Unii Europejskiej. W badaniu skoncentrowano się na jednodniowej zmianie indeksu giełdowego w pierwszym dniu inwazji oraz zmianie indeksu giełdowego w okresie od 23 lutego do 7 marca 2022 r. Data 7 marca 2022 r. odnosi się do najwyższego poziomu niepewności giełdowej w następstwie wybuchu analizowanego konfliktu zbrojnego. Na podstawie analizy skupień metodą k-średnich wyodrębniono trzy klastry reprezentujące kraje o podobnym udziale w handlu z Rosją i Ukrainą. Następnie, wykorzystując test Kruskala-Wallisa oraz test rang Wilcoxona, zweryfikowano, czy istnieją istotne różnice w reakcjach giełd między wyodrębnionymi grupami krajów. Zaobserwowano, że poziom powiązań handlowych kraju ze stronami konfliktu istotnie różnicuje reakcje indeksów giełdowych. Największe spadki wartości notują wiodące indeksy giełdowe z krajów najbardziej powiązanych gospodarczo z Rosją i Ukrainą. Wyniki badań wskazują na to, że poziom relacji gospodarczych między krajami może mieć istotny wpływ na reakcję indeksów giełdowych na wybuch międzynarodowych konfliktów zbrojnych, w szczególności w okresie globalizacji rynków finansowych.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".