arXiv 2103.032192021-03q-fin.GN

COVID-19对巴基斯坦股票市场波动性的影响

The Impact of COVID-19 on Stock Market Volatility in Pakistan

Ateeb Akhter Shah Syed, Kaneez Fatima

摘要：

本文通过控制汇率、利率和政府/央行干预措施的影响来研究新型冠状病毒（COVID-19）对巴基斯坦股票市场波动性（SMV）的影响。我们在2020年2月25日至2020年12月7日的样本期内使用向量自回归（VAR）模型。我们发现，对巴基斯坦每日冠状病毒病例总数的冲击导致SMV显著增加。这一结果与大量关于流行病和投资者不确定性的文献相一致，并且在我们的分析中应用了几种稳健性检查。

英文摘要：

This paper examines the impact of coronavirus (COVID-19) on stock market volatility (SMV) in Pakistan by controlling the effect of exchange rate, interest rate and government/central bank interventions to combat the pandemic. We used the vector autoregressive (VAR) model over a sample period ranging from February 25, 2020 to December 7, 2020. We find that a shock to total daily coronavirus cases in Pakistan lead to a significant increase in SMV. This result is aligned with a vast literature on pandemics and investors uncertainty and remains robust to several robustness checks applied in our analysis.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

用于全球股票市场已实现波动率预测的图信号处理

Graph Signal Processing for Global Stock Market Realized Volatility Forecasting

本文提出一种集成图信号处理的已实现波动率预测框架，通过图傅里叶变换捕捉全球股市波动溢出效应，在24个全球指数数据上显著优于多种HAR基准模型。

2025-09-17q-fin.GN

股票市场如何反映经济需求的变化？COVID-19爆发期间中国股票市场波动溢出网络研究

How does stock market reflect the change in economic demand? A study on the industry-specific volatility spillover networks of China's stock market during the outbreak of COVID-19

采用精心挑选的行业分类标准，将中国股票市场102个行业证券指数划分为4个需求导向的行业组，并识别出需求导向的行业特定波动溢出网络。“需求导向”是一种考虑产业部门与其产出所满足的经济需求之间关系的网络结构重构思路。具有新结构的网络有助于我们更好地理解经济需求变化，特别是当宏观经济受到COVID-19爆发等外部冲击的巨大影响时。新冠疫情爆发初期，中国股票市场中，满足投资需求的行业指数对满足消费需求的行业指数的溢出效应显著上升。然而，在中国的疫情控制似乎有效后，这些溢出效应下降。此外，自2019冠状病毒病爆发以来，包括公用事业、运输及信息服务在内的若干服务行业在特定行业波动溢出网络中扮演越来越重要的角色。这意味着，首先，在中国政府的领导下，中国成功控制了COVID-19，并高效率地组织了复工。投资需求的风险得到了较快的控制和化解。第二，非药品干预的大量使用导致了中国服务业的供给限制。下一阶段，它仍将是中国经济复苏的潜在威胁。

2020-07-15q-fin.GN

股票的非对称关联性：坏的和好的波动性如何波及美国股票市场？

Asymmetric connectedness of stocks: How does bad and good volatility spill over the U.S. stock market?

波动溢出的不对称性与金融市场的风险评估和投资组合多元化策略密切相关。然而，研究信息传导机制的大量文献忽略了这样一个事实，即坏的和好的波动性可能会以不同的幅度溢出。本文填补了这一空白与两个贡献。第一，我们建议如何量化波动溢出的不对称性，由于坏的和好的波动。第二，使用涵盖七个行业中大多数流动性强的美国股票的高频数据，我们提供了股票非对称连通性的充分证据。我们普遍拒绝对称连接的假设，但在非聚集水平，相反，我们记录的对称传输的信息在一个汇总的投资组合。我们发现，坏的和好的波动性是在不同的行业中以不同的幅度传递，并且随着时间的推移，不对称性会发生很大的变化。虽然负面的溢出效应往往是巨大的，但它们并不严格地主导正面的溢出效应。我们发现，在金融危机期间，随着股票市场参与者的不确定性增加，美国股票的整体市场内关联性大幅增加。

2014-07-27q-fin.GNq-fin.ST

投资纠纷与股票异常波动

Investment Disputes and Abnormal Volatility of Stocks

外国投资者与东道国之间的投资争端急剧增加，引起了关于这些争端对投资者的影响的严重问题。这份文件是第一份解释投资者对仲裁结果的不确定性增加的文件，仲裁结果可能会也可能不会导致投资者要求的损害赔偿。我们发现强有力的证据表明，投资争端会导致与东道国争端的公司的股票异常波动。重要的是，虽然投资者的积极结果将不确定性降低到原始水平，但我们记录了公司波动性的大幅增加，投资者的负面结果。我们发现，几个变量，包括规模的裁决，政治不稳定，仲裁地点，投资者的原籍国或东道国的公共政策考虑解释了很大一部分投资者的不确定性。

2020-06-18q-fin.GN

结合动态图与所有交易日的全球股市波动率预测

Global Stock Market Volatility Forecasting Incorporating Dynamic Graphs and All Trading Days

本文提出一种结合动态图结构和所有交易日的全球股市波动率预测模型，采用时空图神经网络捕捉波动率溢出效应，在8个全球市场指数的实证中预测性能超越基线模型。

2025-09-16econ.GNq-fin.ECq-fin.GN

正偏度、反杠杆、反向波动不对称和卖空约束：来自中国市场的证据

Positive skewness, anti-leverage, reverse volatility asymmetry, and short sale constraints: Evidence from the Chinese markets

中国股票市场存在一些统计异常，即，正收益偏度、反杠杆效应（正收益比负收益引起更高的波动）和反向波动不对称（同期收益与波动正相关）。在本文中，我们首先确认这些异常的存在，使用每日公司层面的股票收益率数据的原始收益率，超额收益率和归一化超额收益率。我们的实证研究表明，投资者对新闻的不对称反应是统计异常的原因之一，如果卖空是受限制的。然后在证券借贷政策实施缓慢的背景下，通过面板分析，实证验证了卖空限制的解除显著降低了偏度、反杠杆效应和反向波动不对称性。正偏度是彩票的一个特征。投资者被鼓励押注中国市场的上行彩票，当卖空受到限制时，中国股市的上行趋势会更明显。

2015-11-05q-fin.GN

更多相关论文收起更多论文

金融收益分布中的肥尾现象：来自韩国股票市场的证据

Fat Tails in Financial Return Distributions Revisited: Evidence from the Korean Stock Market

本研究以韩国股票市场为研究对象，运用统计学方法，实证检验股票收益率分布中的厚尾现象。收益率分布的尾部在最近的时期比过去的时期要厚得多，小盘股比大盘股要厚得多。在控制了1997年的韩国外汇危机，并使用Gestival滤波器模型来控制波动率聚集的回报，厚尾分布的残差被发现持续存在。我们发现，市场崩溃和波动率聚集可能不足以解释存在的厚尾收益率分布。这些研究结果是强大的，无论时期或类型的股票组。

2019-04-04q-fin.GN

股指期货交易对现货价格波动的影响。使用TGARCH模型研究CSI 300

Stock index futures trading impact on spot price volatility. The CSI 300 studied with a TGARCH model

一个TGSTMI模型被认为是最佳的基础上调查的影响，指数期货交易对现货价格波动。本文以沪深300指数为研究样本，对中国股市的波动性进行了实证分析。实证结果表明，沪深300指数期货交易的推出显著降低了相应现货市场的波动性。研究还发现，沪深300现货市场与CCSI-300-IF市场之间存在平稳的均衡关系。双向格兰杰因果关系也被检测到。“最后”，推断出现货价格在3或4个滞后日的时间跨度内预测的准确性更高。

2021-08-29q-fin.GNq-fin.ST

横截面内禀熵。股票市场波动率的综合估计

The Cross-Sectional Intrinsic Entropy. A Comprehensive Stock Market Volatility Estimator

考虑到股票市场不确定性的时间维度，本文引入了一种基于内在熵模型的股票市场波动率的横截面估计。建议的横截面内在熵（CSIE）的定义和计算作为一个每日波动率估计整个市场，根据每日交易价格：开盘价，最高价，最低价，收盘价（OHLC），以及每日交易量的所有符号上市的纽约证券交易所（NYSE）和全国证券交易商协会自动报价（NASDAQ）。我们对从CSIE获得的时间序列和由估计器提供的历史波动率进行比较分析：接近收盘价，帕金森，加曼-克拉斯，罗杰斯-萨特，杨-张，和内在熵（IE），定义和计算的历史OHLC每日价格的标准普尔500指数（S&P500），道琼斯工业平均指数（DJIA），和纳斯达克综合指数，分别用于不同的时间间隔。我们的研究使用了大约6000天的参考点，从2001年1月1日开始，直到2022年1月23日，对于纽约证券交易所和纳斯达克。我们发现，CSIE市场波动率估计始终是至少10倍以上的敏感性，市场变化相比，通过市场指数捕捉的波动率估计。此外，贝塔值证实了整体市场指数的波动性风险始终较低，与整个市场在不同时间间隔和滚动窗口的波动性风险相比，低50%至90%。

2022-04-29q-fin.GNq-fin.MFq-fin.ST

竞争自催化剂的随机Lotka-Volterra系统一般导致截断Pareto幂财富分布，截断Levy市场收益分布，波动率，繁荣和崩溃

Stochastic Lotka-Volterra Systems of Competing Auto-Catalytic Agents Lead Generically to Truncated Pareto Power Wealth Distribution, Truncated Levy Distribution of Market Returns, Clustered Volatility, Booms and Craches

我们给出了股票市场的一个微观表象，其中微观主体是个体交易者和他们的资本。它们的基本动力在于个体资本的自动催化，以及投资于股票的总财富（我们将其等同于股票指数）所介导的代理人之间的全球竞争/合作。我们发现，这样的系统一般导致（截断）帕累托幂律分布的个人财富。这反过来又会导致间歇性的市场（短时间）回报参数化（截断）利维分布。我们将列维分布的截断与（帕累托幂律的截断）这样一个事实联系起来，即在每一时刻，没有交易者拥有的财富可以超过当前投资于股票的总财富。在系统由最大的交易者主导的情况下，动态看起来类似于嘈杂的低维混沌。通过引入交易者的记忆和/或个人和集体财富波动之间的反馈（后者与股票回报率相同），人们获得了集群的“波动性”以及市场繁荣和崩溃。基本的反馈回路包括：-计算股票的市场价格，作为交易者投资于股票的个人财富的总和，以及-确定个人交易者财富的时间变化，作为他/她以前的财富乘以股票回报（即股票价格的变化）。

1998-03-30adap-orgchao-dyncond-mat.dis-nn

金融相关谷歌搜索的幂律相关性及其与波动性和交易量的交叉相关性：来自道琼斯工业指数的证据

Power-law correlations in finance-related Google searches, and their cross-correlations with volatility and traded volume: Evidence from the Dow Jones Industrial components

我们研究了道琼斯工业平均指数（DJIA）成分股的谷歌搜索查询的幂律相关特性。检查的每日数据的搜索条款与组合的重新缩放的范围和重新缩放的方差检验与去趋势波动分析，我们发现，搜索实际上是幂律相关的赫斯特指数在0.8和1.1之间。因此，对道琼斯工业平均指数股票的普遍兴趣是强烈持久的。我们进一步重新研究的交叉相关结构的搜索，交易量和波动性的成分股票使用去趋势交叉相关和去趋势移动平均交叉相关系数。与相关Google搜索的普遍幂律相关性结构相反，结果表明在线搜索查询和分析的财务指标之间没有普遍的关系。尽管我们确认了大多数配对的正相关性，但也有几对配对的相关性不显著，甚至是负相关。此外，不同尺度之间的相关性差异很大。

2015-02-01physics.data-anq-fin.GNq-fin.ST