Login for students

Login for employees

Publication detail

An interpretable system for predicting the impact of COVID-19 government interventions on stock market sectors
Authors: Yang Cai | Abedin Mohammad Zoynul | Zhang Hongwei | Weng Futian | Hájek Petr
Year: 2025
Type of publication: článek v odborném periodiku
Name of source: Annals of Operations Research
Publisher name: Springer
Place: Dordrecht
Page from-to: 1031-1058
Titles:
Language Name Abstract Keywords
cze Interpretovatelný systém pro predikci dopadu vládních opatření v souvislosti s COVID-19 na jednotlivé sektory akciového trhu Hodnocení a pochopení finančních dopadů pandemie COVID-19 se stalo naléhavou výzkumnou agendou. Přesto však zůstávají dopady vládních intervencí na akciové trhy nedostatečně prozkoumány. Tato studie poprvé analyzuje vliv vládních intervenčních politik souvisejících s COVID-19 na jednotlivé sektory akciového trhu s využitím vysvětlitelných predikčních modelů založených na strojovém učení. Empirické výsledky naznačují, že model LightGBM dosahuje vynikající predikční přesnosti při zachování vysoké výpočetní efektivity a snadné interpretovatelnosti. Dále zjišťujeme, že vládní opatření související s COVID-19 jsou lepšími prediktory volatility akciových trhů než samotné výnosy akciových trhů. Rovněž ukazujeme, že pozorované dopady vládních intervencí na volatilitu a výnosy deseti sektorů akciového trhu jsou heterogenní a asymetrické. Zjištění této studie mají významné implikace pro tvůrce hospodářských politik i investory, zejména pokud jde o podporu rovnováhy a udržitelné prosperity napříč jednotlivými průmyslovými sektory prostřednictvím vládních zásahů. COVID-19; Vládní intervence; Akciový trh; Shapleyho aditivní vysvětlení
eng An interpretable system for predicting the impact of COVID-19 government interventions on stock market sectors Evaluating and understanding the financial impacts of COVID-19 has emerged as an urgent research agenda. Nevertheless, the impacts of government interventions on stock markets remain poorly understood. This study explores, for the first time, the impact of COVID-19 related government intervention policies on different stock market sectors using explainable machine learning-based prediction models. The empirical findings suggest that the LightGBM model provides excellent prediction accuracy while preserving computationally efficient and easy explainability of the model. We also find that COVID-19 government interventions are better predictors of stock market volatility than stock market returns. We further show that the observed effects of government intervention on the volatility and returns of ten stock market sectors are heterogeneous and asymmetrical. Our findings have important implications for policymakers and investors in terms of promoting balance and sustaining prosperity across industry sectors through government interventions. COVID-19; Government interventions; Stock market; SHapley Additive exPlanations

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives