Publikace detail

An interpretable system for predicting the impact of COVID-19 government interventions on stock market sectors

Autoři: Yang Cai | Abedin Mohammad Zoynul | Zhang Hongwei | Weng Futian | Hájek Petr

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: Annals of Operations Research

Název nakladatele: Springer

Místo vydání: Dordrecht

Strana od-do: 1031-1058

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte