|
1. ابونوری، ا. و ضیاالدین، ح. (1398). بازدهی و تلاطم بین قیمت جهانی نفت و شاخص بازار سهام در کشورهای عضو اوپک. مدلسازی اقتصادی، 14(49)،24-1. 2. احمدی، ح.ر.، هاشمی‌نژاد، س. م.، و محمودی، م. (1401). بررسی سرریز ریسک بازار رمزارزها با بازارهای مالی داخلی. دانش سرمایه‌گذاری، 14(53)، 574-551. 3. باقری، س. و انصاری سامانی، ح. (1399). بررسی اثرات سرریز بحران های مالی جهانی بر بازار نفت اوپک. نشریهٔ انرژی ایران، 23(3)، 85-103. 4. پوریعقوبی، ه. و اشرفی، ی. (1396). سرایت‌پذیری تلاطم بازده میان صنایع مختلف بازار سرمایهٔ ایران. دانش سرمایه‌گذاری، 9(34)، 277-293. 5. توکلیان، ح. و اعتمادی، س. ا.، و تهرانی، ر. (1396). بررسی سرریز تلاطم بازده شاخص قیمت نفت برنت بر بازده شاخص‌های کل و صنایع مرتبط با قیمت نفت در بازارهای مالی ایران و امریکا با استفاده از مدل MGARCH. پژوهشنامهٔ اقتصاد انرژی ایران، 6(21)، 61-33. 6. حاجیلو مقدم، ا.ح.، شکری، ن.، و زیستی، س. (1402). بررسی اثرات سرریز رمزارزهای منتخب با تأکید بر تأثیر آن‌ها بر طلا در دوران قبل و بعد از پاندمی کووید-۱۹ و نقش دولت (کاربرد رویکرد انسجام موجک). مطالعات اقتصاد بخش عمومی، 2(2)، 134-115. 7. حسینی ابراهیم‌آباد، س. ع.، جهانگیری، خ.، حیدری، ح.، و قائمی اصل، م. (1397). بررسی سرریزهای تکانه و تلاطم میان شاخص‌های منتخب بورس اوراق بهادار تهران با استفاده از مدل Asymmetric BEKK-GARCH. فصلنامهٔ مطالعات اقتصادی کاربردی ایران، 8(29)، 155-123. 8. خیابانی، ن. و محمدیان نیک‌پی، ا. (1397). تحلیل ریسک سیستمی در صنایع منتخب بورس اوراق بهادار تهران: یک رویکرد رگرسیون چندکی چندمتغیره. پژوهش‌های اقتصادی ایران، 23(77)، 36-1. 9. شکری، ن.، سحاب خدامرادی، م.، و حاجیلو‌مقدم، امیرحسین (1400). بررسی اثرات تلاطمات مالی میان رمزارزهای: کاربرد رهیافت گارچ چندمتغیره (BEKK-GARCH). چشم‌انداز مدیریت مالی، 11(35)، 172-143. 10. مهاجری، پ. و طالبلو، ر. (1401). بررسی پویایی‌های سرریز تلاطمات بین بازده بخش‌ها با رویکرد اتصالات خودرگرسیون برداری با پارامترهای متغیر در طول زمان (TVP-VAR)؛ شواهدی از بازار سهام ایران. مجلهٔ تحقیقات اقتصادی، 57(2)، 321-356. 11. مهاجری، پ. (1402). تحلیل شبکه‌ای از اتصالات نامتقارن نوسانات و کاربرد آن در سبدسازی سهام. بورس اوراق بهادار، 16، 109-146. 12. مهاجری، پ.، طالبلو، ر. و رنج‌خواه زنوزقی، س. (1403). برآورد ریسک سیستمی پویا و سرریز تلاطمات بازار نفت بر بازار سهام کشورهای عضو اوپک پلاس؛ رویکرد QVAR. تحقیقات اقتصادی، 59 (3)، 386-414. 13. Afjal, M., & Clanganthuruthil Sajeev, K. (2022). Interconnection between cryptocurrencies and energy markets: An analysis of volatility spillover. OPEC Energy Review, 46(3), 287-309. [ DOI:10.1111/opec.12227] 14. Alamaren, A. S., Gokmenoglu, K. K., & Taspinar, N. (2024). Volatility spillovers among leading cryptocurrencies and US energy and technology companies. Financial Innovation, 10(1), 81. [ DOI:10.1186/s40854-024-00626-2] 15. Antonakakis, N., Chatziantoniou, I., & Gabauer, D. (2020). Refined measures of dynamic connectedness based on time-varying parameter vector autoregressions. Journal of Risk and Financial Management, 13(4), 84. [ DOI:10.3390/jrfm13040084] 16. Attarzadeh, A., & Balcilar, M. (2022). On the dynamic return and volatility connectedness of cryptocurrency, crude oil, clean energy, and stock markets: a time-varying analysis. Environmental Science and Pollution Research, 29(43), 65185-65196. [ DOI:10.1007/s11356-022-20115-2] [ PMID] [ ] 17. Baur, D. G., Dimpfl, T., & Kuck, K. (2018). Bitcoin, gold and the US dollar-A replication and extension. Finance research letters, 25, 103-110. [ DOI:10.1016/j.frl.2017.10.012] 18. Bouri, E., Lau, C. K. M., Lucey, B., & Roubaud, D. (2019). Trading volume and the predictability of return and volatility in the cryptocurrency market. Finance Research Letters, 29, 340-346. [ DOI:10.1016/j.frl.2018.08.015] 19. Canh, N. P., Wongchoti, U., Thanh, S. D., & Thong, N. T. (2019). Systematic risk in cryptocurrency market: Evidence from DCC-MGARCH model. Finance Research Letters, 29, 90-100. [ DOI:10.1016/j.frl.2019.03.011] 20. Chatziantoniou, I., Abakah, E. J. A., Gabauer, D., & Tiwari, A. K. (2022). Quantile time-frequency price connectedness between green bond, green equity, sustainable investments and clean energy markets. Journal of Cleaner Production, 361, 132088. [ DOI:10.1016/j.jclepro.2022.132088] 21. Chatziantoniou, I., Gabauer, D., & Stenfors, A. (2021). Interest rate swaps and the transmission mechanism of monetary policy: A quantile connectedness approach. Economics Letters, 204, 109891. [ DOI:10.1016/j.econlet.2021.109891] 22. Corbet, S., Meegan, A., Larkin, C., Lucey, B., & Yarovaya, L. (2018). Exploring the dynamic relationships between cryptocurrencies and other financial assets. Economics letters, 165, 28-34. [ DOI:10.1016/j.econlet.2018.01.004] 23. Diebold, F. X., & Yilmaz, K. (2012). Better to give than to receive: Predictive directional measurement of volatility spillovers. International Journal of forecasting, 28(1), 57-66. [ DOI:10.1016/j.ijforecast.2011.02.006] 24. Diebold, F. X., & Yılmaz, K. (2014). On the network topology of variance decompositions: Measuring the connectedness of financial firms. Journal of econometrics, 182(1), 119-134. [ DOI:10.1016/j.jeconom.2014.04.012] 25. Dyhrberg, A. H. (2016). Bitcoin, gold and the dollar-A GARCH volatility analysis. Finance research letters, 16, 85-92. [ DOI:10.1016/j.frl.2015.10.008] 26. Ghaemi Asl, M., Bouri, E., Darehshiri, S., & Gabauer, D. (2021). Good and bad volatility spillovers in the cryptocurrency market: New Evidence from a TVP-VAR asymmetric connectedness approach. Journal of Financial Research, 45(2), 123-139. [ DOI:10.2139/ssrn.3957317] 27. Ghorbel, A., & Jeribi, A. (2021). Investigating the relationship between volatilities of cryptocurrencies and other financial assets. Decisions in Economics and Finance, 44(2), 817-843. [ DOI:10.1007/s10203-020-00312-9] [ ] 28. Gong, X. L., Zhao, M., Wu, Z. C., Jia, K. W., & Xiong, X. (2023). Research on tail risk contagion in international energy markets-the quantile time-frequency volatility spillover perspective. Energy Economics, 121, 106678. [ DOI:10.1016/j.eneco.2023.106678] 29. Huynh, T. L. D., Nasir, M. A., Vo, X. V., & Nguyen, T. T. (2020). Small things matter most: The spillover effects in the cryptocurrency market and gold as a silver bullet. The North American Journal of Economics and Finance, 54, 101277. [ DOI:10.1016/j.najef.2020.101277] [ ] 30. Huynh, T. L. D., Nasir, M. A., Vo, X. V., & Nguyen, T. T. (2020). Small things matter most: The spillover effects in the cryptocurrency market and gold as a silver bullet. The North American Journal of Economics and Finance, 54, 101277. [ DOI:10.1016/j.najef.2020.101277] [ ] 31. Jan, H. F. (2021). An Examination of Herding Behaviour in the Cryptomarket (Doctoral dissertation, CAPITAL UNIVERSITY). 32. Jia, Y., Wu, Y., Yan, S., & Yin, C. (2019). A Seesaw Effect in the Cryptocurrency Market: Understanding the Lead-Lag effect among cryptocurrencies. Available at SSRN 3465924. [ DOI:10.2139/ssrn.3465924] 33. Katsiampa, P. (2017). Volatility estimation for Bitcoin: A comparison of GARCH models. Economics letters, 158, 3-6. [ DOI:10.1016/j.econlet.2017.06.023] 34. Katsiampa, P., Corbet, S., & Lucey, B. (2019). Volatility spillover effects in leading cryptocurrencies: A BEKK-MGARCH analysis. Finance Research Letters, 29, 68-74. [ DOI:10.1016/j.frl.2019.03.009] 35. Koop, G., Pesaran, M. H., & Potter, S. M. (1996). Impulse response analysis in nonlinear multivariate models. Journal of econometrics, 74(1), 119-147. [ DOI:10.1016/0304-4076(95)01753-4] 36. Koutmos, D. (2018). Return and volatility spillovers among cryptocurrencies. Economics Letters, 173, 122-127. [ DOI:10.1016/j.econlet.2018.10.004] 37. Kumar, A. S., & Anandarao, S. (2019). Volatility spillover in crypto-currency markets: Some evidences from GARCH and wavelet analysis. Physica A: statistical mechanics and its applications, 524, 448-458. [ DOI:10.1016/j.physa.2019.04.154] 38. Kumar, A. S., & Anandarao, S. (2019). Volatility spillover in crypto-currency markets: Some evidences from GARCH and wavelet analysis. Physica A: statistical mechanics and its applications, 524, 448-458. [ DOI:10.1016/j.physa.2019.04.154] 39. Liu, J., & Serletis, A. (2019). Volatility in the cryptocurrency market. Open Economies Review, 30(4), 779-811. [ DOI:10.1007/s11079-019-09547-5] 40. Naimy, V. Y., & Hayek, M. R. (2018). Modelling and predicting the Bitcoin volatility using GARCH models. International Journal of Mathematical Modelling and Numerical Optimisation, 8(3), 197-215.
https://doi.org/10.1504/IJMMNO.2018.088994 [ DOI:10.1504/IJMMNO.2018.10009955] 41. Omane-Adjepong, M., & Alagidede, I. P. (2019). Multiresolution analysis and spillovers of major cryptocurrency markets. Research in International Business and Finance, 49, 191-206. [ DOI:10.1016/j.ribaf.2019.03.003] 42. Özdemir, O. (2022). Cue the volatility spillover in the cryptocurrency markets during the COVID-19 pandemic: Evidence from DCC-GARCH and wavelet analysis. Financial Innovation, 8(1), 12. [ DOI:10.1186/s40854-021-00319-0] [ PMID] [ ] 43. Pesaran, H. H., & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics letters, 58(1), 17-29. [ DOI:10.1016/S0165-1765(97)00214-0] 44. Ruiz, N. V. (2014). Volatility in financial markets: The impact of the global financial crisis (Doctoral dissertation, Universitat de Barcelona). 45. Sahoo, S., Behera, H., & Trivedi, P. (2018). Volatility spillovers between forex and stock markets in India. RBI Occasional Papers, 38(1), 33-63. 46. Shahzad, S. J. H., Bouri, E., Kang, S. H., & Saeed, T. (2021). Regime specific spillover across cryptocurrencies and the role of COVID-19. Financial Innovation, 7, 1-24. [ DOI:10.1186/s40854-020-00210-4] [ PMID] [ ] 47. Taleblou, R., & Mohajeri, P. (2023). Modeling the Daily Volatility of Oil, Gold, Dollar, Bitcoin and Iranian Stock Markets: An Empirical Application of a Nonlinear Space State Model. Iranian Economic Review, 27(3), 1033-1063. 48. Taleblou, R., & Mohajeri, P. (2023). Modeling the Dynamic Correlations among Cryptocurrencies: New Evidence from Multivariate Factor Stochastic Volatility Model. Journal of Money and Economy, 18(2), 263-284. [ DOI:10.61186/jme.18.2.263] 49. Yi, S., Xu, Z., & Wang, G. J. (2018). Volatility connectedness in the cryptocurrency market: Is Bitcoin a dominant cryptocurrency? International Review of Financial Analysis, 60, 98-114. [ DOI:10.1016/j.irfa.2018.08.012] 50. Zhang, J., & He, Q. Z. (2021). Dynamic cross-market volatility spillover based on MSV model: evidence from Bitcoin, Gold, Crude Oil, and stock markets. Complexity, 2021, 1-8. [ DOI:10.1155/2021/9912418] |
