Notice bibliographique
Résumé
Theory suggests that physical commodity prices may exhibit nonlinear features such as bubbles and various types of asymmetries. This paper investigates these claims empirically by introducing a new time series model apt to capture such features. The data set is composed of 25 individual, continuous contract, commodity futures price series, representative of a number of industry sectors including softs, precious metals, energy, and livestock. It is shown that the linear causal ARMA model with Gaussian innovations is unable to adequately account for the features \nof the data. In the purely descriptive time series literature, often a threshold autoregression (TAR) is employed to model cycles or asymmetries. Rather than take \nthis approach, we suggest a novel process which is able to accommodate both bubbles and asymmetries in a flexible way. This process is composed of both causal and noncausal components and is formalized as the mixed causal/noncausal autoregressive model of order (r, s). Estimating the mixed causal/noncausal model with leptokurtic errors, by an approximated maximum likelihood method, results in dramatically improved model fit according to the Akaike information criterion. Comparisons of the estimated unconditional distributions of both the purely causal \nand mixed models also suggest that the mixed causal/noncausal model is more representative of the data according to the Kullback-Leibler measure. Moreover, these \nestimation results demonstrate that allowing for such leptokurtic errors permits identification of various types of asymmetries. Finally, a strategy for computing \nthe multiple steps ahead forecast of the conditional distribution is discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».