A New Look at Copper Markets: A Regime-Switching Jump Model
Notice bibliographique
Résumé
GARCH-jump models of metal price returns, while allowing for sudden movements (jumps), apply the same specification of the jump component in both 'bear'and 'bull' markets. As a result, the more frequent but relatively small jumps that occur in both bear and bull markets dominate the characterization of the jump process. Given that large jumps, although less frequent, are still quite common in copper (and other metal) markets, this is a potential shortcoming of current models. More flexibility can be added to the modeling process by allowing for regime-switching. In this paper we specify a model that allows for switching across two separate regimes, with the possibility of different jump sizes and frequencies under each regime, along with a regime-specific GARCH process for the conditional variance. This model is applied to daily copper futures prices over the period of January 2 1980 through the end of July 2007. The model is estimated both with and without factors such as interest and exchange rate movements entering into the specification of the state-dependent mean of the conditional jump size. In some respects, a Regime Switching GARCH-Jump Model performs well when applied to the copper returns data. The results are mixed in terms of whether or not variations of the model that allow jump sizes to be a function of interest or exchange rates offer much of an advantage over a pure time series approach to the modeling of copper returns over the past three decades.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».