Study of Characteristic and Period of Communication and Electronics Industry in Chinese Securities Market
Notice bibliographique
Résumé
Purpose: This study aims to analyze the characteristics of communication and electronics industry in Chinese stock market and calculate the average periods of it. Design/methodology/approach: We use R/S analysis method to study the characteristics of communication and electronics industry in Chinese stock market, and use Matlab software and Eviews software to calculate some representative exponents of this industry. Findings: The results show that the probability distribution of the communication and electronics industry in the Chinese stock market is nearly non-normal distribution, but a partial distribution, showing a peak, thick tail, migraine and other features. Hurst exponent calculated shows that the communication and electronics industry in the Chinese stock market has obvious fractal characteristics, and does not follow a random walk assumption, but follows persistent trend. The average big circulation period is about 400 days; the average small circulation period is about 200 days. Research limitations/implications: We use R/S analysis method to study the characteristics including periods and venture.of communication and electronics industry in Chinese stock market. Practical implications: The average periods and related venture can give investors properly suggestions. Originality/Value: We use R/S analysis method and Matlab software and Eviews software to analyze the characteristics of communication and electronics industry in Chinese stock market which has barely been studied. The results unfold the characteristics of this industry and can give investors properly suggestions as well. Key words: Stock market; Fractal; R/S analysis; Hurst exponent; Periods; Communication and electronics
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) | 0,000 | 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 | 0,000 |
| 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 ».