De la transmission de la volatilité à la contagion entre marchés boursiers : l’éclairage d’un modèle VAR non linéaire avec bris structurels en variance
Notice bibliographique
Résumé
Nous développons dans cet article une modélisation vectorielle autorégressive non linéaire pour l’étude des interdépendances entre les marchés boursiers. Parmi les innovations de ce travail, nous introduisons un bris structurel dans la matrice des variances-covariances conditionnelle d’un processus GARCH multivarié. Dans cet ordre d’idée, nous considérons une spécification BEKK de cette matrice augmentée avec des régresseurs de transmission des chocs de volatilité entre les marchés. L’objectif de cette modification est de répondre à plusieurs biais importants dans la mesure des volatilités et des corrélations entre les marchés : d’une part, le biais de surestimation de la persistance des chocs de volatilité; d’autre part, les biais d’hétéroscédasticité et de variables omises dans la mesure des corrélations. Nous considérons ici un échantillon de 11 marchés boursiers d’Europe, d’Amérique du Nord et d’Asie avec des données hebdomadaires des indices les plus larges entre 1985 et 2006. Plusieurs résultats intéressants sont obtenus avec cette modélisation : la réduction de la persistance des chocs de volatilité; l’évidence d’une transmission des prix et des incertitudes du marché américain vers les marchés européens et asiatiques; l’existence de phénomène de transmission régionale en Europe et en Asie; mis à part le krach américain d’octobre 1987, toutes les crises ne sont pas systématiquement contagieuses. Au final, il n’est pas évident que la libéralisation financière isole les marchés des crises financières diverses, bien que l’intégration soit un vecteur d’efficience des marchés. Les crises et le phénomène de contagion en période de crise peuvent être considérés comme des processus de rééquilibrage des marchés qui doivent être encadrés, régulés et supervisés.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».