Analysing the chinese stock market using the hurst exponent, fractional brownian motion and variants of a stochastic logistic differential equation
Notice bibliographique
Résumé
The Chinese stock market is rapidly developing and is becoming one of the wealth management investment centres.Recent legislation has allowed wealth management products to be invested in the Chinese stock market.By taking data from St. Louis Fed and analysing the Chinese stock market using the Hurst exponent, which was calculated by using two methods, and fractional Brownian motion, it is proved that the Chinese stock market is not efficient.However, further analysis was directed to finding its equilibrium state by using logistic difference and a differential equation.To achieve more precise movement, a stochastic logistic and delayed logistic differential equation have been implemented which are driven by fractional Brownian motion.As there is no explicit solution to a delayed differential equation using the Stratonovich integral, a method of steps has been used.A solution has been obtained that gives the equilibrium state of the Chinese stock market.The following solution is only for a Hurst exponent that is higher than 1/2.If Hurst exponent is close to 1/2, then Brownian motion is an ordinary one and the equilibrium solution is different.Sensitivity analysis in that case has been conducted in order to analyse possible stationary states.The main conclusion is that the Chinese stock market is still not mature enough to be efficient, which represents a hidden risk in wealth management investing.A new approach to valuing the efficiency of the market by using nonlinear dynamics and system analysis has been proposed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».