A fractionally cointegrated VAR analysis of price discovery in commodity futures markets
Notice bibliographique
Résumé
In this paper we apply the recently developed fractionally cointegrated vector autoregressive (FCVAR) model to analyze price discovery in the spot and futures markets for five non-ferrous metals (aluminium, copper, lead, nickel, and zinc). The FCVAR model allows for long memory (fractional integration) in the equilibrium errors, and, following Figuerola-Ferretti and Gonzalo (2010), we allow for the existence of long-run backwardation or contango in the equilibrium as well, i.e. a non-unit cointegration coeffcient. Price discovery can be analyzed in the FCVAR model by a relatively straightforward examination of the adjustment coeffcients. In our empiri- cal analysis we use the data from Figuerola-Ferretti and Gonzalo (2010), who conduct a similar analysis using the usual (non-fractional) CVAR model. Our first finding is that, for all markets except copper, the fractional integration parameter is highly significant, showing that the usual, non-fractional model is not appropriate. Next, when allowing for fractional integration in the long-run equilibrium relations, fewer lags are needed in the autoregressive formulation, further stressing the usefulness of the fractional model. Compared to the results from the non-fractional model, we find slightly more evidence of price discovery in the spot market. Specifically, using standard likelihood ratio tests, we do not reject the hypothesis that price discovery takes place exclusively in the spot (futures) market for copper, lead, and zinc (aluminium and nickel).
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) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».