Notice bibliographique
Résumé
We design adaptive realized kernels to estimate the integrated volatility in a framework that combines a stochastic volatility model with leverage effect for the efficient price and a semiparametric microstructure noise model specified at the highest frequency. Some time dependence parameters of the noise model must be estimated before adaptive realized kernels can be implemented. We study their performance by simulation and illustrate their use with twelve stocks listed in the Dow Jones Industrial. As expected, we find that adaptive realized kernels achieves the optimal trade-off between the discretization error and the microstructure noise. Nous proposons un nouvel estimateur - les noyaux réalisés adaptatifs - pour la volatilité intégrée dans un cadre théorique combinant un modèle de volatilité stochastique avec effet de levier pour le prix d'équilibre de l'actif et un modèle semi-paramétrique spécifiée à la plus haute fréquence pour le bruit de microstructure. Avant de pouvoir implémenter les noyaux réalisés adaptatifs, certains des paramètres de dépendance temporelle du bruit de microstructure doivent d'abord être estimés. Nous étudions les performances de cet estimateur par simulation et illustrons son utilisation avec des données sur douze titres cotés dans le Dow Jones Industrial. Les résultats de simulation suggèrent que les noyaux adaptatifs réalisés permettent de faire un arbitrage optimal entre l'erreur de discrétisation et le bruit de microstructure.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».