Prévision du taux de change dans un environnement riche en données
Notice bibliographique
Résumé
Le but de cette étude est de comparer les performances des modèles à facteurs avec celles d'une marche aléatoire et d'un modèle ARMA(1,1) dans la prévision mensuelle et trimestrielle du taux de change CAD/USD. L'approche retenue est celle de Stock et Watson (2002). Pour ce faire, nous utilisons trois grands ensembles d'information : des données macroéconomiques américaines, des données financières américaines et des données canadiennes, soit un total de 406 variables. La période considérée s'étend de janvier 1976 à décembre 2011. Les prévisions mensuelles sont effectuées 1, 3, 6, 12, 18 et 24 mois à l'avance et celles qui sont trimestrielles 1, 2, 4, 6, 8 et 10 trimestres à l'avance. Les résultats obtenus ne s'éloignent pas de ceux trouvés dans la littérature, à savoir que le meilleur modèle en matière d'erreur quadratique moyenne et d'erreur absolue moyenne dépend de la fréquence des données et de l'horizon de prévision. Nous notons que la marche aléatoire garde sa réputation intacte, celle d'un modèle qui fait mieux que les modèles économiques dans la prévision du taux de change. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Modèles à facteurs, composantes principales, indices de diffusion, marche aléatoire, taux de change.
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 | 0,002 | 0,001 |
| 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 | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».