Efficient Market Hypothesis and the RMB-Dollar Rates: A Nonlinear Modeling of the Exchange Rate
Notice bibliographique
Résumé
This paper uses a SETAR model to determine threshold(s) in the RMB/US$ exchange rate from 1981 to 2016 using monthly data. Also, it compares the forecast performance of the univariate nonlinear model to a univariate linear model. We further analyze the forecast performance of the SETAR model to a multivariate linear model, e.g., a Reduced-form VAR. In addition, the research assesses the claim by Boero and Marrocu (2002) that the root mean square error masks the superiority of the nonlinear models.We found five significant thresholds in the RMB/US$ exchange rate, and this result reflects five major episodes of policy reforms or structural changes in the renminbi exchange rates from the period 1981 to 2016. We also found that the univariate nonlinear model out performs both the univariate and multivariate linear models in predicting the exchange rate movements. This finding is consistent with the results in Kyei and Gyamfi (2016), Boero and Marrocu (2002), Krager and Kugler (1993), Peel and Speight (1994) and Chappell et al. (1996). Furthermore, we did not find any evidence of the root mean square error masking the superiority of the nonlinear model.
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 | 0,003 | 0,008 |
| 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 | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».