Notice bibliographique
Résumé
This paper provides a comprehensive analysis of the day of the week, non-trading day (post-holiday), and month of the year seasonal effects in the daily returns and volatility of the S&P 500 index. We use bootstrapping to demonstrate that, surprisingly, these three prominent calendar effects are statistically significant in daily volatility, but not in daily average returns. We model this form of seasonal heteroscedasticity by introducing the periodic stochastic volatility (PSV) model for characterizing the seasonal patterns of daily financial market volatility. We analyze the interaction of seasonal heteroscedasticity with fat tails by comparing the performance of Gaussian PSV and fat-tailed PSVt specifications to the plain vanilla SV and SV t benchmarks. Consistent with the bootstrapping results, we find strong evidence of seasonal periodicity in volatility, which substantially reduces the need for fat tails, and is robust to the exclusion of the Crash of 1987 outliers. The SV parameters are estimated by implementing the Bayesian MCMC methods developed by Chib, Nardari and Shephard (2002), with the addition of a Gibbs step for sampling the seasonal volatility level effects. We compute in-sample and outof-sample density forecasts for assessing the adequacy of the conditional distribution. We conclude by using Bayes factors as a likelihood-based framework for ranking the SV specifications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».