Modeling the Dynamics of Credit Spreads with Stochastic Volatility
Notice bibliographique
Résumé
Dans cet article, nous modélisons l'écart de crédit sur obligations d'entreprise avec un modèle affin à deux facteurs. Le premier facteur s'interprète comme le niveau de l'écart et le deuxième comme sa volatilité. Le taux d'intérêt sans risque est modélisé selon un modèle affin à deux facteurs standard, ce qui conduit à un modèle à quatre facteurs pour les rendements d'obligations d'entreprise. Cette approche nous permet de modéliser la volatilité des écarts de crédit de manière stochastique et également de capter des moments des écarts de crédit d'ordres plus élevés. Nous utilisons une approche de filtre de Kalman étendu pour estimer notre modèle à partir des prix des obligations de 108 entreprises. Le modèle s'avère performant dans sa reproduction des écarts de crédit empiriques des obligations d'entreprise et mène à une racine des erreurs moyennes quadratiques significativement plus petite que celle d'un modèle alternatif standard, et ce aussi bien dans l'échantillon que lors d'analyses hors échantillon. De plus, le modèle capte également mieux certaines caractéristiques empiriques importantes des écarts de crédit sur obligations d'entreprise.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».