FORECASTING EXPECTED SHORTFALL WITH A GENERALIZED ASYMMETRIC STUDENT-T DISTRIBUTION
Notice bibliographique
Résumé
De façon générale, les rendements financiers sont caractérisés par des queues épaisses et une certaine asymétrie. Ainsi, les modèles à variance conditionnelle dotés de ces caractéristiques donnent de meilleurs résultats que les modèles plus limités. La différence dans les résultats obtenus peut être particulièrement importante lorsqu'il s'agit d'évaluer des quantités qui dépendent des caractéristiques des queues, y compris les mesures du risque, tel que le manque à gagner prévu. Dans le cas actuel, en recourant à une généralisation récente de la distribution asymétrique suivant la loi t de Student, de sorte que des paramètres distincts limitent l'asymétrie et l'épaisseur de chaque queue, nous intégrons les rendements financiers quotidiens et estimons le manque à gagner prévu dans le cas de l'indice S&P 500 et de certaines actions de compagnies individuelles. La distribution généralisée est utilisée pour les innovations normalisées contenues dans un modèle asymétrique non linéaire de type GARCH. Les résultats démontrent de façon empirique l'utilité de la distribution généralisée pour améliorer les prévisions au sujet du risque de perte en cas de baisse du marché des actifs financiers.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».