Notice bibliographique
Résumé
This research motivates the use of Markov chains in modeling financial time series. Then, it explains the returns and the volatility on the Toronto Stock Exchange (TSX) using some Markov-switching models. These models are: the conditional capital asset pricing model, the conditional Sharpe model, and the exponential autoregressive model with state-dependent heteroscedasticity. It also tests for cointégration between the TSX and some other major exchanges, relying on the first-order and the second-order Markov chains. \n \nThe asymmetry, the multiple peaks, or the fat tails in the distribution of the returns on the TSX and on the other exchanges indicates they could not be modelled as random realizations from a single normal distribution. The switching regressions turn out to have a greater explanatory power and provide further understanding of the TSX. \n \nABSTRACT IN FRENCH- \nCette recherché justifie l’utilisation des chaînes de Markov dans la modélisation des séries chronologiques financières. Ensuite, elle explique les rendements et la volatilité sur la Bourse de Toronto (TSX) en utilisant quelques modèles de Markov à changement de régime. Ces modèles sont : le modèle conditionnel d’évaluation des actifs financiers, le modèle conditionnel de Sharpe et le modèle autorégressif exponentiel avec une hétéroscedasdacité conditionnelle qui dépend du régime.Elle teste également la cointégration entre le TSX et d’autres bourses, en s’appuyant sur les chaînes de Markov de premier et de second ordre. \n \nL’asymétrie, les nombreux pics ou l’épaisseur des queues de la distribution des rendements sur la TSX et sur les autres bourses indiquent qu’ils ne peuvent pas être modélisés comme étant des réalisations aléatoires provenant d’une seule distribution normale. Il s’avère que les régressions avec changement de régime ont un plus grand pouvoir explicatif et fournissent une meilleure compréhension du TSX.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».