Copula Modelling to Analyse Financial Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Copula modelling is a popular tool in analysing the dependencies between variables. Copula modelling allows the investigation of tail dependencies, which is of particular interest in risk and survival applications. Copula modelling is also of specific interest to economic and financial modelling as it can help in the prediction of financial contagion and periods of “boom” or “bust”. Bivariate copula modelling has a rich variety of copulas that may be chosen to represent the modelled dataset dependencies and possible extreme events that may lie within the dataset tails. Financial copula modelling tends to diverge as this richness of copula types within the literature may not be well realised with the two different types of modelling, one being non-time-series and the other being time-series, being undertaken differently. This paper investigates standard copula modelling and financial copula modelling and shows why the modelling strategies in using time-series and non-time-series copula modelling is undertaken using different methods. This difference, apart from the issues surrounding the time-series component, is mostly due to standard copula modelling having the ability to use empirical CDFs for the probability integral transformation. Financial time-series copula modelling uses pseudo-CDFs due to the standardized time-series residuals being centred around zero. The standardized residuals inhibit the estimation of the possible distributions required for constructing the copula model in the usual manner.
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.
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 | 0,002 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle