MétaCan
Menu
Retour à la cohorte
Enregistrement W4299356032 · doi:10.17016/ifdp.2013.1093

Surprise and Uncertainty Indexes: Real-Time Aggregation of Real-Activity Macro Surprises

2013· article· en· W4299356032 sur OpenAlexaboutno aff
Chiara Scotti

Notice bibliographique

RevueInternational Finance Discussion Paper · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMarket Dynamics and Volatility
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSurpriseIndex (typography)EconomicsEconometricsPessimismConstruct (python library)OptimismMeasure (data warehouse)MacroComputer science

Résumé

récupéré en direct d'OpenAlex

I construct two real-time, real activity indexes: (i) a surprise index that summarizes recent economic data surprises and measures optimism/pessimism about the state of the economy, and (ii) an uncertainty index that measures uncertainty related to the state of the economy. The indexes, on a given day, are weighted averages of the surprises or squared surprises from a set of macro releases, where the weights depend on the contribution of the associated real activity indicator to a business condition index a la Aruoba, Diebold, and Scotti (2009). I construct indexes for the United States, Euro Area, the United Kingdom, Canada, Japan. I show that the surprise index preserves the properties of the underlying series in affecting asset prices, with the advantage of being a parsimonious summary measure of real-activity surprises. For the United States, I present the real-activity uncertainty index in relation to other proxies commonly used to measure uncertainty and compare their macroeconomic impact. I find evidence that when uncertainty is strictly related to real activity it has a potentially milder impact on economic activity than when it also relates to the financial sector.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,006
Études des sciences et des technologies0,0000,001
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,230
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Finance Discussion PaperMême sujetMarket Dynamics and VolatilityTravaux en français237 207