Scalar Measures of Volatility and Dependence for the Multivariate Models with Applications to Asian Financial Markets
Notice bibliographique
Résumé
The variance–covariance matrix is a multi-dimensional array of numbers, containing information about the individual variabilities and the pairwise linear dependence of a set of variables. However, the matrix itself is difficult to represent in a concise way, particularly in the context of multivariate autoregressive conditional heteroskedastic models. The common practice is to report the plots of k(k−1)/2 time-varying pairwise conditional covariances, where k is the number of markets (or assets) considered; thus, when k=10, there will be 45 graphs. We suggest a scalar measure of overall variabilities (and dependences) by summarizing all the elements in a variance–covariance matrix into a single quantity. The determinant of the covariance matrix Σ, called the generalized variance, can be used as a measure of overall spread of the multivariate distribution. Similarly, the positive square root of the determinant |R| of the correlation matrix, called the scatter coefficient, will be a measure of linear independence among the random variables, while collective correlation+(1−|R|)1/2 will be an overall measure of linear dependence. In an empirical application to the six Asian market returns, these statistics perform the intended roles successfully. In addition, these are shown to be able to reveal and explain the empirical facts that cannot be uncovered by the traditional methods. In particular, we show that both the contagion and interdependence (among the national equity markets) are present and could be quantitatively measured in contrast to previous studies, which revealed only market interdependence.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».