MétaCan
Menu
Retour à la cohorte
Enregistrement W4386228980 · doi:10.4236/jmf.2023.133025

Equity Value and Volatility

2023· article· en· W4386228980 sur OpenAlexaff
Moon Hoe Lee

Notice bibliographique

RevueJournal of Mathematical Finance · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Markets and Investment Strategies
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésEconomicsVolatility (finance)EconometricsValuation (finance)Financial economicsResidual income valuationStock (firearms)Equity riskFinance

Résumé

récupéré en direct d'OpenAlex

As shown by continuous-time mathematics, a current stock price is the sum of the mean or equity value and the residual volatility of the current stock price. The residual volatility is a fraction of the volatility of the current stock price. Equity value is derived from the valuation of corporate and economic events. In a continuous-time first-order autoregressive process for a current demeaned stock price, valuation is completed when a lagged demeaned stock price is discounted. Volatility is present in a lagged demeaned stock price. Discounting a nominal lagged demeaned stock price converts it to equity value. A discounted model is a valuation model. The equity value from the valuation model is the sum of the mean stock price and the discounted lagged demeaned stock price. The valuation process starts from the process of mean reversion and ends at the process of autoregression. During mean reversion, the current demeaned stock price reacts to corporate and economic events. At autoregression, the lagged demeaned stock price is discounted completing valuation. My objective is to derive and test a valuation model under uncertainty. The residual volatility is produced by speculation. The residual volatility is a measure of stock market inefficiency, which is of topical interest. First-order autoregression of current demeaned stock prices was noticeably demonstrated at the start of the COVID-19 pandemic. The daily equity value represented 98.46% of the current S&P 500 in 2019. The proportion of daily equity value to the current S&P 500 was high. The inefficiency of a stock market is measured by the daily residual volatility of the current stock price. At the start of the COVID-19 pandemic, the S&P 500 market was 3.17% inefficient. The inefficiency was small in a stock market under great uncertainty.

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)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,015
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,002
Communication savante0,0050,006
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,002

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 Opus0,065
Tête enseignante GPT0,277
Écart entre enseignants0,212 · 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'étudeThéorique ou conceptuel
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Mathematical FinanceMême sujetFinancial Markets and Investment StrategiesTravaux en français237 207