MétaCan
Menu
Retour à la cohorte
Enregistrement W4387543391 · doi:10.35219/eai15840409338

Quantifying Long-Term Volatility for Developed Stock Markets: An Empirical Case Study Using PGARCH Model on Toronto Stock Exchange (TSX)

2023· article· en· W4387543391 sur OpenAlexaboutno aff
Kumar Santosh, Meher Kumar Bharat, Ramona Birău, Mircea-Laurentiu Simion, Abhishek Anand, Singh Manohar

Notice bibliographique

RevueAnnals of Dunarea de Jos University of Galati Fascicle I Economics and Applied Informatics · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Risk and Volatility Modeling
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVolatility (finance)Autoregressive conditional heteroskedasticityEconometricsEconomicsStock exchangeStock (firearms)Stock market indexIndex (typography)Stock marketFinancial economicsFinanceComputer scienceGeography

Résumé

récupéré en direct d'OpenAlex

High frequency data is a recent entrant to the world of statistics as they relate to the markets.This study measures the volatility of S& P / Toronto index by utilizing the GARCH family models (EGARCH, TGARCH, MGARCH and PGARCH models) using a daily database counted 7636 observations.The empirical results for the selected index for the whole-time frame show that it is volatile, and the PGARCH is a better-fitted model with the student's t distribution.Positive shocks have a greater impact on conditional volatility than negative shocks, according to the data.These extra analyses can be supplied to further corroborate their results and provide useful information for economic thespians interested in adding Toronto stock market index to their investment portfolios.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,833
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,269
Tête enseignante GPT0,350
Écart entre enseignants0,081 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of Dunarea de Jos University of Galati Fascicle I Economics and Applied InformaticsMême sujetFinancial Risk and Volatility ModelingTravaux en français237 207