On Comparing and Assessing Robustness of Some Popular Non-Stationary BINAR(1) Models
Notice bibliographique
Résumé
Intra-day transactions of stocks from competing firms in the financial markets are known to exhibit significant volatility and over-dispersion. This paper proposes some bivariate integer-valued auto-regressive models of order 1 (BINAR(1)) that are useful to analyze such financial series. These models were constructed under both time-variant and time-invariant conditions to capture features such as over-dispersion and non-stationarity in time series of counts. However, the quest for the most robust BINAR(1) models is still on. This paper considers specifically the family of BINAR(1)s with a non-diagonal cross-correlation structure and with unpaired innovation series. These assumptions relax the number of parameters to be estimated. Simulation experiments are performed to assess both the consistency of the estimators and the robust behavior of the BINAR(1)s under mis-specified innovation distribution specifications. The proposed BINAR(1)s are applied to analyze the intra-day transaction series of AstraZeneca and Ericsson. Diagnostic measures such as the root mean square errors (RMSEs) and Akaike information criteria (AICs) are also considered. The paper concludes that the BINAR(1)s with negative binomial and COM–Poisson innovations are among the most suitable models to analyze over-dispersed intra-day transaction series of stocks.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».