Analyzing the Selective Stock Price Index Using Fractionally Integrated and Heteroskedastic Models
Notice bibliographique
Résumé
Stock market indices are important tools to measure and compare stock market performance. The Selective Stock Price (SSP) index reflects fluctuations in a set value of financial instruments of Santiago de Chile’s stock exchange. Stock indices also reflect volatility linked to high uncertainty or potential investment risk. However, economic shocks are altering volatility. Evidence of long memory in SSP time series also exists, which implies long-term persistence. In this paper, we studied the volatility of SSP time series from January 2010 to September 2023 using fractionally heteroskedastic models. We considered the Autoregressive Fractionally Integrated Moving Average (ARFIMA) process with Generalized Autoregressive Conditional Heteroskedasticity (GARCH) innovations—the ARFIMA-GARCH model—for SSP log returns, and the fractionally integrated GARCH, or FIGARCH model, was compared with a classical GARCH one. The results show that the ARFIMA-GARCH model performs best in terms of volatility fit and predictive quality. This model allows us to obtain a better understanding of the observed volatility and its behavior, which contributes to more effective investment risk management in the stock market. Moreover, the proposed model detects the influence volatility increments of the SSP index linked to external factors that impact the economic outlook, such as China’s economic slowdown in 2012 and the subprime crisis in 2008.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».