The t-Distribution in Financial Mathematics and Multivariate Testing Contexts
Notice bibliographique
Résumé
The Student’s t-distribution provides a thematic connection between the historical and technical elements of this paper. The historical section offers a brief account of the early contributions of Chris Heyde and his collaborations with Madan and Seneta in the development of financial mathematics. The technical section focuses on hypothesis testing, motivated by the observation that, in a setting with pairwise exchangeable dependence for test statistics, the cutoff methods proposed by Sarkar and colleagues in 2016 can be viewed as a first iteration of the classical approach developed by Holm in 1979. These methods had already been refined earlier by Seneta and Chen in their work from 1997 and 2005, which laid the foundation for further improvements. Building on this, a new iteration of the Seneta-Chen method is presented, offering enhancements over the Sarkar approach. Numerical and graphical comparisons are provided, focusing on equal tails testing within the multivariate t-distribution framework. While the tabulated results clearly show improvements with the new procedure, the simulated family-wise error rates across varying correlations reveal only minor practical differences between the iterative methods. This suggests that, under suitable conditions, a single iteration suffices in practice. The paper concludes with personal reflections from the first author, sharing memories of Joe Gani and Chris Heyde, in keeping with the commemorative nature of this issue.
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 | 0,016 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,018 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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.
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 ».