A stochastic model for predicting the response time of green vs brown stocks to climate change news risk
Notice bibliographique
Résumé
We model the dynamic evolution of the attention process over the duration of climate change news events as a Brownian motion with an absorbing barrier, where attention to the news event ceases. In this framework, the duration of the underlying news event is a random variable whose probability distribution is the Inverse Gaussian (IG). We show that the IG distribution of news duration can be used to predict the response time of asset prices to climate news risk. We test the empirical validity of our model by constructing two novel climate news duration data sets: a daily duration and an hour-by-hour intra-news duration. At the daily frequency, our model predicts the response time of green versus brown firms’ stock prices to climate news risk. We demonstrate how this response time can enhance the precision of conventional risk management statistics, e.g., Value at Risk and expected shortfall, and in consequence improves the efficiency of managing firms’ exposures to such risk. At the high frequency, we extend the autoregressive conditional duration (ACD) model and show that, in an IG-ACD-GARCH framework, climate change news arrivals contribute to the volatility of green (but not brown) firms’ returns. This finding is attributed to public and investors’ concerns about climate change or to their belief that climate transition policies are ineffective in combating climate change.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».