Modified Volatility Conditional Heteroscedastic Models using Binary Variable
Notice bibliographique
Résumé
This study modified some of the existing conditional heteroscedastic models by introducing binary variable to sort out categorical data into mutually exclusive categories and compared the existing conditional heteroscedastic models with the modified conditional heteroscedastic models. Jarque-Bera statistic was used for normality test, Augmented dickey-fuller (ADF) test was used to test the stationarity of the return series, Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC) was used for model selection, and root mean square error was for model fitness. The parameters of these models were estimated using the Marquardt’s numerical optimization algorithm in the Econometric view software. Time series behaviour of daily closing stocks returns of seven oil companies listed in the Nigerian stocks market from 4th January, 2017 to 30th June, 2023 was considered. ARCH (1), ARCH (2), GARCH (1,1), GARCH (2,1), EGARCH (1,1), EGARCH (2,1), GJRGARCH (1,1) and GJRGARCH (2,1) with generalized error distribution were used for the analysis. Results revealed that all the oil stocks returns were all stationary and not normally distributed. These shows the evidence of volatility clustering, negative skewness, leptokurtic and leverage effect which are usually observed in financial time series. Also, the modified GJRGARCH (1,1) outperformed better than other models for forecast evaluation and fitness performance respectively.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».