Special Issue in Honour of Stephen J. Taylor: Guest Editors' Introduction
Notice bibliographique
Résumé
Lecturer in Finance , Reader in Finance and Professor of Finance (1993-2020) at Lancaster.Stephen is a key authority in the area of Time Series Econometrics, especially regarding Stochastic Volatility and Option Pricing modelling.He has published more than 60 papers in the broader areas of Finance and Econometrics including in top journals such as the Journal of Econometrics, Journal of Financial & Quantitative Analysis and Journal of Financial Econometrics.Stephen has been cited extensively with more than 14,000 google-scholar citations as of 2025, and he has contributed to the careers of over 20 PhD students and numerous co-authors.Stephen was one of the very first contributors to the European Finance Association and a founding member of the Society of Financial Econometrics.His work has inspired generations of scholars in the area, and he is referenced in the Engle and Granger 2003 Nobel Prize review.His Taylor (1982) paper, introducing stochastic volatility models, is arguably his most prominent work, and it has been re-printed three times.Stephen's influential books Modelling Financial Time Series (1986) and Asset Pric Dynamics, Volatility and Prediction (2011)
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,101 | 0,092 |
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 ».