Univariate and multivariate analyses of the asset returns using new statistical models and penalized regression techniques
Notice bibliographique
Résumé
The COVID-19 epidemic has had a profound effect on almost every aspect of daily life, including the financial sector, education, transportation, health care, and so on. Among these sectors, the financial and health sectors are the most affected areas by COVID-19. Modeling and predicting the impact of the COVID-19 epidemic on the financial and health care sectors is particularly important these days. Therefore, this paper has two aims, (i) to introduce a new probability distribution for modeling the financial data set (oil prices data), and (ii) to implement a machine learning approach to predict the oil prices. First, we introduce a new approach for developing new probability distributions for the univariate analysis of the oil price data. The proposed approach is called a new reduced exponential-$ X $ (NRE-$ X $) family. Based on this approach, two new statistical distributions are introduced for modeling the oil price data and its log returns. Based on certain statistical tools, we observe that the proposed probability distributions are the best competitors for modeling the prices' data sets. Second, we carry out a multivariate analysis while considering some covariates of oil price data. Dual well-known machine learning algorithms, namely, the least absolute shrinkage and absolute deviation (Lasso) and Elastic net (Enet) are utilized to achieve the important features for oil prices based on the best model. The best model is established through forecasting performance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».