Une analyse multivariée de la longue mémoire et des changements de régime de Markov dans les rendements boursiers
Notice bibliographique
Résumé
La littérature existante sur la façon d'estimer et d'anticiper les rendements boursiers est très diversifiée. En effet, de nombreux auteurs estiment que les modèles linéaires tels que les processus de longue mémoire expliquent mieux les fluctuations sur les marchés boursiers. D'autres estiment plutôt que les modèles non linéaires sont plus adaptés, car les fluctuations sont plutôt déterminées par des chocs structurels. Ainsi un modèle non linéaire tel que celui faisant usage des changements de régimes de Markov serait préférable Notre étude qui est une application empirique des travaux de Haldrup et al (2010), cherche à estimer simultanément ces aspects linéaires et non linéaires, pour les rendements des indices boursiers de Londres (FTSE100), New York (S&P500), Tokyo (NIKKEI225) et Toronto (SPTSX). S'effectuant sur une période de 1984-2010, elle considérera également l'intérêt marginal que pourrait apporter une spécification multivariée plutôt qu'univariée à la prévision des rendements. L'estimation des paramètres de longue mémoire et des changements de régimes de Markov dans les rendements boursiers, confirme les conclusions de nos prédécesseurs. Cependant, suite à la réalisation des prévisions, nous obtiendrons que les modèles Vecteur Autorégressif avec changement de régime de Markov présentent de meilleures propriétés en terme de prévision que les modèles Vecteur Autorégressif avec Longue Mémoire et ceux avec Vecteur Autorégressif avec Changement de Régime de Markov et Longue Mémoire.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».