Preliminary and Incomplete.
Notice bibliographique
Résumé
provided by Xifeng Diao. We are very appreciative of financial support provided for this project by the Social Sciences and Humanities Research Council of Canada under grant 410-2002-0641. We propose a discrete-time stochastic volatility model in which regime-switching serves three purposes. First, it captures low frequency vari-ations, which is its traditional role. Second, it specifies intermediate frequency dynamics that are usually assigned to smooth autoregressive processes. Finally, it generates a fat-tailed conditional distribution of returns. A single mechanism thus captures three important features of the data that are typically addressed as distinct phenomena in the literature. Maximum likelihood estimation is developed and shown to perform well in typical sample sizes. We also construct a simu-lated method of moments (SMM) estimator in which scaling statis-tics, log-covariagrams, log-periodograms, and tail statistics are used as potential identifying restrictions. We estimate on exchange rate data a process with four parameters and more than a thousand states. The estimated process performs well both in-sample and out-of-sample when compared with previous models. The paper thus contributes to the regime-switching literature by offering an effective technique for parsimoniously specifying high-dimensional state spaces. We also ex-tend the emerging multifractal literature by proposing a convenient time series construction and by developing an econometric toolkit of estimation and testing methods. JEL Classification: G0, C5.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,652 | 0,376 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».