Forecasting Financial Crashes with Advanced Time-Series Methods: A Predictive Framework
Notice bibliographique
Résumé
The research involves examining how financial markets, particularly the NASDAQ and S&P 500 indices, react when under stress, as well as applying advanced time series techniques in an attempt to predict crashes. Accurate prediction of crashes is important due to the tremendous impact financial market collapses, including the 2008 and COVID-19 epidemics, have on the worldwide economy. To model non-linear market dynamics, the study combines dynamic GARCH extensions and wavelet-based time series decomposition with ARIMA and GARCH models to forecast market volatility. The sample period ranged from January 2021 to August 2024, with total observations of 787 and 921 for the S&P500 and NASDAQ, respectively. The selection of the ARIMA and GARCH models was confirmed by the ADF and PP tests to determine whether the time series is stationary. The GARCH model with the GARCH effect of 0.912741 has most certainly accommodated the volatility clustering phenomenon, due to which an episode of high (low) volatility was followed by another episode of the same kind and successive spikes in the volatility, especially in the case of NASDAQ. The volatility persistence of the S&P 500 was lower (0.6785330 GARCH effect). For a relatively small level autoregressive table, the forecasts demonstrate that the variance of S&P 500 substantially increases in high volatility periods for most by up to 0.006. The NASDAQ was somewhat more persistent, as indicated by a variance of 0.00024. These findings illustrate how efficiently the proposed forecasting model is able to predict market crashes and offer valuable information for investors and policymakers.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».