Stock Market Anomalies : A Literature Review and Estimation of Calendar affects on the S&P 500 index
Notice bibliographique
Résumé
This thesis investigates the Day-of-the-week, Month-of-the-year and Quarter-of-the-year effects. Historical data from the S&P 500 index between 1970- 2005 is analyzed. The purpose is to investigate if there is any evidence of increased returns (ROR) pattern related to seasonality during this period. The conclusion is that Wednesdays, December and Quarter 4 have had the highest ROR while Mondays, September and Quarter 3 have had the lowest ROR. The empirical analysis found support for the Monday effect that Mondays are the days with the lowest stock returns. An investor would have earned on approximately four times more if you invested on Wednesdays instead of Mondays. Mondays was the only days with a negative ROR. I also found support for the weekend effect that return on Fridays are higher than returns on Mondays. Based on the empirical analysis a mid-of-the-week effect or Wednesday effect is also present. No support was found for the January effect that stock prices should be higher in January than in December. What I however clearly could see was a September effect. September is the only month with negative returns. You would have on earned approximately three times as much if you invest in the beginning of December instead of the beginning of September. This leads to that the quarter 3 should be avoided due to a negative historical ROR.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,016 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».