Liens de rendement et de volatilité entre les métaux et les marchés boursiers : Implications pour la gestion de portefeuille
Notice bibliographique
Résumé
Cette thèse se compose de trois études empiriques (chapitre 2, chapitre 3 et chapitre 4), qui visent à contribuer à la littérature sur les liens en termes de rentabilité et de volatilité entre les métaux et les marchés actions.Dans le chapitre 2, nous étudions le pouvoir de prévisibilité des variations des prix des métaux industriels sur les rentabilités boursières dans divers pays. Nous constatons que les prix décalés d'un mois de l'aluminium et du cuivre sont positivement associés aux rentabilités boursières ultérieures. Ce résultat est cohérent avec l'hypothèse de sous-réaction de Hong et Stein (1999) ainsi qu'avec les résultats empiriques de Driesprong et al. (2008). Nous développons également une stratégie d’investissement visant à prendre des positions longues et courtes sur les actions en fonction des signaux des variations des prix de l'aluminium et du cuivre. Les résultats des prévisions dans l'échantillon montrent que les investisseurs améliorent à la fois les caractéristiques de risque et de rentabilité avec cette stratégie de trading. Cependant, les résultats des prévisions hors échantillon montrent que cette stratégie de trading peut aider les investisseurs à réduire les risques mais pas à améliorer les rentabilités.Dans le chapitre 3, nous étudions les liens de volatilité entre les métaux industriels/métaux précieux et les rentabilités boursières. En utilisant un modèle DCC-GARCH, nous étudions les corrélations conditionnelles dynamiques entre les métaux et les marchés boursiers. Nous construisons également un portefeuille optimal composé d'actions et de métaux industriels/métaux précieux afin de minimiser le risque d’un portefeuille. Nous constatons que le poids optimal des métaux industriels varie de 33,1 % à 65,1 % dans un portefeuille actions-métaux, tandis que le poids optimal des métaux précieux varie de 40 % à 69,3 %. Les variances des portefeuilles peuvent être réduites de 25 % à 54 % grâce aux métaux industriels et de 44 % à 70 % grâce aux métaux précieux, par rapport à des portefeuilles non couverts (100% actions).Enfin, dans le chapitre 4, nous examinons les propriétés de diversification, de couverture et de valeur refuge de l'or pour les investisseurs en actions situés dans les pays du G7 ainsi qu’en Chine et en Inde. Nous constatons que l'or est une valeur refuge dans cinq pays sur neuf, à savoir le Canada, l'Allemagne, l'Italie, le Royaume-Uni et les États-Unis. Nous examinons plus en détail si les avantages de l'or dépendent des conditions du marché et montrons que l'or remplit plus clairement son rôle de couverture et/ou de valeur refuge dans les périodes défavorables telles que les périodes de volatilité élevée ainsi que les périodes d'aplatissement de la courbe des taux.Mots clés: marchés actions, prix des métaux, prévision des actions, liens de volatilité, conceptions de portefeuille optimales, couverture, valeur refuge, or.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 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 ».