Volatilité stochastique du taux de change nominal canadien dans une persperctive de long et court terme
Bibliographic record
Abstract
Cette recherche traite, dans une perspective de court et long terme, le cas univarié de la volatilité stochastique du taux de change nominal canadien.Son but est de capturer la persistance, de cette volatilité, pour le long terme et sa dynamique pour le court terme.Les paramètres du modèle ainsi que les volatiliés latentes sont estimés selon l'approche bayésienne.Les données traitées sont relatives au taux de change nominal du dollar canadien.La base de données est constituée de 2968 observations journalières.La source des données est le Fédéral Reserve Bank of New York.La démarche utilisée est basée sur la méthode, développée par William J.McCausland, qui permet le tirage des volatilités à partir de leurs distributions à posteriori.L'outil de simulation, pour certains paramètres, est en particulier l'algorithme de Metroplis-Hasting qui fait partie de la Chaîne Markovienne de Monte Carlo (MCMC) dont la loi de ses tirages converge en distribution vers la loi à posteriori.L'analyse bayésienne est gourmande au niveau computationnele.Le logiciel utilisé pour générer le code est Matlab.D'autres programmes développés en langage C, par Monsieur William J. McCausland, ont été utilisés dans le cadre de la présente étude.i
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".