De la transmission de la volatilité à la contagion entre marchés boursiers : l’éclairage d’un modèle VAR non linéaire avec bris structurels en variance
Bibliographic record
Abstract
Nous développons dans cet article une modélisation vectorielle autorégressive non linéaire pour l’étude des interdépendances entre les marchés boursiers. Parmi les innovations de ce travail, nous introduisons un bris structurel dans la matrice des variances-covariances conditionnelle d’un processus GARCH multivarié. Dans cet ordre d’idée, nous considérons une spécification BEKK de cette matrice augmentée avec des régresseurs de transmission des chocs de volatilité entre les marchés. L’objectif de cette modification est de répondre à plusieurs biais importants dans la mesure des volatilités et des corrélations entre les marchés : d’une part, le biais de surestimation de la persistance des chocs de volatilité; d’autre part, les biais d’hétéroscédasticité et de variables omises dans la mesure des corrélations. Nous considérons ici un échantillon de 11 marchés boursiers d’Europe, d’Amérique du Nord et d’Asie avec des données hebdomadaires des indices les plus larges entre 1985 et 2006. Plusieurs résultats intéressants sont obtenus avec cette modélisation : la réduction de la persistance des chocs de volatilité; l’évidence d’une transmission des prix et des incertitudes du marché américain vers les marchés européens et asiatiques; l’existence de phénomène de transmission régionale en Europe et en Asie; mis à part le krach américain d’octobre 1987, toutes les crises ne sont pas systématiquement contagieuses. Au final, il n’est pas évident que la libéralisation financière isole les marchés des crises financières diverses, bien que l’intégration soit un vecteur d’efficience des marchés. Les crises et le phénomène de contagion en période de crise peuvent être considérés comme des processus de rééquilibrage des marchés qui doivent être encadrés, régulés et supervisés.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".