Bibliographic record
Abstract
Dans cet article, nous proposons une nouvelle approche pour la modélisation de la volatilité en temps discret et continu. Nous adoptons la même approche que la littérature de la volatilité stochastique en supposant que la volatilité est une fonction d'une variable d'état. Néanmoins, au lieu de supposer que la fonction de lien est donnée de manière ad hoc (par exemple, exponentielle ou affine), nous supposons que c'est une combinaison linéaire des fonctions propres de l'opérateur espérance conditionnelle (générateur infinitésimal, respectivement) associé à la variable d'état en temps discret (continu, respectivement). Les modèles populaires exponentiels et racine carrée sont des exemples où les fonctions propres sont respectivement les polynomes de Hermite et de Laguerre. L'approche par fonctions propres a au moins six avantages : i) elle est générale puisque toute fonction de carré intégrable peut être écrite comme combinaison linéaire des fonctions propres; ii) l'orthogonalité des fonctions propres permet d'utiliser les interprétations usuelles de l'analyse en composantes principales linéaires; iii) les dynamiques induites de la variance et du carré de l'innovation sont des ARMA et donc sont simples pour la prévision et l'inférence statistique; iv) plus important, cette approche génère des queues épaisses pour les processus de volatilité et de rendements; v) à l'opposé des modèles usuels, la variance de la variance est une fonction flexible de la variance; vi) ces modèles sont robustes vis-à-vis de l'agrégation temporelle.
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 | 0.001 | 0.002 |
| 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 | 0.001 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 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".