Modèles d’évaluation des actifs financiers dans les marchés boursiers en émergence : identification des facteurs de risque et tests de changement structurel
Bibliographic record
Abstract
Dans cet article, nous faisons un survol des modèles d’évaluation des actifs financiers étudiés dans le contexte des marchés boursiers en émergence. Nous soulignons qu’il est plus facile de prévoir les rendements et leur variabilité pour de tels marchés que pour ceux des pays développés, et nous essayons de vérifier si ceci peut être expliqué par l’existence de mesures prévisibles du risque et des primes de risque. À cet égard, nous insistons sur l’importance des tests de changement structurel et des tests diagnostiques pour vérifier si les relations sont stables dans le temps et si des facteurs importants n’ont pas été oubliés. Ces tests sont d’autant plus importants dans le contexte d’un environnement économique et politique d’une plus grande instabilité. Nous terminons par une analyse de l’intégration de ces marchés boursiers en émergence au marché mondial et décrivons un modèle qui permet de capter l’évolution de cette intégration à travers le temps.
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 | 0.006 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".