Performance prévisionnelle de modèles de taux de change fondés sur la valeur actualisée
Bibliographic record
Abstract
Ce travail étudie la performance prévisionnelle, hors échantillon, de plusieurs modèles de taux de change fondés sur la valeur actualisée. La période d'étude est de 1976 à 2014. Étant donné l'évidence de racine unitaire, les modèles initiaux ont été modifiés en différenciant les variables explicatives. L'étude a été faite sur la base des fréquences mensuelle et trimestrielle. Les horizons de prévision sont de 1 à 12 mois et 1 à 4 trimestres selon les fréquences. Les approches de prévision appliquées sont l'approche récursive, les approches roulantes 5 ans et 10 ans. Les résultats empiriques montrent qu'avec la fréquence mensuelle, tous les modèles font mieux que la marche aléatoire sur les horizons 2 à 8 et 12. Il ressort aussi de l'étude que l'approche récursive appliquée au modèle financier obtient la meilleure performance prévisionnelle avec la fréquence mensuelle. Pour la fréquence trimestrielle, c'est l'approche récursive appliquée au modèle POTI qui détient la meilleure performance. En plus, pour chaque modèle, l'étude révèle que la justesse de prévision s'est détériorée pendant 2008, l'année de la crise financière. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Canada, prévision, approches, horizons.
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 | 0.013 | 0.036 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| 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".